产品用户留存率如何计算与分析？先对齐三个口径
早上九点，运营群里炸了：「次日留存怎么掉了 10 个点？」我第一反应不是查数，而是先问一句：「你说的留存，是哪个口径？」因为用户留存率这个数字，换一个口径就能变出一套说法。本文按「问题爆发→对齐口径→批次分析→归因」的顺序，把留存率的计算与分析讲透。文中示例数据均为假设示例，不代表行业平均水平。
一、先别慌：留存率衡量的是什么
用户留存率衡量的是：一批用户在首次使用（或注册）之后，经过一段时间是否还会回来。它回答的不是「来了多少人」，而是「这批人留不留得住」。之所以留存率比单日活跃更重要，是因为它排除了推广带来的「一次性流量」：投放拉来的用户如果只来一次，活跃数再高也不构成长期价值。
所以要判断用户留存率的变动是真是假，第一件事永远是核对口径，而不是看绝对值。因为绝对值高可能是「回访条件宽松」的结果，绝对值低也可能是「回访条件严格」的结果；没有口径说明，任何「留存高」「留存低」的结论都不可比。
二、三个口径先对齐：起始群体、回访条件、观察窗口
计算用户留存率前，必须同时确定三个口径，缺一个都会让结果失真。
| 口径 | 要回答的问题 | 常见写法 |
|---|---|---|
| 起始群体 | 谁被算进这批用户 | 新注册用户、首次使用用户、某渠道用户 |
| 回访条件 | 什么行为算「回来了」 | 打开 App、登录、完成核心任务 |
| 观察窗口 | 第几天回来算留存 | 次日、第 7 日、第 30 日 |
因为起始群体不同，留存率含义完全不同：新注册用户留存反映「获客质量」，活跃用户留存反映「存量粘性」；两者不能混着比。回访条件也很关键：把「打开页面」当回访，和把「完成一次任务」当回访，会得到差异很大的留存率，所以计算前要把回访条件写成一句可核对的话。
三、按批次建组：注册批次与首次使用批次
留存率不能看「全体用户均值」，要看批次。批次有两种常见建立方式：
- 按注册日期建组：把同一天注册的用户归为一个批次，看他们的留存曲线。
- 按首次使用日期建组：把同一天第一次触发关键行为的用户归为一个批次，更贴近真实「开始使用」时刻。
因为推广活动往往集中某几天带来大量用户，这些「活动批次」的留存天然偏低；按批次对比时，要把活动批次单独标记，避免把获客质量波动误判为产品问题。这里还要注意批次的最小规模：批次人数太少时（假设示例：不足百人），留存率的随机波动会很大，数字不具备统计意义。
四、怎么比较批次：同期批次与历史批次
批次建立后，比较方式有两种：
- 同期比较：比较同一周内不同来源批次的留存，判断哪个渠道的用户更值钱。
- 纵向比较：比较本周批次与历史批次的留存曲线，判断留存是否在改善。如果本周批次在 D7 明显低于上周批次，说明近期的产品变化或渠道变化可能影响了留存。
比较时注意：批次规模差异大会导致留存率波动大，小批次（假设示例：不足 100 人的批次）的数字不要单独下结论。因为留存曲线是一整条，建议比较时看「曲线形态」而不是只看单个节点：整条曲线右移说明留存变好，某个节点单独凹陷则更像事件性影响。
五、结合来源与行为拆解
批次趋势只能告诉你「变了」，要回答「为什么变」，需要再拆两层：
- 按用户来源拆：不同渠道的用户留存差异，往往大于产品改版的影响。
- 按首次使用行为拆：首次就完成核心任务的用户，留存通常显著高于浅层使用用户。因此可以把「首次行为深度」作为早期信号：某批次留存下滑，先看是不是该批次的首次行为深度下降了。
因为「来源」和「首次行为」是留存的两个前置变量，拆解它们比直接猜「产品是不是变差了」更接近原因。用户留存率的归因，本质上是在回答「是来的人不对，还是留下的人变少」。
回答这个问题，建议用一张「留存矩阵」把来源与首次行为两个维度组合起来：行是渠道来源，列是首次行为深度（只浏览、用过核心功能、完成关键任务），每个格子里填该群体的留存率。因为单一维度的拆分只能看到「哪个渠道差」或「哪种行为留得住」，矩阵才能看到「某个渠道来的浅层用户」这一类交叉群体的真实留存水平。矩阵里的数字属于假设示例时要明确标注，不能作为行业基准引用。
六、边界：结果受产品类型、活跃定义与统计口径影响
用户留存率不能脱离业务目标直接比较：工具型产品（用完即走）与内容型产品（每日打开）的合理留存水平完全不同，不同产品的「活跃」定义也不同。所以本文不引用任何行业平均留存率，行业基准类数字需要你自己按产品类型、统计口径去核实，直接套用只会误导判断。
最后提醒一个口径细节：留存的「观察窗口」要按自然日还是按用户相对日计算，两种方式结果不同。按自然日（固定日期窗口）适合看大盘趋势，按相对日（用户首次使用后的第 N 天）适合看行为曲线；因为两种口径回答的问题不同，报告里要写清用哪一种，避免团队拿着两种口径的留存数字争论不休。用户留存率的分析结论建议固定一套口径发布，并注明统计周期与批次定义，保证下个月复盘的数字与本月可比。
工具层面，像 456数据 这类统一接入网站、App、小程序的分析平台，可以按批次、来源、首次行为快速切分留存数据，把「口径对齐」的成本降下来；但起始群体、回访条件、观察窗口这三个口径，必须由业务团队自己定义清楚。留存工具负责把批次数准，定义「什么算留下」，是产品与运营的责任。
工具与口径的关系说清后，还要补一个实操建议：留存分析要「先画曲线，再定策略」。先把最近 8~12 个批次的留存曲线叠在一张图上，观察整体形态（曲线陡降还是平缓、是否有周期性波动），再决定下一步拆什么；因为曲线形态会告诉你问题类型——次日就陡降指向「首次体验」，7 日后持续下滑指向「价值衰减」，周期性波动则指向「使用场景受时间影响」。基于形态再选拆解维度，比直接按来源拆更接近问题本质。
如果你想从留存延伸到增长落地，可以读官网文章《数据驱动增长怎么落地？456数据从指标连接业务动作》（https://www.456.cn/news/30088.html）和《网站数据分析从哪里开始？456数据先定目标和指标》（https://www.456.cn/news/60086.html）。
回到早上那个问题：「次日留存掉了 10 个点」——如果你正在排查这次下降，先别急着改产品，先确认这三个口径：起始群体是谁、什么算回访、第几天算留存。如果这三个问题答不上来，那个「10 个点」可能根本不是你想的那个数。你最近一次看留存率，用的回访条件是什么？
最后补充一个留存分析的汇报口径：报告里同时写「绝对留存」与「相对变化」。绝对留存回答「这批用户第 N 天回来多少」，相对变化回答「与上批次/上季度比变化多少」；因为只报绝对数看不出趋势，只报相对数无法定位水平。报告还要标注批次规模与统计周期，小批次的留存数字（假设示例：不足百人）要加注「波动较大，仅参考」。这样输出，管理者既能看水平也能看变化，讨论才不会停留在「这个数高还是低」的层面。
用户留存率的分析，还可以引入「留存曲线对比」这一招：把当前批次与历史最佳批次的留存曲线叠放，直接看出差距在哪个周期拉开。因为用户留存率的改善不是均匀发生的，可能集中在次日（首次体验）或第 7 日（价值建立）；曲线对比能直观暴露「差距从第几天开始放大」，为下一步拆解指明方向。建议每月做一次留存曲线体检：与自身历史对比、与目标对比、按渠道对比三张图，固定输出；坚持两个季度后，团队对「留存为什么变」的判断会明显更有依据。
