使用者留存率R的由來 以及 留存率的計算

R的由來

開門見山

假設我們某產品新增一批使用者，新增使用者總數為Num

我們設第n天時，這部分使用者中留存下來的使用者數為Num(n)，即，第n天依舊登入/活躍的使用者

那麼，

這批使用者的總生命週期為LT(all)

LT(all) = Num*1 + Num(1)*1 + Num(2)*1 +Num(3)*1 + ... + Num(n)*1

這批使用者的平均生命週期LT就為

LT = LT(all)/Num = Num/NUm + Num(1)/Num + Num(2)/Num + ... + Num(n)/Num

這裡的Num(n)/Num就是留存率R(n)

R(n) = 第n天的使用者留存量/總使用者留存量

LT 的一種計算方式就是

LT = 1 + SUM( R(n) )就是對每天留存率的累和

但更加準確的LT的計算方式需要更多的資料，甚至是對未來發展趨勢預測出來的資料來充實LT的計算過程，使得LT更加貼合現實情況，詳見

留存率的計算

簡單來看就是

留存人數/新增人數

需要注意的是算術平均數與加權平均數對留存率的影響，詳見：

https://www.zhihu.com/question/35541068 中Wise的回答

或者

https://baijiahao.baidu.com/s?id=1672723291636599258&wfr=spider&for=pc

在這裡僅貼圖以防止原回答丟失

圖1

圖2

圖3

圖4

在圖3中可見，標紅的部分資料由於使用的計算方式不用（算術平均數與加權平均數），導致T1留存率影響較大，分別是39.76%和32.91

這是因為算術平均數受極值影響大，且7月6日的新增人數暴跌時T1的留存人數剛好處於一個較高的水平。

留存率權重是如何計算出來的還沒有完全搞懂，希望看官指點