TapCub 正式上线:统计、分析、客服一个平台免费用
产品动态

用数据找到你的顿悟时刻:留存用户与流失用户对比

顿悟时刻是把留下的用户和离开的用户区分开的一个早期动作。六步方法加一个算例:比较每个早期动作的留存、找出门槛,并检查因果。

林舟 发布于 2026 年 11 月 21 日 9 分钟阅读 产品动态
示例数据:2,000 个新用户。留存率随每次早期邀请而上升,但只有 190 个用户(9.5%)达到两次及以上,所以这个顿悟时刻强而人群小。示例数据

顿悟时刻是新用户第一次看清产品价值的那个点,用数据说,它是一个把留下的用户和离开的用户区分开的早期动作。比较头 3 天里做过和没做过每个早期动作的人的 30 天留存,再找门槛并确认因果。

读完你会知道

  • 在早期动作上比较留存和流失用户:示例中头 3 天邀请了队友的留存率 50.0%,没邀请的是 16.2%
  • 好的候选差距大、覆盖面广、门槛能一句话说清:邀请 2 个及以上,留存率 68.4%
  • 差距显示的是关联,不是因果:用推动测试来确认,示例中每组大约需要 2,654 人

什么是顿悟时刻,怎么用数据找到你的?

顿悟时刻(aha moment)是新用户第一次看清这个产品对自己值多少的那个点。用数据的话说,它是一个把留下来的人和离开的人区分开的早期动作。你不是靠“感觉哪个功能重要”找到它的,而是通过对比留存用户和流失用户的最初几天,找出差别最大的那个动作。顿悟时刻页解释了这个概念,激活率页讲的是你选定它之后要测的那个比率。

方法有六步,本文的示例按这六步用真实算术走一遍:

  1. 定义“留存”和早期窗口。
  2. 列出候选的早期动作。
  3. 比较做过和没做过每个动作的人的留存。
  4. 找出门槛,比如做几次、多快做。
  5. 检查这个动作是导致留存,还是只是伴随留存。
  6. 把它变成一个指标,并让新手引导朝它设计。

主要主张是:好的顿悟候选,留存差距大、到达的人数足够多,并且门槛能用一句话说清楚。 多数动作过不了头一关,而过了的那个,除非你去测试,往往又过不了第五关。

怎么定义留存用户和早期窗口?

打开报表之前先写下两条定义,因为每个数字都依赖它们。

  • 留存: 用户在固定的较晚窗口内再次活跃,比如注册后第 24 到 30 天内至少有一个活跃日。选一个和产品应有使用频率匹配的窗口,所以每周用一次的工具就用一周的窗口。
  • 早期窗口: 注册后的头 3 天。头 3 天的动作可以做候选,因为你还能影响它们。第 20 天发生的动作,是“留下来”的症状,不是原因。

示例数据:一个月 2,000 个新用户,其中 500 个留存,留存率 25.0%。尽量按已登录的人计数;按设备计数会把一个人拆成几个,让每个比较都变模糊。活跃用户的定义在这里很重要,因为留存窗口里的“活跃”必须用一条固定的规则。

应该测试哪些早期动作?

从你的事件列表里列出 8 到 15 个新用户在头 3 天可能做的、并且你有可能去鼓励的动作。排除自动事件和人人都做的动作,比如首次页面浏览。好的清单会混合设置类(创建了项目、连接了数据源)、协作类(邀请了队友)和探索类(读了文档、改了设置)。

示例测试了五个。多测几个的原因,就是下一节的陷阱:候选很多时,有些会因为偶然而看起来不错。

怎么比较留存用户和流失用户?

对每个动作,数头 3 天里有多少新用户做过,以及每一组里留存的占比。然后算两个留存率的比值和相差的百分点。要判断差异会不会是偶然,用 NIST/SEMATECH 手册里的两比例 z 检验:|z| 大于约 1.96,在 5% 水平上显著。

示例数据:2,000 个新用户,500 个留存。

早期动作(头 3 天)做过的人数做过的留存率没做的留存率比值差值z留存者中做过的占比
邀请了队友52050.0%16.2%3.08+33.8 个百分点15.352%
装好了代码1,10034.5%13.3%2.59+21.2 个百分点10.976%
创建了第一个项目1,50028.7%14.0%2.05+14.7 个百分点6.686%
读了文档90026.7%23.6%1.13+3.0 个百分点1.648%
改了主题60025.0%25.0%1.000.0 个百分点0.030%

比如邀请了队友的 520 人里有 260 人留存,即 50.0%,没邀请的 1,480 人里有 240 人,即 16.2%:比值 3.08,差距 33.8 个百分点。这张表把动作分成三类:

  • 强候选: 邀请队友和装好代码。两者差距都大,z 值远高于 1.96。
  • 真实但区分力弱: 创建第一个项目。差距是真的(z = 6.6),但 75% 的新用户都做了,所以它区分人的能力不强,而且 86% 的留存用户做过它。它更像是前提条件,而不是顿悟时刻。
  • 噪声: 读文档(z = 1.6,在 5% 水平上不显著)和改主题(完全没有差别)。

注意最后一列。装好代码触达了 76% 的留存用户,而邀请队友触达 52%。邀请的差距更大,安装的覆盖面更广。两者都该放进新手引导,而下一步来决定哪个才是顿悟时刻。

早期动作做过的留存率没做的留存率z
邀请了队友50.0%16.2%15.3
装好了代码34.5%13.3%10.9
创建了第一个项目28.7%14.0%6.6
读了文档26.7%23.6%1.6
改了主题25.0%25.0%0.0

示例数据:2,000 个新用户,500 个留存;|z| 大于约 1.96,在 5% 水平上显著。

怎么找到门槛?

简单的“做过或没做过”会藏起剂量。把表现突出的候选,按头 3 天里发生的次数拆开。

示例数据:头 3 天邀请的队友数。

头 3 天邀请数新用户留存留存率
01,48024016.2%
133013039.4%
2 个及以上19013068.4%

留存率随每次邀请而上升,第二次邀请把它从 39.4% 推到 68.4%。可以用的表述是:“头 3 天邀请 2 个及以上队友的用户,留存率是 68.4%,而一个都没邀请的是 16.2%。”再检查一次邀请和两次邀请之间的差异(190 人中的 130 对 330 人中的 130,z = 6.4),所以从一次到两次不是噪声。

门槛有两点要小心。首先,2,000 个用户里只有 190 个(9.5%)达到,所以它是个好的顿悟时刻,但人群很小;在新手引导让更多人到达之前,激活率会很低。其次,在一份数据上拟合出的陡峭门槛,通常看起来比在新数据上的表现好。用一个月的数据拟合,再用下一个月检验。

app.tapcub.com

按头 3 天邀请数看 30 天留存

示例数据
0 次邀请16.2%
1 次邀请39.4%
2 次及以上68.4%
示例数据
示例数据:2,000 个新用户。留存率随每次早期邀请而上升,但只有 190 个用户(9.5%)达到两次及以上,所以这个顿悟时刻强而人群小。

这个动作是导致留存,还是只是伴随留存?

上面的比较显示的是关联。邀请队友的人,可能本来就有团队和真实需求,不邀请也会留下来。这是顿悟时刻分析里最常见的错误:产品团队开始推动邀请,却发现留存没动。

要检验因果,就把随机一半新用户往这个动作上推,再比较两半的留存。示例数据:如果这个推动把邀请的占比从 26% 提高到 36%,而且每次邀请都值那完整的 33.8 个百分点,留存会提高约 3.4 个百分点,从 25.0% 到 28.4%。在显著性 5%、检验效能 80% 下检测它,每组大约需要 2,654 人,总共 5,308 人,按每月 2,000 个新用户算,需要 2.7 个月。

由此有两点。因果效应几乎总是小于原始差距,所以真实的推动可能需要比这更多的人。如果你等不了那么久,就带着护栏上线这个推动并看趋势,接受它没法和其他改动干净地分开。测试方法本身不在本文范围;这里重要的是:分析提出候选,实验来确认。

哪些陷阱会造出假的顿悟时刻?

  • 反向因果。 投入的用户什么都做得多,所以几乎任何动作都和留存相关。候选必须在差距和覆盖面上胜过别的动作,而不只是胜过零。
  • 测试的候选太多。 在 5% 的阈值下,20 个其实没有效应的候选,仍会产生约一个假阳性(20 × 0.05 = 1)。测一个短清单,或要求更大的差距,并在第二个月重复。
  • 统计到早期窗口之外。 一个明显会留下来的用户在第 20 天做的动作,是结果,不是原因。
  • 小群体。 建立在一组不到约 100 人之上的差距,波动很大。
  • 一个细分人群遮住另一个。 团队账户的顿悟时刻,可能和个人用户的不同。对重要的两三个细分人群重复这张表。

找到顿悟时刻之后怎么用?

把它变成三样东西。一个指标:头 3 天内到达它的新用户占比,按周跟踪,这是激活率更尖锐的版本。一个漏斗:从注册到顿悟动作,标出最大的流失。还有新手引导的改动:去掉注册和顿悟之间的步骤,在它有意义的时刻提示这个动作,并给卡住的人发一条指向它的消息。每个季度重做一次比较,因为产品变了,预测力强的动作也可能会变。

在 TapCub 里怎么做这个分析?

TapCub 提供比较和衡量。它不做推动实验,因为 TapCub 不做 A/B 测试和分流,所以测试本身在你自己的工具里跑,再回到 TapCub 里读结果。

  1. 识别人。 打开识别模式并上报登录,让分析按人而不是设备计数;分析默认的身份是人(有的话),否则是设备。见如何识别用户。
  2. 用 SQL 建这张表。 在 全端分析 › 行为分析 › 自定义指标与 SQL 里,用 SQL 页签对事件视图写一条查询,逐人标出他们在头 3 天里是否做过每个候选动作,以及在第 24 到 30 天是否活跃。每个候选跑一次,读出两个留存率。
  3. 在留存里检查曲线形状。 在 全端分析 › 行为分析 › 行为分析 里建一个留存报告,从注册事件开始、以任何活动作为回访,筛选做过该动作的人,再和没做过的人比较;报告按周期展示同期群和按规模加权的平均值。
  4. 建通往顿悟的漏斗。 建一个从注册到顿悟动作的漏斗,读流失最大的步骤和步骤之间的中位耗时。
  5. 跟踪它。 在 全端分析 › 经营分析 › AARRR 增长 背后的经营设置里,把激活对应到顿悟动作,让激活按它来衡量,并在 配置 › 日期标注 里标注新手引导的改动。

FAQ

什么是顿悟时刻?

新用户第一次意识到产品对自己值多少的那个点。用数据的话说,它是一个早期动作,比如邀请队友,把留下的用户和离开的用户区分开。

怎么找到你产品的顿悟时刻?

定义留存用户和 3 天的早期窗口,列出候选动作,比较做过和没做过每个动作的人的留存,再找门槛。选差距大、覆盖面广、门槛说得清的动作,并检验它是否导致留存。

顿悟时刻的例子是什么?

示例中,头 3 天邀请 2 个及以上队友的新用户,留存率 68.4%,而一个都没邀请的是 16.2%。这些数字是用来展示方法的示例数据;你自己的产品会不同。

顿悟时刻和激活是一回事吗?

相关,但不一样。激活是新用户到达某个定义好的首次价值动作的比率。顿悟时刻是你通过分析找到的、最能预测留存的动作,之后往往用它来定义激活。

应该测试多少个候选?

一个你有可能去鼓励的 8 到 15 个的短清单。再多,假阳性就会冒出来:20 个候选在 5% 的阈值下,偶然就会产生约一个。行动之前,用第二个月重复分析。

资料来源

归档:产品动态

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。

林舟

产品体验专员

关注产品体验、功能使用与增长实践,喜欢把复杂流程拆成清晰步骤,让分析结果更容易用到日常决策中。

在一个项目里比较留存和流失用户

按同期群的留存报告、对事件数据的 SQL 控制台、通往关键动作的漏斗和激活对应,都在一处。

看清数据,找到增长。

每一次点击,都有数据依据。装好一行代码,1 分钟看到第一批数据。

无需信用卡 · 统计与客服都有免费版 · 统计无 Cookie