打开后台看板时，最常遇到的问题不是没有数据，而是数据太多。几十个指标排在那里，曲线都在动，却很难说清哪一条真正影响了下一阶段的收入。更常见的麻烦是口径，运营说留存下滑了，数据说留存没变，追下去才发现两边算的根本不是同一件事。
用户行为分析的价值不在于看到多少指标，而在于用少数几个指标回答清楚四类问题。还有多少人在用，用过的人会不会回来，回来的人在里面做了什么，这些动作最终换回了多少钱。下面这10个指标是围绕这四类问题筛出来的，每个都给出它在回答什么问题、口径边界在哪里、最容易读错的地方在哪里。
先分清四类指标，再决定看哪几个
指标不是越多越好。一个可用的做法是先按业务问题分类，再看每一类里哪个指标最能反映现状。
- 规模与活跃，还有多少人在用，用得多不多
- 留存与流失，用过的用户会不会回来
- 行为与参与，用户在产品里具体做了什么
- 转化与商业价值，这些行为最终换回了多少收入
对应到指标上，本文要讲的是活跃用户数 DAU、WAU、MAU，DAU 与 MAU 的比值，留存率，流失率与回流率，会话数、单次使用时长与使用频次，跳出率与参与率，关键行为事件量与功能渗透率，漏斗转化率，付费率与 ARPU、ARPPU，以及 LTV 与 CAC 的比值。
比记住这十个名字更重要的是口径。同一个指标名，在运营、产品和数据团队那里经常是三套算法。 活跃按打开算还是按完成核心行为算，留存按自然日还是按滚动24小时算，这些定义如果不落到文档里，两个团队会拿着不同的数字争论同一件事。口径一旦变更，要在看板上标出时间和版本，否则曲线上的断层很容易被当成业务突变来解释。
外部环境也在推动团队把注意力从总量转向结构。中国音数协游戏工委发布的《2026年第一季度中国游戏产业季度报告》显示，一季度中国游戏市场实际销售收入971.72亿元，同比增长13.38%，其中移动游戏同比增长6.28%，客户端游戏同比增长39.38%。整体仍在增长，但品类之间的差异被明显拉开，依靠大盘红利解释增长的阶段已经过去，能不能看清自己用户的行为，直接决定预算投向哪里。
一、规模与活跃，先看产品还有多少人在用
1. DAU、WAU、MAU
日活、周活、月活的定义是统计周期内产生有效行为的去重用户数。真正需要先确认的不是公式，而是什么叫有效行为。 打开应用就算活跃，还是必须完成一次核心操作才算，两种口径算出来的数字可能相差很大。
这个指标最好按维度拆开看，而不是只盯住一条总数曲线。渠道来源、设备类型、地区、新老用户拆分之后，才能回答量从哪里来、哪一类人在变多。同时要看清波动的原因，一次推送、一场活动、一个节假日都会把日活推高，把它当成产品变好的证据是常见的误判。
2. DAU 与 MAU 的比值
这个比值等于日活除以月活，粗略衡量一个月内用户平均有多少天会来。它比单纯的规模更能反映使用频率，也常被当作用户粘性的代理指标。
读这个指标要先看使用场景。社交、工具、竞技类产品的使用频率天然更高，电商、招聘、短剧这类需求周期较长的产品，比值偏低是正常的。拿它跨品类排名没有意义，和自己历史比、和同类产品比才有参考价值。 当比值突然上升时，先排除统计周期变化和重复账号的影响，再判断是不是真实活跃度提升。
二、留存与流失，看用户走了之后还回不回来
3. 留存率
留存率指某个时间点新增的用户里，在此后第 N 天或第 N 周仍然活跃的比例。次日、7日、30日是最常用的三个观察点，分别对应初次体验是否有效、使用习惯是否形成、长期价值是否成立。
留存率是最难被单次运营动作短期拉高的指标，也正因如此，它对产品或服务的判断价值更高。 计算时有两个细节必须固定下来，一是新增的判定节点，是首次安装还是首次登录，二是统计窗口，按自然日还是按滚动24小时。产品上线新功能、调整新手引导、改变渠道结构之后，这三类对比都应该用同期群的方式看，而不是拿全量留存曲线做前后对比。
同期群分析的思路是按获得时间或行为特征把用户分组，再比较不同组在同一时间点的表现。它能回答一个很容易被忽略的问题，新版本之后的用户，长期表现到底有没有变好。
4. 流失率与回流率
流失率通常指一段时间内的活跃用户中不再出现的那部分比例，回流率指流失之后重新活跃的用户占比。两者配合留存率一起看，才能还原用户池的真实变化。
流失要做节点归因，而不是只看总量。 用户是在新手引导第几步放弃的，是在某个功能更新之后停止使用的，还是在活动到期后不再回来，三种原因对应完全不同的处理方式。回流同样需要拆开，自然回流和召回触达带来的回流价值并不相同，把两者混在一起统计，很容易高估运营动作的效果。
三、行为与参与，看用户进来之后做了什么
5. 会话数、单次使用时长与使用频次
会话数指用户打开产品到退出的一次完整使用过程，单次使用时长和单位时间内的使用频次反映的是参与深度。三个指标配合使用，比孤立看其中一个更有效。
时长变长不一定是好事。 如果用户是因为找不到入口、反复试错才停留更久，这个数字掩盖的其实是体验问题。判断时需要结合路径数据和操作完成情况，看时长增长来自有效使用还是无效摸索。频次也一样，高频但每次只完成一个动作，和低频但每次用得深入，是两种完全不同的用户形态。
6. 跳出率与参与率
跳出率是网站分析里的经典指标，指只浏览一个页面就离开的会话占总会话数的比例。Google Analytics 4 调整了口径，改用参与率，把会话时长超过10秒、包含两次及以上页面或屏幕浏览、包含至少一次转化事件这三类情况视为参与会话，参与率等于参与会话数除以总会话数，跳出率则相当于 1 减去参与率，默认会话超时时间仍是30分钟。
跳出率高不等于内容差。 单页应用、工具页、帮助文档这类页面，用户看完即走属于正常行为。真正需要警惕的是落地页跳出率异常升高，那通常意味着来源和内容不匹配，或者首屏加载和入口设计出了问题。
7. 关键行为事件量与功能渗透率
关键行为事件指被明确定义的、承载产品价值的用户动作，例如完成注册、创建项目、发起咨询、加入购物车。功能渗透率指使用过某个功能的人数占目标用户总数的比例。
事件设计要在埋点之前完成，而不是等报表出来再补。 每个关键事件都应该写清触发条件、去重方式和归属用户，否则同一个动作会因为实现方式不同而被多算几次。渗透率的价值在于判断功能是不是被真正用起来，功能上线后渗透率长期处于低位，先要检查入口位置和引导流程，而不是急着做推广。
四、转化与商业价值，看这些行为值不值钱
8. 漏斗转化率
漏斗转化率指用户在一串有序行为中逐级推进的比例，通常从相邻环节的转化比和整体转化比两个视角来看。
漏斗的难点不在计算，而在环节划分要符合真实路径。 环节设得太粗，定位不到问题；设得太细，每一步的样本量又不够。分析时先找流失最大的环节，再看该环节内部的行为分布，判断是入口不明显、信息不充分，还是流程太长。只看整体转化率，很难得出可以执行的结论。
9. 付费率与 ARPU、ARPPU
付费率指付费用户占活跃用户的比例，ARPU 指每用户平均收入，ARPPU 指每付费用户平均收入。三者放在一起，能区分收入的增长来自更多用户付费，还是来自少数用户付得更多。
ARPU 上涨需要拆开看结构。 如果上涨主要由高付费用户贡献，同时付费率在下降，这样的增长并不稳固。另外要留意口径，ARPU 的分母是活跃用户还是注册用户，不同选择会让结果相差很多。
10. LTV 与 CAC 的比值
LTV 指用户生命周期价值，CAC 指单个用户的获取成本，两者比值是判断增长是否健康的关键组合指标。
单看 LTV 或单看 CAC 都容易得出错误结论，必须放在一起。 比值长期低于 1，意味着获客本身在亏钱，规模越大亏得越多；比值过高也未必是好事，往往说明投放过于保守，错过了可以扩量的窗口。计算时要注意 LTV 的预测周期和 CAC 的口径范围，是否包含渠道返点和人力成本，都会影响结论。
指标怎么用起来，口径、看板与归因
十个指标都看懂之后，真正的差距出现在落地环节，有三个动作最关键。
第一是统一口径并把它写进系统，而不是留在个人文档里。指标名称、计算公式、数据来源、更新频率、负责人，这五项应该在任何一次跨团队讨论之前就对齐。第二是让看板服务于判断，而不是罗列数据，每个看板都应该能回答一个具体问题，例如这周的留存下滑发生在哪个渠道和哪个版本。第三是形成从发现到验证的闭环，任何基于指标的调整，都要有明确的验证方式和相同的比较口径，否则无法判断调整是否有效。
在实际项目里，这三件事往往卡在同一个地方，数据分散在多个系统，口径各自维护，分析结论很难直接变成运营动作。ThinkingAI 已服务全球超1500家企业，接入产品超8000款，其企业级 AI Agent 平台把用户行为分析、智能运营与 A/B 实验放在同一套数据基础上，用户行为数据、运营动作和实验结果可以沿同一口径比较，从而把指标异常直接推进到策略调整和效果复核，让分析结论有机会真正落到业务动作上。
FAQ 常见问题
小团队先看哪几个指标
人力有限时，先看四个，留存率、漏斗转化率、关键行为事件量和 LTV 与 CAC 的比值。留存判断产品能不能留住人，漏斗定位卡在哪一步，关键事件确认功能有没有被用起来，比值决定获客还能不能继续投。规模类指标用来确认趋势，不必每天盯着看。
DAU 与 MAU 的比值多少算健康
没有统一标准，它高度依赖产品类型和使用周期。可以参考自己产品过去三到六个月的水平线，以及同品类产品的公开区间。比绝对值更有意义的是变化趋势和分层结果，例如新增用户与老用户的比值往往差别很大，混在一起看会掩盖真实问题。
留存率为什么每次算出来都不一样
多数情况是口径差异，而不是数据错误。新增的判定节点、留存窗口的计算方式、是否剔除作弊和异常账号、跨端账号是否打通，这些都会让结果不同。建议把口径写成一份可执行的说明文档，并在每次调整时记录版本和生效时间。
跳出率高是不是说明内容有问题
不一定。单页应用、工具类页面和文档页天然跳出率偏高。需要关注的是同一页面在渠道结构或版本变化之后的异常波动，以及落地页与素材是否匹配。Google Analytics 4 已经用参与率替代了传统跳出率的默认呈现方式，如果要跨团队比较，先确认双方用的是同一套口径。
怎么避免分析只停留在看报表
给每个指标配一个明确的动作归属。留存下滑由谁负责排查，渗透率低由谁去改入口，LTV 与 CAC 比值失衡由谁调整投放。指标只有挂上负责人和验证方式，才会从数据变成决策。
