隊列分析：減少客戶流失並提高留存率

群組分析回答了一個業務問題，即特定用戶組或部分用戶如何根據他們之前的行為與產品交互或預期如何與產品交互。 通過獲取行為數據並將其分解為群組，分析變得更容易。

群組是在一段時間內共享特定特徵和使用模式的用戶組。 這些可能包括使用時間、註冊的功能或完成的目標數量等。 同類群組很有用，因為它們可以幫助您細分用戶群並收集有關他們在整個生命週期中與您的產品交互方式的數據。

企業應使用群組分析來了解用戶行為並提高客戶保留率。 您獲得的數據是了解導致新客戶停留的原因以及他們流失的一些常見原因的好方法。

什麼是隊列分析？

同類群組是共享共同的個人資料特徵、行為或兩者兼有的一組或部分用戶。 例如：

• 擁有 iOS 設備的用戶
• 上週每天登錄的用戶
• 上週每天登錄的擁有 iOS 設備的用戶

通常，產品經理或營銷人員會提出一個業務問題，這會提示進行群組分析。 這些問題可能圍繞產品參與度、轉化率或保留率展開。

• 參與度是人們在您的應用程序中採取的行動的術語。 這可能是在遊戲中升級角色，在健身應用程序中與社區分享鍛煉，或者在音樂應用程序中播放歌曲。
• 轉換是最終目標。 隊列分析可用於判斷不同的轉化激勵措施（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應用程序的人。

在上面的示例圖表中，您可以看到兩個不同群組的用戶旅程——共享歌曲的用戶（綠色）和未共享歌曲的用戶（藍色）。 分享歌曲的用戶群體具有更高的參與度和轉化率。

現在讓我們仔細看看如何使用同類群組分析來幫助產品經理減少客戶流失並提高保留率。

防止客戶流失的重要性

群組分析至關重要，因為每日或每月活躍用戶（DAU 和 MAU）等指標會因增長而高度扭曲。 如果您的應用程序增長迅速，新用戶註冊將掩蓋您現有用戶流失的地方。 如果您失去現有客戶的速度與獲得新客戶的速度一樣快，或者比獲得新客戶的速度更快，那麼您的獲取渠道的效率就無關緊要了。

這就是為什麼進行流失率隊列分析是改善業務健康的最有效方法之一。 重複購買的客戶有助於企業建立穩定的收入並抵消吸引新客戶的成本。

根據應用業務的數據，移動應用每次安裝的廣告成本達到 5.28 美元。 更長的客戶生命週期為該投資支付更高的紅利。

如何使用同期群分析制定保留策略

同類群組分析最強大的方面是，您不僅會看到客戶離開以及何時離開，而且您還可以開始了解客戶離開您的應用程序的您可以通過實施以下流程來提高保留率：

1. 設定目標：為過程設定目標。 您想在短期內減少客戶流失嗎？ 長期？ 你的增長目標是什麼？
2. 探索：檢查當前數據，了解可以在哪些方面進行更改以實現您的目標。
3. 假設：決定要問什麼問題以及實驗的可能結果。
4. 頭腦風暴：構思可能的實驗來檢驗假設。
5. 測試：運行不同的測試來評估假設。
6. 分析：分析測試數據以查看是否達到目標。
7. 系統化：使任何積極的變化成為系統的一部分。

通過這個系統，您可以不斷改進您的應用程序並提高留存率。 您不是查看匯總的流失數字，而是針對特定行為並進行測試，以查看鼓勵用戶採用該行為是否可以提高留存率。

使用同類群組分析來提高客戶保留率

客戶群組分析報告可用於檢驗有關某些產品變化如何影響企業關鍵績效指標的假設。

例如，假設您是 Spotify 等音樂應用的產品經理，您的主要目標之一是提高用戶留存率。

您可能會假設，與朋友分享給定數量歌曲的用戶更有可能成為您應用的常客、留存用戶。

為了檢驗這個假設，首先，您根據用戶的獲取日期選擇一組或一組用戶。 然後，您將此獲取群組分為兩個子集。 一個群組子集中是至少使用過一次“分享歌曲”功能的用戶。 另一個同類群組子集包括未使用“分享”功能的用戶。

最後，根據這兩個群組子集的行為分析運行保留分析。

在這種情況下，上面的同期群分析圖表顯示了分享歌曲的用戶（藍色）與未分享歌曲的用戶（綠色）相比的 N 天留存率。 您可以看到，不分享歌曲的用戶在 30 天后的流失率為 77.75%。 同時，使用分享功能的用戶流失率僅為 31%。

這是一個顯著的差異，而該數據集現在讓您有機會做出可能帶來更多收入的業務決策。 例如，在下一次更新中，您可以調整入職流程以提示新用戶分享歌曲，而不是等待他們自己發現該功能。

同類群組數據的類型

共有三種類型的同類群組數據，每種都有不同的用例。

採集群組

獲取同類群組根據用戶註冊您的產品的時間來劃分用戶。 消費者應用程序可能會根據他們註冊的日期對群組進行分組，而 SaaS 工具更有可能跟踪每月群組。

獲取同類群組用於跟踪新用戶並查看他們在初次互動後繼續使用您的應用程序的時間——客戶生命週期的長度。 這是試驗您的入職體驗的好方法，可確保用戶及早清楚地看到您的產品價值。 新用戶越早聽到“啊哈！” 時刻，它們被保留的可能性就越大。

行為群組

行為同類群組是基於過去行為或用戶配置文件屬性的任意組合的受眾自定義細分。

用戶行為的一些示例包括分享歌曲、註冊試用或進行購買。 用戶個人資料屬性是人口統計數據、訪問者使用的平台或某人如何到達您的網站。

行為和配置文件屬性的組合共同構成了一個行為群組。 這種類型的同類群組數據是一種查看特定時間範圍內的行為以識別相似類型的用戶進行分析的方法。 該分析通常會揭示用戶如何與您的產品互動，以及用戶互動如何影響留存率、轉化率或其他對您的業務很重要的關鍵指標。

預測隊列

預測性群組關注用戶未來的預期行為。

這種類型的數據最適合確定營銷活動的目標用戶或決定如何調整定價以增加用戶採取行動的機會。

獲取群組：在您的應用中發現問題時刻

獲取同類群組為您提供有關客戶生命週期的信息，特別是他們在獲取日期後流失的時間。 此信息可以幫助您識別高轉化率的客戶流失模式或營銷活動。 假設您有一個音樂應用程序遇到用戶流失問題，每天都有用戶流失。

上面留存圖表中的用戶被分成每日群組——在同一天註冊的用戶。 您可以看到 7 月 16 日有 11,528 名用戶註冊了您的音樂應用，第 5 天的留存率為 49.7%。 因此，在 7 月 16 日註冊的用戶中，有二分之一在首次使用該應用後的第五天仍然是該應用的活躍用戶。

可視化此信息的最佳方法是將其轉換為保留分析曲線，該曲線顯示您在一段時間內對這些同類群組的保留。 當您像這樣繪製數據圖表時，很容易看到用戶何時離開您的產品。

這條留存曲線立即告訴你一些重要的事情：大約三分之一的用戶在第一天后就停止使用該應用程序。 在最初的下降之後，曲線繼續穩步下降，在第 30 天，只有略高於 25% 的原始用戶仍然活躍在應用程序中。

這不是很好（儘管這很常見——一些數據顯示，平均應用程序在第一個月內失去了近 60% 的用戶）。 早期保留是一個重要問題。 像這樣的曲線表明用戶沒有足夠快地從應用程序中獲得核心價值，因此他們正在離開。 現在您知道您需要改善早期應用體驗，以盡快讓用戶了解您的核心價值。

達到收購群組的極限

如果您的應用具有如上所示的留存曲線，那麼您立即想弄清楚可以採取哪些措施來提高留存率。

僅獲取同類群組並不能提供有關如何改善用戶體驗以留住用戶的任何信息。 您無法隔離特定行為或用戶屬性。

獲取群組非常適合向您展示趨勢並告訴您人們何時流失，但要了解他們離開的原因，您需要轉向另一種類型的群組：行為群組。

行為群組：發現哪些行為會推動留存

從用戶註冊你的產品的那一刻起，他們就做出了數百個決定，並表現出無數的小行為，這些行為會導致他們決定留下還是離開。 通過根據這些行為對用戶進行細分，您可以獲得有關產品中哪些功能推動增長的信息。

在重新設計用戶入職以優化留存率時，您必須確定最有效的方法。 行為群組不是根據軼事或隨機選擇來選擇要做什麼，而是讓您系統地和定量地決定一種方法。 行為同類群組根據用戶已（或未）採取的特定操作對用戶進行分組。

尋找合適的群組

對於您的音樂應用，您可以通過播放歌曲、搜索藝術家或創建播放列表等操作創建不同的用戶群組。

假設您想查看在應用中收藏歌曲的用戶的留存率。 您可以使用行為同類群組來查看喜愛三首或更多歌曲的新用戶的留存情況：

雖然幾乎 60% 的用戶（藍色）在使用該應用程序的一天內流失，但只有約 15% 的喜歡三首或更多歌曲的用戶（綠色）在第一天后流失。

反轉隊列

既然您知道與喜愛的功能交互的用戶的留存率如何變化，您還可以查看那些不喜歡的用戶的留存率如何變化。 以下是不喜歡歌曲的用戶的保留：

根本不喜歡一首歌的用戶（紫色）的留存率比大多數用戶都要差——這些用戶中只有不到 25% 的用戶在第一天后流失。

從這個簡單的可視化中，您可以看到讓人們在體驗早期就喜歡的歌曲可以讓他們發現應用程序的核心價值，這意味著他們更有可能繼續作為用戶。 現在您有了這些數據，您可以通過在入職期間強調最喜歡的歌曲功能來將其付諸實踐。 這將導致更多用戶在他們的客戶旅程的早期喜歡歌曲，並最終提高保留率。

合併群組

您可以根據可以在您的產品中執行的任何操作創建行為同類群組。 這意味著您可以將任意數量的不同用戶操作與用戶保留率相關聯。

例如，您的音樂應用程序具有一項功能，可讓人們根據自己喜歡的流派加入社區。 您可以提取該數據集以查看這是否有助於提高保留率，或者它是否是一項對其生命週期價值沒有影響的功能。

在這裡，您可以看到加入社區的用戶（紫色）的初始留存率與喜歡歌曲的用戶（綠色）相似，但在第 30 天結束時稍微好一些，並且比所有用戶（藍色）要好得多。

隨著用戶與其他人交往並找到更多音樂來播放，他們開始更多地享受應用程序並繼續使用它。 您可能會在保留過程中假設這一點，但現在您有數據來支持您的假設。

結合不同的行為群組可以讓您更好地了解產品不同功能之間的關係以及它們可能如何推動留存。

尋找合適的組合

喜歡歌曲並加入社區的用戶呢？ 使用 Amplitude，您可以過濾您的操作以組合這兩個群組：

如您所見，表現出這兩種行為的用戶在最初幾週內更有可能繼續使用該應用程序。 在第一周結束時，最喜歡的 + 社區群組（藍色）的留存率高於 75%，而沒有這兩種行為的用戶（綠色）的留存率低於 25%。

相關性，而非因果性

僅僅因為喜歡歌曲和加入社區的人流失較少並不意味著驅使人們採取這些行為會自動降低您的流失率。 例如，讓他們在註冊後加入 20 個社區的號召性用語可能會將人們推開。

那是因為相關性並不意味著因果關係。 喜歡歌曲和加入社區可能僅與用戶參與度相關，而不是引起它。 要確定因果關係，您可能會 A/B 測試強調偏好歌曲的不同入職流程，以查看它是否會提高留存率。

一旦您獲得了來自行為群組的數據，您就可以開始使用 A/B 測試工具（如 Amplitude Experiment）來運行實驗，以測試可能與留存相關的行為。 您可以查看哪些有效，哪些無效，並系統地提高您的保留率。

預測性群組：提高您的營銷投資回報率

您可以使用預測性群組來根據用戶的行為群組確定用戶未來購買歌曲的可能性。

回答這個業務問題的一種方法是讓一組新用戶在一段時間內（比如過去 14 天）分享一首歌曲，然後進行預測分析。 如果您的群組規模超過 100,000 名用戶，這種類型的分析效果最好，因為您需要足夠的數據讓機器學習模型進行預測。 大約 30 到 60 分鐘後，該模型將根據誰最有可能採取特定行動（例如購買歌曲）對特定群組進行排名。

同樣，您現在在一個簡單的同類群組圖表中擁有數據，可以為有效的業務決策提供信息。 例如，您可以關注最有可能購買歌曲的前 5% 的用戶。 選擇該同類群組，將這些用戶放入第三方工具，並針對他們進行營銷活動。 這可以是推送通知、電子郵件或短信提醒，以鼓勵他們採取行動。 在這種情況下，進行購買。

同時，您可以查看預測分析確定最不可能採取您喜歡的行動的 20% 用戶，並選擇不按他們的方式投放任何營銷資金，因為這不太可能產生任何結果。 或者，您可能會得出結論，用戶組只需要不同的或更大的激勵。 也許以他們的方式發送 50% 的折扣券將被證明是一個非常好的報價，他們無法拒絕。

無論哪種方式，您都可以衡量這些人群對您的新方向的反應，並根據您的分析不斷調整您的營銷投資。

同類群組分析工具

現代市場發展迅速，無法根據準確數據做出快速決策的企業將失去收入。 如果沒有正確的分析工具，需要數據來做出更好的業務決策的非技術團隊必須依賴數據分析師和數據工程師。

這可能意味著向數據團隊提交工單，並等待數天甚至數週的時間讓時間緊缺的分析師交付電子表格。 然後，它需要您團隊中的某個人有足夠的時間來梳理這些數據並尋找洞察力。

幅度：正確的同類群組分析工具如何加速業務決策

借助 Amplitude，產品經理和營銷人員可以通過三種方式中的任何一種執行自助服務群組分析來回答他們自己的問題。

1. 您可以在 Amplitude 的任何圖表中建立一個群組，如下面的留存分析圖表。 在這裡，您可以選擇行為和個人資料屬性的任意組合，例如喜歡一首歌或加入社區的用戶。

2. 您還可以使用專門的群組部分來根據您的特定參數構建自定義群組定義。 然後可以在其他圖表中使用此自定義同類群組。 例如，下面的同類群組顯示了過去 30 天內在 iOS 上分享了一首流行或搖滾歌曲的新活躍用戶。

3. 您可以根據在任何圖表中找到的單個數據點建立一個群組。 例如，您可以從 7 月 26 日的產品發布中識別新用戶。

最終，一個好的隊列分析工具使非技術團隊能夠提出和回答問題。 將這些信息直接放在他們手中可以讓他們更好地了解他們的產品用戶和更好的數據來推動業務成果。

其他隊列分析工具

除了 Amplitude 之外，市場上還有許多工具可以讓產品經理和營銷人員進行群組分析，包括：

• 內容廣場
• 全文
• 視野PX
• 玻璃盒
• 堆
• 日誌火箭
• 混合面板
• 彭多
• 智能外觀

在 G2 等軟件評論網站上了解有關這些和其他同類群組分析工具的更多信息。

隊列分析示例

以下是 Amplitude 的客戶如何執行同類群組分析以產生業務成果的一些示例。

冷靜：留存的隊列分析示例

出於預感，Calm 使用行為群組來測試在其冥想應用上設置每日提醒的用戶與未使用該功能的用戶的留存率。 他們發現設置每日提醒的用戶的留存率提高了 3 倍。

提醒並不容易找到，因此出於其他原因最喜歡該應用程序的用戶有可能只是進一步挖掘菜單並找到該功能。 為了測試這是相關還是因果關係，Calm 更改了其入門教程，以鼓勵一些新用戶設置提醒，並將其他首次使用的用戶作為對照組。

在實驗期間保持了 3 倍的保留率，因此 Calm 在其下一次應用程序範圍的更新中包含了設置每日提醒的提示。

基石：用於更快決策的隊列分析示例

在 Amplitude 的幫助下，Cornerstone 改變了其產品管理工作流程。 以前，產品經理必須向工程師索取數據。

這些工程師將提供一份包含充滿信息的電子表格的隊列報告，這需要一名全職員工仔細研究信息並收集可能帶來更好業務成果的見解。

整個過程可能需要幾天時間。 或幾週。 現在，產品經理可以在幾分鐘內檢索到相同的數據，並利用這些洞察力做出快速決策。

如何開始進行同期群分析

使用 Amplitude 等同類群組分析工具設置您自己的同類群組分析很簡單：

1. 按客戶獲取群組查看您的留存率。 這將在用戶下線時向您顯示。
2. 為您的應用的一些核心用戶操作定義事件，然後提取您的行為同類群組。 通過比較、反轉和組合它們來分析您的行為群組。 將其與您從獲取同類群組中學到的知識結合起來，生成一個關於您可以在客戶旅程的特定部分強調以提高保留率的行動的假設。
3. 對您的應用程序進行更改（如果您有足夠高的使用量，請使用 A/B 測試和 Amplitude Experiment）來查看在您的應用程序中驅動某些操作是否真的會導致用戶回訪。
4. 處理你的學習並重複。

借助 Amplitude 的行為群組，您可以查看客戶行為的細節，並開始做出數據驅動的決策，以增強他們對您的產品的體驗。

立即嘗試使用免費的 Amplitude 計劃進行群組分析，或查看我們的掌握留存率手冊，了解如何進一步提高留存率。

參考

• 行為隊列權威指南。 振幅。
• 隊列分析和降低流失率的分步指南。 振幅。
• 隊列分析——你可以用採集隊列做的所有事情。 薩拉斯。
• 2019 年移動應用基準報告，為您的 2020 年戰略提供參考。 高地。
• 使用隊列分析進行轉化優化。 斯佩羅。