游戏留存率是什么？

后台报表里，次日留存 35%，7 日留存 8%，团队常会追问这组数字算好还是差。要回答这个问题，得先弄清楚游戏留存率在算什么。

游戏留存率的定义可以概括为，某一批新增玩家中，经过一段时间后仍然回来登录的人数占这批新增玩家的比例。它描述同一批玩家从首次进入到后续回访的变化，常用来判断游戏能不能把新玩家留下来。在游戏数据分析里，留存通常会和新增、活跃、付费等指标一起看，单独一个数字很难说明问题。

下面把定义、算法、常见口径和判断方法拆开讲。

游戏留存率到底是什么

留存率的计算对象是一批玩家。比如 1 月 1 日有 1000 名新玩家首次登录，这批人就是当天的同期群。到了 1 月 2 日，这 1000 人里有 400 人再次登录，次日留存率就是 400 ÷ 1000 × 100% = 40%。

这里的分母是 1 月 1 日新增的 1000 人，分子是这 1000 人里在 1 月 2 日有登录行为的人。1 月 2 日当天其他老玩家登录，不会进入这个分子。

GameRes 游资网在解释留存率时给出的算法是留存用户除以新登用户总量，腾讯云开发者社区的文章也采用同一口径。不同团队会在新增、活跃、账号、设备这些维度上做细分，但核心结构一致。先锁定一批人，再看这批人后来还有多少回来。

次日、7 日、30 日留存率怎么算

游戏行业常看 D1、D7、D30 三个节点。D 是 Day 的缩写，D1 指首次登录后的第 1 天，D7 指第 7 天，D30 指第 30 天。

留存率的计算公式可以写成：

N 日留存率 = 第 N 日回访的去重新增用户数 ÷ 该批新增用户数 × 100%

玩家首次登录当天记为第 0 天。1 月 1 日首次登录，1 月 2 日是 D1，1 月 8 日是 D7，1 月 31 日是 D30。这个起点要统一，否则同一批玩家会被算到不同日期。

还要区分两种常见写法。第 N 日留存只看第 N 天这一天有没有回访；N 日内留存看从首次登录后到第 N 天之间有没有回访，只要其中一天登录过就算。后者的数字通常更高，因为它把回访窗口拉宽了。两种算法都能用，但放在一张报表里比较时，要注明用的是哪一种。

另一个容易混淆的地方是 7 日留存和周留存。7 日留存看的是首次登录后第 7 天这个单日；周留存通常按自然周统计，或者看 7 天内是否登录过。两者的时间窗口和分子都可能不同，不能直接互换。

为什么同一款游戏会算出不同的留存率

同一款游戏，两个团队报出的留存率不一样，常见原因是口径不同。下面几组选择会直接改变结果。

新增用户还是活跃用户

新增留存的分母是某一批新玩家，回答这批人后来还在不在。活跃留存的分母是某一天或某一周期的活跃玩家，回答老玩家和回流玩家有没有继续活跃。两个指标都叫留存率，但分母不同，不能放在一起比较。

账号还是设备

按账号统计时，一个玩家开小号会放大新增；按设备统计时，换设备、多端登录会影响去重。多数产品里，新增账号和新增设备的留存率差距不大，但在账号体系复杂、刷小号明显、跨端登录频繁的产品里，差距会拉开。看报表时要先确认统计主体。

什么行为算登录

有的产品把启动就算登录，有的要求登录成功，有的要求进入核心玩法。行为定义越宽松，留存率通常越高；定义越严格，留存率越低。比较不同产品或不同版本时，要先问清楚登录的定义。

自然日还是 24 小时

按自然日统计，晚上 11 点 50 分首次登录、次日 0 点 10 分再次登录，会被算作 D1 留存。按 24 小时滚动窗口统计，要满 24 小时后的回访才算。出海产品还要注意时区，按 UTC 切日和按当地时间切日，会让同一批玩家落到不同日期。

这些差异叠加起来，足以让同一款游戏的 D1 差出一截。比较留存率之前，先确认分母、分子和时间窗口。这也是同期群分析要解决的问题，把同一批玩家放在同一条时间线上看，减少口径混用带来的误判。

留存率和流失率、DAU、付费留存是什么关系

留存率和流失率是一组对应指标。在同一口径下，流失率 = 1 - 留存率。D7 留存 8%，意味着 92% 的玩家在第 7 天没有回来。这个 92% 里有一部分会在之后回流，所以它不等于永久流失率。

DAU 是日活跃用户数，MAU 是月活跃用户数，DAU/MAU 反映活跃用户的使用频率。它们描述活跃规模，不能替代新增留存。DAU 上涨也可能来自买量或活动，不能直接说明留存变好。

付费留存是把分母限定为付费玩家，观察付费玩家后续是否继续登录。它常用来判断商业化节奏是否伤害体验。付费玩家留存下降，可能与付费点设计、版本内容或竞争环境有关，需要结合具体场景分析。

留存和 LTV 的关系也很直接。玩家留得越久，付费和广告曝光的机会越多，LTV 才有机会覆盖获客成本。买量团队把 D1、D7 当作回收周期的前置指标，原因就在这里。

多少留存率算好

行业里没有统一的及格线。品类、平台、地区、渠道、产品阶段不同，合理区间会差很多。比较现实的做法，是拿同品类、同平台、同渠道、同阶段的数据做参照。

据 GameAnalytics 2025 年发布的《2025 移动游戏基准报告》，样本为 11600 款游戏，数据覆盖 2024 年全年。报告显示，D1 留存排名前 25% 的游戏大约在 26.48% 到 27.69%，后 25% 大约在 10% 到 11.5%；D7 留存的中位数在 3.42% 到 3.94%，前 25% 在 7% 到 8%，后 25% 约为 1.5%；75% 的游戏 D28 留存没有超过 3%。

这组数字有两个用法。一个是看自己在市场里的位置，另一个是提醒自己不要拿头部产品当普遍标准。手游样本里包含大量测试产品和长尾产品，中位数会被拉低；头部产品的数字又容易被幸存者偏差放大。行业基准只能用来定参照系，不能直接当及格线。

报告还提到，D1 留存前 25% 的游戏中，iOS 大约在 31% 到 33%，Android 大约在 25% 到 27%。这组差异更多来自两端的用户结构、品类分布和买量方式。拿自己的 Android 数据去对比 iOS 的头部基准，会得出错误结论。

品类也会改变判断。棋牌、卡牌和益智类游戏在报告里的短中期留存相对靠前；多人游戏的单次会话更长，但整体留存偏弱。休闲游戏可能 D1 高、D30 低，中重度游戏则更看重 7 日和 30 日。看留存要结合品类节奏，不能只盯一个节点。

你可能见过次日 40%、7 日 20%、30 日 10% 的说法。它更像早期行业的粗略参考，不适合直接套到所有品类和平台。用自己产品过去几个版本的数据做纵向对比，通常比记一个固定数字更有用。

判断留存率好不好，可以按下面的顺序看。

• 先确认口径，明确新增还是活跃，账号还是设备，第 N 日还是 N 日内。
• 再看趋势，最近几个版本、几个渠道是上升还是下降，变化发生在哪一天。
• 再看队列，同一批新增玩家在第 1 天、第 7 天、第 30 天的回访曲线有没有异常拐点。
• 最后看样本量，小样本的百分比波动很大，几个人的进出就能改变结论。

留存率受哪些因素影响

留存率是结果指标，背后是玩家从首次进入到长期游玩的连续体验。下面几类因素会直接影响不同阶段的留存。

首次体验决定 D1

玩家第一次打开游戏，首先遇到的是加载速度、稳定性、画面风格、操作引导和首局反馈。加载过慢、闪退、引导冗长、目标不清，都会让玩家在第一天离开。首局能不能让玩家理解自己在做什么、为什么值得再来一次，是 D1 的核心问题。

新手引导的长度要和玩法复杂度匹配。玩法简单的产品，几句话加一次实际操作就够；系统复杂的产品，可以分阶段开放，避免一次塞进太多机制。引导结束后，玩家要有明确的下一个目标，不能出现引导一停就不知道该干什么的空档。

核心循环和内容节奏决定 D7

玩家愿意回来，通常是因为核心循环有意思，或者有未完成的目标。核心循环包括操作、反馈、奖励和难度曲线。难度突然陡升、奖励失去吸引力、内容消耗过快，都会让玩家在第 3 天到第 7 天之间流失。

内容更新和活动节奏也会影响 D7。固定周期的活动、赛季、任务和收集目标，能给玩家一个下次登录的理由。活动排得太密，玩家会疲惫；排得太疏，又会失去回访牵引。这个节奏需要结合品类和玩家游玩时长来定。

长期目标和社交关系影响 D30

到了第 30 天，玩家留下来的理由通常更具体，可能是养成目标、公会或战队关系、赛季排名、收藏进度、长期剧情。社交关系越强，玩家越不容易因为一次版本波动离开。反过来，如果玩家在游戏里没有形成关系，也没有长期目标，D30 很难靠日常奖励撑住。

渠道质量会改变留存的起点

买量素材承诺的玩法、画风和奖励，如果和玩家进入游戏后的实际体验不一致，玩家会在第一天快速离开。渠道带来的用户结构也会影响留存，同一款游戏在不同渠道的 D1 可能差很多。看整体留存之前，先按渠道拆开，能更快找到问题来源。

这些因素共同作用，单个环节的优化不一定能立刻拉高整体留存。D1 看首次体验，D7 看核心循环，D30 看长期内容和关系。按阶段找问题，比笼统地说留存低更有效。

怎么定位留存问题并改善

留存率下降时，直接加大奖励或推送，可能把数字短期拉高，却掩盖了实际问题。更稳妥的做法是按下面的顺序排查。

• 统一口径，按新增日期建队列。先确认新增、活跃、账号、设备、自然日、时区这些设置，让前后版本可比。
• 看留存曲线在哪一天出现异常。D1 低，优先查首次体验和渠道质量；D3 到 D7 下滑，优先查核心循环、难度曲线和内容节奏；D30 低，优先查长期目标、社交关系和版本更新。
• 拆维度。按渠道、机型、版本、地区、新手关卡、等级段、付费状态拆开看，找到留存明显偏低的群体。整体留存掩盖的结构性问题，往往在这一步暴露。
• 查关键漏斗。从下载、注册、创角、新手引导、首局、次日回访逐层看流失，定位玩家在哪一步离开。漏斗和留存要结合看，单看一个环节容易误判。
• 提出假设，做小范围实验。比如调整新手引导长度、修改关卡难度、改变首日奖励，先在小流量版本验证，再观察 D1、D7 和后续付费指标。实验要设置对照组，避免把版本波动当成优化效果。
• 复盘并沉淀。记录改动内容、影响人群、观察周期和结果，形成团队自己的留存知识库。下一次遇到类似问题，可以直接复用验证过的方法。

工具能缩短取数、拆维度和验证的时间。ThinkingAI 在游戏数据分析场景里提供留存分析、漏斗分析、用户分群和A/B 测试等能力，服务全球 1500 多家企业，接入产品超过 8000 款。选型时仍要看团队的数据基础、接入成本和当前要解决的问题，工具本身不替代对玩家体验的判断。

如果留存问题来自老玩家回流或活动触达，也可以把用户触达纳入排查范围。触达时机、频次和内容会影响玩家感受，召回活动做得太频繁，可能带来反效果。

最后提醒一句，留存优化要看长期。用强制弹窗、连续登录奖励或高频推送把 D1、D7 拉高，如果玩家体验没有改善，长期留存和付费仍会回落。先统一口径，再拆维度，最后用实验验证。这个顺序比追求某个单点数字更可靠。

常见问题

游戏留存率多少算正常？

没有统一答案。先看品类、平台、地区、渠道和产品阶段，再拿同组数据比较。GameAnalytics 2025 年报告里，D7 留存中位数在 3.42% 到 3.94%，前 25% 在 7% 到 8%。这个区间可以作为手游市场的一个参照，不能直接当成所有游戏的目标。

次日留存和 7 日留存，应该先看哪个？

两个都要看，顺序取决于产品阶段。新游戏上线初期，D1 更能反映首次体验和渠道质量；进入稳定运营后，D7 更能反映核心循环和内容节奏。中重度游戏还要看 D30，判断长期内容和社交关系能不能撑住玩家。

7 日留存率就是周留存率吗？

不是。7 日留存看首次登录后第 7 天这个单日有没有回访；周留存通常按自然周统计，或者看 7 天内是否登录过。两者的时间窗口和分子可能不同，比较时要统一口径。

留存率会超过 100% 吗？

按标准的新增队列算法，留存率不会超过 100%，因为分子是分母的子集。如果报表里出现超过 100% 的留存率，通常说明分子包含了分母之外的人，或者去重、归因、时区处理出了问题，需要先查口径。

新游戏上线初期留存率低，正常吗？

上线初期数据波动大，样本量小，渠道结构也可能和稳定期不同，短期偏低并不罕见。判断时要看趋势和队列，不能只看某一天的数字。如果 D1 持续低于同品类同渠道的参照值，或者新手引导阶段出现明显流失，就需要优先排查首次体验。

留存率高就一定赚钱吗？

不一定。留存是付费和广告收入的前提，但变现还取决于付费点设计、广告节奏、获客成本和玩家结构。留存高、付费低的产品可能活得不错，也可能需要调整商业化；留存低、付费高的产品则要警惕透支玩家。把留存、付费、LTV 和获客成本放在一起看，结论才完整。

参考资料

• GameAnalytics.《2025 移动游戏基准报告》。2025 年发布，数据覆盖 2024 年。https://www.gameanalytics.com/cn/reports/2025-mobile-gaming-benchmarks
• GameRes 游资网.《小白学数据分析—留存率是什么？》。2012 年。https://www.gameres.com/forum/t/192643
• 腾讯云开发者社区.《留存率是什么？》。2018 年。https://cloud.tencent.cn/developer/article/1042075