七日留存率是什么？

七日留存率是留存分析里常用的指标之一，指的是某一批在首日首次使用产品的用户中，在第 7 天仍然回来使用的人所占的比例。它用来判断新用户在最初一周内有没有形成基本的使用习惯，也常被用来比较渠道质量、版本效果和新手引导的成败。

举个简单的例子。3 月 1 日有 1000 名新用户首次注册，3 月 8 日其中 268 人再次登录，这批用户的七日留存率就是 26.8%。公式不复杂，容易产生分歧的是分子、分母和观察时点怎么定义。

一、七日留存率是什么

七日留存率，也写作 7 日留存率，指在某一初始日期首次完成指定行为的用户中，在第 7 天仍完成留存行为的用户占比。常用的计算公式是：

七日留存率 = 第 7 天仍满足留存行为的用户数 ÷ 初始批次用户数 × 100%

公式里有三个变量，任何一个变了，结果都会变：

• 初始批次：按哪一天、哪批用户划分。可以按注册日、首次登录日或首次打开日。
• 观察时点：第 7 天指哪一天，是首次行为后的第 7 天，还是把首日算作第 1 天后的第 7 个自然日。
• 留存行为：登录、打开、使用核心功能还是完成付费。

分子和分母必须使用同一套用户标识，并且分子是分母的子集。跨端产品如果没有打通账号，同一个人可能在手机和网页上被算成两个用户，留存率就会失真。

七日留存率看的是第 7 天这个观察时点。用户在 7 天内任意一天回来，属于另一种统计口径，不能拿来和点留存直接比较。

二、七日留存率怎么算

1. 一批用户的计算示例

假设某产品在 3 月 1 日新增 1000 名注册用户，这批用户在 3 月 8 日仍有 268 人登录。

计算时先锁定 3 月 1 日这一批人，再看他们在 3 月 8 日的行为。3 月 2 日到 3 月 7 日之间登录过几次，不影响点留存的结果。

2. 可复算的七个步骤

• 定留存主体：确认统计用户、账号、设备还是团队。同一产品内要统一，跨端产品还要处理账号合并。
• 定留存事件：明确什么行为算“还在用”。登录、打开首页、使用核心功能、完成付费，含义差别很大。
• 建初始批次：按首次行为日期分组，同一天首次发生的用户归入同一批。
• 固定观察时点：写清第 7 天对应的具体日期和计算规则，避免不同团队各算各的。
• 去重统计：分子和分母使用同一用户标识，剔除测试账号、内部账号和不符合纳入规则的记录。
• 标注批次状态：观察期还没走完的批次标为“观察中”，分母为零的批次不计算比率。
• 输出完整结果：同时给出分子、分母、比率和口径版本，方便后续复算和对比。

腾讯云开发者社区 2019 年的一篇留存分析文章给出了相同的基础公式，并提醒不同团队对留存的定义可能不同。

3. 日期偏移要写清楚

1 月 1 日新增的用户，按“首次行为后的第 7 天”计算，观察日是 1 月 8 日；按“把 1 月 1 日算作第 1 天”计算，第 7 个自然日可能是 1 月 7 日。两种写法在团队里都出现过，数值会差一天。

处理办法是统一写进指标定义，例如首次注册后第 7 个自然日、按北京时间切天。报表、看板、分析文档都沿用同一句话，跨团队协作时就不会反复对账。

三、七日留存率有哪些常见口径

1. 点留存、区间留存、滚动留存与连续留存

• 点留存：只看第 7 天当天是否满足留存行为。七日留存率通常采用这种口径。
• 区间或累计留存：在约定的第 1 天至第 7 天内任意一天回来都算，具体起止日以工具定义为准。
• 滚动留存：在第 7 天及以后、观测截止时间之前任意一天回来都算。比较结果时需统一工具定义与观测截止时间。
• 连续留存：连续 7 天每天活跃才算。连续留存衡量深度使用强度。

三种口径的数值不能直接比较。看报表时先确认标题或指标说明写的是哪一种。

2. 七日留存率与周留存率

七日留存率按单日批次计算，1 月 1 日新增的用户在 1 月 8 日回访，就算七日留存。

周留存率按整周批次计算，1 月 1 日至 1 月 7 日新增的用户，在 1 月 8 日至 1 月 14 日之间回访，才算周留存。两者的分母规模不同，观察窗口也不同。把七日留存率叫作周留存率，会让报表读者误解指标含义。

3. 分母用新增用户还是活跃用户

用新增用户作分母，得到的是新用户留存，回答拉来的用户能不能留下。

用活跃用户作分母，得到的是活跃用户留存，回答现有用户还愿不愿意继续使用。

两个指标都合理，混用就会失去解释力。渠道评估通常看新用户留存，产品健康度通常看活跃用户留存。把用户按首次行为日期分成同期群，再比较不同批次，能减少新增规模波动带来的干扰。

4. 留存事件用登录还是核心功能

登录容易被自动唤起、签到活动和推送拉高，未必代表用户获得了价值。

核心功能使用更接近价值验证。电商可以看下单或复购，内容产品可以看有效浏览、收藏或互动，游戏可以看关键玩法参与，工具产品可以看核心任务的完成。

留存事件一旦确定，跨版本、跨渠道比较就要保持一致。中途换定义，要把新旧口径分开呈现，并标注切换日期。

5. 自然日、24 小时与时区

按自然日统计，1 月 1 日 23 时注册的用户，到 1 月 2 日 0 时就算进入了次日。按滚动 24 小时统计，则要等到 1 月 2 日 23 时才满一天。

跨时区产品还要确定按哪个时区切天。北美、欧洲和亚洲用户混在一起时，同一个 UTC 时刻可能落在不同日期。把切天规则写进指标定义，比事后解释差异更省事。

四、七日留存率多少算正常

七日留存率没有统一的合格线。品类、使用频率、渠道结构、产品阶段和留存事件定义都会影响结果。拿一个行业均值直接给团队定 KPI，容易得出错误结论。

ThinkingAI 在留存分析文章中提到过一个经验参考：多数产品的 7 日留存率集中在 15% 到 25%，优质产品可以超过 30%。文章同时说明，这些数值只是经验参考，判断留存好坏要结合自身业务口径和同期对比。

更稳妥的判断方式有五种：

• 和自己的历史比：在同一口径下看周环比、月环比，排除季节性波动。
• 分渠道比：自然量、买量、老用户推荐分开看，避免低质量渠道拉低整体。
• 分版本和地区比：新版本上线后，按同期群比较同一批用户在不同版本下的表现。
• 和 30 日留存一起看：7 日留存高、30 日留存掉得快，说明首周体验尚可，长期价值还没有建立。
• 和付费、复购、使用深度一起看：留存只是过程指标，最终还要看用户是否持续获得价值。

判断七日留存率是否健康，先确认口径一致，再看趋势和分组差异，最后结合业务阶段解释。

五、七日留存率下降怎么排查

发现七日留存率下降，先别急着归因到产品改动。按下面顺序排查，能少走很多弯路。

• 查数据采集：埋点是否漏报、SDK 是否升级、发版是否影响上报、观察期是否还没走完。
• 查口径变化：留存事件、切天规则、去重逻辑、批次划分有没有改过。
• 查新增结构：渠道、地区、机型、版本和活动来源是否发生变化。买量占比突然上升，整体留存可能被拉低。
• 查产品体验：新手引导、首次启动、核心功能门槛、内容供给和活动节奏是否变化。
• 查人群差异：按渠道、地区、版本、用户标签分群，看下降集中在哪一批人。

可以用一张表把现象和验证动作对应起来：

留存率下降和某次改版同时发生，只能说明两者时间接近，不能直接证明改版导致了下降。要确认因果关系，可以用 A/B 实验或灰度发布，把同一批用户随机分组，再比较同一口径下的七日留存率。按渠道、分群和产品行为逐层排查，也能帮助团队把猜测变成可复现的结论。

六、七日留存率如何用于运营

七日留存率的价值在于指导动作。只看数字，指标不会自己变好。

• 评估渠道质量：在获客成本接近的情况下，七日留存更高的渠道通常更值得继续投入。还要结合付费回收周期，避免只看首周。
• 优化新手体验：把首日到第 7 天的关键行为拆成漏斗，找出流失最集中的环节。
• 验证版本和活动：用同期群对比同一口径下的留存，确认改动是否带来真实改善。
• 做分层运营：把用户分成高留存、低留存和流失风险人群，分别设计激励、引导和召回动作。
• 形成复盘闭环：看指标、找人群、查环节、做干预，再用下一批同期群验证结果。

ThinkingAI 的平台内置留存分析、漏斗分析、事件分析、用户分群和 A/B 测试等能力，已服务全球超 1500 家企业、接入超 8000 款产品。世嘉《女神异闻录：夜幕魅影》团队用漏斗分析、用户标签和按平台、按国家的对比来定位新用户问题，也提到平台内置了留存分析等游戏运营常用的分析模型。

七日留存率适合使用频率较高的产品。社交、游戏、内容、电商和工具类产品通常能在 7 天内观察到回访行为。低频业务，例如婚庆、部分 B2B 软件和耐用消费品，7 天窗口太短，30 日或更长窗口更有解释力。

样本量也要考虑。新用户很少时，几个人的变化就能让比率大幅波动。可以同时看绝对人数，拉长统计周期，或把多天批次合并后再比较。

七、常见问题

七日留存率是第 7 天当天，还是 7 天内任意一天？

通常指第 7 天当天回访，属于点留存。统计约定的 7 天区间内任意一天回访，属于区间或累计留存；滚动留存则统计第 7 天及以后、观测截止时间之前的回访。应以工具定义为准，并统一区间与观测截止时间，不同口径不能直接比较。

七日留存率和周留存率有什么区别？

七日留存率按单日新增批次计算，看这批人在第 7 天的回访。周留存率按整周新增批次计算，看这批人在下一周的回访。分母和观察窗口都不同。

七日留存率从注册日算还是首次登录日算？

看业务定义。新用户分析常用注册日或首次打开日，活跃用户分析常用首次完成核心行为的日期。关键是全公司统一，并在指标说明里写明。

七日留存率下降一定是产品变差吗？

不一定。采集异常、口径变更、渠道结构变化、活动结束和观察期未满都可能造成下降。先排除统计问题，再看产品体验和人群差异。

七日留存率适合所有产品吗？

更适合使用频率较高的产品。低频产品用 7 天窗口容易低估真实留存，可以改用 30 日、90 日或按使用周期定义的窗口。

七日留存率和 30 日留存率看哪个？

两个都看。七日留存率反映首周是否形成使用习惯，30 日留存率反映长期价值。只看看板上的一个数，容易把短期波动当成趋势。

新用户量很少时，七日留存率可信吗？

样本太少时波动会很大。可以同时看绝对留存人数，合并多天批次，或拉长观察周期。比率要结合分子分母一起读。

参考资料

• 腾讯云开发者社区，《一种计算用户留存的方法》，2019 年，https://cloud.tencent.com.cn/developer/article/1396901