行业白皮书
DTC品牌都在使用的黑客增长方法有哪些
5大经典品牌增长黑客案例盘点
增长黑客常用的13种方法详解
去年底，不少品牌在节假日营销中大展拳脚获得了非常多的新增用户！作为品牌来说，接下去不免要考虑旺季过去之后，如何能够让这些大促期间的“羊毛党”真心留下，成为高价值的留存客户呢？以及为什么关注用户留存就能提高销售额？今天，我们就来和大家详细分享什么是用户留存以及如何提升用户留存！
在具体展开谈论减少用户流失率从到确保用户留存率之前，让我们先来了解下什么是用户留存吧！用户留存这一概念属于用户从了解品牌到彻底离开品牌这整一个生命周期（LTV，Life Time Value）中的一个环节；通常在新用户获取阶段和其他拉新数据指标一起使用，其主要回答以下问题：“有多少新用户再次购买了我们的产品？”
介绍完用户留存是什么之后，接下来你可能产生这样一个疑惑：商家都是以营利为目的，销售额为宗旨的，那这用户留存貌似距离销售业绩很遥远呢，为什么要关注该指标呢？随着人口红利逐渐退水，增量市场的空间愈发被挤压，拉新成本也随之水涨船高。因此，依赖源源不断涌入新客的业务增长方式未免成本太高，我们还应关注如果维护老客，也就是让那些曾购买过自己商品的消费者成为“回头客”。换句话说，考虑到与客户流失相关的收入损失以及高昂的客户获取成本，每一次被阻止的客户流失几乎都是无价的；因此，通过堵住让客户流失的漏洞，可以缓解拉新侧预算压力，从而降本提效更加有利可图。
群组是一组在一定时间内具有共同特征的用户，其又细分为获客群组（Acquisition Cohorts）和行为群组（Behavioral Cohorts），而群组分析则是对特定时期内这些用户的共同特征的研究。获客群组是根据用户购买或注册产品的时间对用户进行划分，并根据业务选择按月、周甚至天级别跟踪获客情况；例如，toC的电商类商家需要每天跟踪其用户群体，而toB的对公服务商家更需重点关注每月获客。行为群组则根据用户在指定时间段内的在线行为对用户进行分组；例如，照片共享App需关注某一天使用谷歌照片链接共享照片的用户，而投资类App按季度粒度观测用户行为即可。
根据业务诉求，用户留存这一概念衍生出了多种统计口径。比如，以零售行业为例，用户留存率通常有很多观测周期，常见的比如7天、14天、28天等。以7天留存为例，我们锚定人群，看week1新用户，其中多少人在week2、week3……weekN仍然有购买行为。这种锚定某一周的新客，并持续追踪这群用户的后续行为的分析方法，通常适用于品牌或者产品的成熟期，具体应用场景比如：期望通过市场营销活动进一步提升销售业绩。此时，我们可以通过关注week1新用户，其中多少人在week2、week3……weekN仍然有购买行为，从而更全面的评估短期营销活动对长期业务发展的投资回报率（ROI）。通过提高保留率，产品团队可以堵住漏洞百出的保留桶中的漏洞，使他们的产品更加有利可图。
这里介绍的是另一种常见用户留存统计口径。还是以7天留存为例，此时我们可以不限定具体到哪一位用户或者某一特定群组的用户，而是关注品牌所拥有的全部用户池子。具体而言就是观测week1新用户中在week2再次购买的比例，week2新用户中在week3再次购买的比例……weekN新用户中在weekN+1再次购买的比例。
其适用场景为公品牌初创或者新品刚上线阶段。此时，我们通常都会通过大撒补贴/优惠券/疯狂打折的方式迅速拉起销售规模，也就是我们俗称的“开业大筹宾”阶段，随后商家往往会希望通过稳步撤补的方式，将“羊毛党”等用户过滤掉，从而在保持销售业绩规模不过多折损的情况下，实现销售额可持续性增长。通过观测随着折扣力度的变化，用户留存率（比如：weekN新用户中在weekN+1再次购买的比例）的波动幅度，商家可以了解自身产品力是否稳适应市场需求，也就是通常说的“产品力是否成立”。如成立，那么在补贴高位退水后，用户留存将维持在稳态；否则，就需要及时调整商品或者品牌定位了。
除了直接分析用户留下来的原因，我们也可以曲线救国研究用户为什么流失。
通过研究诸如“利用某项功能的用户流失率更高吗？”、“每月浏览商品多次的客户流失率是否较低？”、“每月联系客服两次以上的用户流失率是否较高？”等问题，来定位导致用户流失的行为因素；再进一步，我们还可以通过将流失客户的行为模式与留存用户进行比较，从而识别出更多可能导致用户流失的因素。
除了上述通过收集用户的线上行为，我们还可以借鉴传统咨询公司的问卷调研、焦点小组等直接获得客户反馈的分析方法；而真实用户的反馈，可以佐证我们通过线上大数据分析已洞察到的用户流失因素，增加我们分析结论的可靠性。
其他常见方法包括规定性分析（Prescriptive Analytics，即：集中精力研究特定问题的最优解）、预测分析（Predictive Analytics，即：建模预测未来发生某种情况的概率）、描述性分析（Descriptive Analytics，即：经典购物篮分析中使用的汇总统计、聚类和关联分析等）、诊断分析（Diagnostic Analytics，即：研究什么是引发某个行为的关键因素）以及成果分析（Outcome Analytics，即：促成最终结果需要哪些前置行为）。
最后，给大家分享如何减少流失、提升留存率的五大方法！
贝恩公司一份研究中，多达30%的高管表示缺乏在公司中嵌入数据和分析的明确战略。麦肯锡的研究表明，将分析视为增长的战略驱动因素，而不是将其看成一种科技手段，将帮助企业实现预期增长。通过数据驱动自动化追踪KPI达成进度、雇佣善于进行用户分析的人才等实现组织变革，完成更有实效性的业务决策。
如果新客和你的主要目标客户相似，那么他们本就不太可能流失，自带高留存率。通过去重点拉新那些与现有客户具有相似特征（如：年度支出、行业类型等）的人群，就可在用户生命周期的老客维护阶段省心省力啦！
如有建模能力，我们甚至可以通过机器学习这种基于数学、统计学和概率学原理建立预测模型的方法，根据历史行为数据快速准确地发现用户流失或忠诚于品牌的根本原因，并预判哪些用户即将流失，并因此建议企业将资源等重点倾斜给留住那些展露出这些行为的用户。
例如，通过在支付界面设置用户消费满意度评价，并配合后台埋点监测，我们可以收集到用户的反馈意见，从而帮助我们拓展分析视野，毕竟仅仅依赖线上大数据分析有可能导致忽略小部分用户的个性化痛点。借助情绪分析工具，我们可以分析开放式调查问题的自由文本回复，快速发现用户痛点。
使用数据分析将人们分为不同的群体，这意味着我们采用不同的沟通和服务策略来增加不同类型用户的留存率。比如，通过监控用户是在上午还是下午兑换促销码，是否在销售沟通后立即兑换等判定进行促销的合适时间和节奏。
改变世界的25个颠覆性品牌 | 品牌电商必知的4个增长营销思维
