在运营中，计算用户数量的流失率是必不可少的，但很多人只停留在知道数据上，找不到方法分析流失原因或者是提出减小流失的策略。今天我们就以App的留存举例，聊聊如何做用户流失的分析。

01 误区篇

首先，我们要知道两个做用户流失分析常见的误区：

**第一，试图挽留每一个用户。**强扭的瓜不甜，很多用户的流失是无法避免，比如用户兴趣的转移，比如用户与产品目标受众不符，这些用户花再多地钱，做再多的优化可能都没啥用，对于这部分用户，干脆就放弃，避免无效投入。

**第二，试图弄懂每一个流失原因。**比如某天流失率突然比以往多了，这些偶然的波动属于正常情况，万一很多用户就是那天心情不好呢，如果咱们非要把分析做的那么细致反而不容易抓到关键因素。对咱们来说，只要把流失率控制在可以接受的范围内就可以了。

02 思路篇

其次是用户流失分析的思路。我们的目的无非就在于找出流失原因和提出改进建议，我们这里把用户流失的原因大体分成三类，并给出对应的对策：

1）系统型原因

如果业务整体的流失率都低于同行，则很可能是系统型原因，主要是因为业务做的比对手差，比如微视比抖音的流失整体都高，这时可以引入漏斗模型，层层拆解分析是哪个环节出了问题，然后并提出对应的优化建议。

App中用户的留存可以分成三个阶段，进入期、成长期、成熟期，这三个阶段需要关注的重点也不同。

在进入期，我们要重点关注用户激活，无差别改善，不断优化新用户体验的流程，让新用户快速低成本感受到产品价值。

在成长期，就需要根据用户价值对用户区别对待，对于非目标受众和羊毛党，流失了就算了，一味挽留浪费资源；而对于目标受众和重度用户，就需要特别关注活跃度和流失率，而且通常用户不活跃的时候，真实的流失就可能发生了。这时针对核心用户的行为进行分析，对流失大的细节进行细致的排查和优化。

在成熟期，就要思考产品对用户的长期价值了，分析的目的就是洞察用户潜在的相关需求，主动满足用户更多需求，反复让用户体验到产品价值。

2）事件型原因

如果流失数据短期出现异常波动，很可能是突发事件引起的用户流失，比如宕机、涨价、负面新闻、竞争对手打压。事件性原因引发的用户流失，通常在事件发生后先体现在活跃率上，再过一段时间，流失率才会抬升。所以用户流失分析不仅要关注流失率，也要对活跃率进行监控。

对这类流失分析时，观察到异常后，首先要收集相关负面事件；然后假设论证，找到核心的影响因素；再找到受影响的用户群体，最好打上标签以备观察；根据影响因素进行优化调整，并观察用户活跃率的变化；观察流失率在一段时间后是否重回正常水平，如果没有则重复之前的步骤优化。

3）趋势型原因

流失率在可接受范围内波动可以不用在意，但是如果持续缓慢走高或者降低，就应该引起关注。这种变化有时连业务人员都解释不清，咱们哪怕用之前的两种原因也分析不出啥，这时候就要考虑是不是趋势的原因。

比如说内容电商平台正在慢慢掠夺某宝的市场，这种趋势在初期是缓慢的，如果没有及时感知到，造成的后果很可能就是颠覆性的。不过，相比于前两种原因，趋势造成的用户流失识别难度和解决难度都更高。这时如果穷尽了现有分析方法还没有找出线索，就要考虑多看行业数据分析报告、多设几个观察指标，先追踪起来，积累足够了就能看清局势了。

03 工具篇

最后，做用户流失分析最好使用专业的数据分析工具，就拿主流的FineBI来说，优点就是高效、好用，内置了大量分析模型和公式，像当日留存率这些常见的指标用内置的公式就能快速计算出来，免去了很多数据处理的步骤，非常方便。

而且FineBI内置了丰富的图表，做可视化的时候可以把多张分析图表放到一起，设置好联动关系，就可以做出一张分析大屏，无论是分析还是演示都非常好用。

在今天产品高度同质化的阶段，企业间的竞争越来越体现在对用户的争夺上，可见用户流失的数据分析是越来越重要了。但常常有小伙伴私信我说不懂做用户流失分析，我想主要是因为对用户生命周期了解不全面，建议是多去和前方的业务或者用户运营人员讨教，以及善用分析工具。

分析工具

最后，分享一下分析工具，回个“数据分析”就能获得数据分析工具！