在某一日/周/月发生了初始行为的用户在第 N 日/周/月时发生了后续行为的用户记为留存用户
留存率是指第 N 日/周/月时发生了后续行为的留存用户在初始行为用户中的占比
| | 第 N 日 - 流失用户数 和 流失率 |在某一日/周/月发生了初始行为的用户在第 N 日/周/月时没有发生后续行为的用户记为流失用户
流失率是指第 N 日/周/月时流失的用户在初始行为用户中的占比
| | 之后连续 N 日 - 留存用户数 和 留存率 |在某一日/周/月发生了初始行为的用户在之后连续 N 日/周/月发生了后续行为的用户记为留存用户
留存率是指之后连续 N 日/周/月发生了后续行为的留存用户在初始行为用户中的占比
| | 之后连续 N 日 - 流失用户数 和 流失率 |在某一日/周/月发生了初始行为的用户在之后连续 N 日/周/月没有发生后续行为的用户记为流失用户
流失率是指之后连续 N 日/周/月没有发生后续行为的流失用户在初始行为用户中的占比
| | 同时分析指标 | 可以同时分析留存用户在每个周期里的指定指标的表现，比如选择【初始行为：支付订单】【后续行为：支付订单】【同时分析指标：支付订单的金额】即可分析回购用户的回购金额 | ### 1.4 细分维度 支持同时查看某个维度不同属性值的留存，比如不同城市的新用户留存，细分发现影响留存的特定因素。 对于不同属性值类型支持不同的分组方式，同《[事件分析 - 1.3 细分维度](https://arkdocs.analysys.cn/features/event#13-xi-fen-wei-du)》 ### 1.5 人群选择 默认基于所有用户计算留存，可以选择其他已保存人群，e.g.要分析北京地区用户留存，选择北京地区的用户即可。也可点击对比分群，选择对应的人群进行对比分析。 ## 2. 图表展示 图表展示区，可以选择时间范围、时间粒度、 ### 2.1 时间范围 **时间范围限制的是初始行为发生的日期** e.g 选择了【2018/03/01-2018/03/07】【初始行为 = 注册，后续行为 = 任意事件】则计算的是在2018/03/01-2018/03/07这段时间里，每一天注册的用户，在随后30天里再次回访的留存用户。 ### 2.2 时间粒度 可选择的时间粒度，包括： * **按日**，可分别查看次日、7日、14日及 30日留存 * **按周**，可分别查看次周、8周、12周及 24周留存 * **按月**，可分别查看次月、6月、12月及 24月留存 ### 2.3 第 N 日留存/流失 **第 N 日留存用户数**指在某个时间发生了初始行为 X 的用户，在之后的第 N 日/周/月进行了后续行为 Y 的用户（ X 可以等于 Y ）。 例如： > 初始行为 = 点击购买 > > 后续行为 = 点击购买 > > 4月1日发生购买的用户200人，这200人中4月2日再次购买的用户有100人，4月4日再次购买的用户有50人， > > 则第1日留存用户为100，第3日留存用户为50。 **第 N 日流失用户数**指在某个时间发生了初始行为 X 的用户，在之后的第 N 日/周/月没有进行后续行为 Y 的用户（ X 可以等于 Y ）。 例如： > 初始行为 = 点击购买 > > 后续行为 = 点击购买 > > 4月1日发生购买的用户200人，这200人中4月2日没有购买的用户有100人，4月4日仍然没有购买的用户有50人， > > 则第1日流失用户为100，第3日流失用户为50。 **基础计算规则** 假设定义初始行为是 X 事件，回访行为是 Y 事件。 2017/03/01-2017/03/08 小明各天的行为序列为： | 2017/3/1 | 2017/3/2 | 2017/3/3 | 2017/3/4 | 2017/3/5 | 2017/3/6 | 2017/3/7 | 2017/3/8 | | -------- | -------- | -------- | -------- | -------- | -------- | -------- | -------- | | XYXY | ABC | YCX | DDY | ABC | BYC | ABC | DDY | 那么计算 2017/03/01的7日留存，则需要在3月1日之后加上7日，查找2017/03/01-2017/03/08范围内，是否发生了后续行为 Y 事件，小明会被算作第2日、第3日、第5日、第7日的留存；则第1日、第4日、第6日被算作流失。 但是若细分维度时，会略有差异，分别说明提供的两类细分维度： **用户属性：** 根据用户属性来分组，e.g. 性别，如果小明是男，则会被算到男性用户的留存当中 **事件属性：** 根据初始行为的事件属性分组。如果用户触发了多次初始行为，并且属性值不相同，会按用户首次初始行为的属性值进行分组，e.g. 设备品牌，如果小明3月1日方开始用 iPhone X 点击了XY，随后更换了华为 Mate8 又点击了 XY 事件，则小明会被算到 iPhone X 的分组中。 可以对比不同人群的留存，探索发现影响留存/流失的原因  ### 2.4 之后连续 N 日留存/流失 **之后连续 N 日留存用户数**指在某个时间发生了初始行为 X 的用户，在之后连续 N 日/周/月进行了后续行为 Y 的用户（ X 可以等于 Y ）。 例如： > 初始行为 = 点击购买 > > 后续行为 = 点击购买 > > 4月1日发生购买的用户200人，这200人中4月2日再次购买的用户有100人，4月3日再次购买的用户有50人，4月4日没有人购买，4月5日有50人再次购买 > > 则之后连续1日后留存用户为100，2日后留存用户为50，3日、4日都为0。 **之后连续 N 日流失用户数**指在某个时间发生了初始行为X的用户，在之后的连续 N 日/周/月没有进行后续行为 Y 的用户（ X 可以等于 Y ）。 例如： > 初始行为 = 点击购买 > > 后续行为 = 点击购买 > > 4月1日发生购买的用户200人，这200人中4月2日没有购买的用户有100人，4月3日都发生了购买，4月4日没有购买的用户有50人， > > 则之后连续1日流失用户为100，2日、3日都为0。  ### 2.5 留存曲线 留存曲线用来表现【目标用户】的回访比例按照天数衰减的趋势。 对于常见的留存曲线，可以将其分为三个部分：第一部分是振荡期，第二部分是选择期，第三部分是平稳期。  对于不同时期，我们应该有不同策略，总的来说，在振荡期和选择期，我们应该关注新用户的留存，进入平稳期以后，着重关注产品功能的留存。  方舟留存曲线展示的是留存表格中的第一行的概括 * 留存用户是已发生日期的累加值 * 留存率是当前列每个数据与初始行为用户数的加权平均数 合计列第N日的留存的计算逻辑为：每一日的第N日留存的留存用户的算术累加和/剔除未发生日期的目标用户数的算术累加和。 例如：当前日期为0923，查询过去7日(0916-0922)的留存。以合计列的第4日留存的计算逻辑举例：已知0920的第4日为0924，从0920开始往后的日期的第4日都是未来时间，未来日期不会有回访行为，因此计算合计列的第3日留存计算公式为：留存率=0.83%=(6+76+65+4)/(6180+5732+5497+800)  ### ### 2.4 人群下钻分析 所有图表中的数据节点，都可以下钻查看人群概览以及保存人群。 下钻人群下钻功能与分群一致，可在[分群](https://arkdocs.analysys.cn/features/user)中作进一步了解。 ## 3. FAQ ### **3.1 初始行为和后续行为选择相同事件，当日留存率为什么不是100%** 当日留存的规则是：用户在触发了初始行为的当日触发了后续行为，不考虑初始行为和后续行为的发生顺序。但是用户触发的1次行为，不能同时作为初始行为和后续行为，因此初始行为和后续行为选择相同事件时，当日触发次数必须大于等于2次才会被计为当日留存。 {% hint style="info" %} 以上内容没有解答我的问题？[点击我来反馈](https://support.qq.com/products/118522/) 🚀 {% endhint %}