深入理解留存曲线分析

可视化演示

动态演示深入理解留存曲线分析的核心机制，通过总览/传输/转换/输出四种模式展示关键概念与交互流程。

留存曲线概念（一）

开业那天的智慧食堂，让你懂得一个道理：单日营业额再高，也说明不了餐厅的命运。有些店开业靠横幅和折扣热闹了一周，随后门口冷清；有些店起初不温不火，三个月后却每天都坐满熟客。区别在哪？在于“老食客回来”的比例。留存曲线，就是把这批同一天来的食客，按“今天还有多少人回头”逐日连成的线，它剥离了所有营销噪音，直接回答一个质朴的问题：这个产品，值不值得人再次选择？

AI 产品同样如此。我们常说“用户来了就走”，可“走了多少、留了多少”必须用一个客观的比率来表达。留存率定义为一个同期群（Cohort）在第 t 天仍保持活跃的人数，除以该群最开始的人数。比如 1 月 1 日注册了 1000 个用户，1 月 8 日还活跃的有 120 人，那么这批用户的第 7 日留存率就是 12%。“同期群”的意思是：把同一天、同一周、同一月加入的用户归为一组，单独追踪，而不是把不同时期的新旧用户混在一起统计——否则新增浪潮会掩盖老用户流失的惨状。

回到食堂场景：留存率就是“开业那批食客的回头率”，它不以今天来了多少新客而转移。AI 创业者最忌讳用总访问量自我安慰，因为那里面混着大量一次性好奇流量；而同期群的留存曲线，才是产品价值最诚实的底账。想清楚这个起点，后面所有分析才站得住脚。

曲线形态解读（二）

假设你的食堂同时开了两间：A 店靠口碑慢慢做，第一个月客流掉到三成，第六个月仍稳定在三成；B 店靠“开业免费吃”冲量，第一周客流 90%，之后每周掉 10 个点，一路下行看不见底。A 店和 B 店的差别，正是留存曲线形态的差别——“健康产品”的曲线在早期快速下滑后趋于水平，“问题产品”的曲线则像滑梯一样持续向下。

从形态上解读，平滑型曲线意味着产品经历了一段“体验筛选期”后，剩下的核心用户群趋于稳定。这个稳定的高度，就是你真实的核心用户池。持续下滑型曲线则揭露了严重问题：用户在使用中不断失望，产品没有创造出让他们反复回来的理由。此时流量越大，流失的绝对人数越多，就像 B 店打折活动每次一停，客流就断崖般回落。

读懂形态后，你会自然地追问：A 店为什么能留人？B 店问题出在哪天？答案藏在对比里。但对比之前，请先确保“A 店和 B 店的回头率是同一个算法算出来的”——这就要进入下一节的计算口径。

留存指标计算（三）

食堂店长说“回头客很多”，老板问：“一天来过两次就算回头，还是只算每周来三次以上的？”定义不同，结论差别巨大。留存的分子分母同样必须先统一口径。比如“仍活跃”如何定义：是打开过 App？点过核心按钮？还是完成过一次付费？时间窗口选 7 天还是 30 天？这些不敲定，你的留存数字就像换了秤砣的秤，永远称不准。

计算留存时，最简单的公式是前述 Rₜ = Nₜ / N₀ × 100%。但实际情况中，一个产品会同时存在多个同期群：本周注册了 1 万人，上周注册了 8 千人，数据团队画图时往往需要把多个群组合并成一条总曲线。此时绝不能简单地把各群组留存率相加除以群组个数——因为大群组和小群组对整体的贡献不同，就像两家分店的 50% 回头客，一个坐 200 人、一个坐 20 人，总的回客人次是 110 而不是 60。正确做法是按初始人数加权平均。

定义明确后，食堂才能统一“回头客”的尺子。每个群组按人数加权，而不是把大小分店一视同仁。下一节，我们将拿起这把尺子，去量一量不同版本的菜品、不同客群、不同宣传渠道，到底谁真正贡献了忠诚。

群组对比分析（四）

你的食堂又在商场里开了第三家分店，卖新派融合菜。你拿着同一张“回头率记录表”，把三家店的曲线叠在一起：第一家平稳，第二家下滑，第三家先高后低——一目了然，又引出新的问题：是选址、是菜品、还是客流本身的质量差异？留存分析的精髓正在于此：没有对比，就没有定位。把不同群体放在同一坐标系里，差异会立刻浮出水面。

最常见的对比有三种。第一，功能版本对比：旧版 App 和新增了推荐算法的新版 App，分别给同一性质的用户群使用，观察留存是否有显著提升——这相当于两家分店用不同菜单，其余条件尽量一致。第二，用户群组对比：把新用户、老用户、免费用户、付费用户分开画线，看哪一层级的忠诚度断裂最严重。第三，渠道来源对比：从社交媒体来的用户、搜索引擎来的用户、线下扫码来的用户，留存起点可能就相差巨大，有的渠道带来的是“路过看热闹的人”，有的则精准命中需求。

回到食堂，对比的意义不在于评判哪家店“更好”，而在于把资源投到最该改进的环节。菜单相同但生意差的店，问题可能在选址（渠道）；装修相同但菜品不同的店，问题可能在菜本身（功能）。对比完成后，接下来就该动手优化了。

留存优化策略（五）

知道问题出在哪家店后，你会怎么改？聪明的店主不会立刻装修全部门店，而是先改善新客的“第一口体验”、把受欢迎的菜品做成招牌并持续打磨、对好久没来的老客送上一张“欢迎回来”的优惠券。留存优化的三个抓手，与这个思路一一对应：新用户激活、功能迭代、流失召回。

新用户激活，就是让用户在前几次使用时快速感受到核心价值。对应食堂场景，就是“头三分钟决定要不要再来”——服务员是否及时引导、招牌菜是否一口回魂。在 AI 产品里，这体现为首日引导流程、首个推荐任务完成率、首次达成关键行为的顺畅度。功能迭代则是基于留存数据找到“最差的那道菜”：把行为数据按功能模块拆开，哪个环节用户丢得最狠，就优先改哪里，小步快跑、灰度验证。流失召回则面向那些已经沉默的用户，通过推送、邮件或权益激励请他们回来看看，同时分析他们流失前的共同行为，反向指导产品改进。

优化策略本质上是一轮又一轮的实验：新菜单上线→观察回头率→迭代→再看。但每一次实验要做成，光有想法不够——后厨要能稳定出菜，服务员要懂新品卖点，店长要盯每周数据。这就是留存落地的组织保障。

组织协同准备（六）

你终于想明白：改变菜品不是主厨一个人的事。主厨负责味道，前厅负责介绍，供应链负责食材，店长负责复盘客流数据。任何一环掉链子，“提升回头率”的口号都会变成空谈。AI 产品的留存优化同样依赖组织协同，具体落在三个层面：数据基建、跨团队协作、评估机制。

数据基建是一切的前提：统一埋点规范、数据仓库分层清晰、留存报表自动产出。如果埋点缺失，你就会像“不知道今天到底接待了几个回头客”的餐厅，一切分析无从谈起。跨团队协作要求产品、技术、运营、数据同学站到同一张“留存曲线”前，对齐目标：产品负责功能改进，技术保障迭代效率，运营负责触达策略，数据负责验证真伪。评估机制则确保每次改动都有灰度、有对照组、有结论复盘——如同新菜品先在小范围试卖，再决定是否推向全部门店。

食堂的回头客不是天上掉下来的，它是后厨、前厅、供应链和店长这整套系统持续协作的产物。AI 产品亦然：数据基建铺好路，团队并肩作战，评估机制让每一步改动都被看见、被验证。留存曲线这项让用户价值显形的利器，真正发挥威力，靠的正是这套“食堂系统”的日常运转。

AI 应用场景

Python 演示

# -*- coding: utf-8 -*-"""模拟健康产品与流失产品的留存曲线, 并输出对比判定""" import math  def retention_curve(day_num, init_users, daily_keep, damping):    """生成一条留存曲线, 每日留存率随天数缓慢衰减"""    curve = [init_users]    for d in range(1, day_num):        keep_rate = daily_keep - damping * d        keep_rate = max(0.3, min(keep_rate, 1.0))        curve.append(curve[-1] * keep_rate)    return curve  def to_rate(curve):    """人数曲线转留存率(第0天为100%)"""    init = curve[0]    return [round(c / init * 100, 2) for c in curve]  def main():    days = 30    healthy = to_rate(retention_curve(days, 1000, 0.95, 0.008))    problem = to_rate(retention_curve(days, 1000, 0.90, 0.025))     print("第N天  健康产品(%)  流失产品(%)")    for d in range(0, days, 5):        print(f"{d:>4}  {healthy[d]:>8.2f}  {problem[d]:>8.2f}")     if problem[-1] < 20:        print("判定: 流失产品曲线持续下滑, 未形成稳定核心用户池")    if healthy[-1] > 40:        print("判定: 健康产品曲线快速下降后趋平, 核心群组稳定")  if __name__ == "__main__":    main()

1. def retention_curve(day_num, init_users, daily_keep, damping)定义曲线生成函数，damping 表示每日留存率衰减速度，模拟“产品失去魅力”的程度。
2. keep_rate = max(0.3, min(keep_rate, 1.0))把留存率限制在 30%~100% 之间，防止数值越界。
3. curve.append(curve[-1] * keep_rate)前一天的留存人数乘以当日留存率，得到当天人数，形成逐日递减的递推关系。
4. to_rate(curve)将人数序列转换为留存率序列，统一除以第 0 天的初始人数。
5. for d in range(0, days, 5)每隔 5 天打点输出，便于直观观察曲线走向。
6. print(f"{d:>4} {healthy[d]:>8.2f} {problem[d]:>8.2f}")格式化输出两列数字，对齐后一眼看出健康产品趋于稳定、流失产品一路下降。
7. if healthy[-1] > 40以第 30 天的留存高度作为健康度判据，呼应“平滑型曲线核心群组稳定”的概念。

常见误区

面试题