曾几何时，互联网企业烧钱圈地，何其风光，但随着推广价格不断上涨，烧钱拓展业务的效率越来越低。如今更是碰上资本寒冬，地主家也没有余粮的时代，大家一分钱掰成两半用，企业转而修炼内功，期望业务增长就必然会涉及到用户维护拓新的问题。

拓新守成的成本

如今为获得一个新用户：

与此同时维护一个老客户的成本：

以上只是简单类比，与实际数字可能有所出入，但是定性的研究表明吸收新用户的成本是维护原客户成本的5-10倍。

If you cannot measure it，you cannot improve it.

你无法度量的，你就无从改进。

降低用户增长成本是目标，但是无法忽视过程和方法。

 用户留存 Retention ：  统计某个期间新增客户中，经过一段时间后仍然存在客户行为（如登陆、消费）的客户的比例。

Retention实际上是从  相对时间 和  绝对时间 两个维度去分解用户的吸入和流失。为了更好的描述用户留存在时间维度上的变化，业内一般采用了Cohort Analysis （同期群分析）。因此笔者在借用了UCI提供的电商客户数据作为演示，利用Python做了必要的数据处理之后，呈现了以下Cohort Analysis 的分析图示：

 绝对时间维度： 用户第一次使用产品的日历时间。例如2020 年3月1日、3月12日。

 相对时间维度： 新客户第一次登陆之后，在第二次使用或者登录产品的相对时间，例如 2天，1个月，40天。

上图挑出一列出来解释：

其实最常见的是按照用户留存率进行显示：

时间的维度分解，让我们可以立体的观察事物的本质。

 绝对时间维度，对应的是不同批次的用户，研究定量问题 。例如拼多多在新年期间的微信现金红包活动，导致新用户增长率在过去两周有所上升。某软件在改变了app配色后, 用户新增绝对数量有所下降。

 相对时间维度，对应的是相同批次的用户，研究定性问题。 例如拼多多送红包活动期间获取的新用户有所上升，但是跟过去的新增用户相比，这批新用户可能并没有继续在平台上购买东西，留存率不高。App 配色改变后，虽然吸引的新用户数量变少，但是用户留存率上升。

通过以上简单的分析，我们可以获得大致的分析方向，但是  进一步向下钻取用户留存数据，我们需要增加新的维度。

Behavioral Cohort Analysis

以  用户的行为属性作为分类标准， 进而刻画的Cohort 图表即是 Behavior Cohort Analysis。

 维度的增加方向 ：

 应用场景： 用户购买商品之前一般都会看图片和评论，研究是否有折扣，或者最近几天网站是否会有活动，在最后完成点击支付之前，用户会有无数的瞬间放弃购买。网站能否在合适的时机推出合适的活动让这些弃购用户从新点击完成支付将是提高用户转化率的关键。

 完成支付 和放弃购物车  未完成支付 的新客户同属有强烈购买需求的客户群体，我们可以此维度上对这两类客户进行分类研究，进行相关行为的Behavioral Cohort 分析。

从上图我们可以发现购物车成功支付的新用户，在前3天都有很高的继续登录比例，猜测可能是新用户观察下单商品的物流情况。但是弃购的新用户只有8%左右的比例会在次日继续登录网站，此后基本流失，  分析可知为了提高这部分弃购用户的留存率，网站必须在24小时内实施吸引客户下单的措施，比如附上折扣券，或者提高评论刷新速率。

用户能留下的核心是产品功能满足客户核心要求，但是进一步思考就变成公司应该如满足这些要求，新用户使用过哪些功能，或者说发生过什么行为后，让他们留下来了。

进一步的，我们需要知道用户访问初期在网站 / App 的某些行为、频次可能会让用户留下来，并且长久使用，成为忠诚用户。发现了这些行为和发生次数，优化产品，促进用户使用这些功能，就可能带来更高的留存率。

在资本寒冬的当下，做好用户留存，是度过这个冬天必须做好的内功修为。以上思路仅代表笔者个人观点，其中也借鉴了GrowingIO 数据分析师檀润洋的思路，并加入自己的一些思考。

欢迎留言讨论交流。