留存分析是一种用来判断用户在完成某个关键行为之后，是否还会继续回来的数据分析方法。它先确定一批用户和他们的起始事件，再观察这些人在后续第1天、第7天或第30天有没有完成回访事件，最后用留存率呈现结果。对产品、运营和数据团队来说，它回答的是一个很实际的问题，拉来的用户留下来了，还是只来了一次。
留存分析关注同一批用户在时间推移中的回访情况，单看某一天的总活跃人数无法得到这个答案。 把定义拆开，有三个要素需要先确定。
- 分析主体：按用户、账号、角色还是设备来观察，不同主体代表不同的留存视角。
- 起始事件：代表用户开始使用产品的关键行为，例如注册、首次登录、首次下单、首次进入关卡。
- 回访事件：代表用户再次回来的行为，例如再次登录、再次下单、完成一次核心操作。
这三个要素确定后，留存率才有明确的业务含义。换一个起始事件，得到的数字可能完全不同。
留存分析回答的是什么问题
留存分析常被拿来判断产品黏性。用户今天打开应用，可能来自一次推送、一个活动或一笔投放；过几天还会不会回来，才更能说明产品有没有持续价值。TapTap 的开发者文档用过一个漏水的篮子来比喻，只靠拉新往篮子里倒水，底下的裂缝不补，增长很难持续。
它也能把增长问题拆到可行动的层面。次日留存下降，通常要先看新手引导和首次体验；7日留存或30日留存下降，要再看核心功能的使用、内容更新、版本变化和渠道质量。不同时间窗口对应不同问题，一个数字解释不了全部。
留存分析和漏斗分析经常一起用。漏斗分析看用户在一次流程中走到哪一步，留存分析看用户在更长的时间里是否回来。把两者放在一起，能区分是流程卡住了，还是产品缺少持续使用的理由。
留存率怎么计算，口径怎么选
留存率的基本公式不复杂。第N日留存率等于第N日完成回访事件的人数，除以起始事件的人数，再乘以100%。 例如某天有1000名新用户完成注册，第二天有300人再次登录，这批用户的次日留存率就是30%。
公式简单，口径不简单。团队之间的分歧，常集中在观察方式、时间粒度和分析对象上。
第N日留存和N日内留存
第N日留存只认第N天当天。用户在第2天回来，但第3天没有回来，计算3日留存时就不算留存。N日内留存则把第1天到第N天之间任意一天的回访都算进来，更适合使用频率不固定的产品。
自定义观察期留存把时间切成业务需要的区间，例如首次使用后的第3天到第7天、第8天到第14天。订阅、试用、活动运营常用这种方式，因为业务节奏本身就不是按单日推进的。
还有一类自定义行为留存，起始事件和回访事件都由业务自己定义。阅读产品可以把看过至少一篇文章作为回访，电商可以把再次查看商品详情或再次下单作为回访。事件定义越贴近业务目标，留存数字越有解释力，也越不能拿来和其他团队直接比较。
Amplitude 在一篇方法说明里用同一个应用举例，按自然日计算的次日留存为43%，按24小时窗口计算为32%。两个数字都来自同一批用户，差异来自时间切分方式。跨团队、跨工具比较留存率之前，先确认口径一致。
时间粒度与统计周期
留存可以按天、周、月统计。高频产品适合看日留存，游戏、社交、内容产品通常关注次日、7日和30日；低频产品适合看周留存或月留存，例如招聘、房产、企业服务。观察窗口短于产品的自然使用周期，结论很容易失真。
自然日和24小时窗口也会带来差异。自然日按日历切分，23点50分首次使用的用户，第二天0点10分回来就算次日留存；24小时窗口要等到首次使用后的24小时到48小时之间才算次日。自然日口径出数快，24小时窗口更贴近单个用户的时间间隔。两种都能用，前提是团队内部统一。
时区也会影响自然日。跨地区业务要确认统计时区，否则同一个用户可能被分到不同日期。
新用户留存和活跃用户留存
新用户留存以新增用户为起始人群，回答新来的人有没有留下来。活跃用户留存以某段时间的活跃用户为起始人群，回答已经在用的人还愿不愿意继续使用。大多数场景默认说的留存是新用户留存，涉及活跃用户留存时要单独注明。
两种口径不能混在一张趋势图里比较。新用户留存受渠道结构、投放节奏和新手体验影响，活跃用户留存受产品日常运营和内容更新影响，把它们相加或取平均，得到的结论很难解释。
留存曲线怎么看
把多个批次的留存率按时间排开，就得到留存曲线。横轴是首次使用后的天数，纵轴是留存率，每条线代表一个同期群，也就是同一时间开始使用产品的一批用户。留存分析常用同期群来比较不同批次，避免把不同渠道、不同版本的用户混在一起。
图1 留存曲线的典型形态。示意图，非实际业务数据。
一条常见的留存曲线，前几天下降较快，随后逐渐走平。早期下降对应首次体验，用户如果没有快速理解产品价值，就会离开；走平的部分是平台期，留下来的用户已经形成使用习惯，或者找到了持续回来的理由。平台期的高度，比单看次日留存更能说明长期留存基础。
曲线没有走平、持续向零下滑，说明产品还没有形成稳定的回访理由。此时继续加大拉新，只会让更多用户进入同一条流失路径。
三种异常变化
看留存曲线时，可以重点留意三种变化。曲线在某个日期出现断崖，通常对应版本发布、活动结束、埋点变更或渠道切换；平台期整体下移，说明长期留存基础发生了变化；新批次的曲线比历史同期更陡，通常指向获客质量或新手体验。
断崖要看时间轴。把留存曲线和版本发布时间、活动起止时间、投放计划放在一起，能对上具体事件的变化更容易解释。平台期下移要看长期，单周波动不足以说明问题。新批次变陡则要回到渠道和分群，确认是人群变了，还是产品体验变了。
分群之后再看整体
整体留存率会掩盖分群差异。高价值用户留得更久，低价值用户流失更快，两边比例一变，整体数字就会跟着变，但每个分群自身可能没有变化。先按渠道、版本、设备、付费状态或关键行为分组，再看各组的留存曲线，才能判断问题出在结构还是质量。
分组不宜一次切太多。先用两三个与当前问题最相关的维度定位异常群体，再继续下钻。分组之后仍要回到同一口径，避免不同组用了不同的起始事件或观察窗口。
做一次留存分析要经过哪几步
先固定口径
把问题写成可检验的句子，例如新版本上线后，新注册用户的7日留存是否下降。然后固定分析主体、起始事件、回访事件、时间粒度、观察窗口和时区。口径没有固定，后面的对比都没有意义。
再选择分组和观察窗口
根据产品使用频率选择日、周或月，根据决策问题选择次日、7日、30日或更长的窗口。渠道评估看同一窗口下的分组差异，版本评估看同一批用户的前后变化，功能评估可以把关键行为设为回访事件。
对照业务时间线
把留存变化和版本、活动、投放、运营策略对齐。能对应上内部事件的变化，优先排查内部原因；对不上，再考虑季节、竞品和渠道环境。
用其他分析交叉验证
留存下降可能来自新手引导、核心功能、技术故障或渠道质量。用漏斗看关键步骤转化，用路径看用户在哪一步离开，用分群看是哪一类用户先变化。多条线索指向同一个原因，结论才更稳。
把结论变成动作
留存分析的结果要落到具体动作，例如调整新手引导、缩短首次价值到达路径、优化渠道组合、对特定分群做召回。动作上线后要继续观察完整留存周期，短期回升不代表策略有效。
用工具承接
工具层面，ThinkingAI 的留存分析模型支持设置分析主体、初始事件和回访事件，可以按日、周、月查看留存人数、留存率和流失率，也支持分组对比、关联属性和同时展示 LTV、ROI 等指标。对于需要把分析、策略和执行接起来的团队，ThinkingAI 的企业级 AI Agent 平台 Agentic Engine 可以把分析结果继续交给后续运营动作。ThinkingAI 已服务全球超1500家企业，接入产品超8000款。具体配置可以查看产品文档。
参考资料
- 微信开放文档，留存分析，https://developers.weixin.qq.com/miniprogram/analysis/wedata/data/retain.html
- ThinkingData 文档，留存分析，http://docs.thinkingdata.cn/ta-manual-dev/latest/user_guide/analysis/retention/retention.html
- TapTap 开发者文档，留存分析，https://developer.taptap.cn/docs/en/v3/sdk/tapdb/features/custom-event/retention-analyse/
- Amplitude，What Is N Day Retention，https://www.amplitude.com/blog/n-day-retention-for-mobile-games
以上资料访问时间为2026年11月8日。
常见问题
留存分析就是看留存率吗
留存率是留存分析的核心指标，完整的分析还包括分群、曲线、口径对比和原因验证。只看一个数字，很难判断问题出在哪。
留存率多少算好
没有统一答案。产品类型、使用频率、用户来源、发展阶段都会影响留存水平。更可靠的判断方式，是和自己的历史基线、同口径的同期群比较，再参考行业公开数据。 行业基准只能作为参照，不能直接套用。
次日留存、7日留存和30日留存看哪个
看产品使用周期和当前要回答的问题。高频产品通常先看次日和7日，判断新手体验和短期习惯；30日或更长窗口用来看长期价值。低频产品更适合看周留存或月留存。三个数字一起看，比只看一个更完整。
留存分析和同期群分析是什么关系
同期群分析按时间或特征把用户分成批次，再比较各批次的表现。留存分析经常用同期群来组织数据，同期群是方法，留存是观察对象，两者常一起使用。
留存下降要先做召回吗
先判断下降发生在哪一段。新用户留存下降，优先查新手引导、首次体验和渠道质量；老用户留存下降，再查核心功能、内容更新和服务问题。召回更适合已经形成使用习惯、但近期沉默的用户。没有定位原因就做召回，容易把预算花在错误的人群上。
