利用Aha Moment提升产品留存率

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：

各类产品的Aha Moment与产品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：

利用Aha Moment提升留存的四个步骤

以某一个短视频社区APP为例，想要提升应用的整体留存，可以按照这样四个步骤尝试：

1.提出假设

短视频属于内容型产品，按照内容创造者和消费者两大群体，分为作者与观众两类用户，分别列举出首次体验中可能影响留存的因素：

可能影响留存的新用户行为

2.分组验证

围绕假设因素，抓取新用户的原始数据，经过以下步骤进行分析：

数据处理分析的四个步骤

以"新用户看视频个数"为例，首先抓取观察因视频个数不同的每一位用户每一天对应的留存数据，例如下表（数据为虚拟）：

看视频个数与留存的关系

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个视频（没有看过视频）的用户留存为30%；看1个视频的用户留存为40%；看2~4个视频的用户留存为41~42%；看5~10个视频的用户留存约为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：没看过视频的用户留存比看过1~2个视频的用户低约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天的用户看视频个数与留存的对应关系，用曲线呈现出来如下：

每日看视频个数与留存对应关系

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：观看一个视频的留存比没看过视频的留存有绝对的显著升高，并且看过2~3个视频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，可以发现没看过视频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视频是产品的Aha Moment之一。

3.设计优化

围绕着走查出的Aha Moment要素：看至少一个视频，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：

优化方案

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，可以促进产品的整体留存上升。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。

Tips:

这种方法对留存率的提升有帮助，但是也会有一些弊端：这种单纯以数据为目标的尝试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。