八大数据分析模型之——粘性分析(六)

诸葛君说:留存,被认为是衡量产品健康度的一大高级指标,除了“留存”,我们最常谈起的就是“粘性”,但如何量化它呢?今天我们分享一个分析模型——粘性分析,让大家对产品的粘性衡量从感性认知上升到理性认知,帮你深刻理解并能应用于业务场景。

一、深刻理解留存

对大多数产品而言,我们会用留存来整体评估产品的健康度,你也可以理解为,留存是在“某一天有多少人使用”的维度下进行的计算,它统计了来自同一群人,放在时间的跨度下,计算每一天回访用户占这群人的百分比。以新增留存为例,某一天或一段时间新增的用户,第2天还有多少人使用(次日留存),隔2天还有多少人使用(2天后留存),隔了7天还有多少人使用(周留存),通常我们会以此来判断产品留存用户的能力,以及用户的价值。

1.webp.jpg

图1:7日留存

关于留存,我们上周进行了详细的解读,点我回顾

二、粘性:以用户视角,科学评估产品留存能力

从精细化运营的角度来看,你可能有过这样的疑问,在某一段时间活跃的用户为用户群中:

隔7天来的用户有多少?

有多少用户是中间6天一天都没来?

有多少用户是连续访问了7天?

第30天来的用户中,有多少中间29天没有访问过?

有多少用户是有连续访问的?

有多少用户又是每周都来2-3天的?

他们分别占比多少?

如果要整体评估产品健康度,我们认为,你可能还需要知道:“一个人使用了几天”,也即很多产品一直无法衡量的维度:粘性。因为由粘性你可以知道:一款产品,用户一个月使用几天,使用大于1天的有多少,使用大于7天的有多少,你也可以再扩展到周的维度,一周使用大于2天的有多少,一周使用大于5天的有多少?以此来综合评估产品的健康度。

当我们将这一模型进行可视化, 如下图,选择“任意行为”,按周查看,即为用户平均每周使用产品的天数分布。

2.webp.jpg

图2:任意行为的粘性分析

如上图所示,我们可以看到近四周所有使用产品的用户中,平均每周使用2天、3天及以上的用户占比。

当然,你更可以评估某一功能的粘性,比如我们选择「开始签到」来分析新上线的社区功能的粘性:

3.webp.jpg

图3:「开始签到」模块的粘性分析

说明:在计算各个天数的人数占比情况时,我们会以在所选时间段内触发过该事件的人为基数(第一天为100%)。比如,近四周的活跃人数是200,触发过「开始签到」的人是100,其中一周内触发过「开始签到」2天以上的是20人,那么在粘性分析中,「开始签到」2天以上的人数占比是 :20 / 100 = 20%。我们不会以活跃人数为基数,若要看在整个活跃用户中使用过某个功能的人数占比,可通过「事件」中的「活跃比」功能实现。

三、场景举例

以诸葛io服务的客户——向上金服为例,作为一家运营4年的互联网金融服务平台,同所有互金产品运营思路一样,一方面,需要不断强化用户对产品的信任感;另一方面,通过完善积分体系/搭建商城等手段,不断开拓更多用户与产品交互的场景,从而提高用户留存和粘性。

此外,我们可能还会需要对比两个不同用户群的粘性情况,比如我们想了解一下「已投资用户」相较于「未投资用户」来讲,对「查看股票市场」的依赖程度有何不同:

4.png

图4:不同用户群对于「查看股票市场」的粘性对比

(数据为脱敏数据)

如上图所示,我们发现,与未投资用户相比,有过投资行为的用户更关注股票市场的动态,对股票市场这一功能模块的粘性更大。

通过粘性分析,让你了解产品或某个功能粘住用户的能力如何,除了常用的留存指标外,粘性从更多维度让你了解到用户是如何使用产品的,哪个功能是被用户所喜欢的,不同用户对同一功能在使用上有哪些差异,帮你更科学的评估产品和功能,更有效的制定留存策略。

专题阅读:

文:诸葛io