留存率

有的运营人员做渠道投放，每个渠道都投放了，点击量特别高，但激活量只有个位数。也有可能点击激活数量都很高，但是留存率很低。费用都花光了，但是效果没有出来。自己去分析后台数据，却得不到结论。 我想说的是，分析的前提是拿到靠谱的数据。如果数据不准确，结论可想而知~ 当然，再靠谱的平台，也有可能出现一些不靠谱的情况。为什么呢？俗话说，有榜单的地方就有刷榜，有数据统计的平台就有数据作弊的作坊。 在移动互联网生态中存在很多不为人知的渠道刷量工作室，这些工作室以非常低廉的价格贡献质量同样低廉的用户数据。 早期的统计分析平台的SDK基于明文的jason数据包，工作室可以很方便的用程序伪造这些数据包，模拟出新增活跃、留存、时长等用户数据。随着统计分析平台的发展，很多分析平台推出了基于二进制协议的SDK，开发人员还可以自行调用加密开关。这些技术的提升使统计平台的安全性和数据准确性得到了提高。如果App升级到安全协议版本的SDK，刷量工作室已经很难采用直接模拟数据包的形式来刷量了。 所谓道高一尺魔高一丈，平台有平台的方法，刷量工作室有刷量的招数。除了采用分布式人肉刷量的方式来刷量(形式可以参考基于任务的积分墙);有技术实力的都能够通过编写程序脚本，修改真机参数，驱动真机运行(有兴趣的同学可以了解一下igrimace这个iOS的刷量工具)。这些行为已经跟真实的用户行为几乎没太大差别

一款APP应用被开发出来，如果想要衡量APP运营推广的好坏程度，可以通过APP用户留存率来做判断。那么这个时候就引发出一个问题：“APP如何提高用户留存率，APP提高用户留存率的方法有什么呢?”，简单的分享几个APP提高用户留存率的小技巧! 影响APP用户留存率的原因： 一般来说，APP用户留存率不高就是用户体验差。比如打开不久经常会闪退、卡顿。比如说在试玩APP时，如果出现两三次这样的现象基本就会卸载;除了产品自身的质量外，同类竞争产品的出现也是影响APP用户留存率的一个致命痛点。用户一般会选择口碑更好，或是在同等价值下获得更多优惠，使用也更为方便的APP。 APP如何提高用户留存率的几个小技巧： 一、尽量较少Bug的出现 APP如何提高用户留存率，就需要尽量减少不bug的出现。虽然说再牛的技术人员也无法保证在代码编写和APP功能研发的过程中没有任何bug，但是APP运营人员除了让专业人员进行测试外，还应该邀请用户来体验产品，一起找出bug，尽可能多的解决bug，通过这种形式来提高用户留存率。 二、注重UI设计界面的设计 好的UI设计不仅可以让你的APP变得有个性、有品位，还可以让APP的操作变得舒适简单、自由，充分体现软件的定位和特点，所以UI设计的重要性不言而喻。对UI设计的基本要求就是能够吸引目标用户，从而提高用户留存率! 三、利用KOL来提高用户留存率 打造KOL

本文从产品的功能、界面等层次分析其优缺点，对抖音和快手两款App进行分析，试图找出各自的不足，且提出自己的建议。 目录 一、背景 二、目的 三、竞品选择 四、竞品分析 4.1 竞品现状 4.2 基本信息对比 4.3 产品功能对比分析 4.4 产品功能结构对比 五、建议 5.1 关于抖音的建议 5.2 关于快手的建议 六、总结 一、背景 　　QuestMobile数据显示，截止到2019年4月，泛娱乐用户规模达到10.86亿，月人均使用时长同比增长13.8%，一个时代新就此诞生：短视频（2.16亿，同比增长率36.6%）、数字阅读（7157万，同比增长率18.4%）、在线音乐（7111万，同比增长率12.6%）、在线视频（6972万，同比增长率7.8%）、网络K歌（1607万，同比增长率9.1%），已经成了新的用户增长引擎，短视频（327.5分钟，同比增长32.4%）、游戏直播（93.0分钟，同比增长21.8%）、手机游戏（65.7分钟，同比增长5.7%）则成了用户时长增长的关键，全民娱乐消费时代已经到来。 短视频行业一路高歌猛进，成为仅次于即时通讯的第二大应用类型，短视频对每个人的生活都产生了极大的影响，根据QuestMobile数据统计，泛娱乐用户在午休、晚饭后出现活跃高峰期，同时短视频用户活跃率显著高于其它泛娱乐用户。 二、目的 1. 从产品的战略层、范围层、结构层

在移动互联网快速发展的今天，大量APP不断涌现，尤其是近一年多以来，小程序的旺势发展，对APP发起了极大的挑战。 如何让自己的APP在竞品中脱颖而出？如何获取更多的用户？如何对现有用户进行全方位的管理和运营？又如何评估渠道效果和用户质量，制定正确的运营推广策略？都无疑是对APP推广人员的数据分析和运营能力提出了更多要求！ 如何用统计分析工具对APP的数据进行分析和运营是今天我们要讲的。 一、常用的统计分析工具 常用的统计分析工具有LeanCloud统计、Flurry Analytics、讯飞开放统计、DataEye、腾讯云分析、友盟游戏统计分析、有数、ad-brix、ASO114。 大家可以根据自己的需要选择统计工具。 二、不同产品周期数据的侧重指标 1、初创期 初创期的重点在于验证产品的核心价值，或者说验证产品的假设：通过某种产品或服务可以为特定的人群解决某个问题。这个阶段应当遵循MVP(Minimum Variable Product) 的思想，以最小的成本来验证创业的想法，并根据用户的反馈快速迭代以调整解决方案，最终在数据上得到验证。 关键数据——目标人群画像 初创期可以通过接入一些第三方的应用监测SDK来了解初期用户群体的画像，从侧面验证用户群体与假设的目标用户群体特征是否一致，常见的是人口学属性(性别、年龄、学历、地域)。 关键数据——留存率 在当前用户符合目标受众特征时

很多大公司年复一年的投放数十亿的费用在APP的渠道预装后装上，一些即便是没有钱的初创公司为了APP能够在用户面前曝光，也不得不在应用市场进行付费投放，或者拓展一些异业合作以量换量。 关于这个经久不衰的问题——啥渠道好用？你的渠道评估体系才能给你最终的答案，你要的是新增还是活跃，你要的是活跃还是流水，这都与你最终选择什么样的渠道息息相关。 在这个全民创业搬着台电脑就可以做渠道的时代，无论是免费、付费还是换量，不同的渠道带来的APP激活情况一定会存在差异，如何在这些渠道里滤掉假量，识别出优质量，通过不断的渠道构成优化使得渠道投放的ROI效率最大化呢，如何建设靠谱的渠道评估体系呢？ 3步了解APP渠道应该怎么建设评估体系 1、定位App推广阶段，明确业务目标 2、理解APP渠道带量漏斗，明确关键点 3、根据业务目标设定APP渠道评估体系 我们先追问当前APP的核心业务目标是为了获取新增？扩大活跃用户？扩大收益？然后我们来看下APP渠道带量漏斗和渠道评估的关系 渠道评估体系=渠道反作弊评估+渠道质量评估 渠道质量评估=渠道有效性评估+渠道留存评估+渠道ROI评估 关于渠道质量评估 问：在APP流量的漏斗环节里，为什么要将新增，活跃，收益设置为关键评估点呢？ 答：从下载到新增的转化率差异，我们可以选择带量更快更有效的渠道；从活跃用户的留存的转化差异，我们可以选择用户更活跃留存情况更好的渠道

有的运营人员做渠道投放，每个渠道都投放了，点击量特别高，但激活量只有个位数。也有可能点击激活数量都很高，但是留存率很低。费用都花光了，但是效果没有出来。自己去分析后台数据，却得不到结论。 我想说的是，分析的前提是拿到靠谱的数据。如果数据不准确，结论可想而知~ 当然，再靠谱的平台，也有可能出现一些不靠谱的情况。为什么呢？俗话说，有榜单的地方就有刷榜，有数据统计的平台就有数据作弊的作坊。 在移动互联网生态中存在很多不为人知的渠道刷量工作室，这些工作室以非常低廉的价格贡献质量同样低廉的用户数据。 早期的统计分析平台的SDK基于明文的jason数据包，工作室可以很方便的用程序伪造这些数据包，模拟出新增活跃、留存、时长等用户数据。随着统计分析平台的发展，很多分析平台推出了基于二进制协议的SDK，开发人员还可以自行调用加密开关。这些技术的提升使统计平台的安全性和数据准确性得到了提高。如果App升级到安全协议版本的SDK，刷量工作室已经很难采用直接模拟数据包的形式来刷量了。 所谓道高一尺魔高一丈，平台有平台的方法，刷量工作室有刷量的招数。除了采用分布式人肉刷量的方式来刷量(形式可以参考基于任务的积分墙);有技术实力的都能够通过编写程序脚本，修改真机参数，驱动真机运行(有兴趣的同学可以了解一下igrimace这个iOS的刷量工具)。这些行为已经跟真实的用户行为几乎没太大差别

1.数据分析概念 1.1数据分析 是指用适当的统计分析方法对收集来的大量数据进行分析，将他们加以汇总和理解并消化，以求最大化地开发数据的功能，发挥数据的作用。 1.2数据分析包括 描述性数据分析（初级数据分析）：使用几个关键数据来描述整体的情况。指标：平均数，众数 常见的分析方法包括：对比分析法、平均分析法、交叉分析法等。Excel可以实现。 探索性数据分析（高级数据分析）：EDA指对已有数据在尽量少的先验假设下通过作图、制表、方程拟合、计算特征量等手段探索数据的结构和规律的一种数据分析方法。主要包括：汇总统计、可视化 验证性数据分析（高级数据分析）：EDA出现之后，数据分析的过程就分为两步了，探索阶段和验证阶段。探索阶段侧重于发现数据中包含的模式或模型，验证阶段侧重于评估所发现的模式或模型。 1.3企业数据分析的目标 进行市场分析和研究 把握产品的市场动向 指定产品研发和销售计划 2.数据分析的三大作用 2.1现状分析 告诉你企业的整体运营情况，通过各项指标衡量企业的运营状况 告诉你企业的各项业务构成，了解各项业务发展和变动情况 通过日常同报完成，如日报，周报，月报 2.2原因分析 有了现状分析，但不知好在哪里，差在哪里，就要进一步开展原因分析，做优化调整。 原因分析通过专题分析完成。 2.3预测分析 需要对企业未来发展趋势做预测，为企业提供参考与决策依据，使企业持续健康发展。

传统网站数据分析 1. 访问Visit： 一次访问就是指一个人来到网站，然后浏览了一些内容之后离开网站的过程；这个过程也被称之为会话，也就是session。注意关闭浏览器后session会话并不会自动销毁，因为服务器端session往往默认有个20分钟的过期时间，如果关闭浏览器后又打开并且访问了同一个网址，这时候只要浏览器的cookie还是存在的（即：浏览器关闭时，cookie不设置为自动销毁的话），那么服务端还会认为是登录状态，也就是属于同一次会话。相反，如果没有关闭浏览器，但未做任何操作，但是过了30分钟后则session销毁。后面的访问就属于另外一个新的session 2.访问量visits： 一段时间内的访问量就是这段时间内的会话次数 3.访客数（UV) Unique Visitor，就是访问网站的人数。如何识别一个用户？在网站分析系统中，会根据用户的浏览器，设备型号等信息为用户分配一个编号，这个编号成为cookie. 访客数就是访问网站的cookie数。如果同一个人换了浏览器或者设备访问网站，那么，他的cookie也就变化了，也就是说是另外一个用户了。 4.浏览量： 常被称为PV（Page View)，就是浏览额面的数量。访问量(visists),访客数（UV),浏览量(PV）是网站的人气指标 5.页面停留时长： 访客一次访问在页面上停留的时间

一、问题1：留存率计算 字段及表说明： 表名：user_log 字段名： log_day:登录日期 device_id:用户设备id app_id:用户app的id，其中device_id和app_id确定唯一的用户 1.1计算某日留存率（次日、3日、7日、30日） --计算次日、3日、7日、30日留存率 select log_day,count(user_id_d1)/count(user_id_d0) retention_d1, count(user_id_d3)/count(user_id_d0) retention_d3, count(user_id_d7)/count(user_id_d0) retention_d7, count(user_id_d30)/count(user_id_d0) retention_d30 from( --匹配后续 select a.log_day,a.user_id_d0,b.device_id||b.app_id user_id_d1,c.device_id||c.app_id user_id_d3, d.device_id||d.app_id user_id_d7,e.device_id||e.app_id user_id_d30 from( --找出新增 select log_day,device_id||app_id user_id

一、什么是生动用户/客户 　　用户/客户每天既会不断新增，也会不断丢掉，假定单独只看每日生动用户数，是很难发现问题的实质的，所以一般会结合生动率和整个APP的生命周期来看。 　　生动率是指生动用户/总用户，经过这个比值能够了解你的用户的全体生动度，但随着时刻周期的加长，用户生动率总是在逐渐下降的，所以经过一个长生命周期（3个月或半年）的堆积，用户的生动率还能安稳坚持到5%-10%，则是一个十分好的用户生动的表现，当然也不能完全套用，得视产品特色来看。 　　二、什么是留存用户/客户 　　留存用户和留存率一般反映了不同时期获得的用户丢掉的状况，剖析这个成果往往是为了找到用户丢掉的详细原因。 　　留存用户/客户的留存政策 　　次日留存：因为都是新用户，所以结合产品的新手引导规划和新用户转化途径来剖析用户的丢掉原因，经过不断的修正和调整来下降用户丢掉，前进次日留存率，一般这个数字假定达到了40%就标明产品十分优秀了。 　　周留存：在这个时刻段里，用户一般会履历一个无缺的运用和体会周期，假定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（ sbsfudao ）。 　　月留存：一般移动APP的迭代周期为2-4周一个版别，所以月留存是能够反映出一个版其他用户留存状况，一个版其他更新，总是会或多或少的影响用户的体会，所以经过比较月留存率能够判别出每个版别更新是否对用户有影响。 　　三