K8凯发(中国)天生赢家·一触即发

电商平台如何识别“薅羊毛”用户? 用户行为分析之留存分析
栏目:k8凯发集团 发布时间:2026-09-22
 用户行为分析是市场数据分析的一个很重要的模块,“客户留存率”指标想必大家也不陌生,那么应该留存分析应该如何进行分析呢?  留存的计算逻辑本身并不复杂。但是当接到分析留存率的任务时,往往会无从下手。  作者给出了三个建议:区分新老用户看留存、从不同渠道看留存、看关键功能的留存情况。最后给出了一个“电商平台薅羊毛用户排查”的案例,相信会因此有更深的理解。  笔者在之前的文章里介绍了漏斗分析、归因分

  用户行为分析是市场数据分析的一个很重要的模块,“客户留存率”指标想必大家也不陌生,那么应该留存分析应该如何进行分析呢?

  留存的计算逻辑本身并不复杂。但是当接到分析留存率的任务时,往往会无从下手。

  作者给出了三个建议:区分新老用户看留存、从不同渠道看留存、看关键功能的留存情况。最后给出了一个“电商平台薅羊毛用户排查”的案例,相信会因此有更深的理解。

  笔者在之前的文章里介绍了漏斗分析、归因分析的应用,收到了一些读者的反馈。

  借此机会,趁热打铁,笔者将用户行为分析中另外一个重要的分析模型-留存分析也介绍给各位读者,方便各位读者对用户行为分析有更加全面的认识。

  “留存分析”,顾名思义,就是监测用户在平台/功能上“留存情况”,用户使用过平台或者功能后是否还会再来使用?

  这是一个平台需要搞清楚的问题,毕竟在目前大家都在关注如何挽留存量客户,而不只是单纯考虑如何“拉新”。

  如图,这个是留存分析的模板。这里笔者仍以某电商平台为例,介绍留存分析的整体原理。

  假设我们想要分析用户在平台上的活跃留存,图中的“总人数”便是在某天浏览平台首页(=平台活跃)的用户;

  后续第n日的数据,即在该天活跃的用户中,在后续第n天仍会访问app首页(=平台活跃)的人数。

  例如:8月10日有68人浏览过app首页,这68个人中,有44个人在明天(8月11日)也浏览了app首页,有36人在后天(8月12日)也浏览了app首页;

  那么,该批用户的1日留存(次日留存)为44/68 = 64.71%,2日留存则为36/68 = 52.94%。。。以此类推。

  这个维度是留存分析中最常见的维度,因为新老用户对平台的熟悉程度与忠诚度不同,所以新老用户需要分开看留存。

  一般来说新用户留存会比老用户更低,一旦形成黏性,老用户就很难放弃使用这个app。

  当然了,虽然在“拉新”和“留客”两个问题上一个企业不能做到“雨露均沾”,需根据企业当前发展阶段有所适当倾斜。

  但是新老用户的留存仍需要“两手抓”,毕竟“拉新困难”与“老用户流失”,对平台来说都是很大的损失。

  当发现某天留存较低时,还可以拆解用户来源的渠道,看是否某渠道的用户留存极低,可能是该渠道的本身用户质量较差,也有可能是一些渠道拉新的策略有问题等。

  3)除了之前所说的平台整体留存(用户在第0天活跃后,在后续第n天是否仍然会活跃),还可以看具体某些关键功能的留存。

  例如,电商平台的购买留存,也就是我们常说的“复购率”,社交平台的“互动留存”(点赞、收藏、评论等),以及直播平台的“观看留存”和“互动留存”等。

  毕竟,平台留存虚高只是“表面辉煌”,如果只是平台留存高但是关键业务指标的留存低,那企业就需要反思一下,是不是核心功能有问题,或者在流程上是否有阻碍用户使用关键功能的漏洞。

  本案例会综合本篇文章中介绍的“留存分析”和在以前文章中介绍的其他用户行为分析相关知识,为各位读者全方位介绍用户行为数据在实际工作中的应用。

  电商平台一般会在618,双11的时候进行运营活动,包括但不限于发券、满减等,目的是通过降价优惠激发用户的消费欲望,提升销量和gmv。

  但是这一运营手段也让一小部分人看到了“商机”,他们通过大量“薅羊毛”的形式,薅走大量优惠券和折扣,以此获得超低价商品,甚至达到“0元购”的效果。

  指的是通过0成本/低成本恶意获取高额奖励(手段包括但不限于积分、返现、刷单等),这类用户也是企业“深恶痛绝”的对象;

  在拿到福利(0元购/低价购)等之后,不付费购买或者再也不会回到这个平台。

  对这类用户,不能“一刀切”式地“赶尽杀绝”,可能需要深度分析一下他们薅完羊毛后“一去不回”的原因。

  如果同一IP下有大量设备在一段时间内有类似操作,则可以被判定为“羊毛党嫌疑人”,可以通过细查这些设备的用户行为路径是否高度类似来确认/排除嫌疑。

  当然了,可能会出现公网ip下有多台设备登陆的情况,这种情况也通过分析设备的用户路径去排查。

  b.通过这些设备的活跃时间判断,如果活跃时间段高度一致,可以进一步确认这一批用户都隶属于同一设备,“羊毛党”可能性极大。

  c.通过这些设备的支付时间判断,以分钟为颗粒度,如果某用户一分钟内支付订单超过60笔,“羊毛党”可能性极大。

  d.“羊毛党”一般是“一次性用户”,薅了“羊毛”就走,所以此类用户的留存率极低,可以通过监测留存率发现“羊毛党”的存在。

  例如,在下图中,8月14号活跃的45人中只有3人在次日留存,后续留存更低,那就需要高度怀疑,14号有“羊毛党”存在,尤其是在14号有运营活动的前提下。

  以上是用户留存分析的关键概念和应用的知识,留存分析看似简单,但是如果能够充分利用这个模型,会给企业带来更多对用户的宝贵洞察。