| name | analysis-retention |
| description | 当需要分析用户粘性和流失风险时使用。留存自动分析，AI自动执行全量留存曲线、Cohort分析、Aha Moment搜索和流失预警。关键词：留存分析、Cohort分析、Aha Moment、流失预警、用户粘性、用户回不来、留存太差、用户什么时候走的。 |
| metadata | {"module":"产品度量运营","sub-module":"数据分析","type":"pipeline","version":"2.1","domain_tags":["互联网","SaaS","通用"],"trigger_examples":["新用户7日留存只有15%，帮我分析一下","用户什么时候开始流失的","帮我找找Aha Moment"],"interaction_mode":"ai_auto"} |
留存自动分析
核心原则
- 留存是产品健康的终极指标：获客决定天花板，留存决定地板
- Aha Moment是增长的杠杆：找到"啊哈时刻"并提升到达率，比泛化优化更高效
- 预警优于召回：在用户流失前干预，远比流失后召回成本低、效果好
交互模式
🤖 AI自动执行（数据分析类）
输入
| 输入项 | 类型 | 必填 | 来源 | 说明 |
|---|
| 用户行为数据 | object | 是 | 用户提供 | 用户所有行为事件 |
| 分群定义 | object | ○ | 用户提供 | 用户分群配置 |
| Cohort配置 | object | ○ | 用户提供 | Cohort划分规则 |
| 基准日期 | string | ○ | 用户提供 | 分析基准时间 |
执行步骤
Step 1：全量留存曲线
计算标准留存曲线
├── 定义时间周期（日/周/月）
├── 计算次日/D+7/D+30留存率
├── 绘制留存曲线
└── 识别曲线形态
Step 2：留存曲线形态判断
| 曲线形态 | 特征 | 含义 |
|---|
| 微笑型 | 初期下降后回升 | 用户习惯后持续使用 |
| L型 | 初期大幅下降后平稳 | 产品仅满足一次性需求 |
| 陡降型 | 快速持续下降 | 产品粘性不足 |
| 平滑型 | 缓慢稳定下降 | 健康稳定的用户群 |
Step 3：Cohort自动分析
按Cohort（同期群）分析留存变化：
Cohort划分
├── 时间Cohort：按首次使用日期
├── 渠道Cohort：按首次来源
├── 行为Cohort：按首次行为类型
└── 价值Cohort：按首日价值
Step 4：Aha Moment自动搜索
识别"啊哈时刻"
├── 分析留存用户 vs 流失用户的早期行为差异
├── 计算各行为与留存的相关系数
├── 寻找临界点行为（如使用某功能X次）
└── 验证假设
Step 5：流失预警模型
流失风险评估
├── 定义流失用户（连续N天未使用）
├── 提取流失前的行为特征
├── 构建流失预警模型
└── 输出高风险用户列表
输出
存储路径：output/pm-metrics-ops/analysis-retention/
输出文件：retention_analysis.json
输出文件：retention_curve_{date}.png、cohort_heatmap_{date}.png、aha_moment_{date}.yaml、churn_risk_users_{date}.csv
输出Schema：
{
"type": "object",
"required": ["overall"],
"properties": {
"overall": {"type": "object", "description": "整体留存数据，包含关键节点、曲线形态和历史对比"},
"cohort_trend": {"type": "object", "description": "Cohort趋势分析，包含月度队列和洞察"},
"aha_moment_candidates": {"type": "array", "description": "Aha Moment候选列表，包含行为、留存提升和统计显著性"},
"churn_prediction": {"type": "object", "description": "流失预测，包含高风险用户列表和预警模型"},
"lifecycle_stages": {"type": "array", "description": "生命周期阶段划分"}
}
}
retention_analysis:
analysis_time: "2024-01-15T10:00:00Z"
overall:
d1: 45.2
d7: 28.5
d30: 18.3
curve_shape:
type: "smooth_decline"
description: "缓慢稳定下降，属于健康形态"
d1_to_d7_drop: -37%
d7_to_d30_drop: -36%
assessment: "healthy"
vs_last_period:
d1_change: +2.1
d7_change: +1.5
d30_change: +0.8
trend: "improving"
cohort_trend:
summary: "近3个月Cohort留存持续改善"
monthly_cohorts:
- cohort: "2023-12"
d1: 44.5
d7: 27.2
d30: 17.1
- cohort: "2023-11"
d1: 43.8
d7: 26.8
d30: 16.9
- cohort: "2023-10"
d1: 42.1
d7: 25.5
d30: 16.2
insight: "Cohort表现逐月改善，新用户质量提升"
aha_moment_candidates:
- rank: 1
behavior: "首周完成3次UGC内容发布"
retention_lift:
with_behavior: 68.5
without_behavior: 22.3
lift: +46.2
correlation: 0.82
statistical_significance: 0.001
recommendation: |
设计引导机制鼓励用户首周发布UGC内容
- rank: 2
behavior: "首日添加5个好友"
retention_lift:
with_behavior: 72.1
without_behavior: 31.5
lift: +40.6
correlation: 0.78
statistical_significance: 0.002
recommendation: |
优化好友推荐算法和添加好友流程
- rank: 3
behavior: "首周参与3次社区活动"
retention_lift:
with_behavior: 65.3
without_behavior: 25.8
lift: +39.5
correlation: 0.75
statistical_significance: 0.003
recommendation: |
优化新用户活动引导
churn_risk:
distribution:
high_risk: 12500
medium_risk: 35000
low_risk: 85000
healthy: 180000
high_risk_count: 12500
high_risk_rate: 4.8
pre_churn_behaviors:
- "连续3天未打开App"
- "互动频率下降50%"
- "核心功能使用减少"
- "反馈/投诉增加"
recommended_intervention:
high_risk:
- action: "Push召回"
trigger: "连续2天未打开"
template: "召回模板_v2"
- action: "专属优惠"
trigger: "高价值用户+连续3天未打开"
offer: "7天VIP体验"
- action: "客服回访"
trigger: "流失预警+曾有投诉"
channel: "人工电话"
medium_risk:
- action: "个性化推荐优化"
description: "调整推荐算法，增加用户感兴趣内容"
- action: "功能提醒"
description: "推送用户可能感兴趣但未使用的功能"
reports:
retention_curve: "output/pm-metrics-ops/analysis-retention/charts/retention_curve_20240114.png"
cohort_heatmap: "output/pm-metrics-ops/analysis-retention/charts/cohort_heatmap_20240114.png"
aha_analysis: "output/pm-metrics-ops/analysis-retention/data/aha_moment_20240114.yaml"
churn_users: "output/pm-metrics-ops/analysis-retention/data/churn_risk_users_20240114.csv"
Cohort分析示例
time_cohort:
table:
headers: ["Cohort", "用户数", "D1", "D7", "D30"]
rows:
- ["2024-01", 50000, 46.2, 29.5, 19.2]
- ["2023-12", 48000, 45.8, 28.8, 18.5]
- ["2023-11", 45000, 44.5, 27.5, 17.2]
insight: |
Cohort D30留存从17.2%提升到19.2%，
同比增长11.6%，主要归因于Aha Moment优化
channel_cohort:
organic:
d30: 22.5
quality: "high"
paid:
d30: 15.2
quality: "medium"
referral:
d30: 28.3
quality: "excellent"
Aha Moment发现逻辑
Step 1: 数据准备
├── 提取新用户首N天的行为
├── 标记留存用户和流失用户
└── 行为数据标准化
Step 2: 特征分析
├── 计算各行为的留存提升
├── 寻找最优阈值（触发X次效果最佳）
├── 相关性分析
└── 显著性检验
Step 3: 验证
├── 分组验证（有无该行为的留存对比）
├── 时间窗口验证（不同周期的Aha）
└── 用户分群验证（是否适用于所有用户）
流失预警配置
churn_prediction:
churn_definition:
inactive_days: 7
early_signals:
- days: 2
signals:
- "未打开App"
- "推送未点击"
- days: 4
signals:
- "核心功能使用 < 30%"
- "DAU/MAU 下降 > 50%"
- days: 6
signals:
- "几乎所有功能使用归零"
- "明显的流失意图行为"
interventions:
high_value:
push_content: "个性化召回"
offer: "专属优惠/权益"
escalation: "人工客服"
medium_value:
push_content: "内容推荐"
offer: "功能引导"
low_value:
push_content: "通用召回"
执行频率
- 每日留存计算：每日8:00更新
- Cohort周报：每周一生成周度Cohort报告
- Aha Moment复盘：每月重新分析
- 流失预警：实时计算
输出校验规则
| 字段路径 | 类型 | 必填 | 说明 |
|---|
| retention_analysis | object | 是 | 留存分析根对象 |
| retention_analysis.overall | object | 是 | 整体留存数据 |
| retention_analysis.overall.d1 | number | 是 | 次日留存率 |
| retention_analysis.overall.d7 | number | 是 | 7日留存率 |
| retention_analysis.overall.d30 | number | 是 | 30日留存率 |
| retention_analysis.overall.curve_shape | object | 是 | 曲线形态分析 |
| retention_analysis.overall.curve_shape.type | string | 是 | 形态类型，枚举值：smile/L/steep_decline/smooth |
| retention_analysis.cohort_trend | object | 是 | Cohort趋势分析 |
| retention_analysis.aha_moment_candidates | array | 是 | Aha Moment候选列表，至少1个 |
| retention_analysis.aha_moment_candidates[].rank | number | 是 | 排名 |
| retention_analysis.aha_moment_candidates[].behavior | string | 是 | 行为描述 |
| retention_analysis.aha_moment_candidates[].retention_lift | object | 是 | 留存提升数据 |
| retention_analysis.aha_moment_candidates[].correlation | number | 是 | 相关系数 |
| retention_analysis.churn_risk | object | 是 | 流失风险分析 |
| retention_analysis.churn_risk.high_risk_count | number | 是 | 高风险用户数 |
| retention_analysis.churn_risk.high_risk_rate | number | 是 | 高风险用户占比 |
上游变更响应
当上游输入发生变更时，本Skill的响应策略：
| 上游变更 | 影响范围 | 响应策略 |
|---|
| 用户行为数据更新 | 留存曲线和Cohort | 重新计算留存曲线，更新Cohort分析 |
| 分群定义变更 | Cohort维度 | 更新分群配置，重新执行Cohort分析 |
| 流失定义变更 | 流失预警模型 | 重新构建流失预警模型，更新高风险用户列表 |
| 基准日期变更 | 留存计算基准 | 重新计算留存数据，更新趋势判断 |
当留存分析自身变更时，对下游的通知机制：
| 分析变更类型 | 通知范围 | 通知方式 |
|---|
| D7留存下降>5% | decision-dace | 标记告警，触发洞察转化 |
| Aha Moment候选变更 | data-analysis-report | 标记候选变更，触发报告更新 |
| 流失风险等级变更 | decision-dace | 标记风险变更，触发DACE Analyze |
决策规则
| 情况 | 处理方式 |
|---|
| D7留存下降>5% | 触发流失预警，推送告警 |
| 留存曲线呈陡降型 | 标记产品粘性不足，建议Aha优化 |
| Aha Moment到达率<20% | 建议优化Onboarding引导 |
| 高风险流失用户>5% | 触发干预策略推荐 |
质量检查
降级策略
上游文件缺失降级方案
| 缺失范围 | 降级方案 | 输出影响 |
|---|
| 用户行为数据缺失 | 用户提供留存数据 → 直接分析 | 无法进行Aha Moment搜索和Cohort下钻 |
| 分群定义缺失 | 对全量用户进行分析，不区分分群 | 无法进行分群对比分析 |
| 用户行为数据 + 分群定义均缺失 | 用户提供留存数据 → 直接分析 | 输出基础留存分析，Cohort和Aha Moment标注"待补充" |
数据获取说明
当上游文件缺失时，需用户提供以下信息以支撑降级生成：
- 留存数据：各周期（D1/D7/D30等）的留存率数据
- Cohort数据（可选）：按时间分组的留存率矩阵
- 关键行为列表（可选）：可能与留存相关的用户行为
关键指标
| 指标 | 说明 | 健康标准 |
|---|
| 次日留存率 | D1留存 | > 40% 优秀 |
| 7日留存率 | D7留存 | > 25% 良好 |
| 30日留存率 | D30留存 | > 15% 可接受 |
| 留存曲线形态 | 曲线趋势 | 微笑型/平滑型 |
| Cohort改善率 | Cohort D30变化 | > 0% 表示改善 |
| 流失预警准确率 | 预测准确度 | > 70% 可用 |
