用户留存曲线分析

项目

项目背景

当前业务处于存量竞争阶段，获客成本高企，但用户流失问题日益凸显。现有监控体系侧重于新增与活跃规模，缺乏对用户生命周期衰减规律的深度量化分析。本项目将通过构建用户留存曲线模型，精准定位"高流失窗口期"，为产品优化和精细化运营（如 Push 时机、权益发放）提供数据支撑，旨在降低用户流失率，延长用户生命周期，最终提升 LTV/CAC 比值。

分析目标

**量化衰减规律：**绘制 N 日留存曲线，明确产品的"平滑尾巴"位置，评估产品核心价值对用户的长久吸引力。

**锁定高流失窗口：**通过计算留存曲线斜率，精准定位用户流失最严重的"关键时间节点"（如次日、第 3 天或第 7 天）。

**指导运营策略：**基于高流失窗口的分析结果，制定针对性的触达机制（Push/权益/任务），将"被动流失"转化为"主动留存"。

SQL

sql 复制代码

with first_day as
(-- 首次活跃日期
select
    user_id,
    min(to_date(event_time)) as cohort_date
from ods_user_event_di
    where event_type = 'login'
group by user_id
),

active_offset as
(-- 后续活跃天数偏移
select 
    f.user_id,
    f.cohort_date,
    datediff(to_date(e.event_time), f.cohort_date) as day_offset
from first_day f
    left join ods_user_event_di e on f.user_id=e.user_id
where e.event_type = 'login'
group by f.user_id,f.cohort_date,day_offset
),

cohort_base as
(-- 每个cohort_date的初始人数
select
    cohort_date,
    count(distinct user_id) as base_users
from active_offset 
    where day_offset = 0
group by cohort_date
)


select 
    a.cohort_date,
    a.day_offset,
    b.base_users,
count(distinct user_id)/b.base_users as retention_rate
from active_offset a
    left join cohort_base b on a.cohort_date = b.cohort_date 
group by a.cohort_date,a.day_offset,b.base_users 
order by a.cohort_date,a.day_offset

结果解读

|---------------------------|-------------------------------------------|---------------------|
| 周期 | 用户心理 | 权益 |
| 新手引导期 Day1~3 | 试探心理，目标模糊需要引导，即时反馈需求强，如果操作没看到价值 → 离开 | 新用户优惠券 / 首单折扣 |
| 价值探索期 Day1~25 | 还在探索，未感知核心价值，沉没成本萌芽：如果产生内容 / 关注别人 → 更难离开 | 个性化推荐 + 社交邀请 + 签到奖励 |
| 习惯养成期 Day29~33 | 新鲜感消退，未形成习惯会流失 | 会员体验券 / 大额回归红包 |
| 忠诚维护期 Day50~54 Day65~68 | 已经形成使用习惯，关注深度价值 | 付费转化 / 年度会员折扣 |

附录

用户留存曲线的用途：

① 判断产品是否长期用户价值

曲线后期是否出现平缓尾巴：有平尾 → 存在核心忠实用户，一直跌到 0 → 工具型 / 一次用完即走。

② 定位高流失窗口，进行干预

曲线斜率最陡的区间 = 用户大规模流失时间点

可据此决定：

什么时候发 Push / 短信 / 企微 / 优惠券

针对哪一天的新用户做激活 / 召回活动

③ 预估用户生命周期长度 LTV

LTV ≈ ARPU * 预期存活天数

判断是否能承受更高的获客成本CAC，是否需要推订阅/会员制来拉长生命周期