新老用户趋势

观测内容

• 产品/活动某段时间内，用户整体规模的变化如何？
• 新用户和老用户各自的比例变化如何？

数据指标

合计用户

• 当日访问用户总数。且应该是个去重数据。
• 其它业务性定义可以根据业务来设定，如设置为访问的注册用户+非注册用户。

新用户

• 当日首次访问用户数。
• 其它业务性定义可以根据业务来设定，如设置为访问的非注册用户。

老用户

• 当日非首次访问用户数。
• 其它业务性定义可以根据业务来设定，如设置为访问的注册用户，或者稳定（一定周期）的用户数。

业务洞察

观测者：产品经理/产品运营

观测某段时间内新老用户的发展情况，以及整体用户规模情况。

• 新用户：应用产品/活动的首次访问用户数是多少，占比多少。新用户代表我们渠道引流的能力。
• 老用户：应用产品/活动的非首次访问用户数是多少，占比多少。老用户是我们的目标用户群体。
• 合计用户：应用产品/活动的总体访问用户规模是多少，是否稳定。新老用户的变化情况也能反应产品/活动留存用户的能力。产品/活动的使用人群分布健康度。

行动指引

可以通过切换时间段，来关注以下：历史与现在比较。相关内容横向比较。

可以通过渠道切换，来关注下不同渠道，新老用户的情况。

• 合计用户访问量，在周末时间段会有规律性的变化，激增或者锐减，可关联看下下7日访问密度。
• 一段时间内，合计用户逐步增加，新用户也在增长，但是老用户并没有增加甚至在减少，可关联查看留存情况。
• 一段时间内，合计用户逐步增加，新用户不变，老用户有增加，留存情况良好。可关联渠道访问，多引流拉新。

用户留存

观测内容

从新用户/老用户看/从渠道看

• 应用产品/活动的质量和保留用户的能力如何？
• 哪个渠道的用户比较优质？
• 用户留存情况如何？-留存率和趋势如何？

数据指标

新用户

• 当日首次访问用户数。
• 其它业务性定义可以根据业务来设定，如设置为访问的非注册用户。

老用户

• 当日非首次访问用户数。
• 其它业务性定义可以根据业务来设定，如设置为访问的注册用户。

留存率

某时间点后第n日/周/月用户占当时用户数（某时间点）的比例即留存率。

提供新用户/老用户切换，默认为新用户。统计时间单位一般默认为日，可切换为周/月。

如：

n日留存率=在第n日，新增用户中访问的用户数/新增用户数*100%

例：7日留存率：（第一天新增的用户中，在访问的第7天还有访问的用户数）/第一天新增总用户数。

留存统计

• 提供7个时间阶梯统计：
• 当日，第2日/3日/4日/5日/6日/7日
• 当周，第2周/3周/4周/5周/6周/7周
• 当月，第2月/3月/4月/5月/6月/7月

业务洞察

观测者：产品经理/产品运营

观测某段时间当日内新用户/老用户的留存情况。

新用户留存（首次访问用户留存）

产品上线，对新用户的留存说明了新用户对产品的第一印象是否可接受 -> 愿意使用。

老用户留存（非首次访问用户留存）

这里的老用户一般指活跃用户，包含了2周活跃，3周活跃，4周活跃，忠诚用户-也就是目标用户。留存中的老用户可以关联看活跃用户构成，一体两面。

观察周期，我们可以分为4个阶段：

• 第一个观察期：次日
• 第二个观察期：第3日-第7日
• 第三个观察期：第8日-第14日
• 第四个观察期：第15日到第30日

次日留存

因为都是新用户，所以结合产品的新手引导设计和新用户转化路径来分析用户的流失原因，通过不断的修改和调整来降低用户流失，提升次日留存率，通常这个数字如果达到了40%就表示产品非常优秀了。

周留存

在这个时间段里，用户通常会经历一个完整的使用和体验周期，如果在这个阶段用户能够留下来，就有可能成为忠诚度较高的用户。

月留存

通常移动APP的迭代周期为2-4周一个版本，所以月留存是能够反映出一个版本的用户留存情况，一个版本的更新，总是会或多或少的影响用户的体验，所以通过比较月留存率能够判断出每个版本更新是否对用户有影响。

渠道留存

因为渠道来源不一，用户质量也会有差别，所以有必要针对渠道用户进行留存率分析。而且排除用户差别的因素以后，再去比较次日，周留存，可以更准确的判断产品上的问题。

行动指引

• 可以在留存分群图中看连续几天，不同留存日情况。了解用户的产品使用情况。

如果切换成周留存或月留存，留存情况都非常乐观，说明用户黏性很高。

• 可以在趋势图中，从某天看几个连续日期访问数的不同留存日的产品使用情况。

如果某一个活动/产品大变化的时候，同时看会比较重要。因为可能会有个大滑坡或者大提升。

• 新用户看：次日留存+渠道

1.产品上线，新用户的次日留存如何很低的话，可能产品没有核心功能来吸引用户，或者结合使用功能来统计，发现主流程都没有接触到就流失了，其中可能是有存在理解障碍，或者流程太长之类。

2.不同渠道带来的新用户的类型不一样，哪个渠道带来的用户留存更高，哪个渠道就会更优质些。

3.次日留存达到40%算是很不错的。

• 老用户看：

一般产品迭代优化时，如果老用户的留存出现问题，就说明产品迭代优化结果并不理想。

• 留存通过用户分群和渠道分类，也可以和成本估算联系起来。

比如一类用户从渠道A来，且是老用户，如果渠道很贵，还是3周以上的活跃用户，留存率低，那么可以理解成本很大（流失）。

最近两周留存转化

观测内容

• 这周的用户都是哪些构成的？
• 上周/上月到本周/本月有多少用户留了下来，多少用户没有继续访问？

数据指标

新用户

某一段时间内首次访问的去重用户数。

回流用户

截至当日，之前有访问过，经过一段时间未访问，之后突然回来再次使用的去重用户数。

一般由流失用户或不活跃用户而来。

留存用户

在这里是指上周/上月访问后，继续访问的用户。（相对本周/本月的用户来说）

流失用户

在这里是指上周/上月访问后，没有继续访问的用户。（相对本周/本月的用户来说）

业务洞察

观测者：产品经理/产品运营

此图属于观察性分析

留存卡可以看到连续周/月的留存分布和趋势，但是没办法知道从第1周/月留存到第2周/月，其中的访问细节。

所以这个视图是留存卡的一个明细视图。进一步了解：

• 比对上个周期，本周期发生了什么变化，上周期访问量的留存影响及占比是多少。
• 细分留存与流失，上个周期中到底留存和流失了多少新用户，多少老用户。

行动指引

观察这个视图的时候，可以用这样一个视角描述：

• 本周/本月有多少新用户访问了产品，占本周/本月访问用户的百分之多少。

有多少用户从上周/上月访问后，继续访问了本产品，占百分之多少。

还有多少回流用户（有段时间没有访问，现在又重新访问了），继续访问了，占百分之多少。

还有一部分未知用户占比。

• 再查看上周期，留存与流失中的用户构成。

上周期留存至本周期的新用户是多少，老用户是多少（上周期的新老用户）。

上周期流失用户中的新用户是多少，老用户是多少（上周期的新老用户）。

此视图的视角是着重帮助用户去观察上周期对本周期的影响，从而对产品迭代结果，产品运营的效果有清晰认知。

连续活跃用户对比

观测内容

• 产品获取新用户到老用户的能力到底如何？
• 用户活跃周期(生命周期)的持续性是不是很好？

数据指标

新用户

一周内去重新用户访问数。

连续两周活跃用户

上周访问过，本周继续访问的去重用户数。

连续三周活跃用户

连续两周都有访问，本周继续访问的去重用户数。

连续四周活跃用户

连续三周都有访问，本周继续访问的去重用户数。

忠诚用户

连续访问四周，本周继续访问的去重用户数。

这里的活跃用户，忠诚用户是通用型定义。

如根据业务需要定义，也可能是注册用户，注册并持续使用n月用户。

业务洞察

观测者：产品经理/产品运营

观察用户群变化数量：新用户、老用户、忠诚用户（用户生命周期中最关键的上升阶段）

活跃用户其实是留存的一种结果。每次访问后留下了的连续访问用户就是我们的活跃用户群。

所以看这个活跃用户比对的时候，如果情况异样，是可以关联去看留存情况的。

行动指引

• 一组数据，相当于一个时间段的数据切片，看这几类用户在这个时间段中到底有多少量，进行数量对比。

ps: 每组数据是有交集，不意味着说n周活跃用户是从单一组中产生的。打个比方，看第三组中的忠诚用户，它是由前两组的（连续2周活跃、连续三周活跃）和本组的连续三周活跃留存下来继续访问的用户数。

• 观察新用户，如果发现一段时间内，每组中新用户数普遍很高，但是之后的活跃用户普遍少。思考下留存是不是出现问题。反之，如果我们活跃用户持续累积情况很好，用户活跃尺度高，要想办法拉新用户。

用户访问频次分布

标准图

观测内容

• 不同密集度的访问频次，有多少用户？

数据指标

• 用户平均访问频次
• 平均每个独立访客一天内访问网站的次数（产生的Session个数）
• 用户平均访问频次=访问次数/独立访客。即：Session会话数/UV。

功能描述

• 展示某段时间/时间点访问频次的用户分布情况。
• 展示平均访问频次值。
• 时间段选择可以随意切换：单日、最近7日、最近14日、最近30日。默认为单日（昨日）。
• 提供渠道切换。

业务洞察

观测者：产品经理/产品运营

• 关于观察访问频次分布，我们不单单看一个平均值。因为平均值无法告诉你全部具体情况。

但是从分布深入来观察，就可以了解：到底多少人频繁访问系统，多少人可能只访问几次而已。

• 不同渠道，不同来源的用户访问也会有很大的差异。

可以了解到从哪里来的用户成为访问频繁的目标用户。

行动指引

• 比对不同渠道用户的访问情况。
• 如果在PV、UV访问趋势有异常情况时，可以看看访问频次是不是也有明显变化。
• 某次迭代后，产品明显好用很多。可以看下访问频次的变化。是否如预期高频次访问的人变多了。
• 对比下工作日和非工作日，可能差异也是很大的。非工作日可能大部分是低频访问情况。

用户访问时长分布

标准图

观测内容

• 不同访问时长，有多少用户？

数据指标

用户平均访问时长

• 用户平均每次访问(会话)在网站上的停留时间。
• 用户平均访问时长=访问时长/访问次数。即：时长/Session会话数。

功能描述

• 展示某段时间/时间点访问时长的用户分布情况。
• 展示平均访问时长值。
• 时间段选择可以随意切换：单日、最近7日、最近14日、最近30日。默认为单日（昨日）。
• 提供渠道切换。

业务洞察

观测者：产品经理/产品运营

• 关于观察访问频次时长，我们不单单看一个平均值。因为平均值无法告诉你全部具体情况。

但是从分布深入来观察，就可以了解：访问系统的用户中多少人用时比较多，多少人用时比较少。

• 不同渠道，不同来源的用户访问时长也可能有很大的差异。

特别是内容类网站（购物平台、新闻阅读），时长意味着内容对于哪些用户比较有价值，定位精准。

行动指引

• 比对不同渠道用户的访问情况。
• 如果在PV、UV访问趋势有异常情况时，可以看看访问时长是不是也有明显变化。
• 某次迭代后，产品明显好用很多。可以看下访问时长变化：是否如预期访问时长多的人变多了。
• 对比下工作日和非工作日，可能差异也是很大的。非工作日可能大部分是访问时长少的情况。当然，办公工具、管理系统是这种情况。但娱乐类的可能反之。

页面停留时长趋势与分布

观测内容

• 系统平均使用时长是多少？分布如何？
• 某页面的使用情况如何？分布如何？
• 新老用户使用时长区别如何？

数据指标

页面停留时长

页面停留时长的总和/页面被浏览的次数。即：页面访问时长总和/PV。

ps:页面停留时长更偏重于说明整体情况（产品/页面）的一个表征呈现。

区别于用户平均访问时长，用户平均访问时长是说明用户平均来了几次（以每次session来看），用多久？

• 平均值：所有数值之和除以个数后的平均数。
• 中位数：数值中，一半数字比它大，一半数字比它大。
• 众数：出现次数最多的那个数值。

ps:求平均值时，用上下四分卫去除极端值后再求和求平均。

关于数值提示：

• 平均时长：用户平均每次停留的时长
• 中位时长：一半用户停留时长大于它，另一半用户的小于它
• 众数时长：大部分用户的停留时长

业务洞察

观测者：产品经理/产品运营

关于页面停留时长，为什么我们不是只看一个值，而是看了它的2个面。因为值只是个被加工统计后的最后结果，掩盖了很多数据变化。而看某时间段趋势与分布两个立体的纬度来认知停留时长情况，更客观。

• 从趋势看 每天平均停留时长的上下趋势变化。
• 从分布看 某段时间内，大致停留时长区间的人次分布，多少人大致用多少时间。

行动指引

• 默认全部页面，看的是整个系统的时长情况，切换到页面，则是看某个关键页面的时长使用。
• 通过新老用户、全部用户的切换，我们很容易看出，一个新手用户和老用户的使用效率情况。

和全部用户比较，这个状况又在全部中影响有多大。

• 查看趋势，平均停留时长的变化是否周期节奏变化稳定，比如在周末时，可能就是最低值，基本没人访问。

如果30日视图中，连续4周，每周变化都很不一样，是不是和迭代产品有关系，寻找关联性。

• 查看分布，发现大部分人都用多少时间，大致分布怎样，长尾是不是很大？比对面积分布，比对三个值的差异。

平均时长：用户平均每次停留的时长

中位时长：一半用户停留时长大于它，另一半用户的小于它

众数时长：大部分用户的停留时长