爱新觉罗米

近期在做直播产品的过程中，我和用研尝试利用Aha Moment走查的方法来摸索影响产品留存的因素，并针对这些因素做了一些优化设计，进行了一次比较完整的实践。

Aha Moment（多译为“顿悟时刻”）这是一个心理学概念，由德国心理学家卡尔·布勒在约100多年前首创。他对这个表达的定义是“思考过程中一种特殊的、愉悦的体验，期间会突然对之前不明朗的某个局面产生深入的认识”。现在，我们多用Aha Moment来表示问题的解决方案突然明朗化的时刻。

在产品设计中的Aha Moment是指新用户在体验产品初期发现产品价值的时刻，一旦新用户找到了产品的Aha Moment，那么就更有可能留存下来。

一个新用户下载使用产品的早期（1~3天）体验决定了产品的整体留存水平。

如果在新用户初次体验的过程中，能够让用户发现产品核心价值，产生Aha Moment的瞬间体验，那么就可以使这部分新用户转化为留存用户，有效的提升产品留存率。

不同的产品拥有不同的Aha Moment时刻，进而需要通过不同的设计策略来帮助用户达成这一体验。以twitter为例：

twitter带给用户核心的价值是发现人和内容，浏览feed信息流，查看最新的动态消息。因此关注其他用户的行为是对留存最大的影响因素。而twitter在新手引导流程中，强制新用户关注10位用户，也是为这一核心价值服务的。因为只有把用户尽快导向核心的功能——动态信息流，才可以使用户在接下来的步骤中体验到twitter的核心价值，进而Aha Moment才有可能产生。

从其他各类产品中，也可以总结出Aha Moment与产品新手体验策略之间的对应关系：

从定位走查产品的Aha Moment，到完成优化设计，整个过程可以归纳为四个步骤：

我们在直播产品中的尝试也经历了这样四个步骤：

 1.提出假设

直播属于内容型产品，按照内容创造者和消费者两大群体，分为主播和观众两类用户，分别列举出首次体验中可能影响留存的因素。

其中观众的基数远远超过主播，提升这部分用户留存可以更直接的提升整体留存，因此优先选择观众首次体验中最有可能进行的三个行为要素作为假设对象。

 2.分组验证 

超过围绕三个假设因素，抓取新用户的原始数据，经过以下步骤进行分析：

以"新用户看直播个数"为例，首先抓取观察因直播个数不同的每一位用户每一天对应的留存数据，例如下表（因数据需保密，以下所有数字为虚拟，非真实数据）：

经过剔除明显不符合规律的极端值，可以将表格数据描述为在X月X日这一天，看0个直播（没有看直播）的用户留存为30%；看1个直播的用户留存为40%；看2~4个直播的用户留存为41~42%；看5~10个直播的用户留存约为50%上下浮动...以此类推。

以上仅是一天的数据，通过观察每一天的表格，发现有一个共性规律：没看过直播的用户留存比看过1~2个直播的用户低约10%。然而这只是一个粗略的总结，需要更精确的图形化聚类分析——随机抽取10天的用户看直播个数与留存的对应关系，用曲线呈现出来如下：

每条曲线代表一天，这些曲线的共性趋势就是需要总结的规律。可以看出曲线越往后波动越大。可以总结出的是：观看一个直播的留存比没看过直播的留存有绝对的显著升高，并且看过2~3个直播的行为也与留存有较强的正相关。

而再根据表格中的用户占比，可以发现没看过直播的用户占全部用户的30%！如果使这部分用户占比降低，就可以比较有效的提升留存。由此可以确定新用户初次看一个直播内容是产品的Aha Moment之一。

根据同样的方法，走查出用户的关注人数、次日收到push个数也存在类似的"从零到一"的现象。

 3.设计优化 

围绕着走查出的三个Aha Moment要素：看至少一个内容、关注至少一个用户、次日收到至少一条push消息。从设计角度脑暴出可能的优化方案，从中筛选出可行性较高的实现：

例如，在首页通过引导动画吸引用户点击内容卡片：

 4.因果测试

通过上线不同的优化策略，再查看对应的留存变化，就可以明确每一个变动与留存之间的因果关系，进过不断的尝试优化方案，产品的整体留存有了明显的上升。这里需要注意的是，每一个版本最好仅包含其中一个变动，如果多项变动同时上线，就无法追溯是哪一种变动引起的效果了。

 反思&小结

经过尝试，发现这种方法对留存率的提升有帮助，但是也有一些弊端：这种单纯以数据为目标的尝试非常容易造成引导的过激，例如在首次体验中加入过多的、不合场景的引导，反而会破坏新用户对产品的印象，造成一种打扰。所以进行优化的过程中需要衡量体验和数据的平衡。但总而言之，留存率的提升是一个很宽泛的话题，通过这种方法至少可以使我们在考虑优化留存率时能够有据可循，逐步推导出一些答案与结论。