产品留存率衡量的是某一时间窗口内首次使用产品的用户中，经过若干时间后仍继续使用的那部分用户占比。计算的关键是先固定三件事：什么行为算“继续使用”、按哪个日期划分同期群、观察多长的窗口。本文按口径定义、取数规则、计算步骤、数字示例和结果解读的顺序展开，给出可以复算的公式与处理规则，并说明单看留存率时容易出现的误读。
要点总览（TL;DR）
- 留存率 = 窗口期末仍满足留存行为的用户数 ÷ 同期群初始用户数 × 100%，分子与分母必须来自同一批用户。
- 计算前先固定三个口径要素：留存行为（登录、核心功能使用、付费等）、同期群分组（按首次使用日期）、观察窗口（次日、7日、30日等）。
- 取数至少需要用户标识、首次使用时间、留存行为时间三个字段，并明确去重规则；分母为零标注“无样本”，样本过小需标注样本量。
- 多窗口结果按“同期群 × 窗口”组织成表格或留存曲线，窗口未走完的同期群标注“未成熟”，不参与趋势判断。
- 留存率是结果指标，不同口径与窗口之间不可直接比较，需结合访谈、行为路径、转化等证据解读，避免当作因果或绩效结论。
评估目标：留存率要回答什么产品问题
留存率用于判断产品是否在持续产生用户价值。用户第一次使用可能来自推广、活动或同事推荐，这类行为说明产品被触达，不能说明产品被需要。留存率观察的是同一批用户在经历一段时间后是否仍回来使用，因此它更接近“产品是否留得住人”这一问题。当留存率在多个同期群之间保持稳定或上升，通常说明产品对这批用户有持续价值；当留存率快速衰减，需要回到产品体验、目标人群匹配度或获客质量上找原因。
留存率在产品指标体系中有明确分工。拉新指标回答“获取了多少新用户”，关注渠道、成本和新增规模；活跃指标回答“某段时间内有多少人在用”，关注使用频次和覆盖面；收入指标回答“用户贡献了多少营收”，关注付费转化和客单价。留存率回答的是“来过的用户中还有多少留下”，它把注意力放在用户与产品关系的持续性上。四类指标各自成立，不能互相替代：新增很多但留存很低，说明获客与产品匹配度存在问题；活跃很高但留存持续下滑，说明活跃可能集中在少数重度用户身上。
留存率的评估边界也需要提前说明。它不覆盖需求验收，即不能回答某个需求是否按预期交付；也不覆盖研发效率，即不能反映交付速度、缺陷率或协作成本。把留存率用于这些场景，会得到与问题无关的结论。留存率适合放在产品价值验证的环节，与用户访谈、行为路径分析、付费转化等证据配合使用。
指标与范围：留存行为、同期群与观察窗口
留存率的计算结果对口径高度敏感，同一批用户在不同定义下可能得出差异很大的数字。计算前需要把三个要素写清楚，并保持前后一致。
留存行为指什么动作算“继续使用”。常见选择包括登录、使用某个核心功能、完成一次关键任务或发生付费。行为定义越接近产品的核心价值，留存率越能反映真实的产品价值。以登录作为留存行为，口径宽、数据易取，但可能把只打开看一眼的用户计入留存；以核心功能使用作为留存行为，口径更严格，更能体现用户是否真正用上了产品。行为定义一旦确定，应在同一份报告内保持不变，否则不同时期的数据无法比较。
同期群指按用户首次使用日期分组。同一同期群内的用户在同一时间段进入产品，经历相同的产品版本、运营活动和市场环境，因此组内比较更有意义。分组粒度可以是日、周或月，粒度选择应与观察窗口匹配：观察次日留存用日同期群，观察周留存用周同期群，观察月留存用月同期群。
观察窗口指从首次使用起经过多长时间后统计留存。常见窗口包括次日、7日、30日，以及按周、按月组织的留存。窗口越长，越能反映长期价值，但数据成熟所需时间也越长。计算30日留存时，最近30天内新增的用户尚未走完窗口，不能计入完整结果。
| 口径要素 | 常见选择 | 对结果的影响 |
|---|---|---|
| 留存行为 | 登录、核心功能使用、完成关键任务、付费 | 定义越严格，留存率通常越低，但更贴近产品价值 |
| 同期群分组 | 按日、按周、按月，以首次使用日期为准 | 粒度需与观察窗口匹配，否则组内用户经历不一致 |
| 观察窗口 | 次日、7日、30日、周留存、月留存 | 窗口不同，结果不可直接比较 |
| 分子分母范围 | 同一同期群、同一行为定义、同一窗口 | 范围不一致会导致比率失真 |
分母与分子的范围必须一致。分母是该同期群的初始用户数，分子是这批用户中在窗口期末仍满足留存行为的人数。如果分子统计时放宽了行为定义，或把其他同期群的用户算了进来，比率就会偏高且无法解释。
数据口径与证据：取数来源与缺失值处理
留存率计算至少需要三个字段：用户标识、首次使用时间、留存行为发生时间。用户标识用于区分不同用户并支持去重，首次使用时间用于划分同期群，留存行为时间用于判断用户在窗口内是否发生留存行为。数据通常来自产品埋点、业务数据库或用户行为分析系统，取数时应记录数据来源、统计区间和提取时间，便于后续复算。
去重规则需要提前确定。同一用户在同一设备多次注册、同一自然人有多个账号、匿名用户转为登录用户，都会影响分母。常见做法是以稳定的用户标识为准，合并同一用户的多个账号，匿名阶段的数据按规则归并或单独标注。去重规则应写入口径说明，避免不同人取数得出不同分母。
分母为零和样本过小是两类需要单独处理的情况。某个同期群初始用户数为零时，留存率没有定义，结果应标注为“无样本”，不能记为0%，否则会被误读为留存极差。样本过小时，比如同期群只有十几人，留存率的波动很大，一个用户的去留就能带来几个百分点的变化。这类结果可以展示，但应同时标注样本量，并在解读时降低权重。
缺失值和异常数据需要标注而非直接删除。首次使用时间缺失的用户无法归入同期群，应单独统计数量并说明占比；留存行为时间异常，比如早于首次使用时间，说明数据存在逻辑错误，应回溯埋点或同步逻辑。对缺失数据的处理方式会影响分母，删除、归并还是保留，都应在口径说明中写明。
当留存率需要按多个同期群、多个窗口持续输出时，取数规则和指标定义需要被固定下来并让参与方共用同一套口径。ONES 提供工作项与文档的协作管理能力，可以把指标定义、取数说明和口径变更记录放在同一处文档中维护，让产品、数据和业务方基于同一版本的口径开展统计与复核；具体的用户行为数据采集与同期群统计仍需由数据侧的工具完成。
计算步骤：从同期群到留存率
留存率的计算可以拆成四步，每一步都产出可核对的结果。
第一步，确定同期群并统计初始用户数。按首次使用日期筛选出目标同期群的全部用户，去重后得到分母。例如统计2025年3月1日首次使用的用户，去重后为1200人，分母即为1200。
第二步，在窗口期末统计仍满足留存行为的用户数。在这1200人中，筛选出在窗口期末仍发生留存行为的用户。以30日留存为例，统计在首次使用后第30天当天或第30天所在周期内发生留存行为的用户数，去重后得到分子。
第三步，计算留存率。公式为：留存率 = 窗口期末仍满足留存行为的用户数 ÷ 同期群初始用户数 × 100%。分子与分母来自同一批用户，单位为用户数，结果为百分比，保留一位或两位小数即可，精度不必过高。
第四步，按窗口与同期群分别输出结果。同一同期群可以同时计算次日、7日、30日等多个窗口的留存率，按窗口分行、按同期群分列组织成表格。把多个同期群在同一窗口下的结果连起来，就得到留存曲线，用于观察留存随时间的衰减趋势。
组织多窗口结果时，建议固定行列为“同期群 × 窗口”。每一行是一个同期群，每一列是一个观察窗口，单元格内填写留存率和样本量。这样既能横向比较不同窗口的衰减速度，也能纵向比较不同同期群在同一窗口下的差异。窗口尚未走完的同期群，对应单元格标注“未成熟”，不参与趋势判断。
例子：一个30日留存率的完整计算
假设某产品统计2025年3月1日首次使用的用户，去重后为1200人。以“使用核心功能”为留存行为，统计这批用户在第30天的留存情况，其中在第30天仍使用核心功能的有312人。计算过程为：312 ÷ 1200 × 100% = 26.0%。这个26.0%就是该同期群的30日留存率，分母1200人，分子312人，窗口为30日，行为定义为核心功能使用。
同一批用户的其他窗口结果可以一并列出，形成对比：
| 观察窗口 | 留存人数 | 同期群人数 | 留存率 | 备注 |
|---|---|---|---|---|
| 次日 | 540 | 1200 | 45.0% | 窗口已成熟 |
| 7日 | 396 | 1200 | 33.0% | 窗口已成熟 |
| 30日 | 312 | 1200 | 26.0% | 窗口已成熟 |
| 30日（另一同期群） | 0 | 0 | 无样本 | 分母为零，不计算比率 |
| 30日（小样本同期群） | 3 | 12 | 25.0% | 样本过小，仅供参考 |
表中分母为零的同期群标注为“无样本”，不写成0%，避免被误读为留存极差。样本仅12人的同期群虽然算出了25.0%，但与1200人同期群的26.0%不具备同等可信度，解读时应注明样本量。三个成熟窗口的结果显示，留存率从次日45.0%下降到30日26.0%，衰减主要发生在首周，这一形态比单个数字更能说明用户的使用节奏。
解读与限制：留存率不能单独说明什么
解读留存率首先要回到口径。同样是“30日留存26%”，行为定义为核心功能使用与行为定义为登录，含义完全不同；窗口是30日还是7日，反映的是不同时间尺度上的用户关系。看到留存率变化时，应先确认行为定义、同期群粒度和窗口是否发生变化，再判断是产品本身的变化还是口径调整带来的变化。
不同口径、不同窗口之间的留存率不能直接比较。把自家产品的7日留存与同行公布的30日留存放在一起对比，或者把按登录统计的留存与按付费统计的留存并列，都会得出错误结论。跨产品、跨时期比较时，需要对齐行为定义、同期群粒度和观察窗口，无法对齐时应说明差异，不强行比较。
留存率与产品价值之间的关联需要其他证据补充。留存率上升可能来自产品改进，也可能来自获客渠道变化带来的用户结构变化，或运营活动带来的短期回流。要判断留存率变化的原因，需要结合用户访谈、行为路径、功能使用分布和付费数据一起看。留存率是一个结果指标，它能提示问题存在，不能单独证明某个改动带来了价值。
还应避免把单指标当作绩效结论或因果结论。留存率受同期群构成、季节因素和统计口径影响，把它直接与个人或团队的绩效挂钩，容易诱导调整口径而非改进产品。更稳妥的做法是把留存率作为一组指标中的一项，与活跃、转化、收入等指标共同构成评估证据，并在结论中写明数据来源、口径和样本量，让结论可以被复核。
常见问题
留存行为应该选登录还是核心功能使用？
取决于你想回答的问题。以登录为留存行为，口径宽、数据易取，适合观察用户是否还会回来；以核心功能使用或完成关键任务为留存行为，口径更严格，更贴近产品是否被真正用上。两种定义算出的留存率不能混用，同一份报告内应保持一种定义，并在口径说明中写清楚。如果产品有多个核心功能，还需要明确以哪一个功能作为留存行为的判定依据。
最近30天新增的用户，能直接算30日留存吗？
不能。30日留存要求用户走完从首次使用到第30天的完整窗口，最近30天内新增的同期群尚未到期，数据不完整。这类同期群在报表中应标注“未成熟”，只展示已走完的窗口结果。如果要观察近期变化，可以先用次日或7日留存等短窗口，等30日窗口成熟后再补充完整结果。
同期群人数很少时，留存率还能用吗？
可以展示，但要同时标注样本量并降低解读权重。十几人的同期群中，一个用户的去留就可能带来几个百分点的波动，留存率不稳定。分母为零时留存率没有定义，应标注“无样本”，不能记为0%，否则会被误读为留存极差。做趋势判断时，优先使用样本量足够的同期群。
留存率上升，能说明某个产品改动有效吗？
不能单独说明。留存率上升可能来自产品改进，也可能来自获客渠道变化带来的用户结构变化，或运营活动带来的短期回流。要判断原因，需要结合用户访谈、行为路径、功能使用分布和付费数据一起看，并核对口径是否发生变化。留存率适合作为一组指标中的一项，结论中写明数据来源、口径和样本量，便于复核。
多个同期群、多个窗口的留存结果怎么组织？
建议固定行列为“同期群 × 窗口”：每一行是一个同期群，每一列是一个观察窗口，单元格填写留存率和样本量。这样既能横向比较不同窗口的衰减速度，也能纵向比较不同同期群在同一窗口下的差异。把多个同期群在同一窗口下的结果连起来，就得到留存曲线，用于观察留存随时间的衰减趋势。窗口尚未走完的单元格标注“未成熟”。
