有人说产品 30 日留存 30%，有人说 18%，还有人说 12%。这三个数字可能来自同一批用户，同一个月，同一份数据。差别不在产品，而在算的人选了不同的算法。留存率是单位经济里经常被引用、也容易被算得好看的指标之一：不同工具和团队可能采用不同的计算方法，默认设置也各不相同。
先给一个白话定义：留存率，是某一批新用户里，过了一段时间后还在用的比例。它回答的是”来的人里，有多少没走”。LTV（客户生命周期内带来的毛利总和）能撑多高，很大程度取决于这条曲线；所以留存率被算虚高，LTV 和回本周期会跟着一起虚高。
看到一个留存数字，先弄清它是怎么算出来的，再判断它有没有被算好看。下文的用户数、比例和金额均为假设算例，不是行业基准，也不代表具体公司的实际留存水平。
目录
留存率到底在算什么？
分子和分母各是什么
留存率的基本结构只有两部分：分子是”过了 N 天后仍然在用的人”，分母是”这一批进来的人”。几乎所有的分歧都出在这两句话里的每一个词上：
- “过了 N 天”：是恰好第 N 天回来，还是第 N 天及以后任何时候回来过？
- “仍然在用”：打开一次算不算？被推送叫醒算不算？领一次签到金算不算？
- “这一批进来的人”：是所有注册的人，还是完成了首单、完成新手引导的人？
- “这一批”本身：是某一个月的新用户，还是把所有用户混在一起算？
分析工具怎么定义
主流数据分析工具对这些问题也没有统一答案。Amplitude 在留存分析指南里把留存分成三类：N 日留存只统计恰好在第 N 天回来的用户；无界留存（unbounded retention）统计第 N 天或之后任何一天回来的用户；区间留存（bracket retention）统计落在自定义时间段内的用户。该指南明确说，不同产品的使用节奏不一样，应该选能反映自己产品健康度的定义。Mixpanel 的留存报告文档同样提供”恰好当期""当期或之后”两种计数方式，以及按每个用户进入时间滚动计算、按自然日历对齐两种窗口。也就是说，工具默认值不同、可选项不同，两家公司各用各的工具，报出来的”30 日留存”本来就未必是一回事。
同一批用户，为什么能算出 12% 和 31%？
一批假设用户，四个留存数字
用一批假设数据，把几种常见做法摆在一起。
假设一款生活服务 App 在 2026 年 9 月拉来 1000 个新注册用户，观察到 10 月底，每个人都已经走满 30 天。数据如下：
- 1000 人注册，其中 600 人完成了首单（激活）。
- 恰好在注册后第 30 天有过活跃记录的：180 人。
- 在第 30 天或之后任意一天回来过的：310 人（含上面的 180 人）。
- 这 180 人里，只是打开 App 就走（比如被推送叫醒、领了签到金）的有 60 人，真正浏览了商品或下了单的有 120 人。
同一份数据，可以得出四个”30 日留存”：
| 算法 | 分子 | 分母 | 结果 | 它改变了什么 |
|---|---|---|---|---|
| 严格第 30 天，要求有效活跃 | 120 | 1000 | 12% | 要求严：只认当天，且只认真正用了产品的人 |
| 严格第 30 天，打开即算活跃 | 180 | 1000 | 18% | 活跃门槛放低，被推送叫醒的也算 |
| 分母只取激活用户 | 180 | 600 | 30% | 注册后没下过单的 400 人被直接移出统计 |
| 第 30 天及以后回来过 | 310 | 1000 | 31% | 时间点放宽，只要后来回来过一次都算 |
四个数字没有哪个是”错”的，每个都有自己的用途。无界留存适合月度使用一次的低频产品，只看激活用户适合分析”产品对真正用起来的人好不好用”。麻烦在于把它们混着比：A 公司报的是 31%，B 公司报的是 18%，两个数字放在一起，看起来 A 比 B 强一大截，其实可能只是 A 的算法更宽松。
起算和窗口
“第 30 天”是注册后满 30×24 小时的滚动窗口，还是日历上的第 30 个自然日？两种做法划分用户的时间边界不同，同一批人落进的”第 30 天”并不完全一样，数值可能有明显差别。还有一个容易被忽略的地方：窗口还没走完的用户有没有被算进分母。算法一变，分母的构成也跟着变。
分母
把没有激活的人移出分母，是常见的处理，理由通常是”没激活的人本来就不是我们的用户”。这个说法在分析产品体验时成立，在算获客回报时不成立：这 400 个没下过单的人，同样占用了获客预算。算 CAC 回本时，分母应该是你花钱买来的全部人，而不是留下来的那一部分。
活跃定义
被推送唤醒、领一次签到金就算活跃，是留存数字里水分偏多的部分。在这批假设用户里，这一条把 12% 抬到了 18%。如果核心价值需要浏览、交易或互动，“打开即活跃”可能高估有效使用，应同时查看核心行为留存。判断办法是问一句：把这批人的”活跃”换成”产生了一次有收入或有互动的行为”，数字会掉多少？
全体留存稳如泰山，新用户却在变差？
队列混合：全体平均盖住新用户
第四个陷阱不在算法选择，而在把哪些人放在一起算。
假设一个服务已有 80000 个存量用户，月留存 90%。每月新增 5000 个新用户，月留存 40%。全体月留存是：
（80000×90% + 5000×40%）÷ 85000 = 74000 ÷ 85000 ≈ 87.1%
下个月，产品的新手引导出了问题，新用户月留存从 40% 掉到 30%，存量用户一切如常：
（80000×90% + 5000×30%）÷ 85000 = 73500 ÷ 85000 ≈ 86.5%
新用户留存掉了 10 个百分点，全体留存只动了 0.6 个百分点。看全体数字的人会觉得”基本稳定”，实际上新用户已经在快速流失，一旦存量老用户自然老化，问题会在几个季度后集中暴露。
按队列拆开看
这就是为什么 a16z 的创业指标文章建议按队列（cohort）追踪留存：把某一个月进来的全体用户当作一个起点，逐月看其中还有多少人仍在交易。它同时提醒，混合了不同来源的数字会掩盖趋势，比如把自然流量和付费流量混在一起算的”混合 CAC”，看不出付费投放本身赚不赚钱。
Mixpanel 的文档里还提到一个细节：未分组时，汇总行是已走完时间桶的加权平均，权重是各桶进入的用户数。这意味着人数多的队列对汇总数字的影响更大。如果某个月做了大规模拉新活动，那个月的队列质量就会主导整张报表。
读队列留存表时，重点不是看单个数字，而是看同一个时间点上，不同月份的队列有没有逐批变差，以及曲线有没有在某个水平附近走平。曲线走平，说明剩下的是稳定用户；一直往下掉，说明还没有找到愿意长期用的人。
人留下来了，钱留下来了吗？
毛利贡献：同样的留存，不同的钱
第五个陷阱发生在留存率之外。留存率衡量的是人数，LTV 计算的是毛利。两者之间隔着客单价、使用频次和折扣。
继续用 1000 人的假设：30 日后留下 300 人，每人当月下一单，客单价 40 元，毛利率 25%，每单毛利 10 元，这批留存用户贡献毛利 3000 元。
如果这 300 人是靠 8 元优惠券拉回来的，每单毛利变成 10 − 8 = 2 元，贡献毛利变成 600 元。留存率还是 30%，贡献毛利只剩原来的五分之一。
净收入留存也会掩盖流失
收入层面也有同样的问题。a16z 同一篇文章指出，净收入流失率会把”部分客户流失”和”另一些客户加购”混在一起，让损失看起来小于实际；要看清楚，得把总流失（gross churn）单独拿出来。所以看到”净收入留存率超过期初收入”这类说法，也要追问：是大多数客户都在加购，还是少数大客户加购拉高了平均值，而多数客户其实已经离开？
留存率对应的是用户数，不对应利润。判断一个留存数字对 LTV 的意义，至少要再叠一层：留下来的人，每个月给公司带来多少毛利，这个数在变好还是变差。
拿到一个留存数字，怎么逐项自检？
留存算法：起算、窗口、分母、活跃
| 自检问题 | 如果答案是…… | 怎么处理这个数字 |
|---|---|---|
| 怎么起算：恰好第 N 天，还是第 N 天及以后？ | 没写明 | 视为不可与他处比较；保守地把它当作”第 N 天及以后”的宽松版本 |
| 窗口走完了吗：分母里有没有还没满 N 天的用户？ | 有，或不确定 | 只保留已走满窗口的队列重新算 |
| 分母是谁：全部新增，还是仅激活用户？ | 仅激活用户 | 算获客回本时，换回全部新增再算一遍 |
| 什么算活跃：打开即可，还是有实际行为？ | 打开即可，且产品有签到、红包、推送拉活机制 | 把”有实际行为”的人数单独拉出来，用这个数估算 LTV |
队列与毛利：哪批人、值多少钱
| 自检问题 | 如果答案是…… | 怎么处理这个数字 |
|---|---|---|
| 是哪一批人：单月队列，还是全体混合？ | 全体混合 | 要求拆成按月队列，并看最近两三个月的队列有没有逐批变差 |
| 留下的人贡献多少毛利？ | 不清楚，或有明显补贴 | 在留存曲线上叠加每个留存用户的月均毛利，再算 LTV |
六项中有三项无法确认时，暂不要据此测算 LTV 或回本周期。
读完怎么用
先问清六件事
看到”30 日留存 XX%“，先别跟别人比：把起算、窗口、分母、活跃、队列和毛利这六件事问清楚，再用同一套算法重算自己的数据。一个算法统一、能按队列拆开的 18%，比一个算法不明的 31% 更可信。
接着读哪些文章
如果你正拿这批数据算 LTV，可以接着读补贴拉来的用户，算不算真实 LTV？和LTV 和 CAC 是什么意思？，把留存、毛利和回本周期连起来算。
常见问题
算法与口径
Q： 留存率到底该看 N 日留存还是无界留存？
答： 看产品的使用节奏。每天都会用的产品（社交、游戏、资讯）适合看 N 日留存，因为”第 N 天是否还在用”有明确含义；使用频次低、间隔不固定的产品（租金支付、季度性服务）更适合无界留存或区间留存，否则会把”这周没用、下周会用”的人误算成流失。关键是选定一个算法后长期不换，每次汇报时写明。
Q： 为什么有的公司披露的留存率比我自己算的高很多？
答： 常见原因是分母、活跃定义或窗口不一样：分母只取激活用户、“打开即算活跃”、用第 N 天及以后回来过的宽松算法，都会把数字抬高。多数公司也不会在对外披露里写清完整算法，所以外部数字更适合只当方向参考，别直接跟自己的数据比大小。
队列与 LTV
Q： 队列留存表怎么看才算健康？
答： 看两件事：同一行（同一批用户）的曲线有没有在某个水平附近走平；同一列（同一时间点）上，新近的队列是不是比早期队列更好或至少持平。曲线一直往下掉、没有走平，或者新队列一批比一批低，都说明还没找到能稳定留下的用户。具体多少算健康，因行业和产品而异，没有通用门槛。
Q： 留存率高，LTV 一定高吗？
答： 不一定。LTV 要乘上每个留存用户的毛利，如果留存是靠折扣、补贴或低毛利商品换来的，留存率再高，贡献毛利也可能很薄。得把留存曲线和每用户月均毛利放在一起看。
Q： 没有分析工具，小团队怎么自己算队列留存？
答： 一张表就够：每行是一个注册月份，列是注册后第 1、2、3……个月，格子里填”该月仍有有效行为的人数 ÷ 当月注册人数”。原始数据至少要有三类字段：用户 ID、首次注册日期、每次有效行为的日期；如果注册记录和行为记录分在两张表里，两张表要能用用户 ID 对上。只要起算方式和”有效行为”定义写在表头，就能长期对比。
参考资料
留存的定义与工具
创业指标
版本 1.0 · 更新于 2026-10 · 文中数字均为假设算例，不构成投资建议。