确定产品留存率的统计口径，核心是先把四个变量固定下来：留存主体（用户、账号还是团队）、留存事件（什么行为算“还在用”）、时间窗（首日、第7日、第30日等）和分母（哪一批初始用户）。四个变量写清楚后，留存率=该批用户在观察时点仍满足留存事件的人数÷该批初始人数×100%，再配套处理分母为零、跨期未满和重复账号的情况，指标才可复算、可解释。
要点总览（TL;DR）
- 留存率口径由四个变量共同决定：留存主体（用户、账号、设备或团队）、留存事件（登录、核心功能使用、付费等）、时间窗（次日、第7日、第30日或滚动窗口）和分母（按首次行为日期划分的初始批次）。
- 计算公式为：留存率=观察时点仍满足留存事件的人数÷该批初始人数×100%；分母是该批次首次行为去重后的用户数，分子必须与分母使用同一用户标识体系。
- 取数需要用户标识、首次行为时间和留存行为时间三类字段，并提前写明多端账号合并、匿名用户关联和测试账号排除规则，否则同一份数据会算出多个结果。
- 跨期未满的批次标注为“观察中”，分母为零的批次记为无效批次；不同主体、事件或时间窗的留存率不可直接比较。
- 留存率反映持续使用行为，适合作为产品价值验证的证据之一，需与激活率、核心功能使用深度、付费转化等指标配合解读。
评估目标：留存率要回答产品价值问题
留存率评估服务于一个判断：用户是否在持续获得产品价值。用户第一次完成注册或首次使用，只说明产品被触达；隔一段时间仍然回来完成关键动作，才说明产品解决的问题值得反复使用。留存率把“持续使用”这件事变成可观察、可比较的数字，帮助产品团队判断某个版本、某个渠道或某类用户群体是否形成了稳定的使用习惯。
这个指标适合作为产品价值验证的证据之一，单独使用则容易失真。留存率上升可能来自渠道结构变化，也可能来自一次短期活动带来的回流；留存率下降也可能只是统计口径调整。把留存率与激活率、核心功能使用深度、付费转化等指标放在一起看，才能对“产品是否持续产生价值”形成较完整的判断。它也不适合直接作为团队绩效的唯一依据，因为影响留存的因素横跨产品、运营、渠道和外部环境。
本文讨论的范围限于产品价值验证中的留存度量，包括口径变量、取数要求、计算流程、算例和解读限制。需求验收与闭环管理、研发效能管理属于其他主题，本文不展开。下文给出的是一套可复算的口径定义方法，不提供通用达标线，具体目标值需要结合产品阶段和历史基线自行设定。
指标与范围：先固定四个口径变量
留存率看起来是一个数字，实际由四个变量共同决定。口径不确定，通常不是公式写错，而是这四个变量在不同报表里各说各话。建议在指标文档中一次性写清每个变量的取值，后续所有报表沿用同一套定义。
| 变量 | 可选值 | 对结果的影响 |
|---|---|---|
| 留存主体 | 用户、账号、设备、团队 | 决定“一个人”如何计数。同一自然人多账号会被重复计算，团队口径则把成员流动纳入判断 |
| 留存事件 | 登录、核心功能使用、完成关键任务、付费 | 事件越接近价值动作，留存率越能反映真实使用；仅登录会高估活跃 |
| 时间窗 | 次日、第7日、第14日、第30日、滚动窗口 | 窗口越短越敏感，越长越稳定；不同窗口的数值不可互换 |
| 分母 | 按首次行为日期划分的初始批次（cohort） | 决定“哪批人”进入计算。批次划分方式不同，分子分母都会变化 |
四个变量中，留存事件最需要业务判断。以登录作为留存事件，统计简单，但用户可能只是被动打开；以核心功能使用作为留存事件，更贴近价值，但需要先明确哪个功能承载核心价值。团队类产品还要考虑主体选择：按账号统计反映个体粘性，按团队统计反映组织层面的持续采用，两者回答的问题不同。变量一旦确定，应写入指标文档并注明生效日期，口径调整时保留历史版本，避免新旧数据混用。
数据口径与证据：取数来源和可比性要求
留存率计算依赖三类数据：埋点或行为日志提供留存事件的发生记录，登录日志提供访问时间，账号体系提供用户标识和账号归属关系。取数前要确认这三类数据能通过同一个用户标识关联起来，否则分子和分母会落在不同的统计体系里。
关键字段至少包括：用户标识（账号ID或设备ID）、首次行为时间、留存行为时间。首次行为时间用于划分批次，留存行为时间用于判断观察时点是否满足留存事件。字段清单确定后，还要明确几条处理规则：同一用户多端登录时按账号合并还是按设备分别计数；匿名用户在注册后如何与既有记录关联；测试账号、内部账号是否排除。这些规则不写清楚，同一份原始数据可以算出多个不同的留存率。
可比性是取数环节最容易出问题的地方。比较两个批次的留存率之前，需要确认渠道构成、产品版本、时间窗和留存事件定义一致。渠道结构差异会直接改变用户质量分布，版本差异会改变功能入口和行为路径，时间窗不同则数值本身不可比。建议在报表中同时标注批次日期、版本号、渠道范围和口径版本，让读者能判断两组数字是否在同一口径下产生。
计算与评估步骤：从建批次到出结果
留存率的计算公式为：留存率=观察时点仍满足留存事件的人数÷该批初始人数×100%。分母是该批次首次行为去重后的用户数，分子必须与分母使用同一用户标识体系，且只统计在观察时点仍满足留存事件的人。分子是分母的子集，计算前应校验这一点。
具体流程可以按以下步骤执行：
- 建批次：按用户首次行为日期划分cohort，同一天首次发生行为的用户归入同一批次。首次行为的定义要与留存事件区分开，例如首次注册进入批次，核心功能使用作为留存事件。
- 确定观察时点：固定第N日（如第7日、第30日），或采用滚动窗口。固定第N日便于跨批次比较，滚动窗口适合观察近期趋势，两者应在报表中分开呈现。
- 计算分子：在观察时点当天或窗口内，统计该批次中满足留存事件的去重用户数。若留存事件定义为“当天使用核心功能”，则只统计当天发生的记录。
- 计算分母：统计该批次首次行为去重后的用户数，排除测试账号和不符合纳入规则的记录。
- 处理异常：分母为零的批次不计算比率，单独记录为无效批次；观察期尚未走完的批次标注为“观察中”，不参与同口径横向比较；重复账号按既定合并规则去重后再计入。
结果输出时建议同时给出分子、分母、比率和口径版本。只给一个百分比，后续无法复算，也无法判断变化来自分子还是分母。对于跨期未满的批次，可以给出当前已观察天数的中间值，但必须标注观察状态，避免与完整窗口的批次直接比较。
例子：一个可复算的留存率算例
假设某产品在3月1日有1000名用户首次完成注册，进入3月1日批次。留存事件定义为“当天使用核心功能”，观察时点为第7日，即3月8日。3月8日当天，该批次中有280名用户使用了核心功能，其中包含12个重复记录，按账号去重后为268人。
第7日留存率=268÷1000×100%=26.8%。分母1000是3月1日首次注册去重后的用户数，分子268是同一批用户在3月8日使用核心功能的去重人数。如果不去重，用280计算会得到28.0%，差异来自重复账号，这正是需要在口径中写明去重规则的原因。
再看一个跨期未满的批次：3月25日批次有800名用户，到3月31日只观察到第6日，尚未走完第7日窗口。此时可以计算第6日留存率作为中间参考，但应标注“观察中”，不与3月1日批次的第7日留存率并列比较。若某批次因数据缺失导致分母为零，则不计算比率，记录为无效批次并说明原因。
常见误算还包括把不同时间窗混用，例如用第6日数据冒充第7日结果，或把不同渠道的批次合并后与单渠道批次比较。算例的价值在于每一步都能追溯到原始字段，读者按同样规则应能得到相同结果。
解读与限制：留存率能说明什么、不能说明什么
留存率反映的是持续使用行为，不能直接等同于用户获得了价值。用户可能因为工作流程绑定而继续登录，也可能因为替代品不足而留下，这些情况下的留存并不说明产品体验优秀。把留存率当作因果保证，容易高估某个功能改动的实际作用；把它当作绩效结论，则会忽略渠道、季节和用户结构的影响。
解读时需要注意几条限制。不同口径之间的留存率不可直接比较，主体、事件、时间窗或分母任一不同，数值就落在不同的度量体系里。样本量小或观察期短时，留存率的波动会被放大，单批次的小幅变化不足以支撑结论。跨版本、跨渠道比较前，应确认批次构成一致，必要时按渠道或用户类型分层查看。
更稳妥的做法是把留存率与激活率、核心功能使用频次、付费转化等指标配合使用，形成从首次触达到持续使用的证据链。评估结论应写明口径版本、观察窗口和数据范围，让后续读者能够复算和复核。留存率是一个有用的信号，它的价值来自口径清晰和解读克制，而不是数字本身的大小。
常见问题
留存事件选“登录”还是“核心功能使用”，对结果影响有多大？
影响通常很大。以登录作为留存事件，统计口径简单、数据覆盖完整，但用户可能只是被动打开或收到推送后点开，留存率会偏高，反映的是“还愿意打开”而非“还在获得价值”。以核心功能使用作为留存事件，更贴近产品价值，但前提是先明确哪个功能承载核心价值，并且该行为有稳定的埋点记录。
选择时可以先问：用户完成哪个动作，才说明他解决了自己的问题？如果这个动作能被稳定记录，优先用它作为留存事件；如果暂时无法稳定采集，可以先用登录作为过渡口径，但在报表中注明事件定义，避免与核心功能口径的数字混用。
同一用户有多个账号或在多个终端登录，留存率应该怎么算？
先确定留存主体，再决定合并规则。按账号统计时，同一自然人的多个账号会被分别计数，留存率可能偏高；按设备统计时，换设备或清缓存会导致同一用户被拆成多条记录。团队类产品还可以按团队统计，反映组织层面的持续采用。
规则一旦确定，应写入指标文档并在所有报表中沿用：多端登录按账号合并去重，匿名用户在注册后通过关联字段与既有记录合并，测试账号和内部账号在分母中排除。规则变化时保留历史版本和生效日期，避免新旧数据直接对比。
新批次还没走完第30日窗口，能不能先算一个留存率？
可以给出中间值，但必须标注观察状态。例如3月25日批次到3月31日只观察到第6日，可以计算第6日留存率作为趋势参考，并标注“观察中”，不与已走完第7日或第30日窗口的批次并列比较。
跨期未满的批次参与横向比较，容易得出错误结论：观察天数短的批次往往留存率偏高，因为短期回访更集中。建议在报表中把完整窗口批次和观察中批次分开展示，等窗口走完后再纳入同口径比较。
两个版本的留存率相差几个百分点，能直接说明新版本更好吗？
不能直接下结论。比较前需要确认渠道构成、产品版本、时间窗和留存事件定义一致。渠道结构变化会改变用户质量分布，版本差异会改变功能入口和行为路径，时间窗不同则数值本身不可比。
更稳妥的做法是按渠道或用户类型分层查看，确认差异是否集中在某一类用户；同时结合样本量判断，样本小或观察期短时，几个百分点的波动可能只是随机噪声。报表中同时标注批次日期、版本号、渠道范围和口径版本，读者才能判断两组数字是否在同一口径下产生。
留存率适合直接作为团队绩效指标吗？
不建议单独使用。留存率受产品、运营、渠道和外部环境多重因素影响，把它作为唯一绩效依据，容易引导团队追求短期回流或调整口径，而不是改善产品价值。
如果要把留存率纳入考核，建议同时明确口径版本、观察窗口和数据范围，并与其他指标配合使用，例如激活率、核心功能使用频次和付费转化，形成从首次触达到持续使用的证据链。评估结论写明这些条件，后续才能复算和复核。
