1、留存分析概述
留存分析是一种用来衡量用户参与情况、活跃程度的分析模型，对进行初始行为后的用户进行观察，有多少人会进行后续行为。是衡量产品对用户价值高低的重要指标。
留存分析可以帮助回答以下问题：
● 一个新用户在未来的一段时间内是否完成了您期许用户完成的行为？如上传视频
● 某个社交产品新增了一种3D互动特效，期待改善用户之间的互动的频次，如何验证？
● 想判断某项产品改动是否奏效，如新增了一个推荐可能认识的好友功能，观察是否有人因快速找到好友，与好友在产品中形成互动而多使用产品几个月？
2、选择数据来源
在数据来源下拉框选择需要分析的数据集以及用户ID标识。默认以uin作为用户ID的标识。
3、择初始行为及后续行为
初始行为：首先被触发的事件，用于筛选留存分析的原始人数。
后续行为：触发初始行为的人，在当天或以后一段时间要触发的事件。
初始行为和后续行为的两种选择策略：
1）初始行为和后续行为选择不同的。初始行为选择正常使用周期内，只触发一次的事件，比如“注册”、“登录”等，后续行为选择核心路径中，被用户重复触发的事件，比如“视频点赞”、“上传视频”等。这种留存分析也是最常用的，用于对比分析不同阶段开始使用产品的新用户的参与情况，从而评估产品迭代或运营策略调整的得失。
2）初始行为和后续行为选择相同的，期待用户重复触发的事件。这种留存用于分析忠实用户的使用模式。
4、添加过滤条件
系统支持对初始行为或后续行为添加过滤条件（事件的细分维度）。比如，我们想分析广东地区的用户的留存情况，那么可以定义初始行为是“浏览页面”，同时添加筛选条件“省份匹配广东”，后续行为是也是“浏览页面”，即可满足分析需求。
5、留存观察粒度及自定义观察日期
设置用于观察留存率的时间粒度，支持天、周、月，可以根据业务需求分析出日留存、周留存、月留存。
支持自定义选择N日/周/月观察日期，进行留存分析。
天粒度数据最多支持30个观察日期
周粒度数据最多支持8个观察日期
月粒度数据最多支持6个观察日期
第x天定义：指后续行为的触发时间距离初始行为的触发时间的天数。
6、指标选择
支持结果按留存率、留存值、流失率或流失值呈现。
假设触发初始行为的人群为A，四个指标的定义如下：
【留存率】A中触发了后续行为的人数/A的人数
【留存值】A中触发了后续行为的人数
【流失率】A中未触发后续行为的人数/ A的人数
【流失值】A中未触发后续行为的人数
7、设置图表的细分维度
系统支持业务根据用户细分维度、用户人群来绘制留存图表，增加图表洞察维度。比如可根据省份维度，来查看各省份注册用户，完成订单支付的留存情况。
8、分析图表及时间区间
系统默认通过曲线图的方式来呈现留存情况，展示留存趋势变化。
当选择了属性细分，则展示第X天的留存趋势变化。
9、留存表格
提供另一种更全局的留存视图，后期在添加看板时，也可选择添加图表还是表格。
留存表格默认按照初始行为日期分组。每行的第一列代表了初始行为“日期/日期区间”（根据选择的观察粒度来划分）；第二列是在该“日期/日期区间”触发了初始行为的总人数（独立用户数）；后面各列，分别是在相应时间后，触发后续行为的用户数占初始行为人数的百分比。
10、人群包导出
支持导出任意时间段的留存用户作为人群包，实现针对留存用户进行更进一步的探索分析。
11、留存分析的计算说明
留存分析中展示的数字代表独立用户数。表示在选定时间范围内进行了初始行为的用户，有多少人在随后的第n天/周/月进行了后续行为。
假设定义的初始行为是A事件，后续行为是B事件。留存观察粒度设置为：天；图表时间选择相对时间，最近7天；假设今天是2019年5月1日，那么，时间段为2019年5月1日到2019年5月8日，注意这个时间范围是事件A发生的时间范围，事件B发生的时间范围是2019年5月1日到5月15日（5月8日加上7天）。
12、另存为结果表
此联动功能将在同时采购了企点增强分析（AA） 产品的条件下开启。
支持每日自动根据配置的模型信息计算出结果数据，并将数据同步至增强分析（AA）产品可查询的普通表数据集中。配置过程如下：
1. 有结果数据且已保存的分析模型，可在右上角更多中启用此功能。
2. 在模型结果环节，在此确认查询口径以及下方的结果表数据预览。留存率将从百分数格式改为四位小数格式（超出部分四舍五入）。
3. 点击下一步，确认表结构（字段）配置信息，对于从已保存的模型中生成的结果表，系统将自动读取模型中配置的字段别名作为字段显示名，并读取默认字段类型。如果此环节系统赋予的字段类型不符合您后续的分析诉求（尤其是时间维度），请在此环节进行更改。
4. 点击下一步，进入最终的信息与更新设置环节。基础信息中，数据集名称代表了未来在数据管家中列表页查看到的名称，数据表名称则代表了未来使用 SQL 查询这张结果表时的唯一表名。
更新设置中，手动更新代表仅希望将当前的数据同步至数据集中，后续无需更新。而周期性更新则代表希望系统在设置的频率下自动查询最新的数据，例如每天、每周或每月。频率中的具体执行时间推荐凌晨01:00-07:00，避免挤占日常分析、查询、使用产品的计算资源。
更新有效期：默认为180天，即产品将在180后自动停止更新。可修改为7天-永久的有效期，除长期、确定的核心指标内容，建议最长使用365天的有效期，以避免大量历史任务积累，影响平台性能。
数据覆盖策略：周期性更新任务将有多次更新，因此涉及多次更新中『同一维度的同一指标结果值不同』的场景，需要指定更新策略。比如模型配置为每次查询最近7日数据，经过100天后，第101日将查询到94-100日这七天的数据。除了100日的数据是本次新增的，94-99这六天都已经有了历史数据。如覆盖策略配置为『覆盖相同维度数据』，则最终结果为第100天数据新增，94-99日数据更新为最新查询到的结果，1-93日数据保持不变。
如果设置为『替换全部数据』，则1-99日的历史数据全部都会被删除，再使用最新查询到的94-100日这七天的数据替换新增，最终只有库中只会有这7天的数据。
如果设置『仅新增数据』，则不会将新增数据与历史数据进行比对，总是将新数据进行插入，可能出现重复数据。
如果担心覆盖策略较为复杂，影响同步结果。建议模型配置时将时间设置的范围与更新频率保持完全一致，例如每日更新的数据，模型里查询的数据时间范围只查询最近1天，这样将不存在维度数据重合的问题，数据覆盖策略选择覆盖相同维度或仅新增数据均可。
5. 在增强分析（AA） 系统进行可视化组件配置时，选择数据集时搜索自己设置的数据集名称，即可使用这张结果表。
