队列分析：减少客户流失并提高留存率

群组分析回答了一个业务问题，即特定用户组或部分用户如何根据他们之前的行为与产品交互或预期如何与产品交互。 通过获取行为数据并将其分解为群组，分析变得更容易。

群组是在一段时间内共享特定特征和使用模式的用户组。 这些可能包括使用时间、注册的功能或完成的目标数量等。 同类群组很有用，因为它们可以帮助您细分用户群并收集有关他们在整个生命周期中与您的产品交互方式的数据。

企业应使用群组分析来了解用户行为并提高客户保留率。 您获得的数据是了解导致新客户停留的原因以及他们流失的一些常见原因的好方法。

什么是队列分析？

同类群组是共享共同的个人资料特征、行为或两者兼有的一组或部分用户。 例如：

• 拥有 iOS 设备的用户
• 上周每天登录的用户
• 上周每天登录的拥有 iOS 设备的用户

通常，产品经理或营销人员会提出一个业务问题，这会提示进行群组分析。 这些问题可能围绕产品参与度、转化率或保留率展开。

• 参与度是人们在您的应用程序中采取的行动的术语。 这可能是在游戏中升级角色，在健身应用程序中与社区分享锻炼，或者在音乐应用程序中播放歌曲。
• 转换是最终目标。 队列分析可用于判断不同的转化激励措施（如新功能或折扣率）是否有效。
• 留存率是指一次又一次地回到您的应用程序的人。

在上面的示例图表中，您可以看到两个不同群组的用户旅程——共享歌曲的用户（绿色）和未共享歌曲的用户（蓝色）。 分享歌曲的用户群体具有更高的参与度和转化率。

现在让我们仔细看看如何使用同类群组分析来帮助产品经理减少客户流失并提高保留率。

防止客户流失的重要性

群组分析至关重要，因为每日或每月活跃用户（DAU 和 MAU）等指标会因增长而高度扭曲。 如果您的应用程序增长迅速，新用户注册将掩盖您现有用户流失的地方。 如果您失去现有客户的速度与获得新客户的速度一样快，或者比获得新客户的速度更快，那么您的获取渠道的效率就无关紧要了。

这就是为什么进行流失率队列分析是改善业务健康的最有效方法之一。 重复购买的客户有助于企业建立稳定的收入并抵消吸引新客户的成本。

根据应用业务的数据，移动应用每次安装的广告成本达到 5.28 美元。 更长的客户生命周期为该投资支付更高的红利。

如何使用同期群分析制定保留策略

同类群组分析最强大的方面是，您不仅会看到客户离开以及何时离开，而且您还可以开始了解客户离开您的应用程序的您可以通过实施以下流程来提高保留率：

1. 设定目标：为过程设定目标。 您想在短期内减少客户流失吗？ 长期？ 你的增长目标是什么？
2. 探索：检查当前数据，了解可以在哪些方面进行更改以实现您的目标。
3. 假设：决定要问什么问题以及实验的可能结果。
4. 头脑风暴：构思可能的实验来检验假设。
5. 测试：运行不同的测试来评估假设。
6. 分析：分析测试数据以查看是否达到目标。
7. 系统化：使任何积极的变化成为系统的一部分。

通过这个系统，您可以不断改进您的应用程序并提高留存率。 您不是查看汇总的流失数字，而是针对特定行为并进行测试，以查看鼓励用户采用该行为是否可以提高留存率。

使用同类群组分析来提高客户保留率

客户群组分析报告可用于检验有关某些产品变化如何影响企业关键绩效指标的假设。

例如，假设您是 Spotify 等音乐应用的产品经理，您的主要目标之一是提高用户留存率。

您可能会假设，与朋友分享给定数量歌曲的用户更有可能成为您应用的常客、留存用户。

为了检验这个假设，首先，您根据用户的获取日期选择一组或一组用户。 然后，您将此获取群组分为两个子集。 一个群组子集中是至少使用过一次“分享歌曲”功能的用户。 另一个同类群组子集包括未使用“分享”功能的用户。

最后，根据这两个群组子集的行为分析运行保留分析。

在这种情况下，上面的同期群分析图表显示了分享歌曲的用户（蓝色）与未分享歌曲的用户（绿色）相比的 N 天留存率。 您可以看到，不分享歌曲的用户在 30 天后的流失率为 77.75%。 同时，使用分享功能的用户流失率仅为 31%。

这是一个显着的差异，而该数据集现在让您有机会做出可能带来更多收入的业务决策。 例如，在下一次更新中，您可以调整入职流程以提示新用户分享歌曲，而不是等待他们自己发现该功能。

同类群组数据的类型

共有三种类型的同类群组数据，每种都有不同的用例。

采集群组

获取同类群组根据用户注册您的产品的时间来划分用户。 消费者应用程序可能会根据他们注册的日期对群组进行分组，而 SaaS 工具更有可能跟踪每月群组。

获取同类群组用于跟踪新用户并查看他们在初次互动后继续使用您的应用程序的时间——客户生命周期的长度。 这是试验您的入职体验的好方法，可确保用户及早清楚地看到您的产品价值。 新用户越早听到“啊哈！” 时刻，它们被保留的可能性就越大。

行为群组

行为同类群组是基于过去行为或用户配置文件属性的任意组合的受众自定义细分。

用户行为的一些示例包括分享歌曲、注册试用或进行购买。 用户个人资料属性是人口统计数据、访问者使用的平台或某人如何到达您的网站。

行为和配置文件属性的组合共同构成了一个行为群组。 这种类型的同类群组数据是一种查看特定时间范围内的行为以识别相似类型的用户进行分析的方法。 该分析通常会揭示用户如何与您的产品互动，以及用户互动如何影响留存率、转化率或其他对您的业务很重要的关键指标。

预测队列

预测性群组关注用户未来的预期行为。

这种类型的数据最适合确定营销活动的目标用户或决定如何调整定价以增加用户采取行动的机会。

获取群组：在您的应用中发现问题时刻

获取同类群组为您提供有关客户生命周期的信息，特别是他们在获取日期后流失的时间。 此信息可以帮助您识别高转化率的客户流失模式或营销活动。 假设您有一个音乐应用程序遇到用户流失问题，每天都有用户流失。

上面留存图表中的用户被分成每日群组——在同一天注册的用户。 您可以看到 7 月 16 日有 11,528 名用户注册了您的音乐应用，第 5 天的留存率为 49.7%。 因此，在 7 月 16 日注册的用户中，有二分之一在首次使用该应用后的第五天仍然是该应用的活跃用户。

可视化此信息的最佳方法是将其转换为保留分析曲线，该曲线显示您在一段时间内对这些同类群组的保留。 当您像这样绘制数据图表时，很容易看到用户何时离开您的产品。

这条留存曲线立即告诉你一些重要的事情：大约三分之一的用户在第一天后就停止使用该应用程序。 在最初的下降之后，曲线继续稳步下降，在第 30 天，只有略高于 25% 的原始用户仍然活跃在应用程序中。

这不是很好（尽管这很常见——一些数据显示，平均应用程序在第一个月内失去了近 60% 的用户）。 早期保留是一个重要问题。 像这样的曲线表明用户没有足够快地从应用程序中获得核心价值，因此他们正在离开。 现在您知道您需要改善早期应用体验，以尽快让用户了解您的核心价值。

达到收购群组的极限

如果您的应用具有如上所示的留存曲线，那么您立即想弄清楚可以采取哪些措施来提高留存率。

仅获取同类群组并不能提供有关如何改善用户体验以留住用户的任何信息。 您无法隔离特定行为或用户属性。

获取群组非常适合向您展示趋势并告诉您人们何时流失，但要了解他们离开的原因，您需要转向另一种类型的群组：行为群组。

行为群组：发现哪些行为会推动留存

从用户注册你的产品的那一刻起，他们就做出了数百个决定，并表现出无数的小行为，这些行为会导致他们决定留下还是离开。 通过根据这些行为对用户进行细分，您可以获得有关产品中哪些功能推动增长的信息。

在重新设计用户入职以优化留存率时，您必须确定最有效的方法。 行为群组不是根据轶事或随机选择来选择要做什么，而是让您系统地和定量地决定一种方法。 行为同类群组根据用户已（或未）采取的特定操作对用户进行分组。

寻找合适的群组

对于您的音乐应用，您可以通过播放歌曲、搜索艺术家或创建播放列表等操作创建不同的用户群组。

假设您想查看在应用中收藏歌曲的用户的留存率。 您可以使用行为同类群组来查看喜爱三首或更多歌曲的新用户的留存情况：

虽然几乎 60% 的用户（蓝色）在使用该应用程序的一天内流失，但只有约 15% 的喜欢三首或更多歌曲的用户（绿色）在第一天后流失。

反转队列

既然您知道与喜爱的功能交互的用户的留存率如何变化，您还可以查看那些不喜欢的用户的留存率如何变化。 以下是不喜欢歌曲的用户的保留：

根本不喜欢一首歌的用户（紫色）的留存率比大多数用户都要差——这些用户中只有不到 25% 的用户在第一天后流失。

从这个简单的可视化中，您可以看到让人们在体验早期就喜欢的歌曲可以让他们发现应用程序的核心价值，这意味着他们更有可能继续作为用户。 现在您有了这些数据，您可以通过在入职期间强调最喜欢的歌曲功能来将其付诸实践。 这将导致更多用户在他们的客户旅程的早期喜欢歌曲，并最终提高保留率。

合并群组

您可以根据可以在您的产品中执行的任何操作创建行为同类群组。 这意味着您可以将任意数量的不同用户操作与用户保留率相关联。

例如，您的音乐应用程序具有一项功能，可让人们根据自己喜欢的流派加入社区。 您可以提取该数据集以查看这是否有助于提高保留率，或者它是否是一项对其生命周期价值没有影响的功能。

在这里，您可以看到加入社区的用户（紫色）的初始留存率与喜欢歌曲的用户（绿色）相似，但在第 30 天结束时稍微好一些，并且比所有用户（蓝色）要好得多。

随着用户与其他人交往并找到更多音乐来播放，他们开始更多地享受应用程序并继续使用它。 您可能会在保留过程中假设这一点，但现在您有数据来支持您的假设。

结合不同的行为群组可以让您更好地了解产品不同功能之间的关系以及它们可能如何推动留存。

寻找合适的组合

喜欢歌曲并加入社区的用户呢？ 使用 Amplitude，您可以过滤您的操作以组合这两个群组：

如您所见，表现出这两种行为的用户在最初几周内更有可能继续使用该应用程序。 在第一周结束时，最喜欢的 + 社区群组（蓝色）的留存率高于 75%，而没有这两种行为的用户（绿色）的留存率低于 25%。

相关性，而非因果性

仅仅因为喜欢歌曲和加入社区的人流失较少并不意味着驱使人们采取这些行为会自动降低您的流失率。 例如，让他们在注册后加入 20 个社区的号召性用语可能会将人们推开。

那是因为相关性并不意味着因果关系。 喜欢歌曲和加入社区可能仅与用户参与度相关，而不是引起它。 要确定因果关系，您可能会 A/B 测试强调偏好歌曲的不同入职流程，以查看它是否会提高留存率。

一旦您获得了来自行为群组的数据，您就可以开始使用 A/B 测试工具（如 Amplitude Experiment）来运行实验，以测试可能与留存相关的行为。 您可以查看哪些有效，哪些无效，并系统地提高您的保留率。

预测性群组：提高您的营销投资回报率

您可以使用预测性群组来根据用户的行为群组确定用户未来购买歌曲的可能性。

回答这个业务问题的一种方法是让一组新用户在一段时间内（比如过去 14 天）分享一首歌曲，然后进行预测分析。 如果您的群组规模超过 100,000 名用户，这种类型的分析效果最好，因为您需要足够的数据让机器学习模型进行预测。 大约 30 到 60 分钟后，该模型将根据谁最有可能采取特定行动（例如购买歌曲）对特定群组进行排名。

同样，您现在在一个简单的同类群组图表中拥有数据，可以为有效的业务决策提供信息。 例如，您可以关注最有可能购买歌曲的前 5% 的用户。 选择该同类群组，将这些用户放入第三方工具，并针对他们进行营销活动。 这可以是推送通知、电子邮件或短信提醒，以鼓励他们采取行动。 在这种情况下，进行购买。

同时，您可以查看预测分析确定最不可能采取您喜欢的行动的 20% 的用户，并选择不按他们的方式投放任何营销资金，因为这不太可能产生任何结果。 或者，您可能会得出结论，用户组只需要不同的或更大的激励。 也许以他们的方式发送 50% 的折扣券将被证明是一个非常好的报价，他们无法拒绝。

无论哪种方式，您都可以衡量这些人群对您的新方向的反应，并根据您的分析不断调整您的营销投资。

同类群组分析工具

现代市场发展迅速，无法根据准确数据做出快速决策的企业将失去收入。 如果没有正确的分析工具，需要数据来做出更好的业务决策的非技术团队必须依赖数据分析师和数据工程师。

这可能意味着向数据团队提交工单，并等待数天甚至数周的时间让时间紧缺的分析师交付电子表格。 然后，它需要您团队中的某个人有足够的时间来梳理这些数据并寻找洞察力。

幅度：正确的同类群组分析工具如何加速业务决策

借助 Amplitude，产品经理和营销人员可以通过三种方式中的任何一种执行自助服务群组分析来回答他们自己的问题。

1. 您可以在 Amplitude 的任何图表中建立一个群组，如下面的留存分析图表。 在这里，您可以选择行为和个人资料属性的任意组合，例如喜欢一首歌或加入社区的用户。

2. 您还可以使用专门的群组部分来根据您的特定参数构建自定义群组定义。 然后可以在其他图表中使用此自定义同类群组。 例如，下面的同类群组显示了过去 30 天内在 iOS 上分享了一首流行或摇滚歌曲的新活跃用户。

3. 您可以根据在任何图表中找到的单个数据点建立一个群组。 例如，您可以从 7 月 26 日的产品发布中识别新用户。

最终，一个好的队列分析工具使非技术团队能够提出和回答问题。 将这些信息直接放在他们手中可以让他们更好地了解他们的产品用户和更好的数据来推动业务成果。

其他队列分析工具

除了 Amplitude 之外，市场上还有许多工具可以让产品经理和营销人员进行群组分析，包括：

• 内容广场
• 全文
• 视野PX
• 玻璃盒
• 堆
• 日志火箭
• 混合面板
• 彭多
• 智能外观

在 G2 等软件评论网站上了解有关这些和其他同类群组分析工具的更多信息。

队列分析示例

以下是 Amplitude 的客户如何执行同类群组分析以产生业务成果的一些示例。

冷静：留存的队列分析示例

出于预感，Calm 使用行为群组来测试在其冥想应用上设置每日提醒的用户与未使用该功能的用户的留存率。 他们发现设置每日提醒的用户的留存率提高了 3 倍。

提醒并不容易找到，因此出于其他原因最喜欢该应用程序的用户有可能只是进一步挖掘菜单并找到该功能。 为了测试这是相关还是因果关系，Calm 更改了其入门教程，以鼓励一些新用户设置提醒，并将其他首次使用的用户作为对照组。

在实验期间保持了 3 倍的保留率，因此 Calm 在其下一次应用程序范围的更新中包含了设置每日提醒的提示。

基石：用于更快决策的队列分析示例

在 Amplitude 的帮助下，Cornerstone 改变了其产品管理工作流程。 以前，产品经理必须向工程师索取数据。

这些工程师将提供一份包含充满信息的电子表格的队列报告，这需要一名全职员工仔细研究信息并收集可能带来更好业务成果的见解。

整个过程可能需要几天时间。 或几周。 现在，产品经理可以在几分钟内检索到相同的数据，并利用这些洞察力做出快速决策。

如何开始进行同期群分析

使用 Amplitude 等同类群组分析工具设置您自己的同类群组分析很简单：

1. 按客户获取群组查看您的留存率。 这将在用户下线时向您显示。
2. 为您的应用的一些核心用户操作定义事件，然后提取您的行为同类群组。 通过比较、反转和组合它们来分析您的行为群组。 将其与您从获取同类群组中学到的知识结合起来，生成一个关于您可以在客户旅程的特定部分强调以提高保留率的行动的假设。
3. 对您的应用程序进行更改（如果您有足够高的使用量，请使用 A/B 测试和 Amplitude Experiment）来查看在您的应用程序中驱动某些操作是否真的会导致用户回访。
4. 处理你的学习并重复。

借助 Amplitude 的行为群组，您可以查看客户行为的细节，并开始做出数据驱动的决策，以增强他们对您的产品的体验。

立即尝试使用免费的 Amplitude 计划进行群组分析，或查看我们的掌握留存率手册，了解如何进一步提高留存率。

参考

• 行为队列权威指南。 振幅。
• 队列分析和降低流失率的分步指南。 振幅。
• 队列分析——你可以用采集队列做的所有事情。 萨拉斯。
• 2019 年移动应用基准报告，为您的 2020 年战略提供参考。 高地。
• 使用队列分析进行转化优化。 斯佩罗。