留存自动分析

核心原则

1. 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
2. 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
3. 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

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

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"
  
  # 整体留存
  overall:
    # 关键留存节点
    d1: 45.2  # 次日留存 45.2%
    d7: 28.5  # 7日留存 28.5%
    d30: 18.3  # 30日留存 18.3%
    
    # 曲线形态分析
    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"
    
    # 历史对比
    vs_last_period:
      d1_change: +2.1
      d7_change: +1.5
      d30_change: +0.8
      trend: "improving"
  
  # Cohort趋势
  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候选
  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
  
  # 流失风险
  churn_risk:
    # 风险分布
    distribution:
      high_risk: 12500  # 高风险用户数
      medium_risk: 35000
      low_risk: 85000
      healthy: 180000
    
    high_risk_count: 12500
    high_risk_rate: 4.8
    
    # 流失前兆行为
    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"
  
  # 详细数据链接
  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

# 时间Cohort分析
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

# 渠道Cohort分析
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

# 流失预警配置
churn_prediction:
  # 流失定义
  churn_definition:
    inactive_days: 7  # 连续7天未使用定义为流失
  
  # 预警信号
  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"
  
  # 干预策略
  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

上游变更响应

当上游输入发生变更时，本Skill的响应策略：

当留存分析自身变更时，对下游的通知机制：

决策规则

质量检查

• [ ] 留存计算基于全量用户而非抽样
• [ ] Cohort分析覆盖时间、渠道、行为三个维度
• [ ] Aha Moment候选通过显著性检验
• [ ] 流失预警模型准确率>70%

降级策略

上游文件缺失降级方案

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