周留存80%和70%的产品，1个月后活跃用户相差近一倍，2个月后差距扩大至3倍。留存的复利效应，正在悄悄改写产品的命运。
新增流量只是短期狂欢，留存才是产品长期增长的基石。今天分享两套可直接落地的分析方法，帮你精准吃透用户留存逻辑。
一、留存曲线拟合：用数据预判用户流失规律
留存曲线拟合的核心价值，是将零散的留存数据转化为可复盘、可预测的数学规律，精准摸清用户流失节奏，全程用 Excel 三步即可完成。
第一步，整理次日、7 日、30 日等留存数据，插入折线图，还原用户留存真实走势，常规产品留存均呈现“快跌、缓衰、平稳”的特征。
第二步，为折线添加趋势线，优先选择 R 平方最接近 1 的模型，拟合度越高，数据预判越精准。
第三步，确定留存函数，互联网产品主流适配两种模型：指数函数适合流失均匀的产品，乘幂函数适合前期流失快、后期趋于稳定的产品，也是多数 APP、小程序的首选模型。
完成拟合后，即可依托专属模型预判留存走势、评估产品迭代效果。
二、留存复利：微小差距，长期量级碾压
留存最容易被忽视的核心逻辑是复利效应，短期几个百分点的差距，会随时间形成巨大的用户体量差距。
举个实操案例：两款产品 E、F，每周新增均为 10000 人，E 周留存 80%，F 周留存 70%。仅 10% 的差距，复利结果天差地别。1 个月（4 周）后，E 活跃用户约 4096 人，F 仅 2401 人；2 个月（8 周）后，E 活跃用户约 1678 人，F 仅 576 人，前者是后者的近 3 倍。
周留存 80% 拟合后的曲线是
![[assets/2-留存拟合曲线.png]]
由此可见，新增只是短期流量堆砌，留存才是产品长期增长的核心基础。
复利是最好的投资武器。——Warren Buffett
三、同期群分析：三类异常快速定位留存问题
同期群（Cohort）分析，是将同一时间段新增用户归为一个群组，跟踪其后续留存变化，通过热力图异常波动精准归因问题。留存异常主要分为三类：
- 垂直异常：所有群组第 N 天留存同步波动，源于产品通用机制变动，如新用户保护期结束、会员试用到期、核心功能权限调整等，影响全体用户。
- 对角异常：某一自然日所有群组留存统一异常，由短期外部事件导致，包括平台集中推送、节假日舆情、服务器波动、版本临时更新等。
- 水平异常：某一批次新增群组全程留存异常，其他群组不受影响，核心原因是该批次流量质量特殊，常见于买量拉新、裂变引流、新渠道试水等场景。
四、新老用户拆分：破除数据分析核心盲区
混用新老用户数据看整体留存，是分析的致命误区。新用户依赖新手引导、保护期机制，老用户依赖个性化体验、会员权益，二者留存逻辑完全不同；同时自然流量、付费买量、种子用户的质量差异极大，混看数据会掩盖真实问题。
案例一：618拉新流量的水平异常
某产品 6 月第 4 周新用户留存大幅下滑，排查产品、推送、服务器均无异常。通过群组拆分发现，该周 618 拉新带来大量泛流量，但后续用户承接、分层运营缺位，导致该批次流量留存崩盘，属于典型的水平异常。
案例二：用渠道同期群评估投放价值
分解长期留存曲线/渠道同期群分析方法。拆分渠道、活动群组留存，可精准量化渠道价值，筛选高留存优质投放渠道，关停低效流量入口，用数据指导投放决策，避免盲目烧钱拉新。
留存分析的核心是跳出数据表象，落地业务归因。曲线拟合预判长期趋势，复利逻辑认知留存价值，三类异常快速定位问题，新老群组拆分破除数据盲区。精细化留存运营，才是产品可持续增长的关键。