淺談計算留存天數的三種方法
留存率是我們產品經理非常有用的指標，缺點是對外行人來說不夠簡單直觀。本文適合產品經理，預計需要三分鐘。
留存率是我們產品經理非常有用的指標，缺點是對外行人來說不夠簡單直觀。本文適合產品經理，預計需要三分鐘。
一、留存率 vs 留存天數
產品經理都知道什么是留存率，但要向外人解釋什么是留存率，那就有點困難了。即使是面向業內人士，不容易說清楚。
他們通常會問：這是針對新用戶還是活躍用戶？為什么7日留存和周留存是不一樣的？更別提這個指標對他們的工作有什么影響。
即使他們了解留存率這個概念，留存率也難以直觀的反映留存的情況。你得通過一組數據，比如次日留存 + 七日留存 + 30日留存，最好有個折線圖，才能反映出留存的情況。
留存天數，也就是用戶生命周期（Life Time），這個概念就容易理解得多了，從字面意思就可以知道，從用戶第一天使用，到最后一天使用，用戶會使用你這個app多少天。
投資人一聽就會明白，你的app留存天數越長，說明你的app價值越大，用戶越離不開你；運營的同事一聽就明白，他的工作就是盡量留住用戶，延長這個留存的時間；銷售的同事聽了也會明白，過了這個時間段，用戶就會走掉，必須在這個時間段內，盡可能的把用戶轉換為顧客（付費用戶）。
二、如何計算留存天數？
方法一：全樣本統計
用戶最后一次使用的日期，減去他注冊的日期，就是單個用戶的留存天數。把所有用戶的單用戶留存天數平均一下，就是留存天數了。
這種方法的缺點是非常不靈敏。樣本要足夠的大，時間跨度要足夠的長，才能得出真實的數據。如果你的app上線時間少于一年，得出的數據都是沒有意義的。這樣計算出來的數據，顯然不會有什么波動。
方法二：倒推法
今天每一個活躍用戶，從他們的注冊時間到今天的時間差，平均一下，就得出留存天數了。
同樣的方法，可以用來計算某一天的，某一周的，某個月的，某一年的。
這個方法聽上去不錯，用我們的薄荷 app 實際跑一遍數據，就會發現是多么不靠譜。
由于數據不方便完全公開，用上面說的全樣本統計，算出來的值設為 X。用倒推法，一天算就是 X 的4.1倍，用一個月算就是 X 的2.5倍，用3個月算就是 X 的2.3倍，一年算就是 X 的1.7倍。
可以看出，時間跨度越短，誤差越大。時間跨度越大，誤差越小。無論選哪一個時間跨度，都與全樣本統計得出的數據相差甚遠。
《解析用戶生命周期價值：LTV》這篇文章里提到了一個計算用戶生命周期的公式：
LT：（Life Time）生命周期；指的是新增賬戶在首次進入游戲到最后一次參與游戲的時間天數；目前大部分取值均以自然月為準；即某個月用戶生命周期之和/MAU=平均生命周期
這個方法算出來就是 X 的2.5倍，是不可靠的。
為什么會有這么大的誤差呢？因為你統計到的樣本，都是已經留下來的用戶。那些沒有留下來的用戶，你都沒有統計到。
這就是「幸存者偏差」，典型案例有返航的飛機和都買到火車票了嗎，有興趣的朋友可以去了解下。
方法三：經驗公式
留存天數跟留存率之前是正相關的關系，留存率越高，留存天數就越長。那么，用留存率能直接算出留存天數嗎？
《剖析用戶生命周期和價值》這篇文章里提了一個計算公式：
用戶生命周期=周期/(1-周期內新增留存率)
這個算法從邏輯上判斷就是不靠譜的。
留存天數與留存率雖然是正相關，但不是線性相關，兩者的對應關系不是靠一個簡單公式就能描述得清楚的。
公式里的周期，用一個月為單位，用戶生命周期就是 n 個月，用一周為單位，用戶生命周期就變成 n 周啦？
從實際數據來看，我用薄荷 app 的數據算了下，以一個月為單位，把月留存代入公式，得出的結果大約是全樣本統計結果的一半。
小結
除了全樣本統計的方法，另外兩種方法都是不準的。
留存率不夠簡單，留存天數不夠靈敏，有沒有一個指標既簡單又靈敏呢？答案是有的。
三、月活躍天數
能兼顧簡單和靈敏的指標，就是月活躍天數了。意思是，這個月的活躍用戶的平均活躍天數。
這個概念就比較清晰，界定的樣本范圍和時間跨度都比較適中。計算方法也非常簡單：
月活躍天數 = 當月每天日活的總和 / 月活
我們現在的考核指標，就是用月活 + 月活躍天數，來代替了原來的日活 + 周留存。因為這兩個數據受市場推廣因素的影響比較小，能更加準確的衡量產品經理的工作表現。
四、總結
留存率是我們產品經理非常有用的指標，缺點是對外行人來說不夠簡單直觀。
留存天數，也就是用戶生命周期，是很簡單直觀的概念。只能通過全樣本統計的方式來計算，其他算法都不靠譜。這個指標很重要，但波動不大，無法反映短時間內工作的成績。
如果要作為工作考核指標的話，建議使用月活躍天數這個指標。
立即登錄
