Product & Collaboration · Frontier
留存(Retention)
用过你产品的人,过一阵还会不会回来用。留得住的才算真用户,留不住的就只是来一次便走的过客。
Some fields on this page have no English version yet — they are shown in the original Chinese.
TL;DRIn 30 seconds
- 用过你产品的人,过一阵还愿不愿意回来接着用。
- 拉一个新用户不便宜,人都一次性走了,等于往漏桶里倒水。
- 看的是同一批人隔段时间还剩多少,不是某天的总人数。
OverviewIn detail
留存说的是用户用过之后还愿不愿意回来。今天来了一百个人,一周后还剩几个还在用,这个比例就是留存率。留下来的,才是真正认可产品的人。
拉来一个新用户要花不少成本,如果人都是一次性的,就等于一直往有洞的桶里倒水,永远装不满。留存高说明产品确实解决了问题,生意才立得住,所以它常被当成衡量产品好坏的关键数字。
看留存有讲究:不是看某一天总共有多少人在用,而是看同一批人过一段时间还剩多少。比如把这一周新来的人记作一组,跟踪他们一个月、三个月后还有多少活跃,这样才看得出产品留人的真实水平。只看当天总人数,新来的人一多就会被撑得很高,反而掩盖了老用户悄悄流失的事实。
一次性的火爆说明不了留存好。某天因为一个大活动涌进来很多人,热度一退就散了,这不叫留得住。真正稳的留存,是一批批用户进来之后,能长期留下来用下去。衡量的时候,最好按新用户加入的时间分组,把各组的留存曲线放在一起比,才看得清问题出在哪一步。
换个角度说,一个工具功能再花哨,如果你用两次就丢下,问题多半就出在留存上:它没能变成你日常离不开的那一件东西。
MythsCommon misunderstandings
- ✕以为看某天的总人数就知道留得好不好 ✓新来的人一多就把数字撑高,得看同一批人过一周、一个月还剩几个
- ✕以为搞一次大活动拉爆流量就是留存好 ✓热度一退就散,真正的留存是一批批人进来后能长期用下去
- ✕以为留存低只是产品不够有趣 ✓多半是没解决真问题,没能变成人家日常离不开的那一件东西
In practiceWhere you will meet it
- 月初看这批新来的人一个月后还有多少在活跃,判断产品留不留得住
- 把各周新用户分开放进一张图,比一比哪一批掉得最快
- 自己装的工具用了两次就搁下,回头想是不是没解决什么真麻烦
SummaryThe key points
- 用过的人过段时间还会不会回来
- 看同一批人隔一段时间还剩多少
- 留存高说明产品真解决了问题
- 一次火爆不等于留得住,热度会退
FAQ
What does 留存(Retention) mean?
用过你产品的人,过一阵还愿不愿意回来接着用。拉一个新用户不便宜,人都一次性走了,等于往漏桶里倒水。看的是同一批人隔段时间还剩多少,不是某天的总人数。
Where will I run into 留存(Retention)?
月初看这批新来的人一个月后还有多少在活跃,判断产品留不留得住;把各周新用户分开放进一张图,比一比哪一批掉得最快;自己装的工具用了两次就搁下,回头想是不是没解决什么真麻烦。
What do people most often get wrong about 留存(Retention)?
以为看某天的总人数就知道留得好不好 — but 新来的人一多就把数字撑高,得看同一批人过一周、一个月还剩几个;以为搞一次大活动拉爆流量就是留存好 — but 热度一退就散,真正的留存是一批批人进来后能长期用下去。
What are the key points about 留存(Retention)?
用过的人过段时间还会不会回来;看同一批人隔一段时间还剩多少;留存高说明产品真解决了问题;一次火爆不等于留得住,热度会退。
Common pitfalls 留存看的是同一批人后来还剩多少,不是某天的总人数。
Entry 186 of 186 · All entries
Keep readingRelated reading
产品经理(PM)
负责一个产品该做成什么样的人:想清楚给谁用、解决什么问题、先做哪些功能,再推动团队把它做出来。
敏捷开发(Agile)
一种做项目的方法:不追求一次做到完美,而是把大目标切成小段,边做边拿给人看,随时调整方向。
JD(职位描述)
招聘启事里那段岗位说明,写清楚这个职位要做什么、需要什么本事,是求职和招人对着看的同一份清单。
用户画像(Persona)
给一类典型用户画出的具体代表:他是谁、多大年纪、有什么烦恼、想要什么,让你做东西时心里有个具体的人。
AI Agent
An AI program that sets its own goal, breaks it into steps and calls tools to get the job done. You hand it a task and it works out how to do it — instead of only answering one question at a time.
LLM
A very large program that learned to predict the next piece of text after reading an ocean of it. Whatever you type, it is guessing what is most likely to come next — writing, translating and answering questions are all the same thing used differently.
Where to go nextExplore more
Back to the skills themselves
Most of the concepts covered here come from skills that install into your AI client with a single command.