标题: a16z致创业者：与其拯救低留存率，不如直接转型（转） [打印本页] 作者: mattf 时间: 2025-9-11 21:10 标题: a16z致创业者：与其拯救低留存率，不如直接转型（转） 我盯着留存曲线数据已经超过15年了。' C. @; k! ~3 j# m
1 X: I$ s- p1 `: [我见过成千上万条留存曲线，这也是我评估创业公司时最先要求查看的指标之一。我翻阅过数千个资料库，分析过按不同细分维度拆解的留存曲线。作为产品构建者，我也从另一视角观察过这个指标。我曾运行数百次A/B测试，起草过无数版本的用户引导指南和通知邮件，试图改变留存曲线的形态。 / T" |& @1 f6 X* ?4 E* G8 m0 A ! b* @6 e# ~! g1 h1 \$ ]; C【A/B测试（也称为拆分测试或桶测试）是一种用于比较一个产品的两个版本（A版本和B版本）的随机实验方法。其核心目的是通过收集数据、分析用户行为，来确定哪个版本在实现预定目标方面表现更优。】" ~2 h c% j8 q) w
" T4 E1 z5 Y, B$ I1 y0 o: |" u) W
从结果来看，这里存在一些规律。 7 z8 }& n- f4 {. r* d2 x 2 c$ |! A/ X- C+ a( f- b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： , j1 n$ X4 h, Z" g0 p' N) Q5 u3 |- E: ?1 z3 z
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。 & W& {7 J4 A' V. q5 L& o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。: C% S2 A% E1 v2 B' J# B5 {
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！ % z# y1 [) j6 M7 ]2 f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。 + n1 w3 e7 Y4 O4 O1 S& n( O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。 ( N$ C8 b+ m% m, a K& T( m% q W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。 % q) t- v: P+ a; a, x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。; p3 K- D, _& L3 g) p g" H& d
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。 8 P' b1 [, K8 f4 i# {6 Q0 D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。 ; k, J. L5 l n$ p8 `我们将逐一剖析这些要点。" ]0 d- E- X: z: @9 |) B Z" S* O
) o# G% A$ N) n5 T
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？7 \+ [7 D8 E! {5 [6 H! l x
. S: O$ K2 j9 }) I- `( p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。 ( a' h; Q! K" e2 h) p$ G# P8 I* y1 L9 [7 \% Z. G
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。" r }1 @. b4 S% ?: \
F' n& j. h q( ?, {0 Q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。 % l0 W4 d& n& l$ M1 V: K9 z/ X0 Q: O# g" B
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。 * c! B- j* y( w' h, b+ E% _# h5 ~( g
这条规律中有一些值得注意的例外情况需要特别指出： + P# g0 k& I, H. u# m; p! Y) j p. @
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。 " p8 Y; G: O+ P) |1 F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。6 ?6 n# k( V9 Q
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。 4 g2 a& F# S) ^9 U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。% @" z/ k- m' t. z1 ?9 X: c8 t
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。 ; X0 b" V7 T5 ~6 K$ z. f! d6 P- o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。 0 @3 z" i; Q0 X6 a9 b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。 & N3 E1 g6 Z7 z2 d" Y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。 . \9 Q( ^' _# s+ K : ~5 I1 Y' g0 U4 N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 k. l- ^( U! Y) O6 i: S! z8 S+ C A# @* O
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。 & Z& y; M6 T4 F6 z, c3 g) w% }: e+ K6 a, J! X; x( }
那么，问题来了：随着用户增长，用户质量逐渐下降，他们是否仍然具有价值？产品能否持续盈利？更重要的是，能否留住早期入驻的核心高价值用户群体？ % p: C/ R3 Y( o* `& p$ L% U' J7 }+ B
难怪这些早期用户常被称为"黄金群体"。 + ^# U( F6 z5 S2 P4 q- m+ P3 K. S' _: ?8 ?& z
用户流失具有不对称性。流失用户极其容易，事实上，大多数产品在最初30天内就会流失90%甚至更多的用户。与此同时，想要赢回已经流失的用户又极其困难。这种获取与流失之间的不对称性正是用户流失的核心特征。实际情况往往糟糕到这种程度：与其试图挽回老用户，不如直接获取新用户来得更容易。: B/ I) b4 [$ q; f. J+ H. h/ @! D
! }; F0 X( F. G正因如此，试图通过发送折扣或优惠来唤醒休眠用户的生命周期营销往往成本高昂且收效甚微。相比之下更有效的方式是：让现有活跃用户通过产品的自然使用场景来唤醒休眠用户。例如当某位职场人士试用新项目管理工具后未能坚持使用，此时向其邮箱发送轰炸提醒邮件很可能无法挽回用户。更有效的做法是让其同事邀请该用户重回工具参与新项目，这才是行之有效的方式。但话说回来，这种策略实施难度极大且异常复杂，通常只有具备网络效应（即共享与协作功能）的产品才能采用。 2 e+ e9 T3 W( B) D! Z* e; _2 G( c. \$ i
留存率非常棘手，很难衡量。当人们谈论留存率时，往往倾向于衡量第一天、第一周和第一个月的情况，却很少讨论两年后会发生什么。这是因为在进行产品开发时，团队需要一个足够短的时间跨度和易于衡量的指标，以便据此做出决策。因此，尽管年度用户流失率或长期盈利变现能力极其重要，人们往往不会去衡量这些，而是专注于眼前容易测量的指标。然而，这种方法存在很多问题。 * G7 a% r9 i$ M0 m/ C4 L 1 d: L H) M. T a9 B不幸的是，许多产品品类都会受到强烈的季节性波动影响。电商、旅游、健康服务或在线约会等领域都是典型例子。即便是企业使用商业软件的方式也存在周期性变化。季节性因素会干扰判断，你可能发现月度或季度数据下滑，但这究竟是因为新推出的功能不受欢迎？还是用户在本季度的行为模式本就不同？当留存数据严重滞后时，确实难以进行有效评估。0 j) W4 _ [- q, R- V( u( V+ Q* R8 c