用户留存怎么分析？

用户留存分析要回答的问题很简单，来的用户，过了几天、几周、几个月，还剩多少人在用。但真正做起来，很多团队卡在口径不清楚、分组不会切、找到差异后又不知道下一步做什么。这篇文章把留存分析拆成五步，先定口径，再用同期群和分群看差异，把差异写成假设，最后用干预和验证收口。文末附一张复盘问题清单，可以照着直接问数据。

留存分析怎么算？先把口径定下来

留存分析的计算基础，是先圈出一批发生某个动作的用户，再看他们之后有没有发生另一个动作。前面这个动作是起始行为，后面这个动作是回访行为。两者都要明确定义，缺一个，分析就站不住。

最常见的起始行为是注册、首次启动、首次付费。回访行为可以是启动产品，也可以是完成某个核心动作，比如下单、发帖、玩完一局游戏。组合不同，得到的口径就不同。

起始行为为注册、回访行为为启动，看的是新增用户是否继续回来。起始行为为启动、回访行为为启动，看的是活跃大盘的持续使用。起始行为为付费、回访行为为付费，看的是复购留存。

第 N 日留存率的计算公式，是同一初始用户群中第 N 日发生回访行为的去重用户数，除以该初始用户群的去重用户数。最常用的三个指标是次日留存、7 日留存、30 日留存，分别看用户第二天、一周后、一个月后是否还回访。动手前把口径写在一张卡片上，至少包含五项，起始行为、回访行为、统计周期、分母、分子。口径一旦确定，整个分析过程不要再改，否则前后的数字没法比较。

三张常见口径卡，可以先照着搭：

第 N 日留存、滚动留存、同期群和分群，各看什么

口径定下来以后，要先区分留存计算方式与用户分组方式：第 N 日留存、滚动留存描述回访窗口，同期群和分群描述如何划分用户，二者可以组合使用。

第 N 日留存只看同一初始用户群在第 N 日是否回访。常见的滚动留存，也称无界留存，则看同一初始用户群在第 N 日或之后是否至少回访一次，分母仍是这批初始用户数，不会因为使用滚动口径而混入不同批次的用户。计算时须注明观察截止日，并确保比较的批次具有相同的后续观察时长。

如果另看“截至第 N 日的累计回访比例”，应明确为同一初始用户群在第 1 日至第 N 日至少回访一次的人数除以初始用户数；它的窗口与第 N 日或之后的滚动留存不同，不能混称，也不能仅据此判断长期价值。

同期群把用户按首次行为的时间分成一批批，再比较各批在相同节点的留存率，回答产品迭代和运营动作有没有让新用户表现变好。纵向比较不同批次的同一个节点，就能看出趋势。

分群按渠道、版本、设备、人群属性、关键行为把用户切开，回答哪一类用户更留得住。

实际分析时，先固定第 N 日或滚动留存口径，再用同期群比较不同批次，最后按渠道、版本和用户属性分群定位差异。每个分组都沿用同一回访窗口、分母与观察时长。

同期群表怎么读成结论

同期群表是留存分析里最有用的工具，行是不同批次的用户，列是第 N 日留存率。表里的数字只是原料，横向和纵向的对比才给出结论。

先看一张演示样例，数据仅用于说明读法，不代表任何真实产品。

横向看一行，留存率先快速下降，然后逐渐走平。走平的位置，大致是这批用户的基本盘，也接近产品的稳定留存水平。

纵向看一列，不同批次在同一个节点的留存率应该逐步改善。样例里三批的次日留存从 42% 升到 47%，说明近期改动大概率有效。如果新批次反而更低，就要回去看这段时间做了什么。

再找一个拐点。留存曲线下降最陡的地方，是用户大规模流失的时间点。把拐点对应的第几天，和这个时间点的用户路径连起来看，往往能定位到具体问题，比如注册后没有完成关键动作，或第一次体验某个功能时卡住。

读表有两个常见错误。一是把单点波动当趋势，某一天的数据受投放、节假日影响很大，要看连续几批的走势。二是拿不同口径的数字比较，第 N 日留存、滚动留存与截至第 N 日的累计回访比例不能当作同一指标直接比较。

从差异到假设，怎么定位流失原因

同期群表能告诉我们哪里有问题，还不能告诉我们为什么。下一步是把差异变成可以验证的假设。

先做基础分群，按渠道、版本、设备、地域把用户切开，看哪条渠道带来的用户在 7 日留存上明显偏低。这类差异通常指向流量质量或投放预期错配。

再做关键行为分群。把完成新手引导和没完成新手引导的用户放在一起比留存，把加过好友和没加过好友的用户放在一起比。关键行为分群比属性分群更能指向产品动作，因为它直接对应一条可以改的产品路径。

这里要克制，把观察到的相关性写成待验证假设，不要直接宣布原因。看到完成好友添加的用户留存更高，应表述为完成好友添加可能提升留存，需要用一个干预动作去验证，而不是好友功能直接决定留存。

一条合格的假设要能对应一个干预动作。如果写出来的假设找不到对应的改法，它就只是描述，不叫假设。

假设怎么验证，把分析收口

假设只有经过验证，留存分析才算完成。验证有两条路，小流量 A/B 实验 和同期群前后对比。

能拆流量的场景用 A/B 实验，把用户随机分成两组，一组走改版后的新手引导，一组维持原样，观察次留和 7 日留存。不能拆流量的场景用前后对比，记录改动上线的时间点，比较改动前后各批次的留存曲线。

验证的观察指标不要只看留存率。把核心行为渗透率、人均使用频次一起看，才能判断留存的变化是因为用户更愿意用了，还是只是被某个单次活动拉回来的。付费产品还要看生命周期价值有没有跟着变化。

验证结果不理想，回到上一步的分组差异，重新切人群、重新找拐点。留存分析是一个循环，假设、验证、再假设，很少一次就定位到唯一原因。

数据分析 Agent 怎么把五步跑快

上面五步每一步都有大量机械工作，配置口径、拉同期群表、反复切分群、画对比图。这些工作适合交给 数据分析 Agent 来做。

以 ThinkingAI 的数据分析 Agent 为例，可以用自然语言直接问次日留存、某批用户的留存曲线，用多轮追问沿着整体、分组、行为往下钻，把归因和可视化结果落到一个可执行的结论上。它配合 ThinkingAI 已有的留存分析、用户分群、事件分析、漏斗分析等能力，再通过多 Agent 协作把分析结果接到触达和复盘环节，形成从发现到动作的闭环。

对一个刚开始做留存分析的团队，建议先把手动口径卡和同期群表跑通，再引入 Agent 提效。顺序反过来，容易在口径都还没对齐的时候就被自动化掩盖问题。

复盘留存分析的问题清单

把全文的检查点收成一张清单，每次分析结束时逐条过一遍。

• 起始行为和回访行为定义清楚了吗？
• 这次用的是第 N 日留存还是滚动留存，分母、回访窗口和观察截止日写清楚了吗？
• 同期群表里的批次和节点口径一致吗？
• 流失拐点出现在第几天，对应哪段用户路径？
• 差异来自哪条渠道、哪个人群、哪个关键行为？
• 假设能对应一个可执行的干预动作吗？
• 验证用的是 A/B 还是前后对比，观察指标覆盖了核心行为吗？

常见问题

次日留存多少算正常

没有统一标准，取决于产品形态和获客方式。工具类、刚需类产品的次留普遍更高，内容类和泛娱乐类偏低，付费和订阅产品的 30 日留存比次日更有意义。更实际的做法是把本产品各批次的历史值当基准线，再拿渠道表现作参考，不直接套用一个行业数字。

第 N 日留存和滚动留存该用哪个

想看用户是否在指定那一天回来，使用第 N 日留存；想看同一批用户在第 N 日或之后是否回来，使用滚动留存。两者都以同一初始用户群为分母，滚动留存还要写明观察截止日，并统一可观察的后续时长。选择取决于回访问题，不能把滚动留存解释为当天大盘回访比例。

留存率下降先看什么

先做口径和埋点校验，确认数字真的下降，再按渠道、批次、人群逐层排查。完整的排查顺序可以看这篇用户留存率下降怎么分析。

埋点不全能不能做留存分析

能。用注册、启动、付费这类已有事件先搭最小口径，结论里标明口径限制，埋点补齐后再回填关键行为分群。口径漂移比数据缺口更伤结论，先把口径固定下来比什么都重要。