當前位置:首頁 » 編程語言 » 用戶次日留存率sql
擴展閱讀
webinf下怎麼引入js 2023-08-31 21:54:13
堡壘機怎麼打開web 2023-08-31 21:54:11

用戶次日留存率sql

發布時間: 2022-06-29 07:06:57

A. 用戶留存率的留存率計算公式

留存率=登錄用戶數/新增用戶數*100%(一般統計周期為天)
新增用戶數:在某個時間段(一般為第一整天)新登錄應用的用戶數;
登錄用戶數:登錄應用後至當前時間,至少登錄過一次的用戶數;
次日留存率:(當天新增的用戶中,在往後的第1天還登錄的用戶數)/第一天新增總用戶數;
第2日留存率:(第一天新增用戶中,在往後的第2天還有登錄的用戶數)/第一天新增總用戶數;
第7日留存率:(第一天新增的用戶中,在往後的第7天還有登錄的用戶數)/第一天新增總用戶數;
第30日留存率:(第一天新增的用戶中,在往後的第30天還有登錄的用戶數)/第一天新增總用戶數。

B. 客戶留存率 是什麼意思

用戶留存率是指在某一統計時段內的新增用戶數中再經過一段時間後仍啟動該應用的用戶比例。

用戶保留率可以集中在第二天、第7天、第14和30日的保留率。

第二天的保留率是新用戶在第二天 (如今天) 在統計時間 (例如, 明天) 再次啟動應用程序的比例;第7保留率即, 新用戶在某一統計時間的比例, 如今天, 在第7天再次啟動應用程序;保留率, 類推, 14 和30。用戶保留率是驗證產品用戶吸引力的重要指標。

通常, 我們可以使用用戶保留率將用戶吸引力與同一類別應用中的不同應用進行比較。如果對於應用程序, 在相對成熟的版本中, 如果用戶保留率發生了重大變化, 則用戶質量會發生重大變化, 這很可能是由於升級渠道質量的變化。

(2)用戶次日留存率sql擴展閱讀:

一、用戶留存率計算公式

留存率=登陸用戶數/新增用戶數*100%。

新增用戶數:在當前時間段新注冊(或新訪問)的用戶數。

登錄用戶數:在統計的時間段至少登錄過一次的用戶數。

次日留存率:在次日至少登錄過一次的用戶數/當天新增的用戶數。

3日留存率:在往後3天內至少登錄過一次的用戶數/當天新增的用戶數。

7日留存率:在往後7天內至少登錄過一次的用戶數/當天新增的用戶數。

15日留存數:當天新增的用戶數,在往後7天內至少登錄過一次的用戶,在往後第8天到第14天內至少再登陸過一次的用戶數。

二、用戶留存率的作用

在互聯網時代, 無論是網站、新手機 APP 還是傳統軟體程序, 無論您是否付費, 一旦用戶活動下降, 都需要維護用戶的活動, 它是指用戶的離開或丟失。

基於此, "保留" 的概念可用於分析應用或網站的效果, 以及是否可以保留用戶。

因此, 保留率實際上反映了一個轉化率, 即從最初不穩定的用戶到活躍用戶、穩定的用戶、忠誠的用戶的過程, 隨著此保留率統計過程的不斷擴展, 您可以看到用戶的變化在不同的時間。

這是因為保留的目的是研究新用戶, 即在未來幾天、幾周和幾個月的某個時間點研究一組用戶的生命周期, 並從宏觀上了解用戶生命周期的長度和改進的范圍 "我們可以改進的帽子。所以問題是, 我們為什麼要看新用戶?

正如我們剛才所說, 我們要從宏觀上觀察用戶的生命過程, 那麼我們最好的辦法就是從用戶導入期開始。

所謂的導入期是用戶注冊或初次訪問, 這個地方我們的分析實際上有很好的前景, 因為用戶進入網站或注冊從不同的渠道, 渠道數據和保留率數據鏈接, 可以一個完整的測量每個通道的質量。

一般來說, 這些指標的保留率是長期持續跟蹤所必需的, 並根據版本更新、推廣等諸多因素結合分析, 試圖找到用戶的最佳生命周期並開發相應的策略, 以提高網站或程序的質量。

二、用戶留存率的作用

互聯網時代,無論是網站還是新興的手機APP或傳統的軟體程序,也不管付費與否,都需要保持用戶的活躍度,一旦用戶的活躍度下降,就意味著用戶的離開或流失。基於此,「留存」的概念就可以用來分析應用或者網站的效果,是否能夠留住用戶。

因此,留存率反映的實際上是一種轉化率,即由初期的不穩定的用戶轉化為活躍用戶、穩定用戶、忠誠用戶的過程,隨著這個留存率統計過程的不斷延展,就能看到不同時期的用戶的變化情況。

之所以是這樣,是因為留存是以研究新登用戶為目標對象的,即研究某一個時間點的一批用戶在隨後的幾天、幾周、幾個月的時間內的生命周期情況,從宏觀上把握用戶的生命周期長度以及我們可以改善的餘地。

因此這里就引申出一個問題,我們為什麼要研究的是新登用戶?如剛才所說的,我們要宏觀觀察用戶的生命進程情況,那麼我們最佳的辦法就是從用戶導入期就開始。

所謂導入期就是用戶注冊或初次訪問,這個地方我們的分析其實大有作為的,因為用戶進入網站或注冊時來源於不同的渠道,把渠道的數據與留存率數據關聯起來,就能夠完整地衡量各個渠道的質量。

一般來說留存率這類指標是需要長期持續跟蹤的,且要根據版本更新,推廣等諸多因素結合起來分析,試圖去找到用戶的最佳生命周期並制定相應的策略提升網站或程序的質量。

C. 貼吧用戶留存是什麼意思,怎麼計算的,怎麼才能提高用戶留存

在互聯網行業中,用戶在某段時間內開始使用應用,經過一段時間後,仍然繼續使用應用的被認作是留存;這部分用戶占當時新增用戶的比例即是留存率,會按照每隔1單位時間(例日、周、月)來進行統計。顧名思義,留存指的就是「有多少用戶留下來了」。留存用戶和留存率體現了應用的質量和保留用戶的能力。
任何應用都希望用戶數能快速增長,不過單純吸引新用戶並非最明智的做法。無論是靠流量還是靠付費生存的應用,都需要保持用戶的活躍度。一旦用戶的活躍度下降,就意味著用戶的離開或流失。基於此,引入「留存」的概念用來分析應用或者網站的服務效果,是否能夠留住用戶。
留存率計算公式
留存率=登錄用戶數/新增用戶數*100%(一般統計周期為天)
新增用戶數:在某個時間段(一般為第一整天)新登錄應用的用戶數;
登錄用戶數:登錄應用後至當前時間,至少登錄過一次的用戶數;
活躍用戶數:登錄用戶數-新增用戶數;
次日留存率:(當天新增的用戶中,在第2天還登錄的用戶數)/第一天新增總用戶數;
第3日留存率:(第一天新增用戶中,在往後的第3天還有登錄的用戶數)/第一天新增總用戶數;
第7日留存率:(第一天新增的用戶中,在往後的第7天還有登錄的用戶數)/第一天新增總用戶數;
第30日留存率:(第一天新增的用戶中,在往後的第30天還有登錄的用戶數)/第一天新增總用戶數。

D. 每一天的新用戶的次日留存率,這個SQL應該怎麼處理

1select ( select count(distinct userid ) from 登錄表 where 登錄時間 = 今天 ) / ( select count(1) from 注冊表 where 注冊時間 = 昨天 ) as 戶留存率

E. MS SQL用戶留存率計算語句怎麼寫,一句話能搞定嘛今日登錄用戶數/昨日注冊用戶數一句話能寫完

select(selectcount(distinctuserid)from登錄表where登錄時間=今天)/(selectcount(1)from注冊表where注冊時間=昨天)as戶留存率

F. 求教各位大俠,請問一下SQL如何高效的計算留存率啊

具體的表呢,數據呢,什麼都沒有怎麼計算啊

G. 如下問題的sql語句怎麼寫

由於手上沒有sql環境,我這邊直接模擬一下,有錯誤的地方請指出:

1.每天每個地區播放次數最多的三首歌

selecttop3*from
(
selecta.area,b.songid,convert(varchar(30),b.date,111)as[每天],
sum(b.play_cnt)as[播放次數]
fromuseraleftjoinsongbona.userid=b.userid
groupbya.area,b.songid
)torderby[播放次數]desc

2.留存率

select*from(
selectb.*
fromuseraleftjoinsongbona.userid=b.userid
whereb.date>='2019-5-10:00:00'
andb.date<='2019-5-223:59:59'
)t
whereexists(
selectnullfromsongwheresong.songid=t.songid
and
convert(varchar(30),song.date,111)=
convert(varchar(30),dateadd(d,-1,t.date),111)
)

請試一下,如有疑問,及時溝通!

H. 一般次日留存,3日留存,7日留有多少

在互聯網行業中,用戶在某段時間內開始使用應用,經過一段時間後,仍然繼續使用應用的被認作是留存;這部分用戶占當時新增用戶的比例即是留存率,會按照每隔1單位時間(例日、周、月)來進行統計。

次日留存率:(當天新增的用戶數,在第2天還登錄的用戶數)/當天新增的用戶數。

第3日留存率:(當天新增的用戶數,在往後的第3天還有登錄的用戶數)/當天新增的用戶數。

第7日留存率:(當天新增的用戶數,在往後的第7天還有登錄的用戶數)/當天新增的用戶數。

第30日留存率:(當天新增的用戶數,在往後的第30天還有登錄的用戶數)/當天新增的用戶數。

含義

留存指的就是「有多少用戶留下來了」。留存用戶和留存率體現了應用的質量和保留用戶的能力。
留存率=登錄用戶數/新增用戶數*100%(一般統計周期為天)。

新增用戶數:在當前時間段新注冊登錄應用的用戶數。

登錄用戶數:在當前時間段至少登錄過一次的用戶數。

活躍用戶數:登錄用戶數-新增用戶數。

I. 如何利用數據分析提升用戶留存率

一、留存的概念和重要性

1、什麼是留存?

在互聯網行業當中,因為拉新或推廣的活動把客戶引過來,用戶開始訪問公司的網站,但是經過一段時間可能就會有一部分客戶逐漸流失了。那些留下來的人或者是經常回訪我們公司網站的人就稱為留存。

現在大家經常會用到所謂的「日活」(日活躍用戶量,簡稱DAU)來監測我們的網站,有的時候會看到我們的「日活」在一段時期內都是逐漸增加的,這是一個非常好的現象。但是如果我們忽略了留存分析的話,這個結果很可能是一個錯誤。

比如某公司做了很多拉新、推廣的活動,用戶是帶來了很多,但是留下來或經常返回來的客戶不一定增長,他們有可能是在減少,只不過是拉新過來的人太多了而掩蓋了流失率居高不下的問題,實際上客戶的留存是在逐漸降低的。這個時候留存分析就很重要!

2、怎樣用圖表展示留存狀況?

我們提供了留存圖和留存表兩個模型來分析用戶流失與留存問題。

如上圖左側的留存圖所示,開始的時候是帶來了百分之百的人數,隨著第一天結束,留存用戶就急劇下降了85%,然後慢慢地降低,直到第13天進入一個平穩的階段。

再如上圖右邊留存表,這張表該怎麼解讀呢?

我們先看一下第二行,時間是1月11日這一天,我們通過各種各樣拉新和推廣吸引到了6.7K 的客戶。但是一天之後就下降了85%,變成15%,兩天之後再一次下降10%,到了第七天是比較穩定的狀態,達到了6.5%,後面就是緩慢地下降,比較平穩。我們可以看出來客戶在第一天的時候就有一個巨大的流失,然後慢慢地達到了一個比較平穩的狀態。

3、為什麼要進行留存分析?

看完留存分析的概念,不禁思考,我們為什麼要做留存呢?留存的分析意義何在?

像SaaS企業,獲得一個客戶無論在時間上還是在金錢上成本都是非常巨大的,也許要花掉兩到三個月的時間才能獲得一個客戶。

以上面左邊的圖為例,剛開始這個客戶,我們花了6000多美元的成本才把這個客戶得到。得到了以後一般情況下客戶對咱們這些企業可能就是按照一定的現金流給我們付錢,比如說付500美金,就這樣一直地付下去。

這樣你就會發現前期成本很高,也許我們只有通過客戶使用我們的產品高達一年或者兩年的時候我們才能收回成本。如果這個客戶在之前就流失掉了,流失掉就意味著咱們的產品虧本了,連本都沒有返回。

再來看右邊的這張圖,這張圖講的是每位客戶成本的應收的現金流。第一個月我們得到了這個客戶,我們花了6000刀,然後這個客戶就每個月給我們付費,比如說每個月付500刀,他要到第13個月的時候我們才能達到所謂的收支平衡,從14個月以後才開始逐漸地賺錢,如果我們的留存沒有做好,客戶在用了兩個月以後就走掉了,那這部分錢我們就流失了。

所以說留存有一個非常重要的意義,客戶使用咱們公司的產品,時間越長越好,越長帶來的現金流或者利潤越高,這就是留存的一個非常核心的意義。

如果我們的留存做得好的話客戶就會一直使用我們的產品,一直給我們帶來財富。

從上圖中我們可以看到兩點:第一個就是使用的時間,留在我們產品的時間越長越好;第二個,希望利潤越高越好。利潤如何越高越好?就是我希望我的留存率越來越高,這樣利潤的面積也就越來越大。

二、用戶留存的三個階段和重要時間點

1、提升留存曲線的意義

假如現在我們產品的留存度是上圖最下面那條綠色的線,縱軸是留存的比例,橫軸是時間。一天過後,我們拉新獲得的100%用戶只留下35%,第7天變成了20%,然後緩慢下降,到了第60天以後達到一個大約10%的效果。

這個效果我們看看能不能通過某些方面的改進,讓它逐步提升呢?

假如我們讓綠色的留存度的線上升到橙色的線,再上升到紅色的線,那麼第一天留存率高達到70%,七天留存率也有60%多,到了60天、90天的時候留存率也能高達60%左右。這就是說我們前面通過市場拉新獲得的百分之百的人數在經過90天以後有60%的人留下來了。

剛開始的時候看綠色的線我們的90天的留存率是10%,如果通過我們的努力能讓它達到60%,這會給我們帶來源源不斷的財富和現金流的收入。

2、留存的三個階段

今天通過留存分析的一些方法來給大家一些思路,看看如何通過優化產品的方式來提高我們的留存率。

在講這個之前我先給大家講一下我們應該如何去看這張留存的圖。

這是一個常見的留存曲線,我把它分成了三個部分:第一部分是振盪期,第二部分是選擇期,第三部分是平穩期。

大家會有一個問題,為什麼我要分成這三個期呢?

首先在振盪期,我們可以看到拉新過來進入我們公司網站或者是下載APP的人數在前幾天劇烈地減少,由100%幾天就變成了百分之十幾或者更低,這個期叫振盪期,它有自己的特色。

過了振盪期以後就是選擇期,為什麼我們稱它為選擇期呢?就是一般情況下客戶在這段時間之內對我們的產品有了初步的了解,他開始探索我們公司的產品,看看這個產品有沒有滿足客戶的一些核心需求。如果能滿足,顧客很有可能就留下來了;如果沒有滿足,那客戶就要走掉了。

過了選擇期就是平穩期,留存率進入一個相對穩定的階段。

3、留存的重要時點

第一個就是次日留存,就是當天過來第二天的留存有多少。我們可以看出,當天拉新,比如說我們拉了100個人,到了第二天可能只有十幾個了,這是次日留存。

第二個是周留存,周留存是一個什麼樣的概念呢?我們為什麼要周留存,這個概念就是說一般情況下客戶使用一款產品,如果他進行一個完整的使用的話他的體驗周期大約是一周或者是幾天,因為比較常見的是周留存,我們就起了一個周留存的名字。

這個可以根據你的業務,如果您公司的產品體驗一個完整的體驗周期的話比如說是14天或者3天,我們就定3日留存或者14日留存。

三、留存的核心原因

什麼樣的客戶會留下來?

其實這個問題也非常簡單,如果我們的產品能夠滿足客戶的核心需求,他能夠在我們的產品使用當中發現這個產品的價值,那麼他很有可能就會留下來。

如果我們做了很多的拉新、渠道的優化等等,也許會提高一定的留存率,但是這個留存到底能不能留下來,核心的問題還是說我們的產品功能設計能否滿足客戶的核心需求。如果能滿足的話,我們能不能再進一步,我們這個產品的設計能否比較好的、比較快的、比較方便地滿足客戶的核心需求,這是第二點。

四、留存分析的方法論

下面我給大家講解一下留存分析的方法論,來更好提升我們在平穩期這段時間的留存量。

假如我們現在可能只有5%,我想把它提高到10%或者是20%更高,就是回到剛才這張圖,從一個綠色的線,慢慢地努力提到一個紅色的線。

在這里留存分析有兩個常見的分析方法,給大家稍微介紹一下,然後在後面的案例的講解當中慢慢地把這兩個方法融進去,給大家講一講。

第一個就是獲取時間,我們在留存分析的時候可以對獲取客戶的時間進行分組。比如說這個產品發布了版本2.0或者是3.0,這個時間點我們可以做一個分組,看看用新版本的人的留存表現。

還有一種分組方式就是根據客戶的行為進行分組,比如說我們舉個例子,有一款音樂的軟體,我想知道分享這首歌的人,他們在留存上有什麼樣的表現,或者對這首歌點贊數大於3次或者5次的人,他們在留存上有什麼樣的表現。

1、按照獲取客戶時間進行分析

如上圖,是一個新版本音樂APP的留存情況,左邊是留存表,右邊是留存圖。

先看左邊的留存表,正如我剛才所說的,按照獲取的時間進行了一個分組。舉個例子,我們看最下面的10月26日獲得的用戶,一天後留存率是多少,兩天後留存率是多少,三天後留存率是多少。

我們看到右邊這個留存表也是這個意思,可以看出來第一天留存率驟降一半,第二天又降了10%,可以看出來前兩天客戶的留存率下降得很大,然後慢慢地在後期,比如說在第十五六天的時候達到一個比較平穩的階段。

從這兩張圖表可以很好告訴我們隨著時間的變化,留存在下降。但是如果我們想深度地挖掘哪裡出了問題的話這兩張表還不夠,我們還需要進一步地分析用戶行為。

2、按照用戶行為進行分析

這時候我們就涉及到了一個新的分析方法,就是根據客戶的行為進行分析。

還是以音樂APP為例,如果一個客戶在一段時間內點擊「喜歡」大於3次,我們看看這一部分人的留存,即上面左邊的圖。我們可以很明顯地看到,咱們這條留存曲線是高於所有用戶的藍色留存曲線的。我們看一下次日留存率,高達82%,而所有用戶可能只有50%多。得出結論:點擊「喜歡」大於三次的用戶留存表現優於所有用戶平均值。

這時候咱們再進行更深一步的對比,點擊「喜歡」大於等於3次與小於3次的用戶留存之間有什麼差異?上面右邊的圖中,紅色的線就是喜歡這首歌大於等於3次,藍色的還是剛才整體的所有用戶,在下面是綠色,小於3次的。

可以明顯地看出來這三個分群有很大的不同,點擊「喜歡」越多的次數留存率就會很高,而點擊「喜歡」小於3次的人留存率比所有用戶的還要低。

我們看到這兩這張圖就會想到一個問題,我們有沒有一種方法來引導客戶,讓他點擊喜歡呢?

這個時候留存的分析的作用就是說如何促使產品的更新和優化,既然通過數據我發現了點擊「喜歡」大於3就會留存率高,那麼我們是不是通過這種分析方法來得到一個類似的假設,我們的產品如果通過優化能讓客戶更早地去點擊「喜歡」,那麼客戶的留存就會多。

當然了這個時候我們會對產品通過一些交互行為的設計、A/B test或者各種各樣的方法來使這個產品變得更好一些,更優化一些,不過這個主題比較大,我們先講到這里。

我們繼續往下深入地挖掘。

現在有一個行為是點擊「喜歡」大於3次,我們還有些其他的行為,比如說我在一個網站上想加入一個興趣的社區,比如說我非常喜歡聽爵士樂,我就在APP進入爵士樂的社區,比如說我非常喜歡陳奕迅,我就想加入陳奕迅歌迷俱樂部,或者說我想加入其他的一些社區。

在上面左邊的留存圖中我們就用綠色的線表示當客戶加入了一個興趣社區時他的表現是什麼樣子。紅色的線還有藍色的線也是剛才說的三條線的對比。

可以看出來,如果這個客戶加入了一個興趣社區,我們也可以看到它的留存率相對整體客戶來說是有一個提升的。

我們發現客戶加入興趣社區,點擊大於3都會導致留存率的上升,那麼我們會不會更深一步想一個問題,如果他既點擊「喜歡」大於3次以上,又加入興趣社區,會有什麼樣的效果?

當然這時候可能並沒有很好的效果,我們並不確定,那我們就做一個實驗,把數據抓出來,做上一張圖,先看一下是好是壞,即刻分享。

然後我們就做出了上面右邊的圖,紅色的就是我剛才說的,點擊「喜歡」大於3次以上並且加入了社區,另外就是它的補集,就是沒有小於等於3次或者是沒有加入社區的,這時候我們發現這是一個很大的留存方面的差異。

由上圖可以很明顯地看出來紅色要遠遠地高於藍色,這時候就會給我們一個想法,如果咱們的產品能夠更好地引導這些客戶去使用這些功能,那麼這些客戶就能很好地留下來,留在咱們的產品上。

3、不同群組對產品不同模塊使用狀況的分析

上面的圖叫「如何發現一個對比的點」,功能是分析不同的群組對產品不同模塊使用情況。

分群A(平穩期)的客戶之所以留下來了,是因為咱們的產品提供的功能滿足了他,這些用戶我們可以通過一些細節的挖掘,去看他對每一個產品每一項功能的使用情況。

比如某個產品有很多功能,我現在就截取了A/B/C/D/N 5個模塊,10代表使用這個模塊的頻率還有熱度的指數的滿分,9表示他經常使用這個功能。反映到我們手機上的例子可能就是說他經常使用「喜歡」這個按鈕或者是經常用「分享」這個按鈕。

從這里可以看出來,如果我們做一個排序的話,分群A在平穩期的這部分用戶非常喜歡使用模塊A,也非常喜歡使用模塊C或者模塊D。

這部分群體我們再逆推到之前,他們在前期的時候喜歡使用什麼樣的功能呢?他們在所謂的振盪期和選擇期的時候使用什麼樣的功能。

我們也是通過數據的分析,把這個數據拿下來,即分群A(振盪期+選擇期),我們發現客戶很可能非常喜歡模塊A或者是功能模塊C,例如客戶非常喜歡分享一個東西或者喜歡下載一個東西,這個東西就是我們行為分析的一個起止點。

我們可以探索我們是不是先用這兩個點來看一看客戶在留存上面有沒有一個巨大的行為差異,然後我們就會通過這些東西做出一些東西,比如說我點擊了「喜歡」大於3次的我就發現留存率高,點擊「喜歡」小於等於3次的留存率相對就會比較低。

五、用戶留存的案例分析

1、留存圖和留存表

下面展示了我們提供的一張留存圖和留存表(也稱為手槍圖),可以方便大家看到新進來的客戶們在後續的時間的表現,我們也可以定義起始行為和回訪行為這兩個功能。

2、起始行為和回訪行為

起始行為規定了你想篩選什麼樣的用戶進行留存分析。我們按照最普遍的留存率的概念,將默認的起始行為設置為「新增用戶」,即這個用戶ID此前未曾出現過,那麼就會歸為當天的新增用戶。除了默認選項外,我們還支持將任意圈選過的標簽的瀏覽或點擊行為作為起始行為,在下拉菜單中就可以直接選擇。

例如,選擇「頁面_加入我們」「瀏覽」為起始行為,那麼系統會將一段時間內所有瀏覽過「加入我們」這個頁面的用戶都篩選出來,然後再計算他們在這之後是否發生過回訪行為。

你希望用戶經常地、持續地到你的產品中做什麼?這就是回訪行為的定義。在默認條件下,回訪行為被設置為「任意行為」,即對任何頁面的瀏覽或點擊都被認為是留存。與起始行為一樣,你可以設置任意標簽的瀏覽或點擊行為作為回訪行為,在下拉菜單中可以選擇。

例如,選擇「按鈕_加入購物車」「點擊」作為回訪行為,那麼系統會計算:在滿足起始行為的用戶中,接下來的每一天里有多少人點擊了「加入購物車」按鈕?他們佔起始用戶的比例有多少?

3、某O2O企業分析「發紅包」案例分析

某個O2O應用,想觀察給用戶發放紅包之後的回購行為趨勢。在這個案例中,我們將觸發了購買行為的用戶定義為留存用戶,因為對於這個活動來說,刺激用戶的購買是首要目標,那些僅在應用里查看了商品頁面的用戶,雖然他們回訪了,但並沒有進行關鍵行為,因此在這個案例中暫不能成為留存用戶。

首先在【起始行為】中選擇【紅包領取成功頁面】【瀏覽】,然後在【回訪行為】中選擇【購買成功頁面】【瀏覽】,時間選擇紅包活動的時間段1月1日至1月14日,點擊【提交】。

在這張表中,可以看到第一列「當天」的留存率已經不是100%,這是因為我們設定的起始行為與回訪行為不一致而形成的,是正常現象。當天的平均留存率為38.1%,表示每100個領取了紅包的用戶中,大約38人會在當天就去購買商品花掉紅包。

我們還可以根據這張表做進一步的分析:例如,在1天後的留存率中,1月2日領取紅包的這批用戶轉化率非常低,只有2.6%,而1月2日的這批用戶的當天轉化率也不高。我們可以在【用戶分群】功能中將這批用戶定義為一個分群A,同時將1月7日領取紅包的這批用戶定義為分群B(因為1月7日的紅包用戶當天、次日的留存率都比較高),將這兩個分群進一步按照多個維度和指標進行交叉對比,找出他們的行為差異。