留存分析是什么研究有哪些方法？

留存分析是一种纵向研究方法。它先选一批在某个时间完成起始行为的用户，再沿着时间观察这批人是否继续完成目标行为。留存率是这项研究常用的结果指标，计算方式却有好几种。起始事件、回访事件、统计实体和时间窗口任何一项变化，数字都会跟着变。

从研究方法分类看，留存分析属于纵向的同期群研究。它把同一时间完成起始事件的用户放在一起，比较这批人在后续时间里的回访比例。这类按批次观察用户的做法，常被称为同期群分析。产品团队用它判断用户初次体验后是否继续回来，运营团队用它看不同渠道和版本的用户质量，数据团队用它建立稳定的用户留存口径。

四个要素决定留存分析怎么算

留存分析的计算看起来只是一个比例，实际要先回答四个问题。Adobe 的留存分析文档把起始事件和回访事件列为留存计算的两个核心事件。起始事件决定谁进入样本，回访事件决定什么算回来，统计实体决定按谁计数，时间窗口决定观察多久。

起始事件

起始事件是用户进入同期群的条件。注册、首次登录、首次安装、首次下单、首次使用某个核心功能，都可以作为起始事件。选择不同的起始事件，样本就不同。用注册做起点，样本里只有完成注册的人；用首次打开做起点，样本里还会包含没有注册的访客。

回访事件

回访事件是用户被算作留存的条件。再次登录、再次使用核心功能、再次购买、再次完成某个关键动作，都可以作为回访事件。回访事件定得太宽，比如只要打开应用就算回来，留存率会偏高；定得太严，比如必须完成一次深度操作，留存率会偏低。回访事件要贴近产品提供的核心价值，不能只用最容易发生的事件。

统计实体

统计实体是留存率的计数单位。常见选择有账号、设备和游戏角色。一个人可能有多台设备、多个账号，按设备算和按账号算，结果会不一样。Datadog 的留存文档也区分了按用户统计和按账号统计。游戏项目还要决定看账号留存还是角色留存，两者回答的问题不同。

时间窗口

时间窗口决定看第几天、第几周或第几个月。按日看适合高频产品，按周或按月看适合使用频率较低的产品。时间边界也要写清楚。Amplitude 在 N 日留存文章里提醒，自然日和 24 小时窗口会给出不同结果。用户在 23:50 首次进入，20 分钟后再次进入，按自然日算，这次回访可能落在第 1 天；按 24 小时窗口算，还没满 24 小时，不计入第 1 天。

留存分析研究什么

留存分析研究的是一批用户在时间上的回访行为。它通常回答三个问题。用户有没有回来，什么时候回来，哪一批用户留得更久。一次完整的留存分析，通常从业务问题开始，再选同期群、定起始和回访事件、选时间窗口，最后比较批次并回到具体动作。

把同一时间完成起始事件的用户放在一起，这批人就是一个同期群。不同批次的用户来源、版本、活动背景不同，混在一起看总量，变化可能来自用户构成，也可能来自产品体验。同期群把批次固定住，比较的是同一类用户在不同时间点的表现。

举个例子。假设某游戏 10 月 1 日新增 2000 人，第 1 天留存 38%，第 7 天留存 15%，第 30 天留存 6%。10 月 4 日新增 2400 人，第 1 天留存 31%，第 7 天留存 11%，第 30 天留存 4%。后一批用户从第一天起就偏弱，差距一直延续到第 30 天。这时可以先查这一天的渠道来源、投放素材、版本和服务器状态，再判断问题出在获客还是产品体验。游戏团队还会把留存和游戏数据分析里的付费、用户生命周期价值放在一起看。

单个用户为什么离开，需要回到用户序列或行为路径里看。留存分析给出的是群体比例，帮助团队判断哪一批人、哪个时间段出了问题。

常见研究方法有哪些

留存分析的方法不需要列成一长串。实际工作中最常见的差异，集中在三个口径选择上。看第 N 天当天，还是看第 N 天及以后；看一个时间点，还是一个区间；看整体，还是分群比较。

经典 N 日留存

经典 N 日留存统计起始事件后第 N 天当天是否完成回访事件。计算公式是第 N 天回访人数除以同期群人数。它适合每天使用的产品，比如游戏、社交和工具类应用。经典 N 日留存比较严格，对单日波动敏感，适合看短期变化和版本效果。它也会漏掉那些在第 N 天前后回来、但当天没有回来的用户。

滚动留存

滚动留存统计第 N 天及以后是否回来。只要在观察期内回来过一次，就计入留存。同一批用户的滚动留存通常高于经典 N 日留存。它适合每周或每月使用几次的产品，比如健身、财务、订阅类应用。滚动留存也有一个限制。它把第 N 天以后的回访都算进来，读者看不出用户具体在哪一天回来。新批次还没有足够长的观察时间，滚动数值也会偏低，比较时要选观察时长相同的批次。

区间留存

区间留存统计某个区间内至少回来一次，比如第 8 天到第 14 天。它适合使用频率不高的产品，或者需要按周、按月观察的场景。区间越宽，留存率通常越高，跨团队比较时要固定区间。企业服务产品常用这种方式看用户是否在一个月内持续使用。

方法	回答的问题	计算口径	适用场景	注意点
经典 N 日留存	第 N 天当天回来了吗	第 N 天回访人数除以同期群人数	游戏、社交、日活型工具	对单日波动敏感，适合看短期变化
滚动留存	第 N 天及以后回来过吗	第 N 天及以后至少回访一次的人数除以同期群人数	周活或月活型产品、订阅、低频工具	数值通常更高，需固定观察时长
区间留存	某个窗口内回来过吗	窗口内至少回访一次的人数除以同期群人数	低频使用、企业服务、月付产品	窗口越宽数值越高，比较要同口径

ThinkingAI 的留存率文章用一个示例说明，同一批用户的第 7 天经典留存是 15%，滚动留存是 24%。两个数字都成立，回答的问题不同。把经典口径的第 7 天留存和别人的滚动口径第 7 天留存放在一起比较，结论很容易失真。

同一批用户下经典 D7 只统计第 7 天当天回访，滚动 D7 统计第 7 天及以后回访的对照信息图

图注：同一批用户的经典 D7 与滚动 D7 口径对照，示例数据，非实际结果。

分群和同期群对比可以叠加在以上任何一种口径上。按渠道、平台、版本、地区或用户类型切开，比较同一口径下的留存。分群改变的是比较对象，留存率的计算口径不变。分组属性最好取起始事件时的值，避免用户后来变化后被分到另一组。

留存结果怎么读

留存曲线与平台期

把同期群按时间画成曲线，横轴是起始事件后的时间，纵轴是留存率。曲线开始陡降，通常说明首次体验或激活环节有阻力；曲线走平，说明留下来的用户找到了持续回来的理由。平台期的高度反映长期留存的基本盘。平台期出现得早，可以理解为产品很快筛出了合适用户；平台期一直往下掉，说明用户还在持续流失，需要继续拆解原因。

曲线要按同期群看，不要把所有用户混成一条总曲线。总曲线会受新增用户规模和渠道结构影响，掩盖批次之间的差异。

D1、D7、D30 各看什么

D1 看首次体验，D7 看核心循环，D30 看长期习惯和内容运营。不同检查点回答不同问题，不能只看一个数字。 D1 弱，先查首次会话、激活步骤、版本稳定性和投放素材与产品的匹配度。D7 弱，查核心功能是否形成重复使用的理由。D30 弱，查内容更新、活动节奏、社交关系或长期价值。

低频产品要换检查点。一个月用一次的产品，D1 很低不代表产品没有价值，按周或按月的区间留存更合适。

新批次还没到第 30 天，D30 单元格应该留空，不能拿部分数据下结论。比较同期群时，要让它们处在同一年龄。

留存需要和其他指标一起看。用户生命周期价值、获客成本、回本周期都会影响留存数字的业务含义。

容易混淆的四个边界

留存与活跃

日活、月活衡量整体使用规模，留存衡量一批用户是否回来。日活稳定可能来自持续买量，新用户留存却可能在下降。看留存时，先把新增规模、渠道结构和活跃总量放在旁边，避免把买量带来的活跃当成留存改善。

留存与流失

留存和流失是否互补，取决于流失的定义。有些报表把流失率直接定义为 1 减留存率，这时两者互补。ThinkingAI 的留存分析文档把第 N 天流失定义为第 1 天到第 N 天都没有回访。在这种口径下，第 N 天回访的用户算留存，中间回来过但第 N 天没回来的用户既不算留存，也不算流失，两者相加会小于 100%。看报表时先确认流失口径，再比较数字。

使用留存与订阅留存

订阅业务常按计费周期计算客户留存，产品团队又按 D1、D7、D30 计算使用留存。两者分母和周期不同，不能直接比较。一个按月缴费的工具，用户可能每月只登录一次，D1 很低，订阅留存却可能稳定。汇报时要写清楚是使用留存还是客户留存，避免把两个指标混成一个。

统计实体与时间边界

账号、设备、游戏角色是不同实体。一个人多设备、多账号，按设备算和按账号算，结果会不同。统计实体要在分析前定好，同一张报表不要中途换单位。时间边界也要统一。自然日和 24 小时窗口会带来差异，跨团队比较时先确认用的是哪一种。

把留存口径写清楚

留存分析最容易出问题的地方，是数字看起来都叫留存率，口径却不一样。跨团队比较前，先对齐统一指标口径，再讨论留存高低。

一张检查清单

把下面七项写在图表旁边，能减少大部分争议。

起始事件是什么，样本包含哪些用户。
回访事件是什么，什么动作才算回来。
统计实体是账号、设备还是角色。
时间粒度是日、周还是月。
时间边界是自然日还是 24 小时窗口，时区怎么定。
同期群是否已经成熟到可以看第 N 天。
重复账号、卸载重装、跨设备登录怎么处理。

口径写在图表旁边，比事后解释数字更重要。同一个团队在不同时间用了不同口径，趋势也会失真。把定义固定下来，后续比较才有意义。

ThinkingAI 的留存分析能力

把口径落到工具里，能减少重复解释。ThinkingAI 的 Agentic Engine 提供留存分析模型，配置首次事件、回访事件和统计实体后，可以按日、周、月查看留存率与流失率，也可以按属性分组，或要求回访事件与首次事件在某个属性上保持一致。某个留存率还可以保存为项目级指标，供后续报表复用。这些配置把留存分析从一次性的取数，变成可以复用的分析口径。

这些能力来自 ThinkingAI 在数据智能和用户行为分析上的长期积累。目前 ThinkingAI 已服务全球超 1500 家企业，接入产品超 8000 款。对于同时看游戏、短剧、直播、电商等多条业务线的团队，统一留存口径能减少跨业务比较时的解释成本。

FAQ

留存分析和用户行为分析是什么关系？

用户行为分析是更大的范围，留存分析是其中一个研究方向。用户行为分析还会看事件、漏斗、路径、分群等，留存分析专门看一批用户在时间上的回访。两者共用同一套用户行为数据，分析目的不同。

留存率高一定说明产品好吗？

不一定。留存率受起始事件、回访事件、样本构成和观察窗口影响。一个宽松的回访事件会把留存率抬高，一个很小的同期群也会让比例波动很大。判断产品好坏，还要看留存质量、付费、活跃和用户反馈。

留存分析和漏斗分析有什么区别？

漏斗分析看用户在一组步骤中走到哪一步，留存分析看用户在某个时间点或区间有没有回来。两者可以连起来用。先看新用户在哪一步受阻，再看受阻用户的后续留存，能更快定位问题是流程摩擦还是长期价值不足。

新用户留存和活跃用户留存是一回事吗？

两回事。新用户留存以首次行为为起点，关注新批次。活跃用户留存通常看整体活跃用户的回访或滚动活跃，分母和解释都不同。汇报时要写清楚是哪一种，避免把两个数字放在一张图里比较。

留存分析需要哪些数据？

至少需要能识别用户实体的 ID、起始事件和回访事件的时间戳，以及用于分组的渠道、版本、地区等属性。数据要能去重，时间边界要统一。埋点缺失或事件改名都会让留存曲线出现假下跌，可以先用数据采集与埋点的检查清单核对事件。

参考资料

以上资料查阅于 2026 年 11 月 8 日。