留存率同期群计算器

留存率同批次计算器可以将同批次大小和活跃用户数列表转化为完整的留存概貌：包括每个检查点的留存率、动画留存曲线、带颜色标记的环比下降热力图、同批次半衰期、微笑曲线 / 产品市场契合度（PMF）趋平检测器、具有稳态推算的幂律拟合，以及针对已发布的 SaaS、移动端、消费者订阅、电子商务和金融科技同批次的行业四分位数基准分类。与单一比率的流失计算器不同，同批次留存曲线能够捕捉到流失的形态 —— 而正是这种形态（而非任何单一数字）能真正告诉您产品是否具有粘性。

如何使用

1. 输入同批次大小 —— 在相同时间窗口（注册周、付费转化月、安装日等）中获取的用户数量。
2. 选择测量单位。移动应用通常以天为单位测量，B2C 订阅以周为单位，B2B SaaS 依月计算。
3. 以逗号分隔的形式输入检查点周期。默认的 1, 7, 14, 30, 60, 90 是经典的移动应用排期；对于 B2B SaaS，可以尝试 1, 2, 3, 6, 9, 12 个月。
4. 按相同的顺序输入每个检查点处的活跃用户数。每个值代表原始同批次中在该检查点依然活跃的用户数 —— 切勿重新调整分母基准。
5. 选择最接近的行业基准 —— B2B SaaS、SMB SaaS、消费者订阅、移动应用、电子商务或金融科技。
6. 点击构建留存曲线查看每个检查点的留存率、动画曲线、流失热力图、半衰期、微笑曲线判定、幂律拟合以及四分位数分类。

所用公式

本同批次计算器的独特之处

• 全曲线展现，而非单一数字。 绝大多数“留存率计算器”仅仅计算单个比率。而本工具可在多达 10 个用户自定义检查点上构建出完整的留存曲线 —— 正是曲线的形态揭示了同批次用户是触底企稳还是在无底流失。
• 微笑曲线 / PMF 趋平检测器。 针对最后三个检查点提供内置测试，将同批次分类为显著趋平（经典的 Sean Ellis PMF 信号）、轻微趋平或持续流失。
• 通过插值计算同批次半衰期。 检查点之间的线性插值能够精确估算出 50% 用户流失的周期节点 —— 而不仅仅是看您是否穿过了它。
• 幂律拟合与稳态预测。 对数-对数变换上的 OLS 拟合 R(t) = a · t^(−k)，报告 R²，并在拟合效果良好时将留存预测外推至最后观察周期的约 3 倍长。
• 流失热力图。 环比下降采用颜色编码，从绿色（≤2 pp）到深红色（>50 pp），让流失最严重的瓶颈一目了然。
• 行业四分位数基准。 包含 6 个特定细分市场的行业基准（B2B SaaS、SMB SaaS、消费者订阅、移动应用、电子商务、金融科技），可将您相当于第 1 天、第 7 天和第 30 天的数据与公开的 P25 / P50 / P75 区间进行归类比对。
• 动画 SVG 曲线。 线条绘制、区域填充、数值标签按顺序依次弹出，让留存下降形态可视化呈现 —— 而不仅仅是静态图表。
• 天、周、月多单位支持。 选择与您产品的天然生命周期相匹配的时间尺度。移动应用以天计算，B2B 则多以月衡量。
• 提交前实时预览。 只要键入任何数字，小柱状图预览、留存百分比和 PMF 徽章就会即时更新 —— 无需重新加载整个网页。
• 逐步数学拆解。 每一项计算都按步骤逐行拆解，方便您验证、留存记录或从中学习相关计算。

究竟什么是同批次（Cohort）？

同批次（Cohort）是指在同一时间窗口内共享某个获取事件的一组用户 —— 最常见的是他们注册、安装或进行首次购买的周、天或月。同批次分析会在后续的周期中持续跟踪这一组固定的人群，因此分母永远不会改变。这就是为什么同批次留存率比传统的“月活跃用户除以总用户数”更加诚实，因为后者很容易将不断加速的用户流失掩盖在获取增长的假象之下。

留存率 vs 流失率

在任何特定周期内，留存率和流失率互为倒数：留存率 = 1 − 流失率。团队选择其中某一个概念的原因往往更多地出于心理层面而非数学层面 —— 将一个数字框定为“95% 留存”而不是“5% 流失”，往往会把团队注意力从防止损失转移到庆祝留存。然而，同批次版本的留存率比阶段流失率更有参考价值，因为它跟踪的是随时间推移的同一批用户，从而暴露出漏洞所在：第 1 天发生 50% 流失但随后完全持平的留存，其同批次性质与缓慢、持续衰减的同批次有着本质的不同（且前者更好）。

如何解读留存曲线的形态

• 早期陡峭下降，尾部持平（“微笑形态”）。 大多数获取的用户并不是目标受众，但有一个核心骨干群体发现该产品不可或缺。这是教科书般完美的产品市场契合度（PMF）形态 —— 而这个底部表现正是您在所获细分市场中真正可触达的市场规模。
• 平缓、稳定的衰减。 这是低频产品（如年购项目、报税工具、婚礼筹备应用）的常见形态。这并不一定很糟 —— 但单体经济模型取决于其流失斜率，而非单纯的水平高度。
• 起初平缓随后突然崩塌。 这几乎总是由强制取消事件引起的 —— 例如试用结束、扣款失败、年度合同未续约。应当去寻找结构性的原因，而不是用户行为方面的原因。
• 到最后一个检查点仍在下跌。 看不到底部的迹象。要么您需要更长的观察时间，要么该产品尚未为这个同批次用户找到有粘性的使用场景。
• 曲线往上走。 这几乎总是测量上的硬伤导致的：重新激活的用户被错误地计入了同批次成员中，或者活跃的定义因新功能的推出而被夸大。在庆祝之前请务必先仔细彻查。

按类别划分的留存基准

以上四分位数推导自 AppsFlyer, Mixpanel, Amplitude, OpenView, RJMetrics 等公开报告。请将其视为大致的参考方向，而非行业铁律。

同批次分析的常见误区

• 重新调整分母基准。 在每个检查点，请务必始终除以原始的同批次大小。如果除以“上一期仍活跃的用户数”会使每一步的留存率看起来异常虚高，从而掩盖真正的漏洞。
• 混淆“活跃”的定义。 第 30 天的留存是用登录、某个有意义的操作，还是用付费状态来衡量的？每种定义都会产生截然不同的曲线。请选定一种并保持一致的报告口径。
• 混淆同批次用户留存与金额留存。 同批次客户留存（Logo Retention）平等对待每个用户；净金额留存（NRR）则按金额赋予权重。对于价格阶梯跨度极大的产品，这两者会发生剧烈分化。
• 同批次大小不足。 用户数小于约 500 人的同批次在各个检查点上会有很大的置信区间。建议将相邻的几个获取周合并，而不是过度解读一个过小的同批次。
• 将仍在下跌的尾部误判为底部。 连续三个接近平坦的点才是 PMF 趋平的最低信号。单个看起来平坦的点可能只是统计噪声。
• 忽视曲线的形态。 尖锐下跌后趋于平缓带来的 30% 的第 30 天留存率，与缓慢、稳定衰减带来的 30% 留存率在本质上完全不同。数字相同，含义相反。
• 强制流失事件的干扰。 试用期结束、付费失败和年约续费都会在可预测的周期引发人为的留存骤降。应对其进行标注，不要将其直接解读为产品驱动的客户流失。

留存率如何驱动客户生命周期价值

更高的留存率意味着更长的客户生命周期，这直接提升了客户生命周期价值（CLV）。最简单的 CLV 公式为：CLV = (月度 ARPU × 毛利率) ÷ 月流失率；等同于 CLV = (月度 ARPU × 毛利率) × 月度平均客户生命周期。因为生命周期是流失率的倒数，在 5% 的基准月流失率下，仅仅 1 个百分点的留存率改善就能将客户生命周期从 20 个月延长到 25 个月 —— 在 ARPU 相同的情况下使 CLV 提升 25%。这就是为什么一旦产品达到一定规模，相同金额的留存投资回报率往往会优于获取投资。

提升留存率的入手点

1. 第一周期的激活。 绝大多数曲线最陡峭的流失发生在第 0 天到第 1 天（或第 0 周 → 第 1 周）之间。新手引导的清晰度、达到首次核心价值的时间（Time-to-first-value）以及主动的激活干预通常具有最高的杠杆率。
2. 强制流失节点的优化。 试用结束和续约瞬间会使流失集中在可预测的特定周期。在归咎于产品参与度之前，先将您的同批次流失与这些结构性节点进行比对。
3. 支付失败挽回。 很大一部分“流失”仅仅是因为信用卡过期。通过卡片更新工具和催收序列（Dunning Sequences），绝大多数 B2C SaaS 可以成功挽回 5–15% 的月度流失。
4. 核心超级用户画像识别。 在最后一个检查点依然活跃的同批次成员是您最具有粘性的细分群体。分析他们的共同特征 —— 比如特定功能使用、集成插件采用、团队规模 —— 并依此画像精准投放获取相似人群。
5. 同批次多维细分。 如果整体同批次曲线从未平缓，请对其进行细分。通常情况下，在平庸的整体曲线中，往往能发现某一个获取渠道或某一类特定用户其实已经达到了完美的 PMF。

常见问题解答

什么是同批次留存率？

同批次留存率是指在较晚的周期内，来自单个获取同批次中仍处于活跃状态的用户百分比。它等于检查点处的活跃用户数除以原始同批次大小，以百分比表示。由于同批次的分母是完全固定的，留存率只会单调下降 —— 每一次流失都会降低它，而重新激活的用户并不能使其虚高。

同批次留存与月度留存有什么不同？

月度留存通常是用月活跃用户数除以总注册用户数 —— 即使由于新获取的用户填补了漏洞，导致获取的同批次用户严重流失，这个数字也可能保持平稳甚至增长。而同批次留存则在时间推移中跟踪一组固定的人群，因此它绝不会被新客增长所掩盖。在评估产品粘性时，同批次指标明显更加诚实；而月度留存则更适用于高管的业务总量增长报告。

我应该使用哪些检查点？

移动应用的经典排期为第 1 天、第 7 天、第 14 天、第 30 天、第 60 天、第 90 天 —— 既短到足以捕捉到早期的严重流失，又长到足以看到底部的形成。对于 B2C 订阅，可以尝试每周检查点；对于 B2B SaaS，建议按月设置。计算器支持输入任何 2–10 个严格递增的整数值。

同批次分析中的微笑曲线是什么？

微笑曲线是指留存曲线起初急剧下降，随后趋于平缓并达到一个稳定的底部。这种趋平是 Sean Ellis 提出的经典产品市场契合度（PMF）信号：有稳定比例的获取用户发现您的产品确实不可或缺。一条持续流失的曲线永远无法形成微笑形态，表明该产品尚未为该细分人群找到具有粘性的使用场景。

什么是优秀的第 30 天留存率？

优秀的第 30 天留存率高度取决于产品的类别。B2B SaaS 前四分之一的同批次在第 30 天留存率达 65% 或更高。SMB SaaS 前四分之一约为 45%。消费者订阅的中位数通常在 20% 左右。移动应用的中位数通常为 9%，而前四分之一约为 18%。计算器会根据您选择的细分细分市场将您的数据置于对应的正确基准中。

半衰期计算是如何工作的？

半衰期是指留存率穿过 50% 刻度线时的周期。计算器会扫描您的检查点，找到跨越 50% 留存率的第一对节点，并在它们之间进行线性插值。如果留存率在整个观察窗口内从未跌破 50%，则半衰期显示为“超出数据范围” —— 这是一个极其强大的产品粘性指标。

幂律拟合能告诉我什么？

大多数同批次留存曲线都逼近幂律模型 R(t) = a · t^(−k)。计算器通过在对数-对数变换上使用普通最小二乘法将该模型拟合到您的检查点中，并报告其拟合优度（R²）。当 R² 超过 90% 时，幂律可以很好地概括您的曲线，该模型向外推算至最后观察周期约 3 倍长的留存趋势也是一个具有参考价值的科学预测。较低的 R² 通常意味着存在 smooth 幂律模型无法捕捉的结构性拐点（如试用期结束、续费事件等）。

我可以将此工具用于金额留存而非用户留存吗？

当然可以 —— 您可以将同批次获取时的总收入作为同批次大小输入，并将每个检查点从该同批次中仍收回的收入作为活跃数输入。计算器并不知道您喂给它的是用户数还是金额，因此底层的数学逻辑完全相同。这样计算得出的是总金额留存率（GRR）。若要计算包含增购扩容在内的净金额留存率（NRR），您需要将扩容收入加入分子中 —— 本计算器目前不直接支持此项扩容计算。

需要多少同批次样本量才能让数字具有统计学意义？

根据粗略的经验法则，样本量低于 500 个用户的同批次在长周期下的留存曲线往往充满噪声，个别用户的重新激活就可能导致曲线发生显而易见的剧烈跳动。为了确保统计上的稳健性，您可以合并相邻的获取时段（例如将多周的注册用户合并为一个同批次），或者将每个留存点视为一个置信区间而非绝对的单一数值。