🔁 03 · 留存分析与同期群(Cohort)¶
留存是增长分析的灵魂。本节讲清楚留存率口径、同期群矩阵、留存曲线,并手写 vs pandas 对照。
📋 本节要解决的问题¶
| # | 问题 | 工具 |
|---|---|---|
| 1 | 留存率为什么按「同期群」看? | 注册日分组 |
| 2 | 同期群矩阵怎么算? | 活跃日 - 注册日 = 第 N 天 |
| 3 | 留存曲线怎么画? | 逐期留存率 |
| 4 | 留存差意味着什么? | 版本/渠道对比 |
Copied!
import matplotlib
import matplotlib.pyplot as plt
matplotlib.rcParams['font.sans-serif'] = ['Microsoft YaHei', 'SimHei', 'PingFang SC', 'Noto Sans CJK SC', 'Arial Unicode MS']
matplotlib.rcParams['axes.unicode_minus'] = False
import numpy as np
import pandas as pd
np.random.seed(42)
import matplotlib
import matplotlib.pyplot as plt
matplotlib.rcParams['font.sans-serif'] = ['Microsoft YaHei', 'SimHei', 'PingFang SC', 'Noto Sans CJK SC', 'Arial Unicode MS']
matplotlib.rcParams['axes.unicode_minus'] = False
import numpy as np
import pandas as pd
np.random.seed(42)
1️⃣ 构造注册-活跃数据¶
每个用户有注册日,以及若干活跃日:
Copied!
rng = np.random.default_rng(11)
reg_days = rng.integers(1, 15, 600) # 注册日(第 1~14 天)
act_days = rng.integers(1, 22, 600) # 活跃日
active = pd.DataFrame({'reg_day': reg_days, 'act_day': act_days})
active = active[active['act_day'] >= active['reg_day']] # 活跃日不早于注册日
print('记录数:', len(active))
print(active.head())
rng = np.random.default_rng(11)
reg_days = rng.integers(1, 15, 600) # 注册日(第 1~14 天)
act_days = rng.integers(1, 22, 600) # 活跃日
active = pd.DataFrame({'reg_day': reg_days, 'act_day': act_days})
active = active[active['act_day'] >= active['reg_day']] # 活跃日不早于注册日
print('记录数:', len(active))
print(active.head())
记录数: 414 reg_day act_day 0 2 12 3 7 17 4 9 19 7 1 1 8 7 17
2️⃣ 同期群矩阵:第 N 天留存率¶
✍️ §2.1 手算同期群留存:100 个新用户,第 1/7 天还剩多少人¶
留存率 = 第 N 天仍活跃的人数 / 当日新增数——一个同期群手算,看懂留存曲线的两个点。
设定:某日新增 100 人;第 1 天 40 人活跃、第 7 天 25 人活跃。
| 时间 | 活跃人数 | 留存率 |
|---|---|---|
| 第 0 天(注册日) | 100 | 100% |
| 第 1 天 | 40 | 40% |
| 第 7 天 | 25 | 25% |
$$ ext{次留}=\frac{40}{100}=40\%,\qquad \text{7日留存}=\frac{25}{100}=25\%$$
手算收获:
- 同期群(Cohort)把"同一天注册的人"固定为分母——随时间拉长分子变小,这就是留存曲线递减的根源
- 次留 40% 衡量"第一印象",7 日留存 25% 衡量"习惯养成";两个点一起看比单点更能判断产品健康度
- 混不同注册日的用户算留存是误区(§5):早期用户质量高会掩盖真实衰减——所以必须按 cohort 分组
- A/B 版本对比(§4):同期群比同日期的留存——防止"版本上线时间不同"造成的误判
下面 numpy 复算。
Copied!
# ---- §2.1 验证:numpy 复算同期群留存 ----
cohort = 100
d1, d7 = 40, 25
r1, r7 = d1 / cohort, d7 / cohort
print(f'次日留存 = {r1:.0%}, 7日留存 = {r7:.0%}')
assert r1 == 0.4 and r7 == 0.25
print('\n✓ 与手算一致')
# ---- §2.1 验证:numpy 复算同期群留存 ----
cohort = 100
d1, d7 = 40, 25
r1, r7 = d1 / cohort, d7 / cohort
print(f'次日留存 = {r1:.0%}, 7日留存 = {r7:.0%}')
assert r1 == 0.4 and r7 == 0.25
print('\n✓ 与手算一致')
次日留存 = 40%, 7日留存 = 25% ✓ 与手算一致
Copied!
# 每个 (注册日, 活跃日) 对 → 留存天数 = 活跃日 - 注册日
a = active.copy()
a['retention_day'] = a['act_day'] - a['reg_day']
# 同期群(注册日)× 留存天 的 去重用户数
cohort_size = a.groupby('reg_day')['act_day'].nunique().rename('base')
cohort_ret = a.groupby(['reg_day', 'retention_day'])['act_day'].nunique().unstack(fill_value=0)
# 留存率矩阵 = 各期人数 / 注册日基础人数
ret_matrix = cohort_ret.div(cohort_size, axis=0)
print('同期群留存率矩阵(前 6 行,第 0 期恒为 1):')
print(ret_matrix.iloc[:6, :6].round(3))
# 每个 (注册日, 活跃日) 对 → 留存天数 = 活跃日 - 注册日
a = active.copy()
a['retention_day'] = a['act_day'] - a['reg_day']
# 同期群(注册日)× 留存天 的 去重用户数
cohort_size = a.groupby('reg_day')['act_day'].nunique().rename('base')
cohort_ret = a.groupby(['reg_day', 'retention_day'])['act_day'].nunique().unstack(fill_value=0)
# 留存率矩阵 = 各期人数 / 注册日基础人数
ret_matrix = cohort_ret.div(cohort_size, axis=0)
print('同期群留存率矩阵(前 6 行,第 0 期恒为 1):')
print(ret_matrix.iloc[:6, :6].round(3))
同期群留存率矩阵(前 6 行,第 0 期恒为 1): retention_day 0 1 2 3 4 5 reg_day 1 0.050 0.000 0.050 0.050 0.050 0.050 2 0.050 0.050 0.050 0.050 0.050 0.050 3 0.059 0.059 0.059 0.059 0.059 0.000 4 0.077 0.077 0.077 0.077 0.077 0.000 5 0.059 0.059 0.059 0.059 0.059 0.059 6 0.071 0.071 0.071 0.071 0.071 0.071
3️⃣ 留存曲线:整体逐期留存¶
Copied!
overall = a.groupby('retention_day')['act_day'].nunique() / cohort_size.sum()
overall = overall.sort_index()
plt.figure(figsize=(7, 4))
plt.plot(overall.index.to_numpy(), np.asarray(overall.values), marker='o', color='#2563eb')
plt.xlabel('注册后第 N 天')
plt.ylabel('留存率')
plt.title('整体留存曲线(模拟)')
plt.ylim(0, 1.05)
plt.grid(alpha=0.3)
plt.show()
# retention_day=0 的活跃用户数 ≤ 注册数(同一天注册且活跃可去重),留存率必 ≤1
assert overall.iloc[0] <= 1.0
print('✅ 留存曲线绘制完成(第 0 期留存 ≤1 由定义保证)')
overall = a.groupby('retention_day')['act_day'].nunique() / cohort_size.sum()
overall = overall.sort_index()
plt.figure(figsize=(7, 4))
plt.plot(overall.index.to_numpy(), np.asarray(overall.values), marker='o', color='#2563eb')
plt.xlabel('注册后第 N 天')
plt.ylabel('留存率')
plt.title('整体留存曲线(模拟)')
plt.ylim(0, 1.05)
plt.grid(alpha=0.3)
plt.show()
# retention_day=0 的活跃用户数 ≤ 注册数(同一天注册且活跃可去重),留存率必 ≤1
assert overall.iloc[0] <= 1.0
print('✅ 留存曲线绘制完成(第 0 期留存 ≤1 由定义保证)')
✅ 留存曲线绘制完成(第 0 期留存 ≤1 由定义保证)
4️⃣ 同期群对比:A/B 两个版本留存¶
模拟两个版本的次日留存:
Copied!
rng2 = np.random.default_rng(5)
vA = rng2.normal(0.45, 0.05, 30)
vB = rng2.normal(0.50, 0.05, 30)
plt.figure(figsize=(7, 4))
plt.plot(vA, label='版本 A', color='#f59e0b')
plt.plot(vB, label='版本 B', color='#10b981')
plt.xlabel('实验批次')
plt.ylabel('次日留存率')
plt.title('A/B 版本次日留存对比')
plt.legend()
plt.grid(alpha=0.3)
plt.show()
print(f'A 平均留存 {vA.mean():.1%},B 平均留存 {vB.mean():.1%}')
print(f'B 相对提升 {(vB.mean()/vA.mean()-1):.1%}')
assert vB.mean() > vA.mean()
print('✅ B 版本留存更高(模拟设定)')
rng2 = np.random.default_rng(5)
vA = rng2.normal(0.45, 0.05, 30)
vB = rng2.normal(0.50, 0.05, 30)
plt.figure(figsize=(7, 4))
plt.plot(vA, label='版本 A', color='#f59e0b')
plt.plot(vB, label='版本 B', color='#10b981')
plt.xlabel('实验批次')
plt.ylabel('次日留存率')
plt.title('A/B 版本次日留存对比')
plt.legend()
plt.grid(alpha=0.3)
plt.show()
print(f'A 平均留存 {vA.mean():.1%},B 平均留存 {vB.mean():.1%}')
print(f'B 相对提升 {(vB.mean()/vA.mean()-1):.1%}')
assert vB.mean() > vA.mean()
print('✅ B 版本留存更高(模拟设定)')
A 平均留存 43.9%,B 平均留存 48.9% B 相对提升 11.4% ✅ B 版本留存更高(模拟设定)
5️⃣ 留存分析常见误区¶
Copied!
# 误区:把不同注册日的用户混在一起算留存 → 掩盖真实趋势
# 演示:混合计算 vs 同期群计算
mixed = a.groupby('retention_day')['act_day'].nunique() / a.groupby('retention_day')['act_day'].count()
print('混合口径(分母用活跃记录数,错误):')
print(mixed.iloc[:3].round(3))
print('\n同期群口径(分母用注册日基础用户数,正确): 见上方矩阵')
print('→ 口径不同结论不同,面试常考「分母是什么」')
# 误区:把不同注册日的用户混在一起算留存 → 掩盖真实趋势
# 演示:混合计算 vs 同期群计算
mixed = a.groupby('retention_day')['act_day'].nunique() / a.groupby('retention_day')['act_day'].count()
print('混合口径(分母用活跃记录数,错误):')
print(mixed.iloc[:3].round(3))
print('\n同期群口径(分母用注册日基础用户数,正确): 见上方矩阵')
print('→ 口径不同结论不同,面试常考「分母是什么」')
混合口径(分母用活跃记录数,错误): retention_day 0 0.333 1 0.526 2 0.433 Name: act_day, dtype: float64 同期群口径(分母用注册日基础用户数,正确): 见上方矩阵 → 口径不同结论不同,面试常考「分母是什么」
📝 自测清单¶
- 能解释「同期群」解决什么问题(用户分层随时间变化)
- 能手写留存矩阵:注册日 × 留存天数
- 能画出留存曲线并解读衰减形态
- 能说出留存率的分母/分子口径并识别错误口径