用户留存分析模型是什么？

在常见的产品分析语境里，用户留存分析模型可以理解为一套衡量用户回访行为的分析框架。它先按起始时间把用户分成同期群，再选定回访事件和观察窗口，计算留存率，最后用留存曲线或同期群表呈现。

它回答的问题很具体：在明确起点和回访动作之后，有多少用户回来了，在第几天回来，哪些用户留得更久。

留存率是模型输出的一个结果。模型决定了分母是谁、分子算什么、时间怎么切。同一个产品换一套口径，数字可能差很多，所以看到留存率时，先问它是怎么算出来的。

行业里没有覆盖所有分析工具的统一定义，但共同点比较清楚：把起始行为、回访行为和时间窗口固定下来，让不同时间、不同人群的数字可以比较。本文讨论描述性的留存分析模型，关注已经发生的回访行为；预测未来流失概率的模型属于另一类问题，不在这里展开。

留存分析模型在算什么

用户从第一次接触产品开始，会经历很多动作。留存分析模型只抓两个时点：一个起始行为，一个回访行为。

比如，起始行为是新注册，回访行为是再次打开产品，观察窗口是注册后 30 天。模型要统计的就是，这批新注册用户里，有多少人在第 1 天、第 7 天、第 30 天或某个区间内再次打开过产品。

这个定义看起来简单，实际使用时最容易出问题的地方在边界。注册当天算不算第 0 天，回访是算任意动作还是核心动作，跨时区怎么处理，都会改变结果。模型的作用在于把这些边界提前写清楚，让团队对同一个数字有共同理解。

模型由四项定义组成

一套能落地的留存分析模型，至少要写清四项定义。四项定义只要有一项不同，数字就不可直接比较。

起始事件：从哪一刻开始算

起始事件是用户进入观察队列的动作。新用户留存通常用注册、首次登录、首次完成核心动作或首次购买作为起点。

起点选得不同，分母就不同。用注册做起点，统计的是注册用户的回访；用首次完成核心动作做起点，统计的是已经体验到产品价值的用户回访。两种结果都合理，但不能混在一起解释。

起始事件还要能稳定触发，并且能区分新用户和老用户。否则，同一个用户可能被反复放进多个队列，留存率会被重复计算。

回访事件：什么算回来

回访事件决定什么算回来。用任意事件做回访，用户打开首页、滑动页面都可能被算作留存；用核心动作做回访，统计的是用户是否再次完成了对业务有价值的行为。

两种口径各有用途。看整体活跃可以用任意事件，看产品价值是否被持续使用，回访事件应该贴近核心动作。无论选哪种，都要在报表上写清楚，避免拿一个宽松口径的数字去对比一个严格口径的数字。

回访事件还要和起始事件保持先后关系。同一次行为通常不能同时算作起点和回访，具体规则要看分析工具的配置。

时间口径：按天、周、月，还是自定义区间

时间口径包括时间单位、观察窗口和计算方式。时间单位可以是天、周、月；观察窗口可以是 7 天、30 天、90 天；计算方式可以是第 N 天当天、第 N 天或之后、某个自定义区间。

同样是第 7 天，按 24 小时滚动窗口算和按自然日算，结果可能不同。Amplitude 官方文档说明，默认按每个用户触发起始事件后的 24 小时窗口计算，也可以切换为严格自然日；两种方式对跨天行为的归类不一样。

时区和第 0 天的处理也要写清楚。否则，同一批用户在不同报表里可能被分到不同的日期。

分组：整体看，还是按同期群拆开

分组决定你把谁放在一起看。最常见的分组是按起始时间形成同期群，比如按注册周、注册月分组；也可以按渠道、版本、地区、用户类型分组。

整体留存是各个人群加权后的结果。新渠道带来大量低意向用户，整体留存可能下降，但老渠道的用户并没有变差。把整体数字拆成同期群和分群，才能判断变化来自哪里。

四种常见留存口径

行业里最常见的分类是 N 日留存、无界留存和区间留存。同期群留存是一种分组比较方式，可以和前三种叠用。

N 日留存：只看第 N 天

N 日留存只看第 N 天当天。 用户在起始行为后的第 N 天发生了回访，就计入分子；第 N 天没有回访、其他时间回访，不计入。

公式可以写成：N 日留存率 = 第 N 天回访用户数 ÷ 起始用户数 × 100%。

这种口径适合每天或高频使用的产品，比如游戏、社交、工具类应用。用户需要形成稳定节奏时，第 1 天、第 7 天、第 30 天的留存能反映习惯是否建立。

它也会低估不规则使用的产品。一个用户第 8 天回来，但没有在第 7 天当天回来，按 N 日留存就不算第 7 天留存。

无界留存：第 N 天或之后回来都算

无界留存看第 N 天或之后有没有回来过。 只要用户在起始行为后的第 N 天或更晚的任意一天发生回访，就计入分子。

公式可以写成：第 N 日无界留存率 = 第 N 天或之后至少回访一次的用户数 ÷ 起始用户数 × 100%。

计算时要去重。一个用户在第 8 天、第 12 天都回来，只能算一次。

这种口径适合使用频率不固定、决策周期较长的产品，比如电商、旅游、B2B 软件。用户不需要每天都在，只要在一段时间内回来，就说明还有价值。

同名不等于同口径。 中文资料里有一种写法把 Unbounded 解释为 N 天内累计回访，也就是从第 0 天到第 N 天之间回来过就算。这个口径更接近累计区间留存，和 Amplitude、Mixpanel 文档里的第 N 天或之后并不相同。2019 年 7 月腾讯云社区的一篇分析文章就采用了前一种写法。看到英文名，先看公式，再决定能不能横向比较。

区间留存：把观察期切成几段

区间留存把观察期切成几段，统计用户在某一段内是否回来。比如第 1 到 3 天、第 4 到 7 天、第 8 到 14 天、第 15 到 30 天。

公式可以写成：区间留存率 = 区间内至少回访一次的用户数 ÷ 起始用户数 × 100%。

这种口径适合有阶段性节奏的业务。游戏常看 1 到 3 日、4 到 7 日、8 到 14 日、15 到 30 日；电商和订阅业务可以用它看试用期、续费窗口或活动周期内的回访。

区间边界要写清楚，左边闭还是右边闭，都会影响分子。团队内部最好固定一套区间，不要每次分析临时改。

同期群留存：按加入时间分组比较

同期群留存把起始时间相同或相近的用户放在一组，再比较各组在同一时间点上的留存。它更像一种分组方式：把同一口径应用到不同起始时间的人群上，再横向比较。

同期群表通常一行是一个批次，一列是一个时间点。横向看，能看出一批用户随时间衰减的节奏；纵向看，能看出不同批次在同一生命周期阶段的差异。

它适合判断产品改动、渠道变化、版本发布对留存的影响。前提是各批次的观察期足够，且口径一致。

图中用第 0 到 14 天的圆点表示同一批用户的回访位置，蓝色为计入留存的时间范围。示例仅用于解释口径，不代表实际业务数据。

用一个例子算清三种口径

假设 1 月 1 日有 1000 名新注册用户。

1 月 2 日是第 1 天，有 400 人回访。次日留存 = 400 ÷ 1000 = 40%。

1 月 8 日是第 7 天，有 200 人回访。第 7 日留存 = 200 ÷ 1000 = 20%。

1 月 9 日到 1 月 15 日，又有 300 名此前没有在第 7 天回访的用户回来。第 7 天或之后至少回访一次的用户共 500 人，7 日无界留存 = 500 ÷ 1000 = 50%。

如果只看第 8 天到第 14 天，这 300 人构成了这个区间的回访用户，区间留存 = 300 ÷ 1000 = 30%。

三个结果不矛盾，因为它们回答的是三个不同的问题。 20% 看的是第 7 天当天，50% 看的是第 7 天或之后是否回来过，30% 看的是第 8 到 14 天这个区间。

这个例子还说明，报留存率时至少要带上四个信息：起始事件、回访事件、观察窗口和统计口径。只报一个百分比，读者无法判断它和另一个数字能不能比较。

第 0 天是否计入、按自然日还是 24 小时窗口、跨时区怎么处理，也会改变结果。上面的例子假设按自然日计算，且第 0 天不计入回访。

留存曲线和同期群表怎么读

留存曲线通常横轴是时间，纵轴是留存率。曲线前段下降快，说明大量用户在早期没有形成回访习惯；后段趋于平稳，说明留下了一批稳定用户。

平稳点出现得早还是晚，取决于产品的使用节奏。日活型产品可能在第 7 天附近就接近平稳，低频产品可能需要 30 天甚至更久。拿一个通用天数当合格线，容易误判。

先确认口径、观察期和批次是否可比，再谈高低。 看曲线时至少检查三件事：用的是哪种留存口径，观察窗口有多长，各批次的用户规模是否接近。

新批次可能还没走完观察期，后段留存天然偏低。Mixpanel 官方文档说明，计算平均留存时会排除未完成观察期的时段，避免新用户因为还没机会回来而被低估。自建报表也要处理这个偏差。

同期群表能把批次差异摊开。横向看一批用户的衰减，纵向看不同批次在同一生命周期阶段的差异。如果纵向比较发现新批次整体下移，再拆渠道、版本、地区或用户类型，通常比盯着一条总体曲线更快找到原因。

整体曲线还可能掩盖结构变化。新渠道带来大量低意向用户，整体留存会下降，但老渠道可能没有变化；反过来，砍掉低质渠道也可能让整体留存上升，却不代表产品变好。

曲线能说明发生了什么，不能单独证明某个功能导致了变化。要验证因果，需要实验、对照或更严格的分析设计。

怎么选适合的模型

先定决策问题，再选口径。 不同口径适合不同问题，选择时要看决策目标。

如果产品依赖每日使用，比如游戏、社交、工具，N 日留存能反映用户是否形成稳定节奏。

如果使用频率不固定，比如电商、旅游、B2B 软件，无界留存更合适，用户在第 7 天或之后回来一次就能说明还有价值。

如果关心某个中间窗口，比如试用期、活动期、续费窗口，区间留存能把观察期切得更贴近业务。

如果要比较不同批次，比如本周新增和上周新增，同期群留存能把时间因素分开。

定完口径，还要做四项清理：统一分母，确认哪些用户算新用户；统一时间，明确时区和自然日或 24 小时窗口；按用户去重，避免同一用户重复计数；排除内部账号、测试账号和机器人。

最后把留存分析、漏斗、分群、实验接起来。留存告诉你有没有留住人，漏斗告诉你卡在哪一步，分群告诉你哪些人变化最大，实验帮你判断改动是否有效。

如果团队希望把留存口径、同期群、分群和后续运营放在同一套数据体系里，可以把支持这些能力的平台纳入选型范围。ThinkingAI 的分析平台提供留存分析、漏斗分析、用户分群等能力，已服务全球超 1500 家企业、接入产品超 8000 款。具体口径仍要以团队自己的事件定义为准。

常见误区

拿不同口径直接比较。 N 日留存 20% 和无界留存 45% 可能来自同一批用户，数字差异来自问题不同。比较前先统一公式、事件和窗口。

回访事件定得太宽。 任意事件都算，会把打开首页、滑动页面也算成回来。如果关心价值，回访事件应贴近核心动作，或者同时报告两套口径。

分母没有清理。 内部账号、测试账号、机器人、重复账号会稀释或抬高留存。先把分母定义清楚，再谈优化。

观察期没走完就下结论。 新批次的后段留存还没发生，和成熟批次比会偏低。看同期群时标注观察窗口，必要时只比较已完成的时段。

只看总体，不看结构。 渠道、版本、地区、用户类型的变化会改变加权结果。整体留存下降，不代表每一群都在下降。

把相关当因果。 留存曲线在版本发布后上升，不能直接说明版本带来了提升。用 A/B 测试、对照分析或更严格的设计验证，再决定是否推广。

资料来源

• Amplitude 官方文章《Attrition & Retention Analytics to Increase Repeat Buyers》，2022 年 8 月 25 日，https://amplitude.com/blog/attrition-retention-analytics
• Amplitude 官方文档《How time works in a retention analysis》，2026 年 11 月 8 日查阅，https://amplitude.com/docs/analytics/charts/retention-analysis/retention-analysis-time
• Mixpanel 官方文档《Retention》，2026 年 11 月 8 日查阅，https://docs.mixpanel.com/docs/reports/retention
• 腾讯云社区《八大数据分析模型之——自定义留存分析模型》第五篇，2019 年 7 月 15 日，https://cloud.tencent.cn/developer/article/1463635

常见问题

留存分析模型和留存率公式是一回事吗？

模型是一套测量设计，留存率公式是其中一个计算步骤。同一个公式，换成不同的起始事件、回访事件或时间窗口，得到的是不同的指标。团队对齐时，先对齐模型，再对数字。

次日留存、7 日留存、30 日留存，应该看哪个？

看产品的自然使用节奏和你要做的决策。日活型产品常看次日和 7 日，周期更长的产品看 7 日、30 日或月留存。更稳妥的做法是把多个检查点和完整曲线放在一起看，并且只和同口径、同观察期的数据比较。

留存率下降一定是产品变差了吗？

不一定。排查留存率下降时，先查口径和分母，再看渠道结构、版本发布、季节性、活动结束和样本变化，最后才拆到产品和用户行为。整体留存下降时，分群和同期群往往能更快定位是哪一批用户变了。

新用户留存和老用户留存怎么区分？

新用户留存以首次发生起始事件的用户为分母，观察他们之后的回访；老用户留存以已经活跃的用户为起点，观察其后续是否继续回访。两者分母不同，不能直接放在一张表里比较。