在互联网运营、产品迭代、用户增长等工作中，“留存率”是衡量产品核心价值、用户粘性的核心指标——而次日留存率，作为留存率体系中最基础、最关键的指标（俗称“次日留存”），直接反映了新用户对产品的初始接受度，是判断产品“第一印象”是否合格的核心标尺。

很多从业者在工作中，仅知道“次日留存率很重要”，却不清楚其标准计算公式、指标统计口径，甚至因统计逻辑出错，导致计算结果失真，误导运营决策。比如：混淆“新增用户”与“活跃用户”的统计范围、误将“次日登录”算成“次日使用”、漏算沉默用户等，都会让次日留存率失去参考价值。

本文将以次日留存率计算公式为核心，从“公式定义→指标拆解→统计口径→多场景实操→实战案例→常见误区”逐步展开，兼顾理论与实操，既讲清公式背后的逻辑，也提供可直接复制使用的计算方法（Excel/SQL），帮助无论是运营新手、数据分析师，还是产品从业者，都能精准掌握次日留存率的计算方法，让数据真正为运营决策提供支撑。

一、核心定义：什么是次日留存率？

在拆解计算公式前，首先要明确次日留存率的核心定义——避免因理解偏差，导致后续计算出错。

次日留存率，核心是衡量“某一天新增的用户中，在第二天仍然活跃的用户占比”。通俗来说：假设10月1日新增了1000名用户，其中有350名用户在10月2日再次打开并使用了产品，那么10月1日的次日留存率就是35%。

关键核心：仅针对“新增用户”统计，不包含老用户；“次日”是指“新增当天的下一天”，而非“任意一天的下一天”；“活跃”需符合明确的统计口径（后续重点拆解）。

核心价值：次日留存率是产品“入门体验”的试金石——若次日留存率过低（如低于20%），说明新用户在首次使用后，未找到产品价值，大概率会流失；若次日留存率较高（如高于40%），说明产品初始体验良好，新用户愿意继续使用。它直接决定了产品的用户增长天花板，是运营策略优化、产品迭代的核心参考指标。

二、核心公式：次日留存率标准计算公式（必记）

次日留存率的计算公式简洁统一，无复杂变体，但需精准掌握每个指标的含义与统计口径——这是计算准确的核心前提。

1. 标准计算公式

次日留存率（RR1）的标准计算公式为：

公式拆解（2个核心指标，缺一不可）：

• 分子：新增用户在次日活跃的用户数（记为U1）—— 某一天（记为T日）新增的用户中，在T+1日（新增当天的下一天）活跃的用户数量；

• 分母：当日新增用户总数（记为U0）—— T日当天，首次注册并使用产品的用户总数（需排除重复注册用户）；

• 补充：公式中“×100%”是为了将结果转化为百分比，便于阅读与对比（如0.35转化为35%）。

2. 公式通俗举例（快速理解）

结合具体数据，演示公式的应用，新手可直接对照理解：

示例1：某APP在2024年10月1日（T日）新增用户800人，其中有280人在2024年10月2日（T+1日）再次活跃，则：

示例2：某小程序在2024年10月5日（T日）新增用户1200人，其中有240人在10月6日（T+1日）活跃，则：

关键提醒：分子必须是“分母中新增用户的子集”—— 即次日活跃的用户，必须是T日当天新增的用户，不能包含T日之前的老用户；否则，计算结果会偏高，失去参考意义。

3. 公式核心前提（必满足，否则计算失真）

无论用何种工具计算，都必须满足2个核心前提，否则公式应用会出错，结果失真：

• 前提1：统计口径统一—— 新增用户、活跃用户的统计标准，在同一计算场景中必须一致（如“活跃”定义为“打开APP≥1分钟”，则所有计算均按此标准，不可随意更改）；

• 前提2：无重复统计—— 分母（新增用户总数）需排除重复注册用户（如同一设备、同一手机号多次注册，仅计为1名新增用户）；分子（次日活跃用户数）需排除重复活跃（如同一用户在T+1日多次打开APP，仅计为1名活跃用户）。

三、关键拆解：公式中2个核心指标的统计口径（重中之重）

次日留存率计算出错，80%是因为“统计口径不清晰”—— 尤其是“新增用户”和“活跃用户”的定义，不同业务场景、不同产品类型，口径会有差异，但需明确统一。下面拆解通用统计口径，适配绝大多数互联网产品（APP、小程序、网页端）。

1. 当日新增用户总数（分母U0）：如何定义“新增用户”？

新增用户，核心定义为“首次接触并使用产品的用户”，通用统计口径如下，可结合自身业务调整：

• 通用定义：用户首次注册账号（或首次通过设备登录，无账号产品），并完成首次使用（如打开APP、点击小程序、完成一次核心操作），计为1名新增用户；

• 排除场景（不计为新增用户）：

  • 重复注册用户：同一手机号、同一设备、同一身份证号，多次注册，仅在首次注册时计为新增；

  • 老用户回归：用户此前注册过，注销后重新注册，不计为新增（计为老用户回归）；

  • 测试用户：内部测试账号、机器人账号、刷量账号，不计为新增（需提前过滤）。

• 统计时间口径：按“自然日”统计—— 即T日指“当日00:00:00 ~ 23:59:59”期间新增的用户，不可跨日统计（如10月1日23:59注册的用户，仍计为10月1日新增，次日为10月2日）。

2. 新增用户在次日活跃的用户数（分子U1）：如何定义“活跃”？

“活跃”的定义的灵活性较高，需结合产品核心价值设定，核心是“用户产生了有价值的行为”，而非“仅打开产品”。通用统计口径分为3级，可按需选择：

• 基础口径（最常用）：用户在T+1日（00:00:00 ~ 23:59:59）首次打开产品（APP/小程序/网页），并停留≥10秒，计为活跃；

• 标准口径（推荐）：用户在T+1日打开产品，且完成一次核心操作（如浏览内容、发送消息、完成下单、点击按钮），计为活跃；

• 严格口径（适用于核心场景）：用户在T+1日打开产品，停留≥1分钟，且完成至少1次核心操作，计为活跃。

关键提醒：活跃用户必须是“T日新增的用户”—— 若T+1日活跃的用户，不是T日新增的，而是老用户，即使活跃，也不能计入分子；同一新增用户在T+1日多次活跃，仅计为1名活跃用户。

3. 口径统一示例（实操参考）

以某内容类APP为例，明确统计口径，确保计算准确：

• 新增用户（U0）：首次注册账号，并打开APP≥10秒，排除重复注册、测试账号，按自然日统计；

• 次日活跃用户（U1）：T日新增的用户中，T+1日打开APP≥10秒，且浏览至少1篇内容，计为活跃；

• 计算公式应用：T日新增1000人，T+1日符合活跃标准的有380人，则次日留存率=380/1000×100%=38%。

四、实操落地：3种场景，次日留存率计算方法（可直接复制）

结合实际工作场景，分享3种最常用的计算方法—— Excel（小数据量、手动统计）、SQL（大数据量、自动统计）、工具统计（无需手动计算），适配不同从业者的需求，确保公式落地性强。

场景1：Excel计算（适用于小数据量、手动统计，新手首选）

适用场景：新增用户数较少（如每日新增≤1000人）、无自动化统计工具，需手动整理数据计算（如小型小程序、初创产品）。

核心思路：整理2张表格（新增用户表、次日活跃用户表），通过“用户ID匹配”，统计符合条件的活跃用户数，再代入公式计算。

具体实操步骤（一步到位）：

1. 步骤1：整理数据，创建两张工作表

   • 工作表1：新增用户表（命名为“新增用户”）—— 包含2列：用户ID、新增日期（格式为“YYYY-MM-DD”）；

   • 工作表2：活跃用户表（命名为“活跃用户”）—— 包含2列：用户ID、活跃日期（格式为“YYYY-MM-DD”）；

   • 示例：新增用户表中，10月1日新增用户ID为1001~1800（共800人）；活跃用户表中，10月2日活跃用户ID包含1001~1280（共280人）。

2. 步骤2：统计当日新增用户总数（U0） 在新增用户表中，筛选“新增日期=T日”，统计用户ID的不重复数量，公式：=COUNTA(UNIQUE(FILTER(新增用户!B:B, 新增用户!B:B="2024-10-01")))解读：FILTER筛选出10月1日新增的用户，UNIQUE排除重复用户，COUNTA统计数量（即U0=800）。

3. 步骤3：统计次日活跃用户数（U1） 核心是“筛选T日新增的用户中，T+1日活跃的用户”，公式：=SUMPRODUCT(--(ISNUMBER(MATCH(UNIQUE(FILTER(新增用户!A:A, 新增用户!B:B="2024-10-01")), FILTER(活跃用户!A:A, 活跃用户!B:B="2024-10-02"), 0))))解读：先筛选T日新增的唯一用户ID，再匹配T+1日活跃的用户ID，统计匹配成功的数量（即U1=280）。

4. 步骤4：代入公式，计算次日留存率 公式：=U1/U0*100%（如=280/800*100%），结果显示为35%。

补充：Excel版本较低，无UNIQUE、FILTER函数，可使用“数据透视表”筛选不重复用户，再手动统计数量，核心逻辑一致。

场景2：SQL计算（适用于大数据量、自动统计，数据分析师首选）

适用场景：每日新增用户数较多（如每日新增≥1000人）、有用户行为数据库（如MySQL、Hive），可通过SQL自动统计，适配APP、大型小程序等产品。

核心思路：从用户注册表（获取新增用户）、用户行为表（获取活跃用户）中，通过日期关联、用户ID匹配，统计U0和U1，再计算留存率。

通用SQL代码（可直接复制修改，适配MySQL）：

-- 计算T日（此处以2024-10-01为例）的次日留存率
WITH 
-- 步骤1：获取T日新增用户（排除重复注册）
new_user AS (
    SELECT DISTINCT user_id  -- 排除重复注册用户
    FROM user_register  -- 用户注册表，存储用户注册信息
    WHERE register_date = '2024-10-01'  -- T日，新增日期
),
-- 步骤2：获取T+1日活跃用户（排除重复活跃，且是T日新增用户）
active_user AS (
    SELECT DISTINCT user_id  -- 排除重复活跃
    FROM user_behavior  -- 用户行为表，存储用户活跃行为
    WHERE behavior_date = '2024-10-02'  -- T+1日，活跃日期
      AND user_id IN (SELECT user_id FROM new_user)  -- 仅保留T日新增的用户
)
-- 步骤3：代入公式，计算次日留存率
SELECT
    '2024-10-01' AS 统计日期,
    (SELECT COUNT(user_id) FROM new_user) AS 当日新增用户数U0,
    (SELECT COUNT(user_id) FROM active_user) AS 次日活跃用户数U1,
    -- 计算留存率，保留2位小数，避免除数为0（新增用户为0时，留存率为0）
    CASE 
        WHEN (SELECT COUNT(user_id) FROM new_user) = 0 THEN 0.00
        ELSE ROUND((SELECT COUNT(user_id) FROM active_user) / (SELECT COUNT(user_id) FROM new_user) * 100, 2)
    END AS 次日留存率百分比
;

代码解读：

• new_user：筛选T日新增的唯一用户ID，排除重复注册；

• active_user：筛选T+1日活跃的用户，且仅保留T日新增的用户，排除重复活跃；

• CASE语句：避免除数为0（若T日无新增用户，留存率为0），ROUND函数保留2位小数，结果更美观。

补充：若需批量计算多日（如10月1日~10月7日）的次日留存率，可将固定日期改为日期变量，或关联日期表，实现批量统计。

场景3：工具自动统计（适用于无SQL基础、快速统计）

适用场景：无SQL基础、不想手动计算，可使用互联网产品常用的统计工具，自动计算次日留存率，无需记忆公式。

常用工具及操作逻辑：

• 友盟+、TalkingData：进入“用户留存”模块，选择“次日留存”，设置统计日期、新增/活跃口径，工具自动计算并展示结果；

• 微信小程序后台：进入“用户分析→留存分析”，默认展示次日留存率，可筛选日期范围，查看每日次日留存数据；

• APP后台（自有）：若产品有自有后台，可在“用户统计”模块，配置新增、活跃口径，系统自动按公式计算，实时展示次日留存率。

关键提醒：工具统计时，需提前确认“新增用户”“活跃用户”的统计口径，与自身业务需求一致，避免工具默认口径与业务口径不符，导致结果失真。

五、实战案例：完整演示次日留存率计算与分析（贴合业务）

结合“某电商APP新用户运营”场景，完整演示次日留存率的“统计口径设定→数据整理→SQL计算→结果分析”全过程，让大家掌握从计算到应用的完整流程，可直接照搬至实际工作中。

1. 案例背景

场景：某电商APP，近期推出新用户注册福利活动，需统计活动期间（2024-10-01~2024-10-03）每日的次日留存率，判断活动效果，优化新用户引导流程；

统计口径（提前设定，统一标准）： 新增用户（U0）：首次注册账号，绑定手机号，且打开APP≥10秒，排除重复注册、测试账号，按自然日统计；次日活跃用户（U1）：T日新增用户中，T+1日打开APP≥10秒，且浏览至少1个商品详情页（核心操作），计为活跃；

数据来源：用户注册表（user_register）、用户行为表（user_behavior）。

2. 实操步骤（SQL批量计算多日次日留存率）

-- 批量计算2024-10-01~2024-10-03每日的次日留存率
WITH 
-- 步骤1：获取目标日期范围内的新增用户（排除重复注册）
new_user AS (
    SELECT 
        DISTINCT user_id,
        register_date AS new_date  -- 新增日期（T日）
    FROM user_register
    WHERE register_date BETWEEN '2024-10-01' AND '2024-10-03'
),
-- 步骤2：获取目标日期范围内新增用户的次日活跃情况
new_user_active AS (
    SELECT 
        nu.new_date,  -- T日（新增日期）
        COUNT(DISTINCT nu.user_id) AS U0,  -- T日新增用户总数
        -- 统计T+1日活跃的用户数（U1）
        SUM(CASE WHEN ub.behavior_date = DATE_ADD(nu.new_date, INTERVAL 1 DAY) THEN 1 ELSE 0 END) AS U1
    FROM new_user nu
    -- 左连接用户行为表，匹配活跃记录
    LEFT JOIN user_behavior ub 
        ON nu.user_id = ub.user_id
        -- 活跃条件：T+1日、打开APP≥10秒、浏览商品详情页
        AND ub.behavior_date = DATE_ADD(nu.new_date, INTERVAL 1 DAY)
        AND ub.behavior_type = 'view_product'  -- 浏览商品详情页（核心操作）
        AND ub.stay_time >= 10  -- 停留≥10秒
    GROUP BY nu.new_date
)
-- 步骤3：计算每日次日留存率
SELECT
    new_date AS 统计日期（T日）,
    U0 AS 当日新增用户数,
    U1 AS 次日活跃用户数,
    -- 计算留存率，保留2位小数
    CASE WHEN U0 = 0 THEN 0.00 ELSE ROUND(U1/U0*100, 2) END AS 次日留存率(%)
FROM new_user_active
ORDER BY new_date ASC;

3. 计算结果与业务分析

执行上述SQL后，得到如下结果（模拟真实数据）：

业务分析（结合计算结果，指导运营决策）：

• 活动期间，次日留存率稳定在32%~34%，整体处于合理区间（电商APP新用户次日留存率正常范围为25%~40%），说明新用户对产品的初始接受度较好，活动带来的新增用户质量尚可；

• 10月2日次日留存率最高（34%），推测当日注册福利活动（如新人优惠券）更具吸引力，可后续复用该活动形式；

• 整体留存率仍有提升空间（目标40%），可优化新用户引导流程—— 比如新增“首次浏览商品领优惠券”环节，提升T+1日核心操作率，进而提升次日留存率。

六、常见误区：避开这些坑，让次日留存率计算更精准

实操中，很多从业者因忽略细节，导致次日留存率计算失真，误导运营决策。结合高频错误场景，拆解5个常见误区，明确错误做法与正确做法，帮你少走弯路。

误区1：统计口径不统一，随意更改“活跃”定义

错误做法：计算10月1日次日留存时，“活跃”定义为“打开APP即可”；计算10月2日时，改为“打开APP并下单”，导致两天的留存率无法对比，结果失真；

正确做法：同一统计场景（如同一活动期间、同一批新用户），新增用户、活跃用户的统计口径必须统一，不可随意更改；若需调整口径，需单独标注，避免混淆。

误区2：分母包含重复注册用户，导致留存率偏低

错误做法：统计新增用户总数时，未排除重复注册用户（如同一用户多次注册），导致分母U0偏大；而分子U1不变，最终留存率偏低（如实际新增800人，重复统计为1000人，U1=280，实际留存35%，误算为28%）；

正确做法：分母必须统计“不重复新增用户数”，通过用户ID、手机号、设备号等唯一标识，排除重复注册用户。

误区3：分子包含老用户活跃，导致留存率偏高

错误做法：统计次日活跃用户数时，未筛选“T日新增用户”，将T+1日活跃的老用户也计入分子U1，导致U1偏大，留存率偏高（如实际U1=280，混入老用户100人，误算为380人，留存率从35%误算为47.5%）；

正确做法：分子必须是“T日新增用户的子集”，通过用户ID匹配，仅统计T日新增、且T+1日活跃的用户，排除所有老用户。

误区4：跨日统计，混淆“次日”定义

错误做法：将“T日新增用户”的“次日”理解为“24小时后”，而非“自然日次日”—— 如10月1日23:00新增的用户，将10月2日23:00前活跃计为次日活跃，而其他用户按自然日统计，导致统计口径混乱；

正确做法：统一按“自然日”统计，T日为当日00:00~23:59，T+1日为下一个自然日00:00~23:59，无需按24小时计时。

误区5：除数为0，导致计算报错

错误做法：未考虑“T日无新增用户”的情况，直接代入公式计算，导致除数U0=0，出现计算报错（如SQL中除以0报错、Excel中显示#DIV/0!）；

正确做法：添加判断条件，若U0=0（当日无新增用户），则次日留存率记为0，避免报错（如SQL中的CASE语句、Excel中的IF函数）。

七、总结：吃透公式+统一口径，让次日留存率成为决策利器

次日留存率的计算公式看似简单（ ），但核心不在于“记住公式”，而在于“精准理解指标口径+规范实操计算”—— 这是避免结果失真的关键。

总结核心要点：

• 1. 公式是核心：牢牢掌握标准计算公式，明确分子、分母的定义，确保代入的指标正确；
• 2. 口径是关键：新增用户、活跃用户的统计口径必须统一，结合自身业务设定，排除重复、无效数据；
• 3. 实操要落地：根据数据量，选择Excel、SQL或工具统计，避免手动计算出错，批量统计可提升效率；
• 4. 分析要结合业务：计算结果不是终点，需结合业务场景分析留存率高低的原因，指导运营、产品优化，让数据发挥价值。

在互联网产品的用户增长链路中，次日留存率是“第一道门槛”—— 只有精准计算、正确解读，才能判断新用户体验是否合格，才能找到留存率提升的方向，进而实现用户增长与产品价值提升。无论是运营、产品，还是数据从业者，吃透次日留存率的计算方法，都是必备的核心技能。

推荐学习书籍 《CDA一级教材》适合CDA一级考生备考，也适合业务及数据分析岗位的从业者提升自我。完整电子版已上线CDA网校，累计已有10万+在读~ !

免费加入阅读：https://edu.cda.cn/goods/show/3151?targetId=5147&preview=0