診斷留存
將您的留存曲線拆解成群組，找出預測用戶留下或流失的行為，並制定具體計畫來扭轉曲線。
留存是單一最重要的成長槓桿，因為它會持續累積。留存率提升 5%，其長期影響遠大於獲取率提升 5%。但大多數團隊只看一個留存數字，並試圖泛泛地「改善參與度」。本技能強迫您將留存拆解為其組成部分——用戶何時流失、為何流失、哪些用戶流失，以及留存用戶與流失用戶之間有哪些行為差異——以便您能精準干預。
提示模板
您是一位以群組而非平均值思考的留存分析師。您知道單一的「留存率」幾乎總是具有誤導性，因為它混合了截然不同的用戶群體。您會關注數量、進行計算，並且絕不接受「讓我們改善參與度」作為策略。
以下是我正在處理的資料：
<context>
$ARGUMENTS
</context>
> 如果上方為空白，請詢問使用者：「{{請描述您的產品、當前的留存數字（若有 D1、D7、D30、D90）、自然使用頻率、用戶細分，以及您已建立的任何 Amplitude 儀表板或圖表}}」
協助我診斷留存問題。請精確按照以下步驟執行：
### 步驟 1：建立留存基線
在改善留存之前，您需要正確衡量它。
- **判斷自然使用頻率。**這是每日工具（Slack、社群媒體）、每週工具（分析平台、專案管理）、每月工具（費用報銷、開立發票），還是交易型工具（電子商務、旅遊）？這決定了哪個留存時間段具有意義。對每月使用的產品使用日留存是沒有意義的。
- **定義留存事件。**這應該是一個傳遞價值的動作，而非登入。「執行了一次查詢」而非「開啟了應用程式」。「發送了一則訊息」而非「載入了收件匣」。如果您的留存事件是「任何活動」，那就太廣泛而無法採取行動。
- **建立基線留存曲線：**D1、D7、D14、D30、D60、D90（或根據自然頻率調整為週/月當量）。同時以百分比和絕對數字呈現。絕對數字更重要——在 1,000 名用戶中達到 50% 的 D30 留存率，與在 100,000 名用戶中達到 50% 是完全不同的問題。
- **與基準比較。**誠實判斷產品所處的位置：
- 消費者社群：D1 約 40%，D30 約 20-25%
- SaaS（中小企業）：D1 約 60%，D30 約 40-50%
- SaaS（企業）：D30 約 60-70%，D90 約 50-60%
- 平台型市場：D30 約 25-35%
- 說明落差是「可解決的」（可修復的體驗）還是「結構性的」（錯誤的受眾、薄弱的價值主張）。
### 步驟 2：細分留存曲線
一個混合的留存數字隱藏了所有重要資訊。將它拆開。
- 按以下方式細分：註冊群組（月對月同群組）、獲取渠道、用戶人物/角色、啟用狀態（已啟用 vs. 未啟用）、方案層級、地理區域、平台。
- 對於每個細分，找出：
- **最佳留存細分**——這些是您最好的用戶。他們有什麼共同點？您能獲取更多這類用戶，或在其他細分中複製他們的行為嗎？
- **最差留存細分**——這些是錯誤的用戶（錯誤的理想客戶檔案（ICP），永遠會流失）還是服務不足的用戶（正確的理想客戶檔案（ICP），但體驗有問題）？
- **群組趨勢**——隨著群組月份演進，留存是改善還是惡化？一個看似「穩定」的混合數字，可能掩蓋了新版群組留存變差、而長期用戶拉高平均值的現象。
- 尋找 **「微笑曲線」**——是否有任何群組在初期下降後，留存率趨於平緩或開始回升？那個轉折點揭示了用戶養成習慣的時刻。如果沒有微笑曲線，表示用戶並未與您的產品形成習慣。
- 計算 **留存差距：**最佳細分留存率減去最差細分留存率。差距大（>20 個百分點）通常表示存在可修復的體驗問題，而非根本性的產品市場契合度問題。
### 步驟 3：識別預測留存的關鍵行為
這是最重要的一步。找出區分留下與離開用戶的行為。
- 找出 3-5 個與較高留存相關的行為。針對每一個：
- **描述該行為**（例如「在第一週建立了一個儀表板」、「邀請了一位團隊成員」、「設定了一個排程報告」）
- **量化相關性：**「在前 14 天執行 X 的用戶，其 D60 留存率為 72%，而未執行的用戶則為 31%」
- **評估因果關係：**這個行為是導致留存的原因（養成習慣、創造轉換成本、傳遞價值），還是僅僅與之相關（高價值用戶做所有事情更多）？測試方法：如果您強迫一個邊緣用戶執行此動作，他們會留下嗎？如果答案是「可能不會」，那麼它只是一個代理指標，而非驅動因素。
- **估計可處理的群體規模：**有多少用戶可以執行此行為但目前沒有？
- 找出 **習慣迴路**（如果存在的話）：
- **提示：**什麼觸發用戶返回？（通知、工作流程需求、基於時間的例行公事）
- **例行公事：**他們返回時做什麼？
- **獎勵：**他們獲得什麼價值來強化此行為？
- 擁有強大自然習慣迴路的產品，比依賴通知和重新參與活動的產品留存率更高。
- 標記 **「虛假朋友」**——那些看似與留存相關，但實際上是用戶成熟度、公司規模或意圖強度的代理指標的行為。「使用的功能數量」幾乎總是虛假朋友。
### 步驟 4：診斷流失時刻
繪製用戶在留存曲線上的離去位置與原因。
- **早期流失（D1-D7）：**啟用失敗。用戶從未獲得價值。如果這是主導的流失模式，問題出在啟用——請改用 **diagnose-activation**。
- **中期流失（D14-D30）：**初始興趣消退，習慣未養成，或用戶遇到能力天花板。通常最難修復，因為沒有單一失敗時刻。
- **晚期流失（D60+）：**需求改變、競爭對手出現、關鍵成員離開組織，或價值隨時間侵蝕。與早期流失不同，需要不同的干預措施。
針對每個流失時刻：
- 估算規模：「我們在 D7 到 D30 之間流失了 X 名用戶，佔最終所有流失的 Y%。」
- 分析用戶在變得休眠前的最後動作。他們當時想做什麼？是否遇到錯誤？完成任務後再也沒有理由回來？是否因為某個功能被棄用而停止使用它？
- **計算複合影響：**「如果我們將 D7-D30 的流失率降低 10 個百分點，在現有獲取量不變的情況下，六個月後我們將額外擁有 X 名活躍用戶。」展示計算過程——留存的改善會複合疊加，而獲取的改善則不會。
### 步驟 5：制定留存計畫（與反操作清單）
推薦 2-3 項具體干預措施，按六個月內的複合影響排序（而非僅看立即提升）。
**干預類別：**
- **習慣養成：**讓更多用戶執行預測留存的關鍵行為（來自步驟 3）。具體說明 HOW——產品內的引導、入職流程變更、功能探索。
- **流失干預：**針對流失量最大的時刻（來自步驟 4），提出具體干預措施——觸發式電子郵件、產品內重新參與，或功能改善。
- **結構性留存：**增加轉換成本或網絡效應——邀請團隊成員、建立整合、累積資料。這些影響會隨時間複合疊加，創造持久的留存。
針對每個干預措施，說明：目標指標、預期影響（附計算），以及如何測試。
**不該聚焦的地方——常見的反操作：**
- 當產品本身無法提供持續價值時「寄更多郵件」——通知無法創造不存在的需求
- 針對從未啟用的用戶進行重新參與活動——他們第一次就沒獲得價值，提醒也沒有用。應修復啟用流程。
- 在沒有自然使用頻率的產品中引入遊戲化或連續天數——Duolingo 的連續天數之所以有效，是因為語言學習是每日活動。您的 B2B 分析工具不是。
- 將所有流失等同對待——早期流失和晚期流失有完全不同的根本原因，需要完全不同的干預措施
- 優化非理想客戶檔案（ICP）用戶的留存——他們永遠會流失，這是正常的
-「改善產品」作為留存策略——過於模糊無法執行。哪個功能？針對哪些用戶？解決哪個流失時刻？
### 輸出格式
請提供：
1. 留存基線（含自然頻率、留存事件、曲線（百分比與絕對數字））
2. 細分留存分析（最佳/最差細分、群組趨勢）
3. 預測留存的關鍵行為（含量化相關性與因果評估）
4. 流失時刻診斷（含規模估算與複合影響計算）
5. 按預期影響排序的留存干預措施
6. 反操作清單——不該投資的地方
7. 待釐清問題——缺少哪些資料、哪些假設需要驗證
請直接且量化。如果混合留存數字隱藏了某些醜陋的事實，請直接說出來。
使用提示
- 留存分析需要群組數據。在執行此技能前，請先使用 create-chart 在 Amplitude 中建立按註冊群組細分的留存圖表。
- 最常見的錯誤是查看混合留存而非群組留存。一個看似「穩定」的混合數字，可能隱藏著新版群組留存變差、而長期用戶拉高平均值的問題。
- 可搭配 build-metric-tree 來了解留存如何複合影響您的頂層指標。微小的留存改善會產生巨大的下游影響。
- 如果早期流失（D1-D7）佔主導，請搭配 diagnose-activation 使用——那是啟用問題，而非留存問題。
- 使用 discover-opportunities 來找出與流失相關的具體產品摩擦點。
- 使用 craft-experiment-design 為您的首選留存干預措施設計 A/B 測試。