6 [1 n2 t I& t ]- I就像物理定律一样，奇怪的是，随着时间的推移，总有一些确定性的规律不断出现。以下是我要分享的几个例子：* S% x% ] @3 K' T
3 a; g4 E2 n5 m# [你无法改善糟糕的用户留存率。是的，增加更多通知功能并不会改善你的留存曲线。你无法通过A/B测试来实现良好的用户留存率。+ u+ Q$ A/ Z& a. }0 U4 y
留存率只会下降，不会上升。而且奇怪的是，它的衰减速度确实遵循着可预测的半衰期规律。早期的留存率能够预示后期的留存表现。 5 S5 _1 I6 K& h ?收入留存扩大，而使用留存变小。好消息是：虽然用户会逐渐流失，但留下的用户有时会消费更多！; y. I1 t" M |! o5 z
留存率与你的产品类别息息相关。既有先天原因，也有后天培养。很遗憾，你注定无法让酒店预订应用成为每日使用的产品。 . P" }1 P/ j, k! V3 q% E" U6 p% |# R用户扩张和增长时，留存率会变得更低。最优质的用户来自早期和自然增长，而后期获得的用户则表现最差。" C5 w% j7 O* V3 I( a
用户流失具有不对称性，失去一个用户远比重新赢回他们要容易得多。 5 s$ P6 F% O w: i留存率的测算非常困难。季节性因素确实存在，新上线的测试版本会干扰数据，系统漏洞也时有出现。D365虽是真实指标，但绝不能只看这一结果。 ; J# e+ ` X/ I: B/ y病毒式疯长但留存率极差，最终必然失败。我们已在多个平台和品类中反复验证过这一结论。 2 b0 Y4 m4 ^+ W& h2 o+ S! Z8 c% @, i出色的用户留存堪称奇迹。当你在真正见到这种奇迹时，会感到无比震撼。1 R) B% V" H& Z# S5 O3 h4 k+ L ^" W
我们将逐一剖析这些要点。 % k, s) o, b& x6 y& Y) F* J3 B 6 h1 w& x0 |, a3 k你无法挽救糟糕的用户留存率。你曾亲眼见过这种情况：你花了数月时间开发一款新产品，然后正式发布。当头一棒的是初始用户留存数据惨不忍睹。此时产品开发已进行数月，积重难返之际，该如何提升留存？此时你灵光一闪：不如增加消息推送功能提醒用户回来？或者添加一堆新功能？要不对着陆页进行A/B测试提高转化率？! O) r; U: }2 m6 t; J
8 P! r6 L8 x a5 H# e
我想我们都知道结局会如何。不幸的是，当产品留存率表现不佳时，往往极难扭转，几乎可说是回天乏术。当然，或许能实现边际改善。假设你的次日留存率是40%，而目标是提升至50%，这完全可行且值得努力。但若次日留存率仅有10%，那很可能意味着你打造的产品根本不符合市场需求，此时所有围绕A/B测试和消息推送的局部优化手段，都不足以扭转根本性困局。当数月的开发时间与沉没成本既成事实，人们很难不垂死挣扎一番。但我认为在多数情况下，最好当机立断选择转型。! ]! o: _9 b G- P
; R0 @, J# ?, z" b, z
这种旨在提升用户留存的转型，需要对应用主页进行彻底重新设计。如果原本呈现为信息流模式，或许应当转向结构化的分步流程；如果产品核心在于分享功能，或许应当将重心转向内容创作与收藏。你可能需要以截然不同的方式描述产品定位，甚至转而与竞品对标。这必须在多维度进行大规模转型，越彻底越好，唯有如此才有可能扭转用户留存低的局面。 7 T3 D9 ?+ e, v; ]% e# r- } 9 H) A7 x8 d9 m5 \& e+ i- D3 c留存率会下降，但不会上升。留存曲线通常呈现为非常规则的几何曲线模式。例如我观察到的许多曲线都呈现以下规律：无论首日留存率是多少，第七日都会下降50%；无论第七日留存率是多少，第三十日又会再下降50%。随着时间推移，最终留存率可能趋近于零，若运气好的话或许能整体维持在10%左右。这种衰减模式具有可预见性。( w3 e* m3 b. E) X+ K, L
+ G" z- s! _" V/ b+ g
你从未见过一条曲线先高后低再重新升高，这是不可能的。换句话说，如果早期留存率不够出色，那么晚期留存率很可能也不理想。你必须开局强劲，才能较好收尾。 ( M% p# M1 Q# Q8 D% ~" \, B. e E9 L$ o/ ]- n5 K) e
这条规律中有一些值得注意的例外情况需要特别指出：# k' U! u* J" U0 u
q$ _; F: [4 `
有些产品非常硬核（例如在线扑克）。这类产品的用户留存率可能相对较低，但留下来的用户往往极其忠实且花费巨大，事实证明这种模式也能成功。5 x+ J3 ~ \: S; H5 b& _+ m
对于具有网络效应的产品（可能是社交网络、协作工具或其他具有网络效应的产品），新用户开始时可能表现活跃，随后活跃度会暂时下滑。但如果该产品能够利用越来越多的用户重新激活老用户，通常会出现留存率小幅回升的曲线。这种情况极为罕见，但一旦实现则令人惊叹。0 C- o, s! a8 F, x0 m
收入留存扩大，而使用留存萎缩。留存曲线最佳且最重要的特性之一是，它既可以应用于用户，也可以应用于收入。到目前为止，我们讨论的一直是用户留存，但遗憾的是，用户留存总呈现下降趋势，这种情况并不理想。另一方面，收入留存则很有意思，因为留下来的用户往往会随着时间的推移在你的平台上花更多的钱。 % Q* c* g7 t" g5 J4 ~这是B2B SaaS产品最大的优势之一。以Slack为例，如果观察用户群组数据，你会发现其留存曲线与其他产品一样呈下降趋势。有些人接受它，有些人则不买账。但对于那些投入时间部署Slack的公司而言，产品会开始自然生长，你从这些企业获得的收入随之与日俱增。收入留存曲线不降反升，这种现象非常神奇，却可惜地不适用于大多数消费级产品。正是这种特性，使得B2B产品比消费级产品拥有更顺畅的商业模式。0 F- R* |, g& [+ ?! W
消费者应用的模式更接近亚马逊，你可能最初只是购买书籍和音乐，但随着产品功能的不断扩展，你会逐渐开始用它购买越来越多商品。正因如此，用户在产品中的生命周期总价值本质上没有上限。我们在优步也观察到类似现象：用户群组虽然会随时间衰减，但人们最初仅用于机场接送的打车支出，会逐渐扩展至餐厅出行或通勤场景。因此用户留存曲线呈下降趋势，但收入留存曲线却持续上升。 - L3 f; ~, ~7 |: f' v' i留存率与产品类别息息相关。我过去曾就留存率写过关于先天与后天因素的探讨。现实情况是，许多产品存在天然的使用场景，比如协作工具或编程软件，你可能每天工作时都会使用，但使用天数上限是每周7天中的5个活跃日。相比之下，漏洞警报系统则希望用户不要经常使用。消费品也是如此，人们每日查看新闻、通讯和社交应用，但通常不会频繁使用医疗参考指南。有些应用虽然使用频率低但留存率很高，例如天气或银行类应用。而游戏等类别虽然令人沉迷且使用频繁，但人们在内容消耗后通常几周就会流失。- ~2 y- s) h. f; y& |) K9 a
先天与后天因素之所以重要，是因为它揭示了许多新产品根本难以突围的现实。如果你开发的是社交类旅行应用，但人们实际出行频率本就不高，那么打造一款以好友互动为核心使命的产品将会举步维艰。更明智的做法是接受其低频使用的属性，通过掌控交易环节提升变现能力，或是像Yelp那样融合餐厅与夜生活等高频使用场景，同时保留旅行功能。逆势而为实在艰难，我们能做的非常有限。) @) z+ h; T1 z7 s% P+ a
正因如此，若想打造留存率极高、使用频次超高的应用，很可能需要选择那些已被用户视为日常核心产品的领域进行开发。这意味着成功应用大概率会抢占其他日常产品的使用时间，就像我频繁使用ChatGPT后，谷歌搜索次数大幅减少；当我开始用Substack读写博客时，就逐渐弃用了其他各类社交新闻软件。 ! K% e/ A" F2 D0 R, K1 J* U+ K% l/ t- q8 U3 `
用户规模扩张时，留存率往往不升反降。即便幸运地打造出高留存产品，人们常会惯性推演，将现有用户的行为模式、变现能力与使用习惯直接套用到更广阔市场，认为只要将若干良好小数据与核心大数据相乘，自然能得出极其亮眼的宏观结果。但现实往往是：随着用户基数增长，问题开始显现。譬如当你开始拓展安卓用户与国际市场，通过付费营销等渠道获取更多客户时，很快就会发现在所有关键指标上都出现下滑。2 N( T2 T1 U' p2 O4 J6 N
* a' h+ o" f9 \% `# J* l原因是优质用户往往较早出现。那些最具变现潜力、意愿最强烈、数字化程度最高、网络行为最活跃的用户群体，通常会在产品初期就通过朋友推荐开始使用。随着后期从其他渠道获取新用户，产品可能并不那么符合他们的需求。比如你为西方国家的大学生开发了一款iPhone应用，当拓展至新兴市场的安卓用户时，由于功能设置不完全适配，各项指标自然会下滑。虽然后期可以持续优化改善，但我可以向你保证，效果永远不可能与早期用户群体相提并论。8 G$ B o! l, y5 B