客户留存分析衡量谁会持续回来、谁不会,以及流失发生在哪个阶段,让你选出先救哪一群。单个总体留存率做不到这一点。算例里,总体第 3 个月 26.4% 的留存率,掩盖了 12% 到 48% 的范围,而且 81.5% 的流失发生在首月。这篇讲分群 × 阶段的视图、怎样找到原因,以及怎样操作。
读完你会知道
- 留存分析回答的是「先救哪一群、在哪个阶段」,不是「我们的比率是多少」;每个数字都是分群 × 阶段表里的一个格子
- 示例中总体第 3 个月 26.4%,掩盖了推荐 48% 对付费 12% 的差距,81.5% 的流失发生在首月
- 救流失客户最多、原因又能修的那个格子:付费分群提高十个点多留住 40 位,推荐分群同样提高只多留住 20 位
什么是客户留存分析,它回答什么问题?
客户留存分析,是衡量谁会持续回来、谁不会,以及流失发生在客户生命周期的哪个位置。它回答的问题不是「我们的留存率是多少」,而是 「先救哪一群人,在哪个阶段救?」 单个总体数字回答不了这个问题,因为它把表现差异很大的群体、失败原因各不相同的阶段,平均成了一个数。
所以工作有两刀:分群(谁)和阶段(什么时候)。这篇里每一个留存数字,都是「分群 × 阶段」表里的一个格子,决策就是挑出流失客户最多、原因又能修的那个格子。
为什么要关心留存?《哈佛商业评论》引用了 Bain & Company 的 Frederick Reichheld 的研究:留存率提高 5%,利润增加 25% 到 95%;还引用了一个流传很广的区间:获取新客的成本是留住老客的 5 到 25 倍。同一篇文章注明,后一个区间因研究和行业而异,也没有给出出处,所以把这些当作方向,别当成你业务的预测。
留存分析包含哪些指标?
四个数字,都是在一个明确的群体、一个明确的窗口上计算:
| 指标 | 公式 | 回答的问题 |
|---|---|---|
| 留存率 | 第 N 期仍活跃的客户数 ÷ 起始群体客户数 | 谁还在? |
| 流失率 | 1 − 留存率(同一窗口) | 谁走了? |
| 复购率 | 购买 2 次及以上的客户数 ÷ 至少购买 1 次的客户数 | 买过的人会回来吗? |
| 活跃天数 | 每位客户每期的活跃天数 | 习惯有多深? |
在计算任何东西之前,先定义「活跃」:一次购买、一次登录,还是任何有意义的动作。定义不同,留存率不同,跨定义没法比较。指标定义的完整说明见 留存指标;按起始日期分组、产出这些比率的视图,见 如何做同期群分析;离开的一侧见 客户流失分析。
为什么总体留存率会误导人?算例
示例数据:某个月开始使用的 1,000 位客户,按获客方式分组。「留存」指在之后那个月仍然活跃。
| 分群 | 客户数 | 第 1 个月留存 | 第 3 个月留存 |
|---|---|---|---|
| 自然流量 | 400 | 45%(180) | 30%(120) |
| 付费 | 400 | 25%(100) | 12%(48) |
| 推荐 | 200 | 60%(120) | 48%(96) |
| 合计 | 1,000 | 40.0%(400) | 26.4%(264) |
总体第 1 个月的留存率是 (180 + 100 + 120) ÷ 1,000 = 40.0%,第 3 个月是 (120 + 48 + 96) ÷ 1,000 = 26.4%。只看最后一行的团队,看到的是「第 3 个月 26.4%」和一个含糊的「要做得更好」。分群的几行则给出更具体的图景:推荐客户留存 48%,付费客户 12%,相差四倍,平均数把这个差距藏起来了。
再加上阶段这一刀。1,000 位起始客户中,到第 1 个月已流失 600 位(1,000 − 400),到第 3 个月又流失 136 位(400 − 264),共流失 736 位,600 ÷ 736 = 81.5% 的流失发生在首月。按分群看,第 1 个月的流失是:付费 300(400 − 100),自然 220(400 − 180),推荐 80(200 − 120),合计 600。付费占客户的 40%,却占第 1 个月流失的 50%(300 ÷ 600)。
由此得出抢救顺序:先是早期阶段,因为五分之四的流失发生在那里;其次是在早期里面的付费分群。付费客户第 1 个月留存提高十个点(25% 到 35%),多留住 400 × 0.10 = 40 位;推荐分群同样提高十个点,只多留住 200 × 0.10 = 20 位。同样的努力,效果翻倍,因为这个分群的规模是两倍。
一条可以反复使用的规则:对每个格子,把流失客户数乘以原因看起来有多好修(0 到 1),从乘积最高的开始。第 1 个月的付费分群流失 300 位,引导缺口评 0.6,所以 300 × 0.6 = 180;第 1 个月的自然分群流失 220 位,原因不清楚,评 0.3,得 66;第 1 个月的推荐分群是 80 × 0.8 = 64。评分是主观判断,但把它们写下来,能让讨论转到原因上。
各分群第 3 个月留存
1,000 位客户 · 示例数据该对比哪些分群?
选能指向行动的切法:
| 切法 | 示例分组 | 差距说明什么 |
|---|---|---|
| 获客来源 | 自然、付费、推荐、邮件 | 某个来源带来低意向或不匹配的客户 |
| 初始产品或套餐 | 入门套餐、试用、首次购买的品类 | 入口给的预期不对 |
| 客户类型 | 新客、回头客、回流客 | 生命周期问题不同 |
| 地区或设备 | 国家、手机、桌面 | 某地区或技术故障 |
| 价值 | 高消费、中等、低 | 收入的风险在哪 |
优先选你能采取行动的切法。「周二出生的客户」也许会出现差距,却指不出修复办法。同时让分群足够大:30 位客户的分群,一个人就能让比例波动十个点。
| 切法 | 示例分组 | 差距说明什么 |
|---|---|---|
| 获客来源 | 自然、付费、推荐 | 某个来源带来不匹配的客户 |
| 初始产品或套餐 | 入门套餐、试用 | 入口给的预期不对 |
| 客户类型 | 新客、回头客、回流客 | 生命周期问题不同 |
| 地区或设备 | 国家、手机、桌面 | 某地区或技术故障 |
优先选能采取行动的切法,并让每个分群大到足以信任。
该对比哪些阶段?
客户的生命周期有不同的阶段,失败方式各不相同:
| 阶段 | 窗口 | 典型失败 | 典型修复 |
|---|---|---|---|
| 激活 | 第 0 到 7 天 | 没完成首次有价值的动作 | 更清晰的引导,缩短到首次获得价值的路径 |
| 早期习惯 | 第 2 到 12 周 | 用了一两次就淡了 | 提醒、触发式消息、下一步提示 |
| 稳定期 | 第 3 个月起 | 稳定过,之后流失(价格、竞品、生活变化) | 忠诚计划、挽回、服务补救 |
让窗口匹配你的购买节奏。每周一次的生鲜订单和每年一次的软件续费,「早期习惯」的长度不同。上面的例子里,前一个月就是激活和早期习惯阶段;81.5% 的流失集中在这里,会把团队引向引导流程,而不是忠诚计划。
找到格子之后,怎么找原因?
表格告诉你在哪里,行为告诉你为什么。四项检查,从成本低的开始:
- 比较留下的和流失的客户早期做了什么。 首周做过动作 X 的客户,和没做过的客户相比。两组留存率的差距,指向形成习惯的那一步。这只是相关性,但它给出了一个候选。
- 走一遍弱势分群的首周漏斗,看它和健康分群相比在哪里掉下去。
- 在回放或时间线里看流失客户的会话,找摩擦:错误、死胡同、重复点击。
- 直接问他们。 两个问题的离开提示,或和少数流失客户聊一聊,又慢又小,却常常是了解数字无法呈现的事的最快途径。
然后在弱势格子上测试一个修复,衡量这个格子,下一期再把表重做一遍。
怎样使用预测,又不过分相信它?
预测哪些客户可能离开的评分,只有在改变你的做法时才有用。检验办法:对被标记的客户,你会采取什么不同的行动? 如果答案是「发我们本来就要发的那封邮件」,那这个预测什么也没增加。先用简单、可解释的规则开始,比如养成 14 天习惯之后连续 30 天没有活动,并检查被标记的客户里有多少本来就流失了;漏报率高的规则,需要再加一个输入变量,才值得自动化。
哪些错误会让留存分析产生误导?
- 只引用总体比率。 例子里 26.4% 的平均数里藏着四倍的差距。
- 窗口不一致。 一月同期群和十二月同期群的第 3 个月留存,只有在各自走完第三个月后才可比;没结束的一期不等于零。
- 年中改变「活跃」的定义,于是曲线在行为没变的情况下移动。
- 分群太小,不可信。 一个格子里只有十位客户,比例会剧烈波动。
- 把相关当成因果。 留下的客户做过 X,但他们也许从一开始就更有动力。
- 只看比率不看人数。 5 人里的 60% 和 500 人里的 60% 不是一回事。
怎样在 TapCub 里做这个分析
用上面的例子:你怀疑付费分群在第 1 个月流失严重。
- 定义起始和回访事件。 在 全端分析 › 行为分析 › 行为分析 里打开留存:选一个可选的起始事件(比如首次购买)和一个回访事件;两个都留空表示任何活动。选择按天、周或月的周期。每一行是一个同期群,显示人数以及每个周期的人数和比例;还没结束的周期是空白,不是零。
- 建分群。 在 全端分析 › 用户 › 分群与标签 里创建分群(例如按来源或初始产品的规则),并把它们应用到留存视图;分群也能带进漏斗。对于基于购买的群体,全端分析 › 经营分析 › 电商与收入 里的 RFM 视图显示冠军、有风险和将沉睡客户,以及各自和 30 天前相比的变化。
- 看生命周期。 同一个分析里的生命周期视图,按周或月把人分成新增、留存、回流和流失,让你看到回流的客户有没有抵消流失的客户。
- 找到早期的下滑。 为弱势分群建一个首周漏斗;最大的流失处会被标出来。
- 打开单个用户。 在 全端分析 › 用户 › 用户(只有
tapcub.login()之后的已知用户)里,档案显示按天排列的时间线,能看到一位流失客户做过什么。
TapCub 显示客户在哪里流失、他们是谁。它不发送留存邮件,也不做挽回活动;这些在你自己的消息工具里完成。
FAQ
什么是客户留存分析?
它衡量谁会持续回来、谁不会,以及流失发生在哪个阶段,让你能选出先救哪一群。它把留存率和流失率与按分群、按生命周期阶段的切分结合在一起。
客户留存率怎么计算?
用起始群体中在之后某个周期仍活跃的客户数,除以起始人数,例如示例中自然流量分群第 3 个月是 120 ÷ 400 = 30%。先定义「活跃」,并固定窗口。
留存分析应该看哪些分群?
选能指向行动的切法:获客来源、初始产品或套餐、客户类型、设备或国家、价值层级。示例里,按来源能看出四倍的差距(第 3 个月推荐 48% 对付费 12%),而 26.4% 的平均数把它藏起来了。
怎样用数据分析提高客户留存?
找出「分群 × 阶段」中流失客户最多的格子,用早期行为和漏斗诊断它,在那里测试修复,然后重新衡量。示例中 81.5% 的流失发生在第 1 个月,所以先要解决的是激活,不是忠诚计划。
留存分析和流失分析有什么区别?
它们是同一份数据的两种视图:留存数留下的人,流失数离开的人。留存分析按同期群和分群随时间组织;流失分析则常常聚焦于离开的原因和预测因素。
资料来源
- Gallo, A. The Value of Keeping the Right Customers。《哈佛商业评论》,2014 年 10 月:Reichheld 关于留存提高 5%、利润增加 25% 到 95% 的发现;5 到 25 倍的区间及其说明。2026-11-19 查阅。
- Bain & Company. Retaining Customers Is the Real Challenge(2006):贝恩官网上关于留存和利润关系的说法。2026-11-19 查阅。
这篇文章对你有帮助吗?
我们会根据反馈修改和补充这篇内容。
提交没有成功,请稍后再试。
谢谢你的反馈,我们会据此改进这篇内容。你已经反馈过这篇了,谢谢。

