留存率是任何一間企業或者產品都必須密切關注的指標，因為它衡量了產品在客戶維繫上的水準，反映了客戶對產品的黏著度和忠誠度。對留存率進行計算和分析也會是每個行銷人員或者是產品運營人員必須完成的功課。

本文將詳細解讀各種留存率計算方式，以及教會大家如何藉助自助式分析工具FineBI快速進行用戶留存率分析來制定用戶留存的策略，從而提高用戶留存率，建立忠實客源的基礎。快點擊下方按鈕免費試用FineBI工具，和軟妹一同開始簡單輕鬆的自助數據分析之旅吧~

客戶留存率指企業或者產品在某段特定的時間內留存的客戶數量。它以百分比的方式呈現出了客戶對產品的忠誠度和黏著度。留存率不僅是個可以反映黏著度的指標，更多地反映產品對使用者的吸引力。

留存率分析是一種用來分析使用者參與情況／活躍程度的分析模型，考查看進行初始行為後的使用者中，經過一段時間後仍然存在客戶行為（如登入、消費）。

瞭解留存率可以得知產品的不足之處、哪些功能可以讓客戶回來、客戶的忠誠度，以及您是否處於滿足客戶需求和期望的軌道上。監測留存率的指標對企業至關重要，可藉此了解客戶終身價值，並以量化的方式呈現行銷策略以及客戶服務方案的效益。

留存率根據不同需求（時間範圍、用戶種類、計算維度）有多种不同類型的計算方式，接下來就詳細介紹一下主要的留存率種類和它們的計算方式。

N天留存率公式是最基本的留存率公式，有時也被成為經典留存率公式：

• 用戶在新增或使用產品後當日回到產品的比率，計為 當日留存率。
• 用戶在新增或使用產品後第2天回到產品的比率，計為 次日留存率。
• 用戶在新增或使用產品後第n天回到產品的比率，計為 n日留存率。
• 用戶在新增或使用產品後第8～14天回到產品的比率，計為 次周留存率。
• 用戶在新增或使用產品後第n周內回到產品的比率，計為 n周留存率。

N天留存率的公式為：某日新增用戶中第N天还在登录的用户数／某日新增的用户数*100%

舉個例子來說明，如果昨日新增的100個用戶，其中50人在今日再次回到產品進行使用，則昨日的新用戶次日留存率為50%。

如何使用範圍公式來計算用戶留存率，則需要決定時間範圍，以及需要追蹤的用戶種類。

使用了範圍公式的用戶留存率公式為：指定時間範圍結束時的用戶人數／指定時間範圍開始時的用戶人數*100%

這個用戶留存率的計算方法通常被使用在衡量行銷活動的效果或者查看某個時間段內，特定用戶運營情況等等。

舉個例子來說明，如果想要了解9月擁有某APP會員的會員用戶留存率，那麼就可以使用9月30日的會員數（50人）/9月1日的會員數（60人），可以得到會員的留存率為83.3%。這個計算不包括新用戶，計算留存率的用戶嚴格限定在了9月這個時間範圍剛開始已經是會員的用戶。

使用分端公式來計算用戶留存率意思為將時間範圍分段後，進行用戶留存率的計算。比如通常會使用第0天來作為用戶的基礎數量，第一段時間可以是1-7天，第二段時間可以是8-14天。

舉一個例子來說明，在第 0 天，有30個用戶登入了APP；在第 1-7 天，其中的25個用戶再次登入了APP，則留存率為83.3%；在第 8-14 天，其中的20個用戶再次登入了APP，則留存率為66.7%；

使用時間分段來檢測用戶留存率可以了解用戶的時間行為模式，當然，運營人員可以根據產品的特性來調整計算的時間段，用於使用更加客觀準確的留存率進行衡量。

如果你的產品中某些功能或者服務可以由客戶選擇是否升級，那麼可以使用升級留存率的概念，來判定用戶對此功能的需求和滿意程度。

升級留存率的公式為：在某個時間範圍內選擇升級的用戶數／某時間範圍內的用戶總數*100%

舉個例子來說明，一個APP有100個用戶在使用，在一周內有5個客戶選擇付費升級其中的去水印功能，那麼本週內的升級留存率即為5%。

滾動留存率指在某一個指定日期或指定日期之後任何一天內執行了某個特定動作的用戶，運營可以視某些特定動作作為留存的衡量標準，來觀察有多少用戶達到了這些標準，這個指標可以作為對產品內部某個功能做一個簡單的衡量。

滾動留存率的公式為：指定日期以及指定日期之後執行某個動作的用戶/第0天的用戶數*100%。

了解了留存率的概念和計算公式後，我們就可以使用留存率對我們產品所產生的資料進行分析了，但是產品每天會產品非常多資料，有什麼高效的辦法可以快速進行留存率的分析，並得出有效的應對策略呢？

答案就是：資料視覺化！

隨著大數據時代成為一種逆不可當的趨勢，如果需要快速理解公司和產品每天產生的數兆資料，資料視覺化變得越來越重要。

將資料轉化表格、圖表，述說故事，直觀地呈現業務狀況，實用的資訊才會水落石出。還可以利用資料分析對業務指標資料做一個全面的分析，提出可行性決策，讓老闆眼前一亮！

FineBI是一款專業的資料視覺化商業智能工具，它簡潔而又強大，業務人員只需要用滑鼠進行拖拽便能對資料做出篩選、排序、匯總等，自助靈活地達成期望的資料結果，並選取FineBI智慧推送的圖表和Dashboard實現資料的視覺化。

以下就是使用了FineBI搭建的用戶留存率分析報告，接下來，軟妹就用四個簡單步驟：資料準備-資料處理-資料視覺化-資料分析 來演示一下如何使用FineBI快速進行留存率資料分析！

使用FineBI製作

FineBI 憑藉強勁的大數據引擎，只需簡單拖拽便能製作出豐富多樣的數據可視化資訊，自由地對數據進行分析和探索，讓數據釋放出更多未知潛能。點擊按鈕，開始發掘FineBI的無限可能吧！

FineBI具有非常強大的資料準備功能，支援超過30種以上的數據庫表和SQL數據源，支持Excel、txt等文件資料集，支持多維資料庫、程序資料集的等各種數據源，適用於對實時性要求較高的資料分析場景。

我們先將範例資料上傳至FineBI。（範例資料和更詳細的操作步驟詳見留存率操作文檔）

上傳完畢之後，進入數據決策系統，點選「儀表板>建立儀表板」，設定名稱和存放位置，點選「確定」：

點選「+」，選擇「使用者留存分析」資料集，點選「確定」：

在資料處理階段，我們需要計算出激活使用者留存率，即當日留存率、第一週留存率、第二週內、第三週內、第四週內留存率等。

在FineBI中，資料處理也十分便捷，通過FineBI中的過濾合併計算等功能，完全不需要寫SQL語句或者是其他代碼，就能快速進行資料的處理。

我們先計算當日留存率。

點選「+」，新增計算欄位，輸入公式COUNTD_AGG(IF(激活_登入時間差=0,聯絡電話,null))/COUNTD_AGG(聯絡電話)，輸入欄位名稱為「當日留存率」，點選「確定」，如下圖所示：

公式說明：

然後計算第一週留存率。

點選「+」，新增計算欄位，輸入公式COUNTD_AGG(IF(AND(激活_登入時間差>=1,激活_登入時間差<=7),聯絡電話,null))/COUNTD_AGG(聯絡電話)，輸入欄位名稱為「第一週內留存率」，點選「確定」：

第二週內、第三週內、第四週內的留存率用相同的方法進行計算即可。

將「最早激活日期」拖入維度軸，留存率指標拖入指標軸，設定「最早激活日期」顯示為「年月」：

得出以最早激活日期為維度，每月的激活使用者留存率。

至此，一張反映了當日留存率、第一週至第四周留存率的明細表格就製作完成了。

FineBI擁有豐富的函數選擇，方便使用者對資料進行彈性的二次加工處理，以應對多變的業務分析需求。立即點擊下方圖片，親身體驗FineBI強大函數的威力吧！和軟妹一同發掘BI工具的無限可能性！

FineBI支援50多種圖表樣式，基本上涵蓋了市面上所有從基礎類到高階類的圖表，並且還具有優秀的動態效果和強大的交互體驗，可以滿足你所有資料視覺化的需求！

在使用時能夠根據需求設定各類特性，並且在行動端、LED大屏也能自我調整展示。

除了剛才製作的留存率明細表格之外，我們使用了FineBI中豐富的圖表，使用折線圖、長條圖、圓環圖等圖表形式，從使用者留存趨勢、活躍使用者、活躍使用者佔比等多個維度反映了用戶的留存情況。

工欲善其事，必先利其器！立即點擊下方按鈕，體驗FineBI帶來數據視覺化的無限可能！

在完成了資料視覺化之後，我們對報告中的圖表進行分析：

表格中計算了使用者從啟用某產品開始，在當日、一週內、兩週內、三週內進行登錄使用等操作的佔總登錄人數的比率。

• 當日留存率：當日啟用並登錄使用者數／所有登錄使用者
• 一週留存率：初次啟用日為維度，計算「啟用_登錄時間差」為 1-7 的登錄使用者數／所有登錄使用者數
• 兩週留存率：初次啟用日為維度，計算「啟用_登錄時間差」為8-14的登錄使用者數／所有登錄使用者數

結論：

一週留存率相比當日下降趨勢明顯，需要提高使用者粘性，提升產品使用價值。

四周留存率下降趨緩，說明已經進行了一部分轉化，需要對這些使用者進行精細化運營管理。

折線圖展示了2020年使用者的留存走勢。

結論：

全年留存率處於相對穩定狀態，個別浮動需要具體進行分析。

留存率中有一個重要的指標就是活躍使用者，即UV（Unique Visitor），只有活躍才會產生使用者粘性，使用者才會留存。折線圖和圓環圖中展示了不同區域的活躍使用者佔比。

結論：

示例中活躍使用者為模式屬於1、3的使用者；

與整體留存率相對比，活躍使用者三週留存率明顯較高，且呈增長趨勢；

二三戰區活躍使用者相對較多。

好了，對留存率的詳細解讀就到這裡，點擊下方圖片即可免費試用FineBI，在資料分析上助你一臂之力，快來使用吧！