留存率怎麼算？該如何正確監測留存率？

最常見的用戶留存率算法是以日的時間粒度做計算的，公式為：第1 天新增的用戶，在第N 天後依然有使用產品的用戶數/ 第1 天的新增用戶數。

其中N 代表的就是 ... 維斯洞察AlvisInsight✕MainMenu關於首頁維斯雜談內容變現職涯反思數據分析A/BTest產品數據分析Python基礎入門DataStudio教學行銷策略SEO教學數位廣告社群行銷訂閱電子報SearchMenuFacebookInstagramLinkedInWrittenbyalvis•2021年3月2日•上午12:18•產品數據分析留存率怎麼算？該如何正確監測留存率？在了解留存率對於一個產品的重要性後，就可以更進一步研究留存率的定義與留存率計算公式，以及不同留存率指標適合用在衡量哪種產品狀況，以確保我們在做產品數據分析的時候，最終能獲得正確的洞察、做出好的產品決策。

在這篇我們會提到3個概念，分別是：1.留存率的計算公式與時間粒度。

2.各種時間粒度留存率的適用場景。

3.新用戶/全體用戶的留存率適用場景。

希望會對你有幫助。

內容大綱留存率怎麼算？先了解時間粒度的概念留存率計算公式常見誤區：7日留存率vs7日內留存率7日內留存率週、月、年留存率判斷自家產品使用週期，以正確監控留存率不同時間粒度留存率的適用場景觀察產品健康度：首選日、週留存率什麼時候會看月跟年的留存率？找出適合你的留存率指標，獲得正確洞察留存率怎麼算？先了解時間粒度的概念在了解留存率怎麼算之前，我們必須先對「時間粒度」有概念。

什麼是時間粒度呢？就是指像是分、秒、小時、天、週、月、年這類的時間單位。

我們在做產品數據分析的時候，可能因為產業或產品特性，而適用於計算不同時間粒度的留存率。

常使用的時間粒度包含以下：日的留存率：例如次日留存率、7日留存率、30日留存率，還有60日、90日留存率。

週的留存率：例如次週留存率、第3週留存率、第4週留存率，依此類推。

月的留存率：例如次月留存率、第3月留存率、第4月留存率，依此類推。

年的留存率：例如次年留存率、第3年留存率、第4年留存率，依此類推。

看到這邊，你也差不多眼花撩亂了，可以先有個簡單概念就好，下面我都會再另外詳細說明。

留存率計算公式最常見的用戶留存率算法是以日的時間粒度做計算的，公式為：第1天新增的用戶，在第N天後依然有使用產品的用戶數/第1天的新增用戶數。

其中N代表的就是N日留存率的日期，例如7日留存率就是指，第1天使用產品的用戶，在7天之後依然有使用的比例。

第N天依然有使用的用戶/第一天的新增用戶數＝N日留存率我們一樣用圖像來看，會更清楚一點：以上圖來說，7日留存率=20/100*100%=20%。

常見誤區：7日留存率vs7日內留存率除了7日留存率以外，有些人可能還聽過「7日內留存率」這個僅一字之差的指標。

我想請看到這邊的你，停下來思考7日內留存率的定義可能是什麼？它跟7日留存率的差別又是什麼？...想好的話就繼續看下去吧。

7日內留存率7日內留存率指的是用戶在往後一週內任一天仍有回訪的比例。

例如第1天的新增用戶數是100人，在第2天有回訪的人數是40、第3天有回訪的人數是20…依此算到第8天的回訪人數，接著將第2到8天的回訪人數相加、排除重複後，假設獲得的人數為50，則7日內回訪率為：50/100*100%=50%。

我們用下面的圖片當例子會更清楚。

如果今天我們要算的是7日留存率，那麼就是把第8日還有回訪的人數/第1天的人數，即10/100*100%=10%，結案。

如果要算的是7日內留存率，就要先把第2到8天的人數加起來40+35+30+25+20+15+10=175，假設排除重複後，得到這幾天的不重複回訪人數為50，則50/100*100%=50%。

通常這兩種算法都有人看，名稱也不一定跟我所寫的完全一樣，只要記得在進行分析前，確認所有人對於這個指標的定義是相同的即可。

週、月、年留存率講完以日為單位的留存率算法，接著週、月、年的留存率我們一起來看。

他們的定義也跟天差不多，只要求當週新增總用戶數跟次週有回訪人數，即可獲得週留存率，當中週可以直接代換成月或年。

老樣子，我們看以下圖片會更清楚。

在圖片中，第一週的總新增用戶數為100人，到了第二週還持續有回訪的用戶為50人，因此週留存率為50/100*100%=50%。

判斷自家產品使用週期，以正確監控留存率如果你的產品的使用週期是以週為單位，那麼除了看新用戶的週留存率以外，也很適合看全體用戶的週留存率。

怎麼知道自家產品的使用週期是不是以週為單位，你可以：1.看流量/使用者分佈如果使用者數量起伏像上圖這樣以一週為一個循環，就有你的產品的使用週期就有很高的機率是以週為單位。

但有不少成熟產品的使用者分佈都是長像這樣子的，因為一般人在假日使用網路產品的時間本來就比較少。

這時候你可以判斷：2.自家產品的特性比如說，我過去在內容訂閱平台工作，由於站上各專欄的更新頻率大約是一週一次，因此在監控用戶留存狀況時，就會預期用戶至少每週會回來一次看更新的內容，因此以週為單位監控留存率會是一個比較合理的情況。

又或是說，你是高頻率更新文章的內容網站，網站流量大部分是依靠臉書而來，而你會每天在臉書發佈貼文、吸引讀者，可能比較適合你監控的就是全體用戶每日的留存率狀況。

然而，每日用戶的留存狀況又有不一樣的監控方式，如果你有興趣，歡迎加入我近期開始募資的線上課程「DataStudio視覺化報表｜數據分析輕鬆上手」進一步了解。

不同時間粒度留存率的適用場景觀察產品健康度：首選日、週留存率如果要觀察一個產品的健康程度，日留存率跟週留存率通常是首選指標。

透過新用戶的日留存率，你可以了解用戶的Onboarding體驗是否良好、你的產品是否能幫助用戶完成他想要達成的任務，有多少比例用戶願意留下來。

而透過週留存率，你可以觀察到全體使用者是否有對你的產品上癮、持續回訪使用。

什麼時候會看月跟年的留存率？由於留存率是一個落後指標，必須要等到用戶真的流失/留下了以後才能觀察的到，因此太大時間粒度的留存率對於即時優化產品的效果並不好。

（想想看你做/發現一件事之後要一個月之後才監測完畢，再加上更改產品、實驗、實際上線的時間，可能真的優化完都是好個多月後的事了。

）因為我過去幾年來服務的大部分是訂閱制產品，因此實務上在看的時候，大部分都是在監測付費用戶時才會看月或年的留存率，也就是N個用戶付了這個月的月費後，下個月還持續付費的比例，或是N個用戶付了今年的年費後，明年還持續付費的比例。

由於牽涉到付費場景，這邊就不細講。

找出適合你的留存率指標，獲得正確洞察在這篇文章中，我們提到了時間粒度的概念，也談了各種留存率可能的算法與定義方式，最後提到新用戶、全體用戶的留存率可能賦予產品的不同意義。

不管你監測的是哪種留存率，都記得要符合自家產品特性，才能確保獲得正確的洞察。

若你覺得這篇文章對你有幫助，也不妨前往「DataStudio視覺化報表｜數據分析輕鬆上手」的課程頁面看看。

在這堂課程中，我與另外兩位講師將會帶著各位學員一起打造專屬自己的視覺化報表，並講解每個視覺化報表背後所帶來的洞察。

無論你是電商從業者、產品經理、數據分析師、社群經營者、行銷人，在這堂課中一定都有適合你的場景。

最後，若對於留存率有更多看法或建議，也請不吝留言告訴我，謝謝看到這邊的你！推薦閱讀：留存率如何影響產品體質？深度解析留存率與DAU的關係←PreviousStory留存率如何影響產品體質？深度解析留存率與DAU的關係→NextStory從數據分析的角度看，新的工具型產品如何起步？RelatedPosts如何培養數據敏感度？3步驟養成你的數據敏感度2021年11月29日•產品數據分析之前有人問到：「該怎麼培養數據的敏感度？」...ReadMore→轉職數據分析師前的準備工作2021年11月8日•職涯反思...ReadMore→數據分析難題：真實的商業問題遠比你想的複雜2021年10月18日•產品數據分析我之前在分析公司數據時發現一個問題：某個指標持續下降。

...ReadMore→手把手帶你用GA4漏斗分析做進階產品數據分析2021年8月16日•產品數據分析這篇文章我會用GA4...ReadMore→發佈留言取消回覆發佈留言必須填寫的電子郵件地址不會公開。

必填欄位標示為*留言*顯示名稱*電子郵件地址*個人網站網址在瀏覽器中儲存顯示名稱、電子郵件地址及個人網站網址，以供下次發佈留言時使用。

關於作者：Alvis現任數據分析師，同時也擔任Hahow與GMA的DataStudio線上課程講師。

在工作之外則身兼YouTubeTeamLead，也參與非營利組織的Podcast製作。

網站寫數據、職涯以及任何我感興趣的議題，歡迎點擊下方連結關注我的其他平台。

在其他平台關注我訂閱電子報，不定期更新找找感興趣的內容文章分類A/BTest3DataStudio教學1Python基礎入門3SEO教學2內容變現2數位廣告1產品數據分析6社群行銷9職涯反思5近期熱門文章轉職數據分析師的學習資源–給完全零經驗的新手2021年末盤點：出社會後最有餘裕的一年如何培養數據敏感度？3步驟養成你的數據敏感度轉職數據分析師前的準備工作數據分析難題：真實的商業問題遠比你想的複雜FacebookInstagramLinkedIn©Copyright2020維斯洞察AlvisInsightAllRightsReserved.↑Close分類A/BTest3DataStudio教學1Python基礎入門3SEO教學2內容變現2數位廣告1產品數據分析6社群行銷9職涯反思5最新文章轉職數據分析師的學習資源–給完全零經驗的新手職涯反思2021年末盤點：出社會後最有餘裕的一年職涯反思如何培養數據敏感度？3步驟養成你的數據敏感度產品數據分析轉職數據分析師前的準備工作職涯反思數據分析難題：真實的商業問題遠比你想的複雜產品數據分析2021電子報準備重新開張，來訂閱吧