TapCub 正式上线:统计、分析、客服一个平台免费用
术语表

什么是关键驱动分析?给和留存相关的行为排名,以及它的局限

关键驱动分析用来给「哪些因素和留存这类结果关联最紧」排名。本文讲问卷版和行为版的区别、六步方法、给四个行为排名的算例,以及控制了混杂因素之后,排名最前的驱动因素为什么可能消失。

艾玛·柯林斯 审核人 苏禾 又称 关键驱动因素分析 最后更新 2026 年 11 月 17 日 术语表

一句话回答

关键驱动分析给「哪些因素(比如早期行为或问卷评分)和留存、满意度这类结果关联最紧」排名。它显示的是关联而不是原因,所以排在最前的驱动因素,要先检查混杂因素、再用 holdout 组验证,才能据以行动。

什么是关键驱动分析?

关键驱动分析用来找出哪些因素和你在意的结果关联最紧,比如留存、购买或满意度。你列出候选的驱动因素,衡量每一个和结果的吻合程度,再排序。得到的是关联的排名,而不是原因的排名:它告诉你先看哪里,而一个驱动因素要先用对照组或 holdout 组验证,才值得你为它投入精力。

两种传统都用这个名字。在市场研究里,它通常指对问卷评分做回归,得出每项评分对总体满意度的「推导重要性」。在产品分析里,它指对比做过和没做过某件事的人的结果。本文讲产品分析的版本;排序的逻辑和陷阱是一样的。

问卷版和行为版的关键驱动分析

问卷版行为版
结果总体满意度、NPS、购买意向第 30 天仍活跃、30 天内付费
候选驱动因素对产品各属性的评分最初几天里做过的动作
典型方法回归,以及每项评分的相对重要性做过和没做某个动作的结果比例,再检查混杂因素
输出每个属性的重要性占比每个动作的比例差和比值
主要陷阱各项评分一起变动,重要性很难拆开什么都多做的用户,会让每个动作都看起来像驱动因素

一步步怎么做

  1. 用时间窗口定义结果。「留存」必须是一条规则,比如第 4 周内至少有一天活跃。
  2. 列出候选行为,并且只量早期的。 每个动作只在结果开始之前就结束的窗口里统计,比如前 7 天。结果出现之后才做的动作,不可能是结果的原因。
  3. 对每个动作,对比做过和没做的结果比例。 对每个候选,分别算出做过的人和没做的人里仍然留存的占比。
  4. 按差异排序,同时看人数。 一个只有 10 个人做过的动作,每多一个人比例就动 10 个百分点,所以那里的大差异说明不了什么。
  5. 检查混杂因素。 把对比按任何可能同时影响动作和结果的因素拆开,比如公司规模或获客渠道,看差距还在不在。
  6. 验证排在最前面的驱动因素。 对一个随机分出来的组改变这个行为,另留一组作为 holdout。只有这样的对比,才支持因果结论。

算例:给四个行为排名

示例数据:1,000 名新用户,其中 320 人(32%)在第 4 周仍然活跃。对前 7 天里的四个动作:

前 7 天里的动作做过的人数做过的留存率没做的留存率差异比值相关系数(phi)
邀请了队友20060.0%25.0%+35.0 个百分点2.400.30
连接了数据源45042.0%23.8%+18.2 个百分点1.760.19
看过报表70036.0%22.7%+13.3 个百分点1.590.13
打开过定价页30030.0%32.9%−2.9 个百分点0.91−0.03

邀请队友排在最前,前三项的差异都远超随机波动(z 在 4.1 到 9.5 之间)。定价页看不出关系(p = 0.37)。一个是否做过的动作对上一个是否留存的结果,相关系数就是 phi 系数,也就是对两个 0/1 变量算出的皮尔逊 r:邀请这一项是 0.30。

为什么排名不等于因果

排在最前面的驱动因素,在有人围绕它设计活动之前值得先检查一下。把同样的用户按公司规模拆开:

公司规模用户数邀请过的人数邀请过的留存没邀请的留存
大公司300190(63.3%)190 人中 118 人(62.1%)110 人中 66 人(60.0%)
小公司70010(1.4%)10 人中 2 人(20.0%)690 人中 134 人(19.4%)

在每一组内部,邀请带来的差距只有 +2.1 和 +0.6 个百分点。按两组在 1,000 名用户中的占比(大公司 30%,小公司 70%)加权,调整后的差距是 +1.0 个百分点,而原始差距是 +35.0。是公司规模造成了这个排名:大公司既更常邀请(63.3% 对 1.4%),也更常留下(61.3% 对 19.4%)。这就是混杂变量,也是排在最前的驱动因素最后变成旁观者的常见原因。小公司里邀请过的只有 10 人,这一格的样本很薄;重点是,原始排名会让你去找错的杠杆。统计学里把这种现象叫辛普森悖论。

用 holdout 验证驱动因素

要确认邀请会推动留存,就把新用户随机分成两半,提示其中一半邀请队友,另一半不动、作为 holdout 组,再用显著性检验对比第 4 周的留存(见 p 值)。难点在所需样本。在 α = 0.05、80% 功效下,要检出留存率从 25% 提高到 30%,每组约需 1,248 名用户;从 25% 提高到 35%,每组约需 326 名。总共只有 1,000 名新用户的话,只能确认幅度很大的提升,所以要把观察期拉长。这些数字的变化规律见统计功效。

常见误区

  • 把结果之后的动作也算进来。 第 5 周「打开了账单页」是留下来的结果,而不是留下来的原因。驱动因素的窗口要放在结果窗口之前。
  • 让重度用户掩盖一切。高级用户每种动作都做得更多,所以每个动作都和留存相关。要对比活跃程度相近的人。
  • 给很小的组排名。 只有寥寥几个人做过的行为,可以显示出任何你想要的比例。
  • 测试太多候选项。 在 α = 0.05 下检查 40 个行为,只要它们互相独立,至少有一个纯靠运气看起来显著的概率是 1 − 0.95⁴⁰ = 87.1%。先凭产品知识缩小候选范围。
  • 把排名当成配方。 如果两者都是由别的因素造成的,推动大家去做排名最前的动作,结果可能不会改变。相关与因果的关系见相关不等于因果。
  • 和变化归因搞混。 把一个指标的变化分摊到各渠道或国家,回答的是「变化从哪里来」,而不是「哪些行为带来留存」。

在 TapCub 里怎么做关键驱动分析

假设你想知道,前 7 天里邀请队友,是否和第 4 周的留存相关。TapCub 没有自动的关键驱动报告,所以这是一项用分群和留存拼起来的手工活。

  1. 建分群。 在 全端分析 › 用户 › 分群与标签 里,建一个规则分群:选定时期内首次出现、并且做过邀请事件的人;再建第二个:没做过的人。保存前预览人数,并让「做过」条件的时间窗口落在结果期之前。分群只包含已识别的人,匿名访客不会出现,所以要先做用户识别。
  2. 对每个分群跑留存。 在 全端分析 › 行为分析 › 行为分析 里打开留存页签,对某个分群点「去分析」,把它作为同期群应用进去。留存没有细分,也没有对比时段,所以每个分群各跑一次,把各行并排着读:每一行显示同期群人数和各期的比例。
  3. 按混杂因素拆开。 给每条规则加一个公司规模的条件,按上面的表重建四个组。如果差距像这里一样缩小,邀请就不是那个杠杆。
  4. 单独看整体指标的变化。 全端分析 › 智能运营 › AI 助手 里的「变化归因」会按渠道、来源域名、国家、设备、着陆页或平台,拆解一个指标的变化。它显示变化从哪里来,不显示哪些行为带来留存。
  5. holdout 放在你自己那边做。 TapCub 不做实验,也不留对照组。在你自己的产品里随机分组,然后把被提示的组和 holdout 组当作两个分群来对比。

资料来源

这个解释清楚吗?

我们会根据反馈修改和补充这篇内容。

艾玛·柯林斯

产品分析师

聚焦事件分析、转化漏斗与用户留存,用清晰的指标定义和分析框架解释产品表现。

常见问题

常见追问

大家看完定义后最常问的几个问题。

还有其他问题?

直接和 TapCub 团队聊聊——工作日通常几小时内回复。

关键驱动分析和相关分析有什么区别?

相关衡量两个变量一起变动的紧密程度。关键驱动分析把这个想法用在许多候选因素上,对同一个结果排名,问卷里通常用回归,产品数据里常用比例对比。两者显示的都是关联,不是原因。

关键驱动分析能证明因果吗?

不能。如果第三个因素(比如公司规模)同时影响行为和结果,排在最前的驱动因素可能只是旁观者。先把对比拆开检查混杂因素,再用随机分组和 holdout 组确认。

产品分析里怎么做关键驱动分析?

用时间窗口定义结果,列出发生在结果之前的早期行为,对比做过和没做某个行为的结果比例,按差异和人数排序,检查混杂因素,最后用 holdout 组验证排在最前的驱动因素。

TapCub 有关键驱动报告吗?

没有。TapCub 没有自动的驱动因素报告。你需要用「做过 / 没做过某个动作」的分群,再对每个分群各跑一次留存报表来手工完成。它的变化归因是按维度拆解一个指标的变化,不给行为排名。

在你自己的网站上看这个数字

加一行脚本就能开始,网站和 App 都能接,几分钟内就能看到第一批报表。

看清数据,找到增长。

每一次点击,都有数据依据。装好一行代码,1 分钟看到第一批数据。

无需信用卡 · 统计与客服都有免费版 · 统计无 Cookie