数据分析模型：留存和间隔分析

留存分析的应用场景写法比较好，可参考；再结合其他文章会更好；

实际应用写的不太好；

“本篇主要讲解留存分析和间隔分析的应用场景，以及模型的实现思路”

留存分析是什么

在互联网产品运营的方法中，最常出现的两个词：「拉新」和「留存」。两个词经常一起出现，是因为他们的目标都是一致的 —— 让客户进行访问。「拉新」是通过流量渠道来让客户访问，了解产品；「留存」是通过产品本身吸引客户，让客户自发的进行二次访问。

留存分析的定义

用户使用产品后，在 N 日/周/月内仍使用产品，则认为是一次 N 日/周/月留存。

这里我们可以稍微泛化一下访问的概念。通常我们认为用户打开了产品是一次访问，那么为了更加准确的定义「访问」这个概念，实际上不同的业务判断标准也是不同的，比如有些场景下认为「浏览详情」「进入列表」才是我们的有效访问。

留存分析的应用场景

留存目标始终是很明确的，就是为了体现「用户存量」。

场景 1：产品的在某一日上线了新功能，主要针对用户的留存做了针对性的改进，如：做了个签到送礼。接下来我们需要观察上线日前后，用户的次日留存是否发生了明显的改善。（策略验证）
场景 2：我们想知道哪个渠道的新用户留存更好，我们可以将用户按照不同的渠道进行分组，观察不同渠道的 N 日留存情况。这里由于近观察一日的数据没有代表性，所以可能需要选择多日的数据，聚合后进行计算。（比较分析）
场景 3：定量的观察分析，比如我针对一个指定的人群进行了运营活动，后续观察这个人群的留存是否有改观，和我未做运营的人群进行对比。（定量分析）

间隔分析是什么

在数据分析中，常常会听到两个概念「转化时长」和「复购周期」。「转化时长」泛指用户完成 A 后，期望是进行 B，但是这期间因为各种原因导致需要消耗一定时间才可以完成 B，那么这个消耗的时间，就是我们想要的「转化时长」；「复购周期」的概念，可以理解为用户重复做一个事件，两次之间的相隔时间。

间隔分析的定义

用户完成两个事件之间的间隔时长。两个不同的事件之间的时长，可以理解为转化时长、持续时长或是决策时长；两个相同的事件之间的时长，可以理解为复购周期。

间隔分析的应用场景

间隔分析最核心的功能，就是把两个事件的时间间隔进行可视化的展示处理。在样本量充足的情况下，我们可以有以下几个场景的应用。

场景 1：分析转化的决策时长，将两个事件的转化时长进行统计。我们可以得到一个转化时长的分布图，从图中可以很直观的观察到数据结论。通过中位数、平均数和四分位数的值，我们可以初步的判断出目前的一个转化耗时情况；当我们采取了优化的策略后，可以再次回来观察这个数字，是否向下偏移（变小），就可以侧面印证我们的优化策略是否生效了。（策略验证）
场景 2：观察两个相同事件之间的发生间隔。如果是针对交易类的场景，可以得到一个复购周期的概念。我们将按照商品的类型进行下钻，便可以得到不同商品的复购周期。比如某个商品的集中复购周期是 7 天，那么我们就可以在第 6 天的时候，对购买过这个商品的用户进行针对性的运营，强化这个商品的推荐，从而促进再次成单。（运营信息）
场景 3：视频类应用，尤其是短视频，更多的是消费用户碎片化的时间。那么一个视频最好的持续时长是多久呢？实际上这个最佳时间是与自己平台的内容形式、用户画像相关的，间隔分析可以很好的帮助我们获取到这个信息。（信息获取）

搭建留存分析

接下来，我们来搭建一个留存分析的计算模型。

第一步，根据选择的留存查看粒度，将数据进行整合，如：天级别留存就安天进行行为聚合，周级别就按照周进行聚合。

第二步，计算留存：

按天查看留存：从第一个日期为起始日期，依次遍历后续日期中是否发生了后续行为，若发生则标记为留存；从第二个日期为起始日期，重复上述遍历。最后，得到一个经典留存图。当日留存的概念是：用户在当天就完成了后续的事件。

按分组查看留存：将一个用户按天查看留存的计算结果进行聚合，即认为：多天中，只要存在一天有 N 日留存，则认为该分组存在 N 日留存。（举个例子：以 3月2日为起始日期，用户存在 1 2 日留存，以 3月3日为起始日期，用户存在 1 3 日留存，则该用户的整体留存为 1 2 3 日留存）这里我们将一个用户仅能划分在一个分组中，原因如下：
- 如果一个用户存在在两个分组中，无法判断究竟是哪个开始事件分组对留存造成的影响。
- 如果想确定是哪个分组对留存造成的影响，就需要将初始行为和后续的行为进行一次关联。那么才可以解释为：因为做初始事件，所以做后续事件。
- 于是，只有进行了开始事件和后续事件关联的情况下，一个用户才可能被划分到不同的分组中。

搭建间隔分析

搭建一个间隔分析的分析模型，根据我们场景中的定义，间隔分析应该至少提供两种计算模型：

总结

简单的解释了留存分析和间隔分析的应用场景。简单的归纳就是留存是用来做活跃相关数据分析，而且更多的是需要配合对比（时间上/分组上）来进行使用，从而获取信息。

间隔分析是将时间的发生时间进行可视化的展示，从而发现产品或行为的规律，进而衍生出运营方案。

分析模型最终都是服务于落地的场景，所以在分析不同场景时，选择最优的分析模型尤为重要。

下一篇：我们来聊一下数据分析模型中的路径分析，看看这个炫酷的功能到底能带来多大的分析价值，适用在哪些场景中。