留存分析

留存，是指用户在 APP、网站等应用上使用过，并一段时间后仍有使用。
留存分析模型是一种衡量用户健康度/参与度的方法，超越下载量、DAU 等指标，深入了解用户的留存和流失状况，发现影响产品可持续增长的关键因素，指导市场决策、产品改进、提升用户价值等。

留存分析能解决哪个问题？

1.上个月做了一次产品迭代，如何评估其效果？是否完成了产品经理期望完成的行为？
2.作为一个社交 APP，在注册后不添加好友和添加 10 个好友的用户后续留存有差异吗？
3.短期留存低，长期留存一定很差吗？
4.两个推广渠道带来不同的用户，哪个渠道的用户更有可能是的高价值用户？
5.近 30 天注册的用户，半个月都没有回访的用户比例是多少？

1. 定义指标

上方为指标定义区域，定义留存条件，指标定义、细分维度查看，支持条件过滤。

1.1 定义留存

留存是基于某个用户群体的初始行为时间来计算的，描述发生了某个行为的同期群，在一段时间后是否发生了期望的行为。
初始行为和后续行为均可以是任意事件。

通常的三类留存可以这样来构建：

A. 新增用户留存：

选择条件【初始行为 = 启动，后续行为 = 启动】，细分维度选择【首次访问状态】即可分析新访用户的留存情况。

B. 活跃用户留存：

选择条件【初始行为 = 启动，后续行为 = 启动】，即可分析活跃的用户后续使用应用的情况。

C. 自定义留存

不同的分析场景中可以设置多个不同的留存条件来分析：
初始行为和后续行为设置为相同，对比不同的功能，重复发生的情况，发现用户对不同功能的使用粘性；
初始行为相同，设置不同的后续行为，对比同一个优化，是否对其他功能有不同的影响；
后续行为相同，设置不同的初始行为，对比发现不同的运营手段、产品功能对核心业务目标的影响。

1.2 筛选条件

可以增加某个行为的条件约束，查看满足这些条件下的用户行为。

1.3 细分维度

支持同时查看某个维度不同属性值的留存，比如不同城市的新用户留存，细分发现影响留存的特定因素。
对于不同属性值类型支持不同的分组方式，同《事件分析 - 1.3 细分维度》。

1.4 时间范围

默认选择为最近一周。可以选择今天、昨天、最近一周、最近30天等常用范围，也可以在右侧自定义开始时间和结束时间,最多选择30天。

时间粒度： 可选择的时间粒度，包括：按日，可分别查看次日、7日、14日及 30日留存，默认选择7日留存。 注意：这里的 天 代表24小时，非自然天

1.4 保存和导出

同《事件分析 - 1.6保存和导出》。

2.1 第 N 日留存

第 N 日留存用户数指在某个时间发生了初始行为 X 的用户，在之后的第 N 日/周/月进行了后续行为 Y 的用户（ X 可以等于 Y ）。
例如：
初始行为 = 启动
后续行为 = 启动
4月1日发生启动的用户200人，这200人中4月2日再次启动的用户有100人，4月4日再次启动的用户有50人， 则第1日留存用户为100，第3日留存用户为50。