上篇文章 留存分析從入門到進階 中我們介紹了兩種不同的留存定義，以及各自適用的行爲和分析場景。同時還基於模塊中的一些小功能講述瞭如何做進階版的分析，最後對正確使用分組查看的方法進行了說明。
對於非常熟悉用戶運營&留存分析功能的人員，以上的內容對於你來說，一定都是慣用的分析手段。但除了這些分析場景外，同學們一定還有很多目前留存分析不能滿足的訴求，是否有替代的辦法呢？
答案是，通過打出用戶分羣、事件分析和預警分析組合拳，就能夠滿足極大多數分析場景！
（備註：本文中涉及的數據均爲 demo 環境下模擬的虛擬數據）
-
我們現在來思考這樣一個問題：
對於那些已經流失的用戶，我們雖然有可能通過各種召回方式將他拉回產品內，但是需要成本。
而對於那些留下來的用戶，如果促使他留下來的因素一旦消失了，他一定會極大概率流失。對這部分用戶我們是能夠做到事前避免，事後預警，且運營成本也不高。
這類問題在直播行業、垂直領域產品經常性發生，例如在直播行業中，如果某個直播間的內容改變了，習慣去看這類內容的受衆一定去尋找替代品，若短期內在產品內尋找不到，流失是必然的。
本期我們以直播產品爲例，通過打出用戶分羣、事件分析和預警分析組合拳，來實現這類問題的事前預警和事後分析。
直播產品案例
1. 基準時間：
3 月 15 日
2. 本次訴求：
找出過去十五天至過去五天（3 月 1 日起，3 月 10 日止），這十天內進入直播間次數超過 7 天，但是在過去五天內（3 月 10 起，3 月 15 日止），再也不進入直播間的用戶，分析這批覈心用戶沉默的人數、比例、促使他最初留下的因素，未來的此類事情再次發生的提前預警。
3. 使用方法：
用戶分羣、事件分析、預警管理
▼
首先我們通過用戶分羣圈選出這部分曾經留存的核心用戶，將其保存爲“曾經留存”用戶分羣，具體的配置如下：
其次我們根據訴求，圈選出這部分曾經留存目前沉默的核心用戶，將其保存爲“曾經留存目前沉默”用戶分羣，具體的配置如下：
用戶分羣配置完畢後，我們進入事件分析，選擇自定義指標，計算出這羣用戶的人數、比例，具體的配置如下：
我們發現，核心人羣每天大概 5 千到 6 千，流失的人數每天小於 50，流失比率小於 5%。
爲了避免流失人數和流失比率出現大幅增加，我們可以通過預警功能來實現對此用戶羣體的時刻監控。具體的配置內容如下：
配置完成後，若流失比率高於 5%，將自動發送預警郵件，提醒運營同學防止事態惡化。
在設置完事前預警後，我們仍應分析促使這羣用戶留存的原因與流失的原因，具體的分析方式，通過事件分析，按“直播間名稱”或“直播間標籤”分組查看即可。
知道了具體的流失直播間名稱，再結合業務上的一些策略變動，我們就可以制定一系列的響應措施。
例如圖中我們發現“元芳你怎麼看”“火影忍者”等直播間流失人數較高，這可能是由於版權的因素導致的流失，而“華山論劍職業聯賽”則是因爲賽事結束的因素，用戶不再進入直播間，不同類型的原因制定的策略自然也就不同。
總結
本文嘗試回答了當有限的留存分析功能不能滿足訴求時，是否有替代的辦法這個問題。
我們可以通過用戶分羣和事件分析得以實現自定義的留存人數、流失比率的計算。
同時，神策分析提供了預警功能，通過設定流失預警線，在流失高於日常規律時，發送相應的預警郵件方式，實現風險的事前控制。
最後，通過事件分析的分組查看功能，我們能夠分析出導致流失的可能性因素，從而更加精準的制定運營策略。
■ 作者 ■
盼家只是在反思
神策數據分析師
*作者原創聲明，轉載請註明出處
▼▼▼
【更多幹貨】