留存分析

为什么企业需要留存分析？

很多业务看起来增长很好，但增长未必真正健康。

例如某产品一个月新增 100 万用户，如果绝大多数用户注册一次后就不再使用，那么企业可能只是持续花钱购买流量，并没有形成真正稳定的用户资产。

留存分析的价值在于，把经营视角从“今天来了多少人”转变为：“来了之后，有多少人愿意继续留下来”。

1. 判断新增用户质量

两个渠道都带来 10 万新增用户，但如果：

• 渠道 A 的 30 日留存率为 25%；

• 渠道 B 的 30 日留存率只有 4%；

那么两个渠道的真实价值显然不同。

因此，单独看获客量或获客成本可能会得出错误判断。留存分析可以进一步评估不同渠道、新用户批次和营销活动带来的用户是否真正具有长期价值。

2. 衡量产品或服务黏性

用户第一次使用产品并不意味着认可产品。只有持续回来使用，才能说明产品真正满足了某种长期需求。

因此，留存率通常会被用于判断：

• 用户是否完成核心价值体验；

• 新功能是否真正提升产品使用频率；

• 产品改版是否影响长期活跃；

• 用户生命周期是否健康。

3. 发现用户流失节点

如果企业只查看月活跃用户数，很难知道用户具体在哪个阶段离开。

留存曲线则可以显示：

• 第一天大量流失；

• 第 3～7 天快速下降；

• 第 30 天之后逐渐稳定。

不同下降形态往往意味着不同问题。例如，首日留存低可能与注册流程、产品认知或首次体验有关，而长期留存下降可能涉及持续价值不足、服务体验或竞争产品替代。

4. 评估长期经营价值

对于订阅、会员、电商和金融业务而言，真正有价值的用户通常不是“一次性完成某个动作”，而是持续活跃和持续贡献收入。

因此，留存分析经常与：

• 客户生命周期价值；

• 复购率；

• 用户活跃度；

• 转化率；

• 客户流失率；

结合使用。

常见的留存分析方式有哪些？

1. 次日留存

次日留存衡量用户首次发生目标行为后的第二天，仍然继续发生留存行为的比例。

例如：

次日留存率 =
新增用户中第二天仍活跃的用户数
÷
当天新增用户数

次日留存通常用于判断用户首次体验是否具有足够吸引力。如果大量用户第一次进入产品之后就不再回来，通常意味着首次价值体验没有建立。

2. 7 日留存

7 日留存观察用户一周左右之后是否仍然保有使用习惯。与次日留存相比，它能够过滤掉部分短期尝试用户，更适合判断产品是否开始形成持续价值。

不过，所谓“7 日留存”在不同企业可能存在不同定义：

• 第 7 天当天活跃；

• 第 7 天及以后至少活跃一次；

• 7 天内发生过目标行为。

因此企业必须统一统计口径。

3. 30 日留存

30 日留存更关注长期用户价值。对于月度使用频率较低的产品，例如金融、企业软件或部分零售业务，30 日留存往往比次日留存更具有业务意义。

但并不是周期越长越好，留存周期应该根据产品的自然使用周期确定。

例如：

• 短视频：日留存更加重要；

• 电商：周或月留存更有意义；

• SaaS：月度或季度留存可能更合理；

• 汽车、房产等低频业务：传统活跃留存甚至可能不适用。

留存分析通常包含哪些核心维度？

只看整体留存率通常无法找到真正原因，企业通常还需要进一步按照不同业务维度拆解。

按渠道分析

比较：百度、抖音、自然搜索、广告投放、线下门店等不同来源用户的留存。这样可以判断哪些渠道带来的用户真正具有长期价值。

按地区分析

可以比较：华东、华南、西南或不同城市的用户留存差异。如果某个区域留存明显偏低，可以进一步分析当地产品供给、运营服务和客户结构。

按用户类型分析

例如：

• 新用户；

• 老用户；

• 付费会员；

• 普通会员；

• 高价值客户；

• 企业客户。

不同用户群体之间的留存差异通常会直接影响精细化运营策略。

按商品或产品分析

电商和零售业务可以分析：首购某类商品的用户，后续留存是否更高？

SaaS 企业则可以分析：首次使用不同产品功能的用户，长期留存是否存在明显差异？

这种分析能够帮助企业识别真正驱动长期价值的“关键行为”。

留存分析和漏斗分析有什么区别？

例如电商平台可以使用漏斗分析研究：

浏览商品 → 加入购物车 → 提交订单 → 支付

同时使用留存分析研究：

首次购买用户在未来 30 天是否再次回来。

因此，可以简单理解为：漏斗分析关注“第一次能不能走完”，留存分析关注“走完以后还会不会回来”。

留存分析和复购率有什么区别？

两者有一定重合，但并不等同。复购率强调再次购买，而留存关注再次发生预先定义的目标行为。如果将“购买”定义为留存行为，那么购买留存与复购存在较强关系。

但留存还可以定义为：

• 再次登录；

• 再次访问；

• 再次使用某功能；

• 再次完成交易；

• 继续保持订阅。

因此，复购率属于更具体的交易指标，而留存是一个更广泛的生命周期分析框架。

留存率和活跃率有什么区别？

活跃率通常衡量某个统计周期内有多少用户发生过活跃行为，例如：

月活跃率 =
月活跃用户数
÷
总用户数

留存率则要求先确定一个用户 Cohort，然后观察同一批用户后续是否继续活跃。

因此：活跃率看的是“现在有多少人在用”，留存率看的是“一批用户后来还剩多少人在用”。后者能够更好地观察用户生命周期变化。

典型应用场景

场景一：新用户质量分析

某互联网产品一个月新增用户增长 40%，但 30 日留存率从 18% 下降到 9%。表面上用户规模快速增长，实际上新增用户质量明显下降。

企业可以进一步按：

渠道 × 地区 × 用户类型 × 注册日期

拆分 Cohort，定位究竟是哪批新增用户导致整体留存恶化。

场景二：会员运营分析

零售企业可以观察：

首次成为会员后的 7 日、30 日、90 日购买留存率。

然后进一步分析：

不同门店、不同首购商品、不同会员等级之间的留存差异。

如果首次购买某类商品的用户长期留存显著更高，企业可以将其作为拉新和会员运营的重要商品策略。

场景三：产品版本效果评估

某 App 发布新版本后，仅比较整体 DAU 很难判断新版是否真正提升了用户体验。

企业可以比较：

改版前 Cohort 与改版后 Cohort 的次日、7 日和 30 日留存。

如果后续 Cohort 留存曲线整体上移，可以更有依据地判断产品改版产生了长期正向影响。

企业做留存分析的常见问题

1. 同一个“7 日留存”存在多个口径

这是最常见的问题。

有的团队定义：用户第 7 天当天回来。

有的团队定义：第 1～7 天任何一天回来。

还有团队使用：第 7 天以后仍然活跃。

三种定义都可能被称为“7 日留存”，但计算结果完全不同。

因此必须将留存周期和计算规则标准化。

2. 用户身份无法统一

一个用户可能存在：

• 手机号；

• 会员 ID；

• 设备 ID；

• 微信 OpenID；

• App 账号。

如果不同系统使用不同用户标识，留存分析可能出现重复统计或用户链路断裂。

因此，统一用户身份通常是高质量留存分析的重要前提。

3. 只看整体平均值

整体留存率可能掩盖关键问题。

例如整体 30 日留存率保持 20% 不变，但其中：

自然流量用户由 25% 提升到 35%，

广告用户由 18% 下降到 8%。

如果不按渠道拆分，很容易错过真实变化。

4. 把相关性直接理解为原因

如果“使用功能 A 的用户留存更高”，并不必然意味着功能 A 导致了更高留存。

也可能是：本来就更加活跃的高价值用户更容易使用功能 A。

因此，留存分析可以用于发现问题和建立假设，但涉及因果判断时还需要结合实验设计、用户行为和业务背景进一步验证。

Aloudata 如何支持留存分析？

在 Aloudata 的产品体系中，Aloudata CAN 自动化指标平台负责统一留存指标、用户维度和计算口径，Aloudata Agent 可信数据分析智能体则进一步支持通过自然语言完成留存查询、拆解和分析。

Aloudata CAN：统一留存指标和分析语义

留存分析看似只需要一个简单公式，实际却涉及大量可复用的业务定义：

新用户如何定义；

留存事件是什么；

用户如何去重；

时间窗口如何计算；

可以按照哪些维度拆解。

如果每个 BI 报表和数据团队分别编写 SQL，同一个“30 日留存率”很容易出现不同口径。Aloudata CAN 可以将这些业务定义沉淀为统一指标和语义模型，管理相关的：

• 用户指标；

• 行为指标；

• 留存率指标；

• 时间维度；

• 渠道维度；

• 地区维度；

• 商品和会员维度。

这样，留存分析不再依赖不同分析人员临时解释业务规则，而能够基于统一指标语义持续复用。同时，留存指标可以进一步与漏斗、转化、复购、活跃等指标形成统一经营指标体系，支持 BI、应用和 AI 等多种消费方式。

Aloudata Agent：从“查询留存率”进一步走向自动分析

在传统 BI 中，用户通常需要先找到对应报表，再自行切换渠道、日期、用户类型等条件。

在 Data Agent 场景中，业务人员可以直接提出：

“过去三个月新会员的 30 日留存怎么样？”

系统可以将自然语言映射到统一的：

新会员指标 + 30 日留存率 + 月度 Cohort

并返回对应结果。

进一步还可以继续追问：

“哪个渠道下降最明显？”

“华东地区和整体相比怎么样？”

“是哪些会员等级导致的？”

“和上季度相比变化最大的 Cohort 是哪一批？”

通过 Aloudata CAN 提供的统一指标语义，Agent 可以围绕可信口径不断进行维度下钻和多轮分析，而不是每次重新猜测数据库结构和计算规则。

因此，Aloudata CAN 与 Aloudata Agent 的组合使留存分析从：固定报表查看 → 统一指标查询 → 多轮追问与分析，进一步降低业务人员进行留存分析的门槛。

常见误区

误区一：留存率越高一定越好

事实：留存水平必须结合产品类型、用户周期和业务目标判断。对于低频、高客单价业务，日留存本身可能没有实际经营意义。

误区二：只需要定义一个统一“留存率”

事实：留存必须明确用户 Cohort、起始行为、留存行为和时间窗口。脱离这些条件，单独定义“留存率”通常没有足够业务意义。

误区三：留存下降就说明产品体验变差

事实：留存变化还可能来自渠道结构、用户质量、季节性、价格变化、产品供给和运营策略调整，需要进一步分维度分析。

误区四：有留存报表就完成了留存分析

事实：报表只能展示结果。真正的留存分析还需要支持 Cohort 对比、维度拆解、异常定位，并与漏斗、复购、活跃等指标结合，才能找到具有行动价值的原因。

常见问题（FAQ）

Q1：什么是留存分析？

留存分析是一种衡量一批用户、客户或会员在首次注册、使用、购买或发生某个关键行为后，是否在后续时间周期继续活跃或再次完成目标行为的分析方法。常见指标包括次日留存率、7 日留存率和 30 日留存率。

Q2：留存率怎么计算？

留存率通常等于某批初始用户中，在目标时间仍满足留存条件的用户数除以初始用户数。例如 1,000 名新用户中有 300 人在第 7 天仍然活跃，则对应留存率为 30%。实际计算前还需要明确起始用户、留存行为和时间窗口。

Q3：留存分析和漏斗分析有什么区别？

漏斗分析关注用户能否按照一定步骤完成目标流程，例如浏览、加购、下单和支付；留存分析关注完成首次行为之后，用户是否在后续周期继续回来。前者关注流程转化，后者关注长期持续性。

Q4：留存率和复购率是一回事吗？

不是。复购率主要关注用户是否再次购买，而留存行为可以定义为登录、访问、使用功能、购买或续订等多种行为。如果企业将再次购买定义为留存事件，两者会存在较强关联，但概念并不完全相同。

Q5：为什么不同系统计算出的留存率不一致？

常见原因包括用户去重方式不同、起始事件定义不同、时间窗口不同、留存事件不同以及数据更新周期不同。企业需要统一用户、行为、时间和指标计算语义，才能让 BI、报表和 AI 分析使用一致的留存口径。