Title: 留存分析
Locale: zh
URL: https://sensorswave.com/docs/analytics/retention-analysis/
Description: 分析用户留存情况，提升产品粘性
留存分析是衡量产品健康度的核心指标，用于追踪用户在完成某个初始行为后，是否会在后续的时间段内回到产品并执行特定行为。通过留存分析，您可以了解用户的粘性、产品的长期价值，以及不同功能、渠道或用户群体对留存的影响。高留存率通常意味着用户找到了产品的核心价值，而留存率的下降则提示需要优化用户体验或产品功能。

留存分析支持灵活定义初始事件和回访事件，可以按天、周、月等不同时间粒度进行分析，并提供多种留存计算方式，帮助您从不同角度洞察用户行为模式。

## 典型使用场景

留存分析可以帮助您回答以下问题：

**产品粘性评估**：
- 新注册用户在第 7 天、第 30 天的留存率是多少？
- 用户首次使用核心功能后，有多少比例会持续回访？
- 不同版本发布后，用户留存率有何变化？

**功能价值验证**：
- 使用了某个新功能的用户，留存率是否高于未使用的用户？
- 哪些功能对用户的长期留存贡献最大？
- 完成新手引导的用户，留存表现如何？

**渠道效果对比**：
- 从不同获客渠道来的用户，留存率有什么差异？
- 付费渠道和自然流量的用户，哪个留存表现更好？
- 不同地区的用户留存率如何？

**用户分群对比**：
- 付费用户和免费用户的留存率差异有多大？
- iOS 用户和 Android 用户的留存表现如何？
- 高价值用户和普通用户的留存曲线有何不同？

**流失风险识别**：
- 用户流失主要发生在哪个时间节点？
- 早期活跃但后续流失的用户有什么共同特征？
- 哪些用户群体的流失风险最高？

## 前提条件

在使用留存分析之前，请确保您已经：

- 完成了 [SDK 集成](../data-integration/client-sdks/javascript.mdx) 并开始接收数据
- 理解了 [数据模型](../data-integration/data-model.mdx) 和 [事件与属性](../data-integration/events-and-properties.mdx) 的基本概念
- 在数据中心中创建了需要分析的 [事件类型](../08-数据管理/01-事件类型.md)
- 具备项目的查看或分析权限，详见 [角色和用户权限](../10-组织与项目/03-角色和用户权限.md)

## 快速开始

### 创建留存分析

1. 点击左侧导航栏的 **数据洞察**
2. 点击右上角的 **新建分析** 按钮
3. 选择 **留存分析** 模型
4. 配置分析条件：
   - 选择 **初始事件**（用户首次触发的行为）
   - 选择 **回访事件**（用户后续回访时触发的行为）
   - 设置留存类型和时间粒度
5. 点击 **查询** 按钮，查看留存分析结果

### 保存和分享

完成分析配置后，您可以：

1. 点击右上角的 **保存** 按钮，为分析命名并保存
2. 点击 **添加到报表** 按钮，将分析添加到已有报表中
3. 点击 **分享** 按钮，生成分享链接或导出图片

## 核心功能详解

留存分析的配置主要分为四个部分：指标配置、细分筛选、分组查看和可视化设置。这些功能相互配合，帮助您进行深入的留存分析。

### 1. 指标配置

指标配置决定了"分析什么"，是留存分析的核心。与事件分析不同，留存分析需要配置两个关键事件：**初始事件**和**回访事件**。

#### 初始事件（起始行为）

初始事件定义了用户进入留存分析的起点，即"用户做了什么之后，我们开始追踪他们的留存"。

**选择初始事件**：
- 选择一个能够代表用户关键行为的事件
- 常见的初始事件包括：用户注册、首次启动、完成新手引导、首次购买等

**初始事件属性筛选**：
- 可以为初始事件添加属性筛选条件，精准定位分析范围
- 例如：筛选 "注册渠道" 等于 "抖音广告" 的用户注册事件

**使用场景示例**：

分析新用户留存：
- 初始事件：用户注册
- 含义：追踪用户从注册之日起的留存表现

分析功能使用留存：
- 初始事件：首次使用搜索
- 含义：追踪用户首次使用搜索功能后的回访情况

分析购买用户留存：
- 初始事件：完成支付
- 筛选条件：订单金额 > 100
- 含义：追踪首次购买超过 100 元的用户的后续留存

#### 回访事件（后续行为）

回访事件定义了"用户回来做了什么，我们就认为他被留存了"。

**选择回访事件**：
- 可以与初始事件相同，也可以不同
- 相同：表示用户重复执行相同行为（如：注册后继续启动应用）
- 不同：表示用户完成了其他关键行为（如：注册后进行了购买）

**回访事件属性筛选**：
- 同样支持为回访事件添加属性筛选
- 例如：筛选 "页面类型" 等于 "核心功能页" 的页面浏览事件

**使用场景示例**：

场景 1：应用活跃留存
- 初始事件：用户注册
- 回访事件：应用启动
- 含义：用户注册后，在后续时间段是否打开了应用

场景 2：功能使用留存
- 初始事件：首次使用搜索
- 回访事件：使用搜索
- 含义：用户首次使用搜索后，是否继续使用搜索功能

场景 3：转化行为留存
- 初始事件：加入购物车
- 回访事件：完成支付
- 含义：加购后，用户是否完成了购买

场景 4：功能交叉留存
- 初始事件：完成新手引导
- 回访事件：使用核心功能
- 含义：完成引导的用户，是否真正使用了核心功能

#### 留存类型

留存类型决定了如何计算留存率，不同的留存类型适用于不同的分析场景。

**特定日期留存（N-day Retention）**：
- **定义**：用户在初始行为后的第 N 天（或第 N 周、第 N 月）是否回访
- **计算方式**：只统计特定时间点的回访，不包含前后
- **适用场景**：
  - 精确了解特定时间点的留存表现
  - 发现留存率突然下降的时间节点
  - 对比不同时间点的留存差异
- **示例**：
  - 第 7 日留存 = 用户在注册后第 7 天是否打开应用
  - 第 30 日留存 = 用户在注册后第 30 天是否打开应用

**连续日期留存（Streak Retention）**：
- **定义**：用户在初始行为后的 N 天内**每一天都**进行了回访
- **计算方式**：统计用户是否在连续的 N 天内每天都触发了回访事件，只有全部天数都回访才计为留存
- **适用场景**：
  - 衡量用户的高粘性和产品依赖度
  - 识别核心忠诚用户群体
  - 评估养成类或习惯培养类产品的效果
  - 监控用户连续使用习惯的形成
- **示例**：
  - 7 日连续留存 = 用户在注册后第 1、2、3、4、5、6、7 天每天都打开应用
  - 30 日连续留存 = 用户在注册后连续 30 天每天都打开应用

> **提示**：连续日期留存率通常远低于特定日期留存率，因为它要求用户每天都回访。连续留存反映了用户对产品的深度依赖和使用习惯的养成程度。

**留存类型对比**：

| 对比维度 | 特定日期留存 | 连续日期留存 |
|---------|---------|---------|
| **计算方式** | 仅统计第 N 天的回访 | 统计从第 1 天到第 N 天是否每天都回访 |
| **数值关系** | 通常较高 | 通常较低（≤ 特定日期留存） |
| **趋势特点** | 曲线波动较大，可能出现回升 | 曲线快速下降且不会回升 |
| **适用场景** | 精确分析特定时间点 | 衡量用户粘性和习惯养成 |
| **反映指标** | 用户活跃模式 | 用户依赖度和忠诚度 |

**示例对比**：

假设 100 名用户在 1 月 1 日注册：
- 第 7 日：20 人在第 7 天回访（特定日期留存 = 20%）
- 连续 7 日：只有 5 人在第 1-7 天每天都回访（7 日连续留存 = 5%）

在这个例子中：
- 第 7 日特定日期留存 = 20%（只看第 7 天是否回访）
- 7 日连续留存 = 5%（要求第 1-7 天每天都回访）

#### 留存时间粒度

时间粒度决定了留存分析的时间单位。

**按天（Daily）**：
- 适用于日活型产品，如社交、资讯、工具类应用
- 观察用户的日常使用习惯
- 示例：第 1 天、第 3 天、第 7 天留存

**按周（Weekly）**：
- 适用于使用频率为每周的产品，如电商、O2O 服务
- 平滑掉日常波动，观察周级别的留存趋势
- 示例：第 1 周、第 4 周、第 12 周留存

**按月（Monthly）**：
- 适用于低频但高价值的产品，如企业服务、金融产品
- 观察长期留存和用户生命周期价值
- 示例：第 1 月、第 3 月、第 6 月留存

> **提示**：选择合适的时间粒度应该匹配产品的自然使用周期。例如，外卖应用适合按天分析，而 B2B 企业服务更适合按月分析。

### 2. 细分筛选 (Segmentation)

细分筛选相当于 SQL 中的 `WHERE` 子句，用于从海量数据中过滤出您关心的用户群体。关于细分筛选的详细说明，请参考 [分析模型通用能力](common-analysis-features.mdx#2-细分筛选-segmentation)。

#### 筛选条件类型

在留存分析中，细分筛选作用于整个分析，影响哪些用户被纳入留存计算。

**用户属性筛选**：
- 基于用户的固有特征进行筛选
- 示例：筛选 "注册渠道" 等于 "抖音广告" 的用户
- 示例：筛选 "会员等级" 属于 "黄金会员"、"铂金会员" 的用户

**用户分群筛选**：
- 使用已创建的用户分群作为筛选条件
- 示例：筛选 "属于『新用户分群』" 的用户
- 示例：排除 "属于『内部测试账号』" 的用户

**使用场景示例**：

分析付费渠道的用户留存：
- 添加用户属性筛选："注册来源" 属于 "百度广告"、"抖音广告"、"小红书广告"

分析移动端用户留存：
- 添加用户属性筛选："平台" 等于 "iOS" 或 "Android"

排除内部测试用户：
- 添加用户属性筛选："邮箱" 不包含 "@sensorswave.com"

#### 对比分析（多个细分）

与事件分析类似，留存分析也支持配置多个独立的细分筛选，用于对比不同用户群体的留存差异。

**使用步骤**：

1. **创建第一个细分**：
   - 点击「添加细分」按钮
   - 设置筛选条件，例如 "平台 = iOS"
   - 为这个细分命名，例如 "iOS 用户"

2. **创建第二个细分**：
   - 再次点击「添加细分」按钮
   - 设置不同的筛选条件，例如 "平台 = Android"
   - 为这个细分命名，例如 "Android 用户"

3. **查看对比结果**：
   - 留存曲线图中会以不同的颜色展示各个细分的留存曲线
   - 留存表格中会为每个细分单独显示数据
   - 您可以直观对比不同人群的留存表现差异

**使用场景示例**：

场景 1：对比不同渠道的留存
- 细分 1："注册来源 = 抖音广告" 命名为 "抖音渠道"
- 细分 2："注册来源 = 百度搜索" 命名为 "百度渠道"
- 观察不同获客渠道的留存质量差异

场景 2：对比付费和免费用户
- 细分 1："会员等级 属于 黄金会员、铂金会员" 命名为 "付费用户"
- 细分 2："会员等级 = 免费会员" 命名为 "免费用户"
- 分析付费对留存的影响

场景 3：对比完成和未完成引导的用户
- 细分 1："完成新手引导的用户分群" 命名为 "已完成引导"
- 细分 2："未完成新手引导的用户分群" 命名为 "未完成引导"
- 评估新手引导对留存的价值

### 3. 分组查看 (Grouping)

分组查看相当于 SQL 中的 `GROUP BY` 子句，将留存数据按照指定维度进行拆分。关于分组查看的详细说明，请参考 [分析模型通用能力](common-analysis-features.mdx#3-分组查看-grouping)。

#### 支持的分组类型

**按用户属性分组**：
- 按用户的固有特征进行分组
- 示例："按 '省份' 分组，查看不同地区用户的留存差异"
- 示例："按 '注册渠道' 分组，对比各渠道的留存质量"

**按初始事件属性分组**：
- 按初始事件发生时的上下文信息进行分组
- 示例："按 '设备型号' 分组，查看不同设备用户的留存表现"
- 示例："按 'App 版本' 分组，对比不同版本的留存率"

> **提示**：留存分析支持单个分组维度，系统会为每个分组值生成独立的留存曲线，便于直观对比。

#### 分组结果排序

**按初始用户数排序**：
- 按照初始触发人数从高到低或从低到高排列
- 适用于快速识别用户量最大的分组

**按留存率排序**：
- 按照指定时间点的留存率排序（如：第 7 天留存率）
- 适用于快速识别留存表现最好或最差的分组

**Top N 展示**：
- 默认展示 Top 10 的分组结果
- 可以调整展示数量，例如只看 Top 5 或展示所有分组

### 4. 可视化设置

留存分析提供了专门的可视化方式来展示留存数据。

#### 留存曲线图

留存曲线图是留存分析最常用的可视化方式，以折线图形式展示留存率随时间的变化趋势。

**图表元素**：
- **横轴**：时间周期（第 1 天、第 2 天...或第 1 周、第 2 周...）
- **纵轴**：留存率（百分比）
- **曲线**：每个用户群组（cohort）或细分的留存趋势

**适用场景**：
- 观察留存率的衰减趋势
- 对比不同群组的留存曲线
- 识别留存率下降的关键时间点

#### 留存表格

留存表格以表格形式展示详细的留存数据，支持精确查看每个时间点的留存人数和留存率。

**表格结构**：
- **行**：用户群组（按初始事件发生日期分组）
- **列**：时间周期（第 0 天、第 1 天、第 2 天...）
- **单元格**：该群组在该时间点的留存人数和留存率

**适用场景**：
- 查看精确的留存数值
- 下钻到具体用户列表
- 导出数据进行二次分析

**颜色编码**：
- 系统会根据留存率的高低为单元格着色
- 深色表示高留存率，浅色表示低留存率
- 帮助快速识别留存表现的优劣

#### 时间设置

**分析时间范围**：
- 选择分析的起始日期和结束日期
- 决定哪些用户群组被纳入分析
- 示例："2026-01-01 至 2026-01-31" 表示分析 1 月份新增的用户

**留存观察周期**：
- 决定观察留存的时间跨度
- 示例：观察 30 天，则显示第 0-29 天的留存数据
- 系统会根据时间粒度自动调整显示范围

> **提示**：如果选择的分析时间范围较近，后期的留存数据可能因为时间不足而无法显示（例如，昨天注册的用户无法计算第 30 天留存）。

## 数据明细区

数据明细区位于可视化图表下方，提供留存分析的详细数据展示。关于数据明细区的详细说明，请参考 [分析模型通用能力](common-analysis-features.mdx#-数据明细区)。

### 用户列表下钻

在留存表格中，您可以点击任意单元格，查看该群组在该时间点的具体用户列表。

**使用步骤**：
1. 在留存表格中，找到您关注的单元格（例如：第 7 天的留存用户）
2. 点击该单元格，系统会弹出用户列表
3. 用户列表展示：用户 ID、触发次数、最近活跃时间等信息
4. 您可以：
   - 点击用户 ID，跳转到 [用户细查](../05-受众计算/01-用户细查.md) 查看该用户的完整行为轨迹
   - 选择多个用户，保存为 [用户分群](../05-受众计算/02-用户分群.md)
   - 导出用户列表为 CSV 文件

**使用场景**：
- 分析高留存用户的共同特征，总结成功经验
- 分析低留存或流失用户的行为模式，发现改进机会
- 将特定时间点流失的用户保存为分群，进行召回运营

### 数据导出

点击数据表格右上角的"导出"按钮，可以将留存分析结果导出为：
- **CSV 格式**：包含完整的留存表格数据，适合进行二次分析
- **Excel 格式**：适合制作汇报材料
- **图片格式**：直接保存留存曲线图为 PNG 图片

## 使用技巧与最佳实践

### 选择合适的初始事件和回访事件

初始事件和回访事件的选择直接影响留存分析的价值。

**推荐做法**：

(推荐) **初始事件选择核心转化节点**：
- 用户注册：衡量整体产品留存
- 首次购买：衡量付费用户留存
- 完成新手引导：衡量引导效果对留存的影响
- 首次使用核心功能：衡量功能价值

(推荐) **回访事件选择活跃行为**：
- 应用启动：衡量用户是否回到产品
- 核心功能使用：衡量用户是否持续使用价值功能
- 任意事件：衡量用户是否有任何活跃行为

(推荐) **初始事件和回访事件的关系**：
- 相同事件：分析重复行为的频率（如：购买后再次购买）
- 不同事件：分析行为转化（如：注册后是否使用核心功能）

**避免的做法**：

(不推荐) 选择低价值的初始事件，如"页面浏览"，导致分析缺乏业务意义
(不推荐) 回访事件过于宽泛（如"任意事件"），无法反映真实的产品价值
(不推荐) 初始事件和回访事件的组合不合理，逻辑上无法形成留存关系

### 理解并选择合适的留存类型

不同的留存类型适用于不同的分析场景。

**特定日期留存的使用场景**：
- (推荐) 当您需要了解用户在特定时间点的活跃情况
- (推荐) 当您想发现留存率突然下降或回升的时间节点
- (推荐) 当您想对比不同时间点的留存表现（如：第 7 天 vs 第 30 天）

**连续日期留存的使用场景**：
- (推荐) 当您需要衡量用户的高粘性和产品依赖程度
- (推荐) 当您想识别核心忠诚用户群体
- (推荐) 当您想评估用户习惯养成和使用频率
- (推荐) 当您需要了解用户每日回访的一致性

**实践建议**：
- 日常监控：使用特定日期留存，关注关键时间点（如：第 1、3、7、30 天）
- 粘性评估：使用连续日期留存，识别核心用户和习惯养成情况
- 对比分析：同时使用两种类型，既了解活跃模式又了解依赖程度

### 合理使用时间粒度

选择合适的时间粒度可以更清晰地展示留存趋势。

| 产品类型 | 推荐粒度 | 关键留存指标 |
|---------|---------|------------|
| 社交、资讯、工具类 | 按天 | 次日留存、7 日留存、30 日留存 |
| 电商、O2O 服务 | 按周 | 次周留存、4 周留存、12 周留存 |
| 企业服务、金融产品 | 按月 | 次月留存、3 月留存、12 月留存 |
| 游戏类 | 按天 | 次日留存、3 日留存、7 日留存 |

**关键留存指标的行业基准**：

不同行业和产品类型的留存率基准差异较大：
- **次日留存**：通常在 30%-40% 为良好水平
- **7 日留存**：通常在 20%-30% 为良好水平
- **30 日留存**：通常在 10%-20% 为良好水平

> **提示**：这些基准仅供参考，实际留存率受产品类型、使用频率、用户价值等多种因素影响。

### 分组对比的最佳实践

使用分组或多细分对比不同群体的留存表现时，需要注意以下要点：

**推荐做法**：
- (推荐) 对比维度要有明确的业务假设（如：假设付费用户留存率更高）
- (推荐) 确保各组的样本量足够大（建议至少 100 人），避免小样本偏差
- (推荐) 优先对比 2-5 个关键群体，避免过多分组导致分析混乱
- (推荐) 结合留存曲线和留存表格，既看趋势又看具体数值

**避免的做法**：
- (不推荐) 对比样本量差异过大的群体（如：1000 人 vs 10 人），导致可比性差
- (不推荐) 分组维度过于分散（如：按用户 ID 分组），失去对比意义
- (不推荐) 只看单一时间点的留存差异，忽略整体趋势

### 从留存分析到行动

留存分析的最终目的是发现问题并采取行动。

**发现高留存的驱动因素**：
1. 识别留存率显著高于平均水平的用户群体
2. 下钻到用户列表，分析他们的共同特征和行为模式
3. 总结成功要素，推广到更多用户

**识别流失的关键时间点**：
1. 观察留存曲线，找到留存率下降最快的时间段
2. 分析该时间段内用户的行为和体验
3. 优化产品功能或运营策略，减少流失

**验证功能或策略的效果**：
1. 在功能上线或策略实施前后，对比留存率变化
2. 使用时间对比功能，快速识别改进效果
3. 持续迭代优化

**精准召回流失用户**：
1. 在留存表格中，点击流失用户的单元格
2. 将流失用户保存为用户分群
3. 针对性地进行推送、优惠券或内容推荐

## 注意事项

### 数据准确性

**事件埋点质量**：
- 留存分析的准确性依赖于埋点数据的完整性
- 确保初始事件和回访事件都已正确埋点并上报
- 在进行重要决策前，建议在数据中心中检查事件的触发量和完整度

**用户标识**：
- 留存分析依赖于准确的用户标识，确保同一用户在不同时间段被正确识别
- 如果用户切换设备或清除缓存后被识别为新用户，会导致留存率被低估
- 详见 [如何正确的标识用户](../data-integration/user-identification.mdx)

### 时间与数据完整性

**数据完整性**：
- 近期的留存数据可能不完整，因为后续的观察周期尚未结束
- 例如：昨天注册的用户无法计算第 30 天留存，需等待 30 天后数据才完整
- 建议重点分析已经过了足够观察周期的群组数据

**数据实时性**：
- 留存数据的更新延迟取决于数据接入方式，通常在 1-5 分钟内
- 如果需要实时监控，建议每 10-30 分钟刷新一次分析

### 性能与限制

**查询性能**：
- 分析时间范围越长、观察周期越长，查询时间越长
- 建议优先使用较短的时间范围（如：过去 30 天的用户群组）进行探索性分析
- 对于长时间范围的分析，建议使用按周或按月粒度

**功能限制**：
- 最多支持 10 个细分筛选进行对比
- 分组维度最多支持 10 个
- 留存观察周期默认最长为 365 天（按天），可根据需要调整

### 解读留存数据的注意事项

**避免过度解读单一指标**：
- 留存率只是衡量产品健康度的一个维度，需要结合其他指标（如：活跃度、转化率）综合判断
- 不同产品类型的留存率基准差异很大，不应盲目对比

**考虑季节性和外部因素**：
- 用户行为可能受季节、假期、营销活动等因素影响
- 在分析留存变化时，需要考虑这些外部因素的影响

**样本量与统计显著性**：
- 小样本的留存率可能存在较大波动，不具有统计显著性
- 在对比不同群体时，确保各组样本量足够大

## 相关文档

**分析模型**：
- [找到合适的分析模型](choosing-analysis-model.mdx)：了解如何选择分析模型
- [分析模型通用能力](common-analysis-features.mdx)：了解所有分析模型的通用功能
- [事件分析](event-analysis.mdx)：分析用户行为的趋势和分布
- [漏斗分析](funnel-analysis.mdx)：分析转化流程和流失环节

**数据接入**：
- [数据模型](../data-integration/data-model.mdx)：理解 Sensors Wave 的数据模型
- [事件和属性](../data-integration/events-and-properties.mdx)：了解事件和属性的概念
- [如何正确的标识用户](../data-integration/user-identification.mdx)：确保用户标识的准确性

**数据中心**：
- [事件类型](../08-数据管理/01-事件类型.md)：管理和维护事件元数据
- [事件属性](../08-数据管理/02-事件属性.md)：管理事件的属性信息
- [用户属性](../08-数据管理/03-用户属性.md)：管理用户的属性信息

**用户运营**：
- [用户细查](../05-受众计算/01-用户细查.md)：查看单个用户的详细行为轨迹
- [用户分群](../05-受众计算/02-用户分群.md)：创建和管理用户群体

**报表与可视化**：
- [图表管理](../04-可视化与报表/01-图表管理.md)：保存和管理分析图表
- [报表管理](../04-可视化与报表/02-报表管理.md)：创建数据看板和报表

## 下一步

完成留存分析后，您可以：

1. **分析转化流程**：使用 [漏斗分析](funnel-analysis.mdx) 识别用户在关键流程中的转化瓶颈
2. **深入分析用户行为**：使用 [事件分析](event-analysis.mdx) 了解用户的具体行为模式
3. **创建用户分群**：将留存分析中发现的特定用户群保存为 [用户分群](../05-受众计算/02-用户分群.md)，进行精准运营
4. **监控核心指标**：将关键留存指标添加到 [报表](../04-可视化与报表/02-报表管理.md)，实现日常数据监控
5. **查看最佳实践**：参考 [最佳实践](best-practices.mdx) 提升分析效率
6. **解决常见问题**：如遇到问题，请查看 [常见问题](faq.mdx)