微软Power BI 创建AARRR报表之三：留存流失分析

作者：天善智能社区专家 PivotModel刘凯

数据化运营过程中的三个关键词，是开源、节流、保活跃。

在之前的两篇AARRR博文中，我们分别就新增用户、提升用户活跃度来进行展开。

在本篇博文中，我们重点“节流”，也就是AARRR中的留存和流失分析。

什么是留存（Retention）和流失（Churn）？

一般而言，留存(Retention)就是使用了一段时间的产品后，仍然留下来的那部分用户。在零售业和服务业，更多地使用交易数据，因此留存是指发生过交易或者消费的客户，在接下来的若干期间内，仍然重复交易或消费的客户。而流失（Churn）恰恰相反，是不再继续发生交易或者消费的客户。

Cohort Analysis，宏观上说是人群行为分析的一种，应用中特指留存分析、粘性分析。因此我们谈到留存（Retention）时，也会提到Cohort Analysis。

留存率是统计某个期间新增客户中，经过一段时间后仍然存在客户行为（如登陆、消费）的客户的比例。和回购率/复购率类似，留存不仅是个可以反映客户粘性的指标，更多地反映产品对用户的吸引力。

作为客户分析中最重要的指标之一，留存率一来可以衡量渠道拉新最终的结果——有多少人留下来，二来可以通过留存率来分析产品的使用情况。如果某产品新用户占比过高，那说明该产品的活跃可能是靠推广得来，尤其需要关注用户的留存率情况。

取决于数据基础和业务类型，对于游戏行业而言，通常比较容易计算首日、次日、3日、7日、14日以及30日留存率。对于一般的零售业和服务业（如餐饮），由于客户行为数据不然手机游戏互联网行业那么易于获得，因此可以采用最常用的销售明细数据，来计算流失和留存。

如图所示的留存率曲线，通常经历过一段时间后，留存率会下降到一定水平保持稳定（如10%），如果再整个过程中采取多项措施，将留存率提升到更高，比如50%。反映到后续的收入（Revenue）指标中，将给我们带来更高的收益。

留存率 vs 流失率的计算

直观来讲，留存是相对于流失而