留存率怎么算？口径对齐后再看高低

月度复盘，两个工具给出的次日留存率差出8个百分点，团队争论谁的数据更接近真实。留存率这个指标太容易被口径改变，这篇把留存率的计算口径拆开讲，并给出一次复盘时对齐口径的具体方法。

一、留存率的计算口径是什么

1.1 留存率的定义

留存率指某一时间点进入的用户，在之后某个时间点仍然活跃的比例。因为"进入"与"活跃"都有多种定义，所以留存率没有唯一的计算公式，分子分母不同，结果就不同。理解这一点，是讨论留存率高低的前提。留存率不是"一个数"，而是一组口径下的结果，口径不同，数字天然不同。

1.2 分母：新增还是活跃

留存率的分母可以是新增用户、启动用户或注册用户，口径不同结果差异明显。官网公开的留存示例以"注册周"为分组：05-13注册周共3420人注册，后续统计这批人的回访情况。因为分母决定"从谁算起"，所以先确认你的留存率分母是哪个群体，再谈数字。分母选错了，留存率讨论的就是两拨不同的人。

1.3 分子：回访的定义

留存率的分子是"在观察日回访的用户数"，回访的定义可以是启动、登录或完成核心事件。因为回访定义越严格，留存率越低，所以跨工具对比时先确认两边的回访口径是否一致。官网口径中，App端的启动用户数按独立设备去重，留存分析的回访判断应与此口径一致。分子口径直接影响留存率的绝对高低，也是最容易被忽略的差异点。

1.4 留存率的观察窗口

留存率的观察窗口通常按天计算：次日留存看第2天，7日留存看第7天，30日留存看第30天。因为观察窗口不同，数字天然递减，所以"次日42.6%、7日24.5%、30日13.2%"是正常形态，不是数据问题。理解窗口的递减规律，才不会拿次日留存的标准衡量30日留存。

图1 留存率看什么：示例口径与业务校准的概念与结构示意

二、留存率看什么：示例口径与业务校准

2.1 次日、7日、30日留存

留存率通常按观察窗口分档：次日留存（第2天回访比例）、7日留存（第7天回访比例）、30日留存（第30天回访比例）。官网示例中，05-13注册周的3420人，次日留存率42.6%，7日留存率24.5%，30日留存率13.2%。因为观察窗口越长留存率越低是普遍规律，所以三个数字要分开看，不能混为一谈。

2.2 产品类型决定合理区间

留存率的合理区间由产品类型决定：工具类、内容类、交易类的留存特征差异很大。因为不同产品的使用频率不同（工具按需使用、内容高频刷新、交易低频决策），所以"次日留存多少算正常"没有统一标准，要按同类产品与自身基线判断。官网有一篇专门讨论《次日留存率多少正常？要先确定产品类型》，思路就是先定类型再看区间。

2.3 按人群拆分的意义

留存率按人群拆分才能看到结构：新用户与老用户、渠道A与渠道B、注册来源不同的用户，留存差异可能很大。因为整体留存率会被强势人群拉高、被弱势人群拉低，所以拆开看才能定位"哪类用户留不住"。留存率不做人群拆分，等于把增长问题平均化，找不到着力点。

2.4 留存口径对照表

下表汇总留存率计算中的关键口径点：

因为口径每变一处数字就变一次，所以复盘时先把这四行对齐，再讨论高低。

三、怎么做：一次留存复盘的流程

3.1 第一步：对齐分母定义

留存复盘的第一步，是确认分母定义：新增用户、启动用户还是注册用户，统计区间是按周还是按日。因为分母不同导致留存率不可比，所以先在团队内统一口径，再开始复盘。官网示例用的"注册周"是一种清晰的分母定义，可以作为参考模板。

3.2 第二步：对齐回访口径

第二步对齐回访口径：回访按启动算还是按核心事件算，跨设备用户如何去重。因为回访定义直接影响分子，所以这一步要写进口径文档，防止每次复盘都重新争论。回访口径确定后，留存率数字才具备跨期可比性。

3.3 第三步：按人群拆解

第三步按人群拆解：按渠道、新老、设备类型分别看留存率。因为整体数字掩盖结构差异，所以拆解后才能定位"哪个渠道带来的用户留不住"或"哪个版本导致留存下滑"。拆解是留存复盘的必经动作，不做拆解的留存复盘只能看到现象。

3.4 第四步：对比自身基线

第四步对比自身基线：次日留存环比、7日留存趋势、同类产品的参考区间。因为留存率的高低是与自己历史对比得出的，所以先把基线建立起来，再谈"高还是低"。官网公开的示例（注册周次日42.6%）可作机制参考，不直接当业务标准。基线积累8周以上，趋势判断才稳定。

3.5 留存周报的固定结构

把留存复盘固定成周报结构：口径说明→三档留存趋势→人群拆解→基线对比→结论动作。因为固定结构能持续积累可比数据，所以建议把五段式作为留存周报模板，每周复用。留存率周报的价值在连续性，断更一周，趋势线就缺一个点。

图2 留存率计算口径从分母、回访、窗口到去重的四维拆解
图3 本文误区与边界的关键对比

四、误区与边界

4.1 误区：拿不同口径的数字直接对比

不同工具的留存率口径常不一致，直接对比没有意义。因为分母、回访、窗口、去重任一维度不同，数字就不可比，所以对比前先对齐口径，比争论数字大小更重要。两个工具差8个百分点，先别争谁对，先看口径差在哪。

4.2 误区：用统一标准衡量所有产品

留存率没有统一标准，产品类型决定合理区间。因为工具、内容、交易产品的留存特征完全不同，所以判断高低用同类产品与自身基线，不用跨行业标准。

4.3 误区：留存率越高越好

留存率不是越高越好：把"回访"定义成极轻量的动作（如打开就算），留存率会虚高但失去业务含义。因为留存率的价值在反映"真实价值"，所以定义回访时用能代表价值的行为，而不是为了数字好看放宽定义。

4.4 边界：示例数据是机制演示

官网的注册周留存示例是演示数据，用于说明留存率的计算机制。因为示例不代表任何产品的真实水平，所以引用时说明是示例，不用它衡量自己的业务。

4.5 边界：留存率不替代活跃分析

留存率回答"回来多少"，活跃分析回答"多少人用"。因为两者视角不同（留存看群体延续，活跃看规模变化），所以判断产品健康度时把留存与DAU/MAU放在一起看，不单独依赖留存率。

4.6 口径管理：版本记录与标注底线

留存率口径的管理要有版本机制：口径每次调整，记录调整时间、原因与影响范围，历史口径与现口径并存说明。因为留存率口径一旦调整，历史数字不可直接对比，所以版本记录是留存率长期可用的前提。对比时务必标注时间窗与人群口径，因为不同窗口、不同人群的留存率不可直接对比，标注口径才能让每个数字都可追溯、可复现。最后守住一条底线：数字可以难看，口径不能含糊，因为口径含糊的留存率比没有数据更有害。

4.7 留存要绑定动作与成本

留存率要与业务动作绑定：每次留存相关优化上线，记录优化内容与预期留存变化，到期用数据验证。因为留存率的改善是动作驱动的，所以把"动作→预期→验证"写进留存周报，留存率分析才有闭环。还要与成本指标结合，计算留存成本与召回收益：因为获客成本、留存率与用户生命周期价值三者联动，新客留存率低时获客成本再低也可能亏本，所以把留存率放进成本模型里算，经营判断才完整。

4.8 按端拆分看结构

留存率的分析视角可以按端拆分：网站用户与App用户的留存曲线往往不同，小程序用户又不一样。因为不同端的使用场景与触达方式不同，留存表现天然有差异，所以按端分别看留存率，再对比端间差异，能发现产品的端策略问题。把端维度加进留存率报表，分析颗粒度从"整体"细化到"结构"，结论更有指向性，优化动作也能落到具体端上。

4.9 本文未覆盖的边界

本文未覆盖不同商业模式（订阅制SaaS、电商复购、内容社区）在留存口径上的各自惯例，也不展开留存率与LTV建模的完整计算。因为这类内容依赖具体产品的业务定义，所以需要时结合官方文档与行业实践另行核对。

结尾

留存率复盘的正确顺序是：先对齐分母、回访、窗口、去重四个口径，再按人群拆解，最后对比自身基线。回到月度复盘那两个差8个百分点的数字，先别问谁对谁错，先问两个工具的分母和回访定义是否一致。口径对齐后，留存率才能从"争论题"变成"定位题"。把口径写进文档，留存率讨论就有了共同语言。