AI产品留存分析实战：用数据找到流失点

可视化演示

通过令牌桶模型演示限流核心机制：以固定速率生成令牌，请求消耗令牌，桶满则丢弃多余令牌，桶空则拒绝请求。

留存率计算：先给熟客定标准

要衡量暖心咖啡屋的熟客率，得先定义什么叫熟客：是进过门就算，还是一个月来三次？如果你把“今天推门进来的所有人”都当成熟客，那熟客率永远会被游客灌水。于是你定下规则：某天第一次来的客人，7天之内再出现一次，就算熟客。

产品也是同理。“注册用户”不等于“留存用户”，真正重要的是一个新增用户在未来某天是否还在用产品。看留存率，通常选三个时间点：次日留存（D1）、7日留存（D7）、30日留存（D30）。D1反映第一印象，D7反映是否形成轻度习惯，D30反映真实粘性。

把某一天新增的用户人数记为 \(N_0\)，到第 \(t\) 天仍然活跃的用户数为 \(A_t\)，那么第 \(t\) 天留存率就是：

\[

\displaystyle R_t = \frac{A_t}{N_0} \times 100\%

\]

1. N₀ — 同批新客底池：分母必须是同一天第一次来的那批人，不能换成当天总活跃用户。

2. A_t — 回头客人数：分子是这批新客里，第 \(t\) 天仍然回来的人。

3. 分数 — 算出留存比例：用回头客除以底池，得到这批次用户的留存占比。

4. 乘上100% — 转成百分比：把小数结果变成更直观的百分比。

这样一来，你就不会把“今天店里人多”误当成熟客多。再进一步做群组分析：把每天的新客分成不同批次，比较它们的留存曲线。如果上周新客7日留存是30%，这周只剩20%，说明最近某个改动很可能伤到了体验。

留存漏斗搭建：画出从进门到爱上的台阶

咖啡屋里，客人会从门前经过、推门、点单、喝完第一杯，最后决定下次再来。每一级台阶都会有人留下，也会有人离开。想找到最痛的那级台阶，你就要把这条动线画出来。

在AI产品里，这条动线就是“留存漏斗”。它不需要事无巨细地把所有行为都塞进去，只挑与“再次回来”强相关的关键动作。比如：新用户进入产品 → 完成首次核心行为 → 次日再次使用 → 第7日再次使用。对AI产品来说，“首次核心行为”可能是第一次生成图片、第一次输完一句话并得到答案，这个时刻也叫Aha moment。

漏斗每一层之间都可以算转化率。假设第 \(i\) 步的人数是 \(N_i\)，下一步人数是 \(N_{i+1}\)，那么这一步的转化率是：

\[

\displaystyle C_i = \frac{N_{i+1}}{N_i} \times 100\%

\]

1. N_{i+1} — 走到下一级的人数：这是“活下来”的客人。

2. N_i — 当前一级的人数：这是上一级台阶“出发”的客人。

3. 相除后乘100% — 计算台阶通过率：结果越低，说明这一级台阶越容易让人转身离开。

举例：1000人注册，600人完成首次AI对话，300人次日回来，150人第7日回来。各步转化率就是60%、50%、50%。哪一步明显低于预期，哪一步就是最需要修复的“台阶断裂处”。

AI行为数据定位：用行为轨迹找流失点

你给咖啡屋装了智能摄像头和会员卡，王阿姨走到吧台前犹豫了多久、最后有没有离开，都会被记录下来。有了这些轨迹，你不再只看到冰冷的汇总数字，而是能看到“每个人在哪个节点停下”。

AI产品每天也会产生海量行为日志：点击、滑动、调用AI、停留时长、退出页面。把这些行为整理成可分析的事件流，就叫行为埋点采集。基于这些数据，你可以给用户分群画像：把新用户、活跃用户、沉默用户区分开；再做路径聚类分析，找到流失用户最常见的行动路线。

为了不淹没在几百个行为里，可以用一个“信号强度”来排序：某个行为出现时用户的流失率，除以全体用户平均流失率。比值越高，说明这个行为和流失越相关。

\[

\displaystyle L_A = \frac{P(\text{流失} \mid A)}{P(\text{流失})}

\]

1. P（流失|A） — 条件流失率：出现过行为A的用户里，有多少人最终流失。

2. P（流失） — 平均流失率：全体用户的平均流失水平。

3. 两者相除 — 得到风险倍数：如果 \(L_A > 1.2\)，说明行为A是高流失信号，值得优先排查。

比如你发现“第一次生成失败后直接退出”这个路径的 \(L_A\) 特别高，那接下来的重点就不是改按钮颜色，而是先把AI生成的成功率提上去。这就是用行为数据，而不是拍脑袋，定位流失点。

流失点诊断：找到用户放下杯子的地方

客人不会平白无故消失。有的人第一次来就找不到座位，有的人喝了一口觉得太苦，还有的人只是连续几周太忙忘了来。你要做的，是把“消失原因”拆成可验证的信号。

对AI产品来说，常见流失点有四类。第一是首次体验卡点：新用户点开产品后看不懂、加载慢、引导太长，导致还没碰到核心价值就走人。第二是功能使用深度：用户虽然登录了，但没用过核心功能，留存自然低。第三是活跃频次衰减：用户每周来三次，慢慢变成每周一次，再变成一个月一次。第四是卸载和沉默信号：用户卸载App，或者连续很久不打开。

判断“沉默”需要一条时间线。假设当前时刻是 \(t_{\text{now}}\)，用户最后一次核心行为发生时间是 \(t_{\text{last}}\)，那么沉默间隔就是：

\[

\displaystyle \Delta t = t_{\text{now}} - t_{\text{last}}

\]

1. t_now — 当前时间：你观察用户状态的那一刻。

2. t_last — 最后核心行为时间：用户最后一次真正使用产品价值的时间。

3. 相减 — 得到沉默间隔：当 \(\Delta t\) 超过产品设定的阈值（如7天或14天），就把用户放入召回池。

诊断流失点，不是在找“谁的错”，而是在找“用户价值断在哪里”。如果核心功能没有被体验过，问题在首次引导；如果核心功能用过但很快不再来，问题可能在内容新鲜度、推送价值或竞品替代。

召回策略设计：把流失用户请回来

发现王阿姨三周没来，你决定做一次召回：给她发一张“你最爱的拿铁买一送一”的券，而不是给所有路人发传单。精准的召回，比大喇叭广播更有效，也更省钱。

召回策略设计要分四步走。第一步是生命周期触达：区分新用户、活跃用户、沉默用户和已流失用户，不同阶段用不同话术。第二步是个性化推送文案：根据用户历史行为，提到他曾经用过的功能，比如“你上周生成的周报模板还在，要不要继续编辑？”第三步是权益激励设计：给沉默用户一张会员体验券，但一定要引导他回到核心功能，而不是只领福利。第四步是召回效果评估：不能只看推送打开率，要看召回后是否真的回访和使用。

召回到底成不成功，需要一个明确指标。假设被触达的沉默用户数是 \(U_{\text{touched}}\)，触达后7天内回访的人数是 \(U_{\text{return}}\)，那么召回转化率是：

\[

\displaystyle CR_{\text{recall}} = \frac{U_{\text{return}}}{U_{\text{touched}}} \times 100\%

\]

1. U_return — 真正回来的人：分母不是打开推送的人，而是回来后真正活跃的人。

2. U_touched — 被触达的人：所有收到召回消息的沉默用户。

3. 相除乘100% — 召回效果量化：这个值越高，说明内容和激励越对路。

要小心一种假象：用户被大额券吸引回来，领完福利又走了。真正的召回，是让用户重新体验核心价值，而不是用补贴买一次虚假回访。

留存实验与AB测试：用对照实验验证方案

你想到一个新主意：把咖啡屋的菜单改成“每日手冲限定”，也许熟客会更多。但你不确定这是不是真的好，于是决定把两周的客人随机分成两组：一组看到新菜单，另一组维持老菜单。两周后对比谁的回头率高。

这就是留存实验与AB测试。先写实验假设，比如“精简后的新手引导能把7日留存从12%提升到16%”。然后把用户随机分成实验组和对照组，两组同时跑。实验组看到新版本，对照组保持原样。最后比较核心指标，而不是只看点击率、满意度这些表面数据。

假设实验组的7日留存率是 \(R_{\text{experiment}}\)，对照组是 \(R_{\text{control}}\)，那么留存提升量是：

\[

\displaystyle \Delta R = R_{\text{experiment}} - R_{\text{control}}

\]

1. R_experiment — 实验组留存率：体验新方案的那批用户。

2. R_control — 对照组留存率：使用原方案的那批用户。

3. 相减 — 得到净提升：正数代表新方案可能更优，但还要看差异是否显著。

只看数字高还不够。要保证样本量足够，还要看置信区间是否横跨0。这就像试营业三天客人多，不代表新菜单真的好；你需要排除“新鲜感”和“偶然波动”，再决定是否全量上线。

数据驱动迭代优化：让留存分析成为习惯

留存分析不是一次性的调研，而是咖啡屋每天打烊后都要做的复盘：今天谁来了？谁走了？为什么？明天要改什么？只有这样，熟客率才会一点点涨起来。

团队应该把留存分析变成固定机制。第一是留存指标监控：把D1、D7、D30和关键漏斗步骤放进自动化报表。第二是每周留存复盘：产品、运营、数据分析师坐在一起，对着曲线找异常。第三是优化方案排期：从流失点诊断结果中挑出影响最大的问题，排进下一迭代。第四是持续提升用户粘性：每一次改动都用AB测试验证，形成“发现-假设-实验-复盘”的循环。

量化一次优化的效果，可以用相对提升率。假设优化前基线7日留存率是 \(R_{\text{baseline}}\)，优化后是 \(R_{\text{new}}\)，则相对提升为：

\[

\displaystyle I = \frac{R_{\text{new}} - R_{\text{baseline}}}{R_{\text{baseline}}} \times 100\%

\]

1. R_new — 优化后留存率：新方案上线后的留存表现。

2. R_baseline — 基线留存率：改动之前的留存水平。

3. 差值除以基线再乘100%：得到“相对提升多少”，方便不同实验之间横向比较。

数据不是用来证明“我做得对”的，而是用来发现“下一步该怎么做”的。当留存分析变成团队习惯，产品就不再靠运气留住用户，而是靠一套持续运转的数据飞轮。

AI 应用场景

Python 演示

# -*- coding: utf-8 -*-from collections import defaultdict  def load_records():    # 每条记录表示 (用户ID, 活跃日期)    records = [        ("u001", 0), ("u001", 1), ("u001", 7),        ("u002", 0), ("u002", 1),        ("u003", 0),        ("u004", 1), ("u004", 8),        ("u005", 1),    ]    return records  def build_active_map(records):    active = defaultdict(set)    for uid, day in records:        active[day].add(uid)    return active  def compute_retention(records, target_days):    first_active = {}    for uid, day in records:        if uid not in first_active or day < first_active[uid]:            first_active[uid] = day     cohorts = defaultdict(set)    for uid, day in first_active.items():        cohorts[day].add(uid)     active = build_active_map(records)    result = []    for day in sorted(cohorts):        new_users = cohorts[day]        row = {"cohort": day, "new_users": len(new_users)}        for t in target_days:            ret = len(new_users & active.get(day + t, set()))            row["D%d" % t] = ret            row["R%d" % t] = ret / len(new_users)        result.append(row)    return result  def funnel_conversion(steps):    result = []    for i in range(len(steps) - 1):        conv = steps[i + 1][1] / steps[i][1]        result.append((steps[i][0] + " -> " + steps[i + 1][0], round(conv, 2)))    return result  if __name__ == "__main__":    retention = compute_retention(load_records(), [1, 7])    for row in retention:        print(row)    steps = [("曝光", 1000), ("注册", 800), ("首用", 450), ("第7日留存", 120)]    for item in funnel_conversion(steps):        print(item)

1. active[day].add(uid)把每天出现的用户登记到一张“到店表”中，方便之后取交集。
2. first_active[uid] = day记录用户第一次出现的日子，也就是“新客入伙日”。
3. cohorts[day].add(uid)按首次出现日给用户分组，形成同批新客名单。
4. ret = len(new_users & active.get(day + t, set()))求“同批新客”和“目标日活跃用户”的交集人数，这是留存率的核心。
5. conv = steps[i + 1][1] / steps[i][1]计算漏斗相邻两步的转化率，哪一级台阶断了，一目了然。

常见误区

面试题