产品|运营人必看：新用户分析的若干方法

编辑导读：企业在拉新用户时，不能再用以前粗暴式的、花钱买量的形式，花了大把的钱却没有好效果，而是提高新用户的留存率。本文作者对此进行了分析，与你分享。

文章插图
很多公司在运营时经常会采用海盗模型（AARRR），其中第一个A是 Acquisition，中文名是获客，我们一般将其理解为拉新。
在前几年，企业的拉新是粗暴式的，花钱买量就完事了，而在互联网流量红利日益衰减的今天，企业的拉新成本阶梯式提高，毕竟真金白银花出去了，同样的钱，可能拉回来的量还没以前的十分之一。
所以对于我们通过外部渠道（异业合作换量、买量）或者自然渠道进来的新增用户，我们希望用户可以可持续的使用我们产品，对于负责拉新的同学来说，他们的KPI里必然有一项指标是提高新用户的留存。
那么如何提高新用户的留存呢？这里将结合自己实际工作中的案例和经验给产品、运营以及数据的小伙伴们提供一些思路。
用户数据的分类：
【 产品|运营人必看：新用户分析的若干方法】要分析用户，得先有数据。对于用户来说，一般有属性域和行为域的数据。
属性域的数据一般指的是记录用户基本属性特性的数据，如性别、年龄、职业等。如果你曾经下载并使用过一些理财软件，那么你一定填写过风险偏好、家庭资产年收入等记录用户属性的问卷。
行为域的数据一般指的是记录用户行为轨迹日志的数据，如用户在什么时间点访问了产品的什么功能。
1. 属性域在属性域，我们可以分析不同属性的新用户与留存的关系，从而进行精细化运营。这个比较简单，今天不展开。我们重点说说属性域里的竞品分析。
1.1【竞品分析】
竞品分析一般是看用户手机安装的各类app，这些app通常我们可以分成两类：竞品和非竞品。对于这类数据，我们一般会做一个用户安装与否与留存的相关关系图，即使用我们产品的用户中：

安装了A产品的留存低于没有安装A产品的留存，可以认为A是我们的竞品，抢走了我们的用户；
安装了A产品的留存高于没有安装A产品的留存，可以认为A不能满足用户的需求，我们的产品竞争力更强；
安装了A产品的留存约等于没有安装A产品的留存，可以认为A产品和我们的产品用户群体重合度较大，可以考虑合作换量。

文章插图
2.【行为域】行为域里我们分关键行为分析、流失分析、搜索分析详细展开。
2.1【关键行为分析】
关键行为分析一般看的是用户做没做某个行为与目标数据（如留存）之间的关系。这样可以看出哪些行为是用户熟悉产品的“high点”。
一般我们需要定义关键行为。用户在我们的产品上会有成百上千种行为，业务人员可以根据自己的业务理解站在用户的角度上，定义用户的关键行为，数据分析师可以对用户的行为进行归类，找出那些量大，且做与不做对目标数据（如留存）影响相差较大的行为。如下图：

文章插图
上图中是我们和业务一起找出的六种关键行为，其中：

横轴是做了该行为的用户次日留存率，气泡越靠近右边，次日留存率越高；
纵轴是做了该行为的用户次日留存/未做该行为的用户次日留存，气泡越往上说明该行为对留存的影响越大；
气泡宽度代表用户量大小，越大代表用户量越大。

从上图中可以得出：

行为A和行为C对留存的贡献较大，假设对于行为A，用户打开app需要至少五步才能到达行为A，那我们就可以从产品的角度缩短进入A的路径，让用户更快的具有行为A；
行为E对于提升留存效果来说相对较差；
运营人员应该引导新用户尽快的具有行为A和行为C。

2.2【流失分析】
流失用户我们一般定义为当天离开APP之后，在接下来的一段时间（一个月、三个月等）均未打开我们的app的用户。
流失分析我们一般分析的是流失用户与非流失用户在离开app前的行为差距。两种用户的行为都要看的原因在于，假设你发现70%的流失用户在流失前做了行为A，这个时候你并不能下：行为A导致大量用户流失的原因这个结论。因为可能非流失用户在当天离开app前也大量做了行为A，但这并不妨碍这批用户第二天再次来到我们的app。
这个过程数据分析师需要将用户最后几步的行为进行归类，然后从中得出结论。过程较为耗时。这个过程不仅需要你有强大的归纳能力，还需要你有过硬的sql能力。因为这个过程中你可能会不停的使用正则表达式去将零散的行为不断的归为若干个大类。而在你得到了一些用户流失前的关键行为后，我们就需要在这些行为发生时人工介入，利用实时推送工具等对于发生指定的行为后用相应的策略进行承接。