留存分析是字节跳动数据分析师的基本功。这道题考察你诊断指标变化的分析框架、有效分层数据的能力以及将数据洞察转化为可执行产品建议的技能。字节的数据驱动文化要求在行动前进行严谨调查。
先验证数据：排查埋点问题、口径变更或季节性因素，再判断是否为真实的产品问题。
分层拆解下降：按获客渠道、用户画像、设备类型、地域和内容垂类拆分留存，定位下降集中在哪里。
分析行为漏斗：比较近期队列中留存用户和流失用户的激活和参与模式与历史基线。
提出有数据支撑的假设并建议具体的A/B测试来验证解决方案。
我会按结构化流程调查。第一步：数据验证。检查埋点变更、App版本更新或外部事件（假期、竞品上线）是否与时间点吻合，确认指标口径没有变化。第二步：分层分析。先按获客来源拆分次7留——如果新的广告投放带来了低质量用户，即使产品本身没变整体留存也会下降。再按地域、设备、系统版本和App版本分层定位下降集中区。第三步：行为深挖。对受影响的人群，比较他们0-7天的行为与基线：日均会话数、观看视频数、发布率、推送通知开启率。找到最能区分留存和流失用户的行为里程碑——比如第1天观看少于20个视频的用户流失率显著更高。第四步：根因假设。可能是推荐模型更新降低了某些人群的内容相关性，或者新手引导流程变化减少了早期参与。用准实验方法验证每个假设。第五步：建议针对性方案——对受影响人群A/B测试改进后的引导流程、调整推荐参数或优化推送策略。
永远先验证数据再跳到产品解释——这展示了分析的严谨性。
使用"构成效应"的概念：指标可能因用户构成变化而变化，并非行为本身发生了改变。
呈现清晰的框架：验证、分层、分析、假设、验证——字节重视结构化思维。
辛普森悖论是指汇总数据中出现的趋势在分层后反转。对于留存来说，即使每个细分群体的留存都在提升，整体次7留也可能下降——只因低留存群体在新用户中的占比增大了。在得出产品变差的结论之前，必须检查分层趋势。
使用准实验方法：围绕变化点比较受影响组和未受影响组的双重差分、用倾向得分匹配控制混淆因素，或分析灰度发布等自然实验。A/B测试是验证因果假设的金标准。