分析实验室-留存魔法师
存魔法师向您呈现用户访问初期的行为、频次与留存的相关关系，找到促进增长的魔法数字。
Linkedin 发现一星期内加到 5 个联系人的用户，他们的留存率/使用频度/停留时间是那些没有加到 5 个联系人的用户的 3-5 倍，这个是他们找到的驱动增长的魔法数字。
用户访问初期在网站/App 的某些行为、频次可能会让用户留下来，并且长久使用，成为忠诚用户。发现了这些行为和发生次数，优化产品，促进用户使用这些功能，就可能带来更高的留存率。
一个社交 App 希望新用户在使用 App 的时候能够尽早的对我们的产品说 “aha！”，希望他们能快速发现产品价值，并且留下来。因此希望能找到我们 App 的魔法数字 。 现阶段我们最关注的是用户初期留存，所以需要了解用户在使用 App 早期（第一周做的事情）和次周留存之间的关系，并且找到那些具有高留存的行为。
为此我们做了如下几点：
我们发现新用户首次访问7天内，以下四个行为、频次都与次周留存具有很强的正相关关系：点赞 8 次、分享 5 次、关注人 7 次。
然后我们根据公司现阶段战略，每个行为的人数占比，可实现的难易程度，将“分享 5 次”和“关注 7 人”当作我们魔法数字的候选名单。
使用 A/B 测试，通过产品和运营上的改变，让两组用户分别尽可能多的达到这个两个指标。然后，我们对这两组用户进行了验证，我们发现促进用户分享的那组用户，次周留存并没有得到太多提升；而关注 7 人的那组用户，次周留存有大幅提高。
最后我们将 7 天内关注 7 人当作我们的魔法数字，并将这个指标当成我们衡量用户 OnBoarding 效果的最重要参考。
GrowingIO 自动计算所有已经圈选的简单指标与次周留存率的相关性，所以您只需
将网站、App 的关键行为圈选出来;
积累 14 天数据;
进入留存魔法师中找到驱动增长的魔法数字。
在顶部导航栏选择“产品分析 > 分析实验室 > 留存魔法师”，进入留存魔法师功能模块。
上图的第一行表示：首次访问七天内至少点击 3 次【iOS-首页-底部个人中心】的新用户，次周留存率为 49.4%，这个行为与网站/App 的次周留存率有很强的正相关关系。 相关系数越高说明这个行为与留存的相关性越大，促进用户进行这个行为，可能可以大幅提高留存率。这时我们可以尝试优化产品，促进用户在访问初期更多的添加好友，来验证这个假设。同时可以把添加 7 个好友的用户量占比和次周留存率作为 KPI 追踪。
点击每一行，还可以查看该行为不同频次的用户量占比、次周留存率与相关系数。
我们也同样支持打点事件，你可以查看做过打点行为的次周留存，如您定义了一个新用户激活行为，可以查看做过激活行为的用户的次周留存率：下图至少一次支付成功的，次周留存率高达78.9%。
魔法数字的计算需要圈选关键行为，以及至少 14 天的数据。如果出现数据不足、无法计算的情况，您可以圈选出更多关键行为，积累更多数据后查看魔法数字。 有的时候，驱动增长的关键行为可能会意外地出现在平时关注不多的功能之中。
以下情况指标不会参与魔法数字的计算： （1）指标数据不足 14 天，比如刚刚圈选的指标，没有 14 天的数据不会参与计算。可以积累几天数据之后查看； （2）浏览/点击过该指标的新用户占所有新用户比例大于 80% 或小于 10% 。当用户量占比过高或者过低时，这些行为很难对整体留存率带来影响，所以不参与计算。
在留存魔法师中相关系数表示了用户的行为、频次与次周留存相关关系的强弱，范围在 -1 到 +1 之间。当相关系数是 +1 时，表示新用户 7 天内做到这个行为频次，第二周就一定会回访网站，当然这在现实生活中不太可能出现。通常相关系数大于 0.4 时，就表示比较强的相关关系，而小于 0.2 时，就表示相关关系非常弱，或者不相关。 有的时候相关系数会出现负数，表示用户做了这个行为，有可能第二周就不会回访，这当然是我们不希望看到的。
4. 当过去 30 天的新用户总量小于 100 时，为什么无法计算魔法数字？
在统计计算中，一定存在一些不可控的偶然因素，在寻找魔法数字时，我们希望群体的差异是由于系统因素而不是偶然性因素的影响。当用户量过小时，偶然因素过大，无法保证计算结果的可信度，在统计学上无法满足显著性检验。所以当过去 30 天的新用户总量小于 100 时，无法计算魔法数字。