留存率同期群計算機

留存率同期群計算機可將同期群大小和活躍用戶數列表轉化為完整的留存全景圖：包含每個檢查點的留存率、動畫留存曲線、顏色編碼的環比下降熱圖、同期群半衰期、微笑曲線 / 產品市場匹配（PMF）趨平檢測器、具備穩態外推的冪律擬合，以及針對 SaaS、移動應用、消費者訂閱、電子商務和金融科技同期群的行業已發布四分位數基準分類。與計算單一留存率的流失計算機不同，同期群留存曲線捕捉的是流失的形狀 — 而正是這種形狀（而非任何單一數字）能告訴您您的產品是否具備粘性。

如何使用

1. 輸入同期群大小 — 在同一個窗口內獲取的用戶數量（註冊週、付費轉化月、安裝日等）。
2. 選擇測量單位。移動應用通常以天為單位測量，B2C 訂閱以週為單位，B2B SaaS 則以月為單位。
3. 以逗號分隔的列表輸入檢查點週期。默認的 1, 7, 14, 30, 60, 90 是經典的移動應用排程；對於 B2B SaaS，可以嘗試 1, 2, 3, 6, 9, 12 個月。
4. 按相同順序輸入每個檢查點的活躍用戶數。每個數值是來自原始同期群且在該檢查點仍活躍的用戶計數 — 切勿重新調整分母基準。
5. 選擇最接近的行業基準 — B2B SaaS、SMB SaaS、消費者訂閱、移動應用、電子商務或金融科技。
6. 點擊 構建留存曲線 查看每個檢查點的留存率、動畫曲線、流失熱圖、半衰期、微笑曲線判定、冪律擬合和四分位數分類。

使用公式

本同期群計算機的獨特之處

• 完整曲線，而非單一數字。 大多數 “留存率計算機” 僅計算單一的比率。本計算機可在多達 10 個用戶自定義的檢查點構建完整的留存曲線 — 唯有曲線形狀才能揭示同期群是達到了穩定底部還是持續流失。
• 微笑曲線 / PMF 趨平檢測器。 針對最後三個檢查點的內置測試可將同期群分類為 強烈趨平（經典的 Sean Ellis PMF 信號）、輕微趨平 或 持續衰減。
• 通過插值計算同期群半衰期。 檢查點之間的線性插值能精確估算出 50% 同期群用戶流失的具體週期 — 而不僅僅是告訴您是否越過了該界限。
• 冪律擬合與穩態預測。 對對數-對數變換進行普通最小二乘法擬合 R(t) = a · t^(−k)，報告 R²，並在擬合度良好時將留存率外推至大約最後一個觀察週期的 3 倍。
• 流失熱圖。 環比下降幅度採用顏色編碼，從綠色（≤2 pp）到深紅色（>50 pp），讓最具槓桿效應的流失漏洞一目了然。
• 行業四分位數基準。 涵蓋 6 個特定細分市場的基準（B2B SaaS、SMB SaaS、消費者訂閱、移動應用、電子商務、金融科技），將您相當於第 1 天、第 7 天和第 30 天的留存率與已發布的 P25 / P50 / P75 區間進行分類對比。
• 動畫 SVG 曲線。 線條動態繪製、區域漸進填充、數值標籤依序彈出，使流失趨勢在視覺上清晰直觀 — 而非枯燥的靜態圖表。
• 天、週、月多單位支持。 選擇與您產品自然週期相匹配的時間尺度。移動應用以天為單位，B2B 產品則通常以月為單位。
• 提交前實時預覽。 輸入任何數字，迷你柱狀圖預覽、百分比和 PMF 徽章都會立即更新 — 無需重新加載整頁。
• 逐步數學分解。 每項計算都按行分解，方便您驗證、記錄或從中學習。

究竟什麼是同期群？

同期群（Cohort）是指在同一時間窗口內共享某個獲客事件的一組用戶 — 最常見的是他們註冊、安裝或首次購買的某一週、某一天或某個月。同期群分析會在隨後的週期中持續追蹤這一固定的群體，因此分母永遠不會改變。這使得同期群留存率比 “月活躍用戶除以總用戶數” 的計算方式更為誠實，因為後者會將加速流失的糟糕現狀掩蓋在獲客增長的光鮮外表之下。

留存率 vs 流失率

在任何給定週期內，留存率和流失率互為倒數：留存率 = 1 − 流失率。團隊選擇關注其中之一的原因更多是心理學層面而非數學層面 — 將數字框定為 “95% 留存” 而不是 “5% 流失” 往往會將注意力從防止損失轉移到慶祝留存。同期群版本的留存率比單期流失率包含更多信息，因為它追蹤的是隨時間推移的相同用戶，從而暴露漏洞所在：第 1 天流失 50% 隨後完全平緩的留存曲線，與緩慢且持續衰減的同期群相比，代表著本質上截然不同（且更好）的同期群質量。

如何解讀留存曲線的形狀

• 前期急劇下降，尾部平緩（“微笑曲線”）。 雖然獲取的大多數用戶並不合適，但一個穩定的核心群體發現產品不可或缺。這是教科書般的產品市場匹配（PMF）形狀 — 該底部水平即代表您在已獲取細分市場中的真實可觸達市場規模。
• 平緩、持續的衰減。 這是低頻產品（年購商品、稅務工具、婚禮策劃應用）的常見形狀。這並不一定糟糕 — 但單元經濟效益（Unit Economics）將取決於斜率而非絕對水平。
• 初期平緩隨後突然下降。 這幾乎總是由強制取消事件引起的 — 試用結束、支付失敗、年度合同未續約。應尋找結構性原因，而非用戶行為原因。
• 在最後一個檢查點仍在下跌。 底部仍未出現。這意味著您需要更長的觀察時間，或者該產品尚未為此同期群找到具備粘性的使用場景。
• 曲線上升。 這幾乎總是測量工藝的人為誤差：例如將重新激活的用戶算作同期群成員，或者新功能的推出誇大了活躍度定義。在慶祝之前請先徹底調查。

按類別劃分的留存基準

四分位數推斷自 AppsFlyer、Mixpanel、Amplitude、OpenView、RJMetrics 的公開報告。請視為粗略參考，而非行業絕對標準。

同期群分析的常見誤區

• 重新調整分母基準。 在每個檢查點，請始終除以原始同期群大小。除以 “上期仍活躍的用戶數” 會誇大每一步的留存率並掩蓋漏洞。
• 混淆 “活躍” 的定義。 第 30 天的留存率是通過登錄、有意義的操作還是付費狀態來測量的？每種定義都會帶來不同的曲線。請選擇一種並保持報告的一致性。
• 將同期群用戶留存與收入留存混淆。 同期群客戶留存平等對待每位用戶；淨收入留存（NRR）則按金額加權。對於定價層級跨度較大的產品，兩者會發生劇烈分歧。
• 同期群樣本量不足。 小於 ~500 名用戶的同期群在長週期檢查點的置信區間較寬。與其過度解讀一個微小的同期群，不如將相鄰的幾個獲客週進行合併。
• 將仍在下跌的尾部誤讀為底部。 連續三個接近平緩的點是判定 PMF 趨平的最低信號。單個看似平緩的點可能只是噪聲。
• 忽視曲線形狀。 由急劇下降 + 平緩尾部構成的 30% 第 30 天留存率，與由緩慢持續衰減構成的 30% 留存率有著本質區別。數字相同，含義相反。
• 忽視強制取消的人為痕跡。 試用結束、付費失敗和年度合同續約會在可預測的週期創造人為的留存下跌。請為其添加註釋，不要單純解讀為產品驱动的流失。

留存率如何驅動客戶生命週期價值

更高的留存率意味著更長的客戶生命週期，這會直接提升客戶生命週期價值（CLV）。最簡單的 CLV 公式為：CLV = (月 ARPU × 毛利率) ÷ 月流失率；等同於 CLV = (月 ARPU × 毛利率) × 平均客戶生命週期（月）。由於生命週期是流失率的倒數，在 5% 的月流失率基礎上將留存率提高一個百分點，就能將生命週期從 20 個月延長到 25 個月 — 在相同 ARPU 下實現 25% 的 CLV 提升。這就是為什麼一旦產品達到一定規模，留存率方面的投入回報率通常會超過同等金額的獲客投入。

優化留存率時應首先著眼於何處

1. 第一週期的激活。 在大多數曲線上，最陡峭的下跌發生在第 0 天到第 1 天（或第 0 週 → 第 1 週）之間。新手引導的清晰度、達到首次價值的時間（Time-to-first-value）以及主動的激活觸達通常具有最高的槓桿效應。
2. 強制取消節點。 試用結束和續約時刻會將流失集中在可預測的特定週期。在怪罪產品參與度之前，先將您的同期群下跌與這些結構性節點進行比對。
3. 失敗付費挽回。 出乎意料的是，很大一部分 “流失” 僅僅是因為信用卡過期。對於大多數 B2C SaaS 而言，更換卡片提示工具和催款（Dunning）序列可以挽回 5–15% 的月流失。
4. 識別核心用戶。 在最後一個檢查點仍活躍的同期群成員是您粘性最強的細分群體。分析他們的共同特徵 — 功能使用情況、集成採納度、團隊規模 — 並以此定向獲取相似畫像的新用戶。
5. 同期群細分。 如果整體同期群留存從未趨平，請對其進行細分。通常會發現，某一個獲客渠道或某一種用戶角色在原本平庸的整體曲線中其實已經達到了 PMF。

常見問題

什麼是同期群留存率？

同期群留存率是指來自單一獲客同期群的用戶在隨後特定週期仍保持活躍的百分比。它等於檢查點處的活躍用戶數除以原始同期群大小，以百分比表示。由於同期群分母是固定的，留存率會隨時間單調下降 — 每次流失都會降低它，而重新激活則無法誇大它。

同期群留存與月留存有何不同？

月留存通常是用月活躍用戶數除以總註冊用戶數 — 即使獲取的同期群正在嚴重流失，這個數字也可能保持平穩甚至增長，因為新獲取的用戶填補了漏洞。同期群留存則在時間推移中追蹤一個固定群體，因此無法被獲客增長所掩蓋。同期群在評估產品粘性方面更為誠實；月留存則更適用於高管層面的增長匯報。

我應該使用哪些檢查點？

經典的移動應用排程為第 1 天、第 7 天、第 14 天、第 30 天、第 60 天、第 90 天 — 足夠短以捕捉早期流失，也足夠長以觀察底部的形成。對於 B2C 訂閱，可以嘗試每週檢查點；對於 B2B SaaS，可以嘗試每月檢查點。本計算機支持任何 2–10 個嚴格遞增的整數值。

同期群分析中的微笑曲線是什麼？

微笑曲線是指一條留存曲線在早期急劇下降，然後趨於平緩並達到一個穩定的底部。這種趨於平緩是 Sean Ellis 提出的經典產品市場匹配（PMF）信號：代表有穩定比例的獲客用戶發現產品確實不可或缺。持續衰減的曲線永遠無法達到微笑形狀，表明產品尚未為該細分市場找到具備粘性的使用場景。

什麼是好的第 30 天留存率？

好的第 30 天留存率高度取決於產品類別。B2B SaaS 前四分之一的同期群在第 30 天留存 65% 或更多。SMB SaaS 前四分之一約為 45%。消費者訂閱的中位數通常為 20%。移動應用的中位數通常為 9%，前四分之一為 18%。計算機將根據您選擇的細分市場，將您的第 30 天置於正確的基準進行對比。

半衰期計算是如何工作的？

半衰期是指留存率穿過 50% 的週期。計算機掃描您的檢查點，尋找第一對跨越 50% 留存率的臨界點，並在它們之間進行線性插值。如果留存率在觀察窗口內從未跌破 50%，則半衰期顯示為 “超出數據範圍” — 這是一個強烈的粘性指標。

冪律擬合能告訴我什麼？

大多數同期群留存曲線都近似於冪律 R(t) = a · t^(−k)。計算機通過對對數-對數變換進行普通最小二乘法將此模型擬合到您的檢查點，並報告擬合優度（R²）。當 R² 超過 90% 時，冪律能很好地總結您的曲線，此時模型外推至大約最後一個觀察週期 3 倍的結果，是留存率走向的有意義預測。較低的 R² 通常表明存在結構性拐點（試用結束、續約事件），這是平滑的冪律模型無法捕捉的。

我可以用它來計算收入留存而不是用戶留存嗎？

可以 — 將同期群在獲客時的總收入輸入為同期群大小，並將在各個檢查點仍從該同期群收取的收入輸入為活躍用戶數。計算機並不知道您輸入的是用戶還是金額，因此數學原理完全相同。這將得出總收入留存率（GRR）。若要計算包含增購擴展的淨收入留存率（NRR），您需要將增購收入計入分子 — 本計算機無法直接處理此類擴展數據。

需要多少同期群成員才能讓這些數字具有統計意義？

粗略來說，少於 500 名用戶的同期群在長週期下的留存曲線會充滿噪聲，個別用戶的重新激活就能使曲線產生明顯的位移。為了確保統計穩健性，建議合併相鄰的獲客週期（例如將多週的註冊用戶合併為一個同期群），或將每個留存點視為一個置信區間，而非絕對的單一數字。