留存分析实用技巧：除了次日留存，还应该看哪些指标？

一、为什么只看次日留存会误判产品健康度？

把次日留存当作留存分析的核心甚至唯一指标，会导致一个典型误判：产品上线初期次日留存数据好看，团队觉得"产品没问题"，但一段时间后发现用户几乎全跑了，才意识到问题严重。

次日留存的本质是"用户在首次使用后的第二天是否愿意回来"，它衡量的是：

• 新手引导是否清晰（用户第一天是否知道产品能干什么）
• 首次体验是否顺畅（有没有崩溃、卡顿、加载慢）
• 产品的"第一印象"是否足够好（用户是否觉得"这个东西有点意思"）

但次日留存无法衡量：

• 产品是否有持续价值（用户第三天、第七天、第三十天还回来吗？）
• 用户是否形成了使用习惯（是偶尔想起来用一下，还是每天都要用？）
• 获客渠道是否精准（拉来的用户是真正的目标用户，还是被广告吸引来的"好奇用户"？）

不同时间维度的留存率分别回答不同的业务问题，需要建立完整的指标体系来看。

二、留存指标体系：时间维度+用户维度完整对照表

留存指标可以从两个维度构建：时间维度（用户首次使用后多久回来）和用户维度（看哪类用户的留存）。

留存指标体系对照表

维度	指标	计算方法	业务含义	异常判断	优化方向
时间维度	次日留存（D1）	某日新增用户中，第2天仍活跃的用户占比	新手体验质量、第一印象	D1明显偏低说明新手体验或首次体验有问题	优化新手引导、首次体验流程、性能
	3日留存（D3）	某日新增用户中，第3天仍活跃的用户占比	短期兴趣延续、产品初步价值感知	D1到D3衰减过快说明首次体验和实际价值脱节	强化核心功能展示、缩短Aha Moment路径
	7日留存（D7）	某日新增用户中，第7天仍活跃的用户占比	使用习惯初步养成、周级粘性	D7远低于D1说明没有形成使用习惯	建立使用场景、推送/通知策略、内容更新节奏
	30日留存（D30）	某日新增用户中，第30天仍活跃的用户占比	产品长期粘性、核心用户群规模	D30极低说明核心用户群极小，产品长期增长受限	深化核心价值、建立用户忠诚度机制、会员体系
	周留存	某周新增用户中，次周仍活跃的用户占比	适用于低频产品（如工具类、旅游类）的周级粘性	周留存持续下降说明产品缺少周级使用场景	建立周级使用场景（如每周报告、每周任务）
	月留存	某月新增用户中，次月仍活跃的用户占比	适用于极低频产品（如房产、汽车、招聘）的月级粘性	月留存低对低频产品可能正常，需结合业务判断	建立月级触达机制、内容/服务更新节奏
用户维度	新用户留存	新增用户在后续时间的留存率	获客质量+新手体验+产品初始价值	新用户留存远低于老用户说明获客或新手引导有问题	优化渠道质量、新手引导、首次价值交付
	活跃用户留存	已有活跃用户在后续时间的留存率	产品长期粘性、老用户忠诚度	活跃用户留存下降说明产品核心价值在弱化或竞品在抢夺	深化核心功能、提升用户满意度、建立竞争壁垒

456数据的高级分析模块提供留存分析能力（控制台路由留存分析），App分析的六大能力中包含"活跃与留存"，官网定义的六大行为分析模型（页面/事件/分布/漏斗/留存/关联）中也包含留存分析。这些能力支持灵活定义初始行为和后续行为，可根据业务场景计算不同维度的留存率。

三、留存曲线形态解读：三种形态诊断产品问题

留存曲线是留存分析最重要的可视化工具——以时间为横轴、留存率为纵轴，绘制同一批用户（Cohort）的留存衰减曲线。曲线的形态比单个时间点的留存率更有诊断价值，因为它展示了用户流失的完整过程。

据PM Toolkit等增长分析平台的公开资料，留存曲线通常分为三个阶段：前7天为陡降期（大量用户流失），7-30天为习惯期（下降放缓），30天后为平稳期（接近水平）。所有留存曲线都可以归为三种基本形态。

图：留存曲线分为下降型、趋平型、微笑型三种形态，健康曲线应快速下降后趋于平缓且平台高度足够高

留存曲线形态解读表

形态	视觉特征	业务含义	问题诊断	优化方向
下降型（漏水桶）	曲线持续线性下降，没有趋平迹象，像一个底部漏水的桶	产品没有形成核心用户群，所有用户最终都会流失	①产品核心价值不明确，用户找不到持续使用的理由 ②目标用户定位错误，拉来的用户不是真正需要产品的人 ③产品体验有硬伤（性能差、功能缺失、Bug多）	①重新定义产品核心价值主张 ②优化获客渠道精准度 ③修复产品体验硬伤 ④找到Aha Moment并缩短到达路径
趋平型（有核心用户）	前7天快速下降，7-30天缓慢下降，30天后趋于水平，形成一个稳定的"平台"	产品有明确的核心用户群，这部分用户持续使用产品；但新用户转化为核心用户的比例可能偏低	①新手期流失严重（前7天陡降），说明新手引导或首次体验有问题 ②核心用户群规模偏小（平台低），说明产品受众窄或核心价值覆盖面不够 ③趋平后的平台高度决定了产品的长期天花板	①重点优化前7天新手体验，提高新用户→核心用户的转化率 ②扩展产品使用场景，扩大核心用户群规模 ③提升平台高度（即提高长期留存率）是增长的核心
微笑型（流失回流）	曲线先下降，在某个时间点后开始上扬，像一个微笑的嘴型	部分流失用户在后续时间回流，产品有召回机制或用户在特定场景下重新需要产品	①回流可能来自推送/通知/邮件召回（需确认回流来源） ②可能是产品有季节性/周期性使用场景（如报税工具、旅游App） ③需区分"健康的回流"（用户真正重新需要产品）和"虚假的回流"（被促销活动临时拉回）	①分析回流用户的特征和回流触发因素 ②如果回流来自召回机制，优化召回策略的精准度 ③如果是周期性场景，建立周期性触达机制 ④警惕促销驱动的虚假回流——促销结束后用户会再次流失

健康的留存曲线应该是"快速下降后趋于平缓，且平台高度足够高"。前7天的陡降是正常的（任何产品都不可能让所有用户都留下），关键是下降后能否形成一个足够高的稳定平台。

四、分群/渠道/功能留存：从"流失了多少"到"谁在流失"

整体留存率只能回答一个问题："用户流失了多少？"但它无法回答更重要的问题："谁在流失？""从哪个渠道来的用户在流失？""用了哪个功能后用户流失了？"

要回答这些问题，需要对留存进行维度拆分。三种最常用的拆分方法是分群留存、渠道留存和功能留存。

图：从整体留存按用户群体、获客渠道、功能使用三个维度拆分，定位"谁在流失、为什么流失"

维度拆分留存分析方法对比表

拆分方法	分析什么	分析步骤	能回答的问题	注意事项
分群留存	不同属性/行为特征用户的留存差异	①按用户属性（性别、年龄、地域、设备）或行为（是否完成新手任务、是否使用核心功能）划分用户群 ②分别绘制各群的留存曲线 ③对比各群的D1/D7/D30留存率和曲线形态	哪类用户留存最好？哪类用户流失最严重？用户的哪个行为与高留存强相关？	①分群后需确保样本量足够，避免小群体数据不显著 ②相关不等于因果——使用某功能的用户留存高，可能是因为活跃用户更愿意用该功能
渠道留存	不同获客渠道用户的留存差异	①按获客渠道（应用商店、信息流广告、搜索、社交分享、自然流量等）拆分用户 ②对比各渠道的留存曲线和D7/D30留存率 ③计算各渠道的"留存衰减率"（D7/D1比值）和"留存用户获客成本"	哪个渠道的用户质量最好？哪个渠道是"垃圾流量"？渠道的真实ROI是多少？	①不要只看D1留存——D1容易被新手福利拉高，D7和D30更能反映渠道真实质量 ②不同渠道的用户可能有不同的使用场景，需结合渠道特性判断 ③渠道留存差可能是渠道质量问题，也可能是落地页和产品体验不匹配
功能留存	使用/未使用某功能的用户留存差异，以及功能本身的持续使用率	①定义功能的"初始行为"（如"首次使用搜索功能"）和"后续行为"（如"再次使用搜索功能"） ②计算功能留存率（使用功能后N天内再次使用该功能的用户比例） ③对比"使用了某功能"和"未使用某功能"两组用户的整体留存差异 ④按功能使用频次分层，看不同使用深度用户的留存差异	哪个功能是核心价值功能（Aha Moment）？哪个功能用户用了一次就不再用？功能使用深度和留存的关系是什么？	①功能留存的"初始行为"和"后续行为"必须明确定义，不同定义会导致结果差异很大 ②因果关系需验证——建议通过A/B Test或时序分析验证功能对留存的因果影响 ③功能留存低不一定是功能不好，可能是功能入口太深或用户不知道有这个功能

五、LTV与留存的关系：留存如何驱动用户生命周期价值

留存分析的最终商业价值在于它直接驱动LTV（用户生命周期价值）。理解留存和LTV的关系，才能明白为什么"提升留存"比"拉新"更有商业价值。

图：留存率决定用户生命周期长度，生命周期乘以单用户收入构成LTV，留存提升直接驱动商业价值增长

LTV的基本公式

其中：

• LT（Life Time，用户生命周期）：一个用户从第一次使用到最后一次使用产品的平均时间长度。LT由留存率直接决定——留存率越高，用户使用产品的时间越长，LT越大。
• ARPU（Average Revenue Per User，每用户平均收入）：用户在单位时间内（通常是月或年）为产品贡献的平均收入。ARPU由付费转化率、客单价、付费频次决定。

留存对LTV的驱动是通过LT实现的。两个产品ARPU相同，但因为留存率不同，LTV可能相差数倍。

为什么留存提升比拉新更有商业价值？

Bain & Company的研究显示：客户留存提升可显著提升利润（公开研究中常被引用的区间为利润提升25%-95%，具体幅度因行业和业务模式而异）。原因有三：

1. 留存用户的再获客成本几乎为零——拉新需要支付广告费用、渠道佣金、新人补贴，而留住老用户只需要产品本身的价值和适度的运营成本
2. 留存用户更可能转化增购和推荐——老用户对产品有信任基础，更愿意购买高级功能、推荐给朋友，带来额外收入和免费获客
3. 留存用户的服务成本更低——老用户熟悉产品，不需要大量客服支持和新手引导资源

六、留存拐点判断：产品从流失期进入稳定期的信号

留存拐点是指留存曲线从"快速下降"转为"缓慢下降"或"趋于平稳"的转折点。拐点的出现意味着：大部分不匹配的用户已经流失，剩下的用户开始形成稳定的使用习惯，产品进入了"核心用户稳定期"。

留存拐点的三种判断方法

判断方法	具体做法	拐点判定标准	优缺点
斜率变化法	计算留存曲线每个相邻时间点之间的斜率（即留存率的日变化量），观察斜率的变化趋势	当斜率的绝对值从"持续较大"变为"持续较小"，且持续多个时间点，即可判定拐点出现	优点：客观、可量化；缺点：需要足够多的时间点数据，短期波动可能干扰判断
环比变化法	计算每个时间点留存率相对于前一个时间点的环比变化率	当环比变化率从"持续为负且绝对值大"变为"持续为负但绝对值小"或"接近0"，即可判定拐点出现	优点：直观易懂；缺点：对数据波动敏感，可能出现"假拐点"
行业基准法	对比同行业、同类型产品的留存曲线，看本产品的趋平点是否出现在行业典型时间点附近	如果本产品在某时间段开始趋平，而同行业产品通常也在相近时间段趋平，则该时间段即为拐点	优点：有外部参照，判断更有信心；缺点：行业基准数据不易获取，且不同产品有差异

拐点出现的业务含义

• 拐点出现得早：说明产品核心价值明确，用户很快就能判断"这个产品对我有没有用"，不匹配的用户快速流失，匹配的用户快速留下。这通常是好现象——但需确认趋平后的平台高度足够高。
• 拐点出现得晚：说明产品价值感知慢，用户需要较长时间才能体会到产品价值。这可能是因为产品学习成本高、核心功能隐藏深、或需要积累一定数据后才有价值。优化方向是缩短Aha Moment路径。
• 拐点迟迟不出现：说明产品没有形成核心用户群，属于"下降型（漏水桶）"曲线。需要重新审视产品核心价值和目标用户定位。

七、App留存 vs 网站留存：口径差异与跨平台对比

很多团队同时运营App和网站，把两者的留存数据放在一起对比，发现差异很大，然后得出"App留存比网站好"或"网站留存比App好"的结论。这种对比在大多数情况下是无效的，因为App和网站的留存口径有本质差异。

App vs 网站留存口径差异对照表

对比维度	App留存	网站留存	差异影响
用户标识	按设备去重（一台设备算一个用户）	按Cookie去重（一个Cookie算一个访客）	同一用户在多台设备用App被算成多个用户；网站用户清理Cookie后被算成新用户
新用户定义	首次下载安装并激活App的设备用户；同一设备多次安装多版本仅首次记为新用户	自开始统计以来第一次访问网站的独立访客（以Cookie为依据）	App卸载重装可能仍被识别为同一用户（取决于设备标识）；网站清理Cookie后会被算成新用户
活跃行为定义	启动App（从打开到退出的完整过程）	访问网站（打开任意页面）	App启动是明确的主动行为；网站访问可能包含误触、秒退（打开后立即关闭）
用户标识稳定性	设备标识相对稳定（除非用户更换设备或重置设备）	Cookie不稳定——用户清理浏览器数据、更换浏览器、使用无痕模式都会导致Cookie丢失	App的用户标识更稳定，留存数据更准确；网站的Cookie丢失会导致老用户被误算为新用户，虚高新用户数、拉低留存率
多端同一用户	同一用户在手机和平板上用App被算成两个用户	同一用户在Chrome和Safari上访问网站被算成两个访客	两者都存在多端标识分裂问题，但App的设备数量通常少于浏览器数量
推送/召回能力	支持系统级推送（APNs/FCM），可主动召回用户	支持Web Push（部分浏览器），但覆盖率和到达率远低于App推送	App的召回能力更强，可能人为拉高留存率；网站更依赖用户主动回访

跨平台对比的正确做法

如果确实需要对比App和网站的留存表现，建议采用以下方法：

1. 统一为账号级留存：以登录账号为用户标识，而不是设备或Cookie。这样同一用户在App和网站登录同一账号时会被识别为同一用户。但注意：未登录用户无法纳入账号级留存，需要单独分析。
2. 对比时注明口径：如果无法统一口径，在对比数据时必须明确标注"App按设备去重、网站按Cookie"，让读者知道数据差异可能来自口径而非真实产品表现。
3. 看趋势而非绝对值：跨平台对比时，更有意义的是看留存率的变化趋势（如App和网站的D7留存是都在上升还是都在下降），而不是绝对值的高低。
4. 用同一批用户对比：如果有账号体系，可以筛选"同时使用App和网站的用户"，对比这同一批用户在两个平台上的留存表现，这样口径差异的影响最小。

八、总结

留存分析不是"看一个次日留存率"那么简单。回顾本文的核心方法论：

1. 超越次日留存：建立D1/D3/D7/D30+周/月留存的时间维度体系，配合新用户留存和活跃留存的用户维度，每个指标回答不同的业务问题
2. 读懂留存曲线：三种形态（下降型/趋平型/微笑型）各有特征和对应的产品问题，健康的曲线是"快速下降后趋于平缓且平台足够高"
3. 维度拆分定位问题：分群留存看"谁在流失"，渠道留存看"哪个渠道质量差"，功能留存看"哪个功能驱动留存"——整体留存只能看到流失量
4. 理解留存的商业价值：LTV=LT×ARPU，留存直接决定LT；Bain研究显示留存提升可显著提升利润，留存用户的再获客成本几乎为零
5. 判断留存拐点：拐点是曲线从快速下降转为缓慢下降的转折点，可用斜率变化法、环比变化法、行业基准法判断，拐点出现标志产品进入核心用户稳定期
6. 注意口径差异：App按设备去重、网站按Cookie，两者的新用户定义、活跃行为定义、标识稳定性都不同，跨平台对比必须统一口径或注明差异

公开案例显示，字节跳动通过A/B测试系统性优化视频App新用户留存取得显著效果；拼多多通过多多果园等游戏化运营机制提升用户留存和粘性。这些案例表明，留存提升既可以通过产品优化（A/B测试驱动），也可以通过运营机制设计（游戏化）实现，但具体效果因产品类型、用户群体和执行力度而异。

需要明确一点：留存分析的目的不是"把留存率做高"，而是"通过留存数据发现产品问题、指导产品优化、最终提升用户生命周期价值"。如果留存数据不能帮助你做出更好的产品决策，那么再漂亮的留存曲线也只是数字游戏。

常见问题