什么是留存分析？用户洞察分析平台如何衡量用户粘性

留存分析不是看一个留存率高低，而是看一批用户在第一次接触产品之后，为什么会回来、什么时候不再回来，以及哪些动作让回来的人越来越多。用户洞察分析平台的价值，也不是多画几张报表，而是把留存率、活跃频率、使用深度和核心行为放到同一套口径里，帮助团队判断用户粘性到底来自哪里。

一、留存分析是什么，先给一个能用的定义

留存分析是一种按用户首次行为时间分组，持续追踪这批用户后续是否再次发生目标行为的方法。它关注的不是某一天有多少人打开产品，而是同一批人在第 1 天、第 3 天、第 7 天、第 30 天之后还剩多少，以及哪些人留了下来。

留存分析回答三个问题，用户会不会回来，多久回来一次，哪些用户更愿意留下。 这三个问题分别对应留存率、活跃频率和用户分层，单看任何一个都容易得出片面结论。

留存分析和留存率不是一回事。留存分析是一套方法，包含同期群划分、留存曲线、关键行为对比和流失节点定位。留存率只是其中一个结果指标，它告诉你某个时间点还剩多少人，却不能解释为什么留下、为什么离开。

很多团队把留存分析做成了一张总留存率报表，每天看数字涨跌，却不知道变化来自新用户结构、渠道质量还是产品改版。真正有用的留存分析，必须能拆到人群、行为和场景，最后落到一个可以执行的运营动作上。

二、留存率怎么算，次日、7日、30日分别看什么

留存率的计算并不复杂。留存率等于第 N 日仍发生目标行为的用户数，除以首次行为用户数。 这里的首次行为可以是注册、首次打开、完成新手引导，也可以是第一次下单、第一次发消息。目标行为则由业务自己定义，但必须固定，不能今天算登录、明天算付费。

假设 3 月 1 日有 1000 名新用户完成注册，3 月 2 日有 300 人再次登录，次日留存率就是 30%。到 3 月 8 日还有 150 人登录，7 日留存率就是 15%。到 3 月 31 日还有 70 人登录，30 日留存率就是 7%。同一批用户、同一个目标行为、同一段观察窗口，三个数字才有可比性。

不同时间窗口回答的问题不同。

• 次日留存率看第一印象。 新手引导是否顺畅、首次打开是否卡顿、用户有没有在第一天感知到产品价值，都会直接反映在次日留存上。
• 7 日留存率看核心价值。 用户是否愿意在一周内再次回来，通常说明产品有没有进入他的日常任务或兴趣清单。
• 30 日留存率看长期习惯。 内容消耗、社交关系、会员权益、使用场景是否稳定，决定用户能不能从偶尔使用变成长期使用。

观察窗口要和产品的使用周期匹配。电商用户不会每天购买，工具产品可能每周才用一次，游戏用户可能每天登录也可能隔几天上线。低频产品只盯次日留存，很容易把正常用户误判成流失用户。 更合理的做法是先确定用户完成一次完整价值交付需要多久，再选择对应的观察窗口。

还有一个常见问题，登录到底算不算留存。如果产品价值发生在下单、发消息、看完整一集内容或完成一次练习，那么登录只能算到访，不能算真正留存。目标行为越接近产品核心价值，留存率越能说明问题。

三、留存曲线和同期群，为什么比一个总数更有用

把同一批用户在不同时间点的留存率连起来，就得到留存曲线。健康的留存曲线通常有两个特征，前期下降较快，后期逐渐走平。前期下降是因为大量用户在首次体验后没有找到持续使用的理由，后期走平则说明留下来的人形成了稳定习惯。

留存曲线最值得看的不是第一天，而是曲线什么时候走平，以及走平在什么高度。 如果曲线一路降到接近零，说明产品没有形成稳定价值。如果曲线在某个位置稳定下来，这个位置就是长期留存的基本盘。团队要做的不是让所有用户都不走，而是让更多用户尽快进入稳定段。

同期群分析则解决了另一个问题，不同时间、不同渠道、不同版本进来的用户，表现能不能比较。Apple 在 App Store Connect 的留存说明里把这种结构讲得很清楚，横向代表安装后的天数，纵向代表同一天安装的用户群组，每个格子表示这个群组在对应天数后仍然打开应用的比例。这样读表，既能看同一批用户随时间的变化，也能比较不同批次之间的差异。

图1 同期群留存表与留存曲线

同期群可以按注册时间划分，也可以按获客渠道、首日行为、版本、地区、设备或会员等级划分。比如把首日完成关键行为的用户和未完成关键行为的用户分成两组，分别看他们的 7 日留存和 30 日留存，往往比看整体留存率更容易找到问题。

读留存表时有三种看法。

• 横向看同一批用户。 观察这批用户从第 1 天到第 30 天的衰减速度，判断产品体验是否稳定。
• 纵向看同一天数。 比较不同批次用户在同一个生命周期节点的留存差异，判断改版、渠道或活动有没有效果。
• 对角线看时间趋势。 把相邻批次的同一阶段连起来看，判断整体留存是在变好还是变差。

整体留存率上升不一定是产品变好，也可能是新用户结构变化。 如果低质量渠道的新增减少，整体留存率会被动上升，但老用户的真实体验可能没有改善。同期群分析的价值，就是把这种结构变化拆开。

四、用户洞察分析平台如何衡量用户粘性

用户粘性不是单一指标。它至少包含四层信息，用户会不会回来，回来得有多频繁，每次投入有多深，以及有没有完成产品真正想让他完成的核心行为。成熟的用户洞察分析平台会把四层指标放在同一套数据模型里，而不是让团队在多个报表之间来回对照。

1、第一层，留存率回答用户会不会回来

留存率是最接近用户关系的指标。它不关心用户为什么来，只关心用户来了一次之后还会不会再来。平台通常会提供新增用户留存、活跃用户留存、自定义行为留存等口径，还会支持按日、周、月观察。

这里最容易出错的地方是口径。活跃的定义、首次行为的定义、时间窗口的定义，任何一项变了，留存率都会变。 平台的第一项工作不是画图，而是把口径固定下来，让不同团队看到的是同一个数字。

2、第二层，DAU 与 MAU 的比值回答用户回来得有多频繁

DAU 是日活跃用户数，MAU 是月活跃用户数。两者相除，可以得到一个月内用户平均有多少比例的天数会打开产品。Adjust 在其用户粘性指标说明中给出一个广泛接受的参考，用户粘性比值达到 20% 可以视为健康，25% 以上属于很好。 这个数字适合做跨行业的第一眼判断，但不能直接套到所有产品上。高频社交产品、游戏、工具和低频订阅产品的合理区间差别很大。

更重要的是看趋势和结构。比值突然上升，可能是用户真的更活跃，也可能是月活口径收窄或统计周期变化。比值突然下降，可能是产品体验变差，也可能是新增用户结构变化。单看一个月的比值，不如看连续几个月的走势，再结合同期群拆开看。

3、第三层，使用频次和时长回答用户投入有多深

用户每天都来，不代表他每次都用得深。平台还会看人均会话次数、单次会话时长、月均使用天数、功能使用广度等指标。QuestMobile 2025 年秋季报告显示，2025 年 9 月中国移动互联网全网用户规模达到 12.69 亿，月人均使用时长 178.2 小时，同比增长 8.2%。这说明大盘层面的用户时间还在增长，但具体到单个产品，时长必须和业务阶段、用户结构、使用场景一起看。

时长也不是越长越好。工具类产品如果用户每次都能快速完成任务，短时长反而可能是效率高的表现。判断时长的前提，是先明确产品希望用户完成什么任务。 如果时长增长来自用户找不到入口、反复试错或被迫观看广告，这种时长没有业务价值。

4、第四层，核心行为渗透回答用户有没有真正用到价值

核心行为渗透是四层指标里最接近业务结果的一层。它看的是有多少用户完成了产品真正想让他完成的行为，比如新用户首日完成一次核心操作、内容产品看完一条完整内容、电商产品完成一次加购、SaaS 产品完成一次关键配置。

平台可以把核心行为和留存做交叉分析。比如比较首日完成关键行为和未完成关键行为的用户，在 7 日留存、30 日留存上的差异。如果差异明显，就可以进一步验证关键行为是不是留存的前置条件。这类分析比单纯看登录率更有价值，因为它能指向产品应该优化哪一步。

图2 用户粘性的四层指标

四层指标要一起看。留存率高但使用频次低，说明用户可能只是被动回来。频次高但核心行为渗透低，说明用户在频繁使用边缘功能。时长高但留存率低，说明产品可能靠短期刺激留住用户，长期关系并不稳定。粘性不是某一个数字高，而是四层指标之间能互相印证。

五、从留存数据到运营动作，平台怎么落地

用户洞察分析平台真正的价值，不是把留存率画得更漂亮，而是把发现问题、定位原因、采取行动、验证结果这条链路缩短。很多团队的分析卡在两个地方，一是口径不统一，二是分析结果落不了地。平台要解决的就是这两个问题。

1、先统一口径，再谈对比

留存分析最怕口径不一致。市场团队看的是注册留存，产品团队看的是登录留存，运营团队看的是完成核心行为后的留存，三个数字放在一起，讨论就会失焦。

平台需要先统一几件事。

• 活跃的定义是什么，打开、登录还是完成某个关键行为。
• 首次行为是什么，注册、首次启动还是首次完成核心操作。
• 用户身份怎么识别，同一用户在多端、多设备、多账号下如何合并。
• 时间窗口怎么算，按自然日、自然周还是滚动 30 天。
• 去重规则是什么，同一天多次访问只能算一个活跃用户。

口径统一之后，留存率才有比较意义。 这一步看起来基础，却决定了后面所有分析是否可信。

2、从同期群下钻到人群和动作

看到留存异常之后，下一步不是马上做活动，而是拆结构。平台可以按渠道、版本、地区、设备、新老用户、首日行为、会员等级等维度拆分同期群，找到到底是哪一批用户拉低了留存。

拆分之后，再结合漏斗分析和路径分析看行为。用户是在注册后第一步流失，还是在核心功能使用前流失，是在付费墙前离开，还是在某个加载环节卡住。留存异常从来不是一个总数，而是一个结构。

3、把洞察接到触达和实验

找到人群和原因之后，平台要能把分析结果接到运营动作上。常见做法包括圈选目标人群、配置自动化触达、设计 AB 实验、观察策略上线后的留存变化。没有这一步，分析报告很容易停留在汇报材料里。

ThinkingAI 的留存分析可以与事件分析、漏斗分析、用户分群、RFM、AB 测试和自动化触达等能力配合，把分析结果接到运营动作上。它的价值不在于多一个图表，而在于减少分析、圈人、触达、复盘之间的来回搬运。ThinkingAI 已服务全球超 1500 家企业，接入产品超 8000 款，这些跨行业实践也能帮助企业更快判断哪些留存指标值得优先关注。

图3 从留存异常到运营动作的闭环

六、留存分析最常见的四个误区

第一个误区，把登录当活跃。 登录只是一个动作，不代表用户完成了价值。如果产品核心价值发生在登录之后，就应该把核心行为纳入留存定义，否则留存率会虚高。

第二个误区，只看次日留存。 次日留存能反映第一印象，但不能说明长期关系。一个产品可能靠强引导把次日留存做得很好，却在 7 日之后快速衰减。必须把次日、7 日、30 日连起来看。

第三个误区，只看整体不看结构。 整体留存率会被新用户规模和渠道结构影响。新增大量低质量用户时，整体留存率会下降，但不代表老用户出了问题。反过来，减少低质量渠道投放也可能让整体留存率被动上升。同期群拆分是必做的动作。

第四个误区，把相关当因果。 改版之后留存率上升，不一定是因为改版。同期可能还有活动、节假日、渠道变化、版本发布等影响因素。要验证因果关系，需要对照组、实验设计和足够长的观察窗口。

七、一张检查清单，判断你的留存分析是否可信

在开始做留存提升方案之前，可以先问自己七个问题。

• 目标行为是否清晰，是否真的接近产品核心价值。
• 首次行为是否固定，是否排除了回流用户和重复用户。
• 观察窗口是否匹配产品使用周期。
• 是否按同期群拆分，而不是只看整体平均。
• 是否看了留存曲线的稳定段，而不是只看单点。
• 是否结合了 DAU 与 MAU 的比值、使用频次、时长和核心行为渗透。
• 是否验证了策略效果，而不是把相关当因果。

如果这七个问题里有三个答不上来，先别急着做留存提升方案，先把口径和数据结构补齐。 留存分析的质量，取决于数据基础和分析纪律，不取决于报表数量。

八、留存分析常见问题

1、留存分析和留存率有什么区别

留存分析是一套方法，留存率是其中一个指标。留存分析还会看同期群、留存曲线、关键行为和流失节点。留存率只告诉你某个时间点还剩多少人，不能解释用户为什么留下或离开。

2、次日留存、7日留存、30日留存应该重点看哪个

取决于产品的使用周期。高频产品先看次日留存和 7 日留存，低频产品或订阅产品更应看 30 日甚至更长期的留存。三个数字要连起来看，不能只挑一个好看的。

3、用户粘性只看 DAU 与 MAU 的比值够不够

不够。这个比值反映回访频率，不反映用户是否完成了核心行为，也不反映用户价值。需要和留存率、使用频次、使用时长、核心行为渗透一起看，才能判断粘性来自真实价值还是短期刺激。

4、留存率多高才算好

没有跨行业统一答案。Adjust 的全球应用中位参考是次日留存 26%、7 日留存 13%、30 日留存 7%，但不同品类差异很大。更可靠的做法是和自己的历史比、和同类产品比、和不同获客渠道比。

5、用户洞察分析平台能直接提升留存吗

不能直接提升。平台能做的是让问题更快被看见、被定位、被验证。留存提升来自产品价值、用户体验和运营策略的改变，平台只是把这条链路缩短。