曾幾何時，網際網路企業燒錢圈地，何其風光，但隨著推廣價格不斷上漲，燒錢拓展業務的效率越來越低。如今更是碰上資本寒冬，地主家也沒有餘糧的時代，大家一分錢掰成兩半用，企業轉而修煉內功，期望業務增長就必然會涉及到用戶維護拓新的問題。
拓新守成的成本
如今為獲得一個新用戶：
京東願意給你免費發放兩部紅米手機，價值1500元。淘寶可以送你兩年優酷+蝦米音樂會員 價值560元。拼多多願意給你發300元微信紅包。與此同時維護一個老客戶的成本：
京東給續訂Plus的會員優惠100 元，加送一年愛奇藝VIP，價值200元。淘寶提高花唄額度，免郵外加50元滿減券。價值待定。拼多多每周5元無門檻優惠券。價值待定。以上只是簡單類比，與實際數字可能有所出入，但是定性的研究表明吸收新用戶的成本是維護原客戶成本的5-10倍。
If you cannot measure it，you cannot improve it.
你無法度量的，你就無從改進。
降低用戶增長成本是目標，但是無法忽視過程和方法。
用戶留存 Retention：統計某個期間新增客戶中，經過一段時間後仍然存在客戶行為（如登陸、消費）的客戶的比例。
Retention實際上是從相對時間和絕對時間兩個維度去分解用戶的吸入和流失。為了更好的描述用戶留存在時間維度上的變化，業內一般採用了Cohort Analysis （同期群分析）。因此筆者在借用了UCI提供的電商客戶數據作為演示，利用Python做了必要的數據處理之後，呈現了以下Cohort Analysis 的分析圖示：
絕對時間維度：用戶第一次使用產品的日曆時間。例如2020 年3月1日、3月12日。
相對時間維度：新客戶第一次登陸之後，在第二次使用或者登錄產品的相對時間，例如 2天，1個月，40天。
上圖挑出一列出來解釋：
其實最常見的是按照用戶留存率進行顯示：
時間的維度分解，讓我們可以立體的觀察事物的本質。
絕對時間維度，對應的是不同批次的用戶，研究定量問題。例如拼多多在新年期間的微信現金紅包活動，導致新用戶增長率在過去兩周有所上升。某軟體在改變了app配色後, 用戶新增絕對數量有所下降。
相對時間維度，對應的是相同批次的用戶，研究定性問題。例如拼多多送紅包活動期間獲取的新用戶有所上升，但是跟過去的新增用戶相比，這批新用戶可能並沒有繼續在平臺上購買東西，留存率不高。App 配色改變後，雖然吸引的新用戶數量變少，但是用戶留存率上升。
通過以上簡單的分析，我們可以獲得大致的分析方向，但是進一步向下鑽取用戶留存數據，我們需要增加新的維度。
Behavioral Cohort Analysis
以用戶的行為屬性作為分類標準，進而刻畫的Cohort 圖表即是 Behavior Cohort Analysis。
維度的增加方向：
用戶屬性維度：地理，年齡，性別，獲取渠道。用戶行為維度：登錄行為，瀏覽行為，支付行為。應用場景：用戶購買商品之前一般都會看圖片和評論，研究是否有折扣，或者最近幾天網站是否會有活動，在最後完成點擊支付之前，用戶會有無數的瞬間放棄購買。網站能否在合適的時機推出合適的活動讓這些棄購用戶從新點擊完成支付將是提高用戶轉化率的關鍵。
完成支付和放棄購物車未完成支付的新客戶同屬有強烈購買需求的客戶群體，我們可以此維度上對這兩類客戶進行分類研究，進行相關行為的Behavioral Cohort 分析。
從上圖我們可以發現購物車成功支付的新用戶，在前3天都有很高的繼續登錄比例，猜測可能是新用戶觀察下單商品的物流情況。但是棄購的新用戶只有8%左右的比例會在次日繼續登錄網站，此後基本流失，分析可知為了提高這部分棄購用戶的留存率，網站必須在24小時內實施吸引客戶下單的措施，比如附上折扣券，或者提高評論刷新速率。
用戶能留下的核心是產品功能滿足客戶核心要求，但是進一步思考就變成公司應該如滿足這些要求，新用戶使用過哪些功能，或者說發生過什麼行為後，讓他們留下來了。
進一步的，我們需要知道用戶訪問初期在網站 / App 的某些行為、頻次可能會讓用戶留下來，並且長久使用，成為忠誠用戶。發現了這些行為和發生次數，優化產品，促進用戶使用這些功能，就可能帶來更高的留存率。
在資本寒冬的當下，做好用戶留存，是度過這個冬天必須做好的內功修為。以上思路僅代表筆者個人觀點，其中也借鑑了GrowingIO 數據分析師檀潤洋的思路，並加入自己的一些思考。
歡迎留言討論交流。
本文由 @董劍勇 Eric 原創發布於人人都是產品經理，未經許可，禁止轉載
題圖來自 Unsplash，基於 CC0 協議