留存率

3 秒看懂

留存率衡量的是某个时间点获取的用户/客户，在经过一段时间后仍持续使用产品或服务的比例。它直接反映产品的长期价值黏性——留存越高，用户生命周期越长，单位获客成本的回报越丰厚。在 AI 产业链中，开源模型调用、API 订阅、数据标注平台、企业级 AI 软件的持续付费意愿，都会通过留存率折射出商业模式的健康度与护城河深度。

3 分钟产业解释

留存率是“时间过滤器”而非“规模放大器”。它剥离了拉新阶段的营销泡沫，聚焦在：用户/客户为何留下来、以什么频次回来、在哪个环节流失。对 AI 相关业务，留存率往往呈现三种典型形态：

• 高频工具型（如云端 IDE、AI 代码助手）：次日/7日留存决定习惯养成，持续留存贡献订阅收入。
• 低频高值型（如模型训练平台、自动驾驶数据闭环工具）：按月/季度续约率（logo retention）和用量留存（usage retention）同样关键。
• 开源或免费层：留存本质是“活跃开发者/模型下载者的持续参与度”，间接支撑商业转化和生态壁垒。

产业链分析师会拆解“新用户留存曲线—成熟期留存水平—流失预警”，用以判断增长质量和营收天花板。在没有具体厂商披露时，通常以 [行业定性] 区分“人肉留存”（靠运营活动拉回）和“产品留存”（凭核心价值自驱动），后者才具备规模效应。

技术原理

留存率的底层模型多基于生存分析和状态转移。核心公式及逻辑如下：

1. 基本定义

Retention Rate(t) = ( Active_Users_at(t) / Cohort_Base ) * 100%

• Cohort_Base：同期新增（或某一时点总客群）基数，需统一口径。
• Active_Users_at(t)：在 t 时刻仍满足活跃定义（登录、用量>阈值、付费）的用户数。

2. 群组留存矩阵（ASCII 模拟）

新增日      Day0   Day1   Day2   Day3  ...  Day30
2025-01-01  100%   42%    28%    22%   ...  12%
2025-01-02  100%   40%    25%    20%   ...  10%
...

横轴为时间相对偏移，纵轴为绝对日期，可快速定位“新客质量变化”和“拐点衰减日”。

3. 拟合留存曲线
市场常使用幂律函数来模拟“快速衰减后趋于平稳”的典型形状：

R(t) = a * t^{-b}

• a 反映初始留存水平；b 反映衰减速度。高价值产品的 b 值更小，曲线更平。
• 参数估计一般采用负对数线性回归，用于预测长期留存并估算 LTV。

4. 生存分析与风险函数
用 Kaplan-Meier 估计可处理删失数据（未流失但未观察到期的用户），并推导出任意时间点的“仍存留概率”。风险函数 h(t) 代表在 t 时刻恰好流失的条件概率，能精准定位流失高峰时段，辅助运营干预。

5. 状态机视角
可将用户行为抽象为 新客→活跃→预流失→沉默→流失 的状态转移图，利用马尔可夫链计算短期或中期留存概率，或者估算平均留存时长与生存函数。对于 AI API 调用类产品，状态通常由“最近 N 天内有调用”定义，状态间转移概率由数据驱动更新。

注意：上述参数具体数值取决于业务特性，无通用标准，业界通常按自身用户行为打标后建模，[此处依据通用方法论，非特定厂商数据]。

关键参数

理解留存率需要掌握以下核心参数及其相互作用逻辑：

1. 群组定义参数

• 时间窗口：日/周/月/季度，决定观察粒度。AI 代码助手通常按日，模型训练平台按月。
• 起始事件：首次登录、首次完成核心动作（如首次成功推理）、首次付费。起始事件的选择决定了留存率的解释力。
• 回访事件：登录、触发核心功能、产生用量、完成付费。回访定义过宽会虚高留存，过严会低估粘性。

2. 留存曲线特征参数

• 初始留存水平（Day1/Week1 Retention）：反映首次体验质量。公开资料显示，头部消费级 AI 应用次日留存在 30%-60% 区间，中位数约 40% [来源：硅谷风投机构 NFX 2023 年发布的生成式 AI 应用留存基准估算，非精确统计]。企业级 AI 产品的首月续约率通常在 85%-95% 区间，取决于合同结构与实施周期。
• 衰减速率（b 值）：幂律函数的指数参数，反映留存从初始水平下滑到稳定期的速度。b 值越接近零，留存越稳定。高频工具类产品的 b 值通常高于低频高值类产品，但后者绝对留存水平可能更高。
• 稳定期留存水平（Long-term Equilibrium）：曲线趋于水平的数值，通常在 Day30-Day90 之间形成。这个参数直接决定用户生命周期价值（LTV）的基数。优秀的产品稳定期周留存可维持在 20% 以上 [行业经验值，来源不可考]。

3. 金额留存参数（用于 B2B SaaS 和 AI 企业服务）

• 净收入留存率（NRR）：计算公式为（期初 ARR + 增购 ARR - 缩购 ARR - 流失 ARR）/ 期初 ARR × 100%。NRR 超过 100% 表示现有客户的增购完全抵消了流失造成的收入损失。
• 总留存率（GRR）：仅考虑流失和缩购，不计入增购，公式为（期初 ARR - 缩购 ARR - 流失 ARR）/ 期初 ARR × 100%。GRR 反映的是在最坏情况下能保留的收入比例，是压力测试指标。
• Logo 留存率：保留的客户数量占比，不考虑单个客户金额变化。NRR 高但 Logo 留存低，通常意味着收入向头部客户集中。

4. 分层参数

• 按获取渠道分层：自然流量、付费搜索、合作伙伴推荐、内容营销等渠道的留存率差异，用以计算渠道的投资回报效率（ROE）。
• 按用户画像分层：企业规模（大型/中小）、开发者角色（全栈/前端/数据科学家）、使用场景（个人项目/团队协作/生产环境）。

5. 参数间的动态关系 留存率不孤立存在。高获取速度可能压低留存（引入低匹配度用户），高定价可能过滤出高留存用户群。NRR 的提升若伴随 Logo 留存的下降，必须在客户集中度风险与收入增长之间权衡。跟踪这些参数的联动变化，比观察单一数字更有诊断价值。

技术路线

留存分析的实现路线选择，取决于业务阶段、数据基建成熟度和分析目标：

路线一：基于事件埋点的群组分析（主流方案）

• 工作流：埋点采集 → 数据管道清洗 → 群组聚合计算 → 留存矩阵可视化 → 分层下钻。
• 优势：灵活度高，可按任意用户行为定义起始和回访事件；能快速对比不同群组的留存差异。
• 局限：埋点方案变更会导致历史数据口径不统一；分析结果的准确性严重依赖埋点质量和活跃定义的科学性。
• 适用场景：绝大多数 AI 应用、API 服务、开发者工具的留存监控。

路线二：基于合同与订阅周期的财务留存

• 工作流：CRM/账单系统数据提取 → 合同续约标记 → 计算 ARR 变化 → 推导 NRR/GRR/Logo Retention。
• 优势：与营收直接挂钩，是投资人最关注的留存口径；不易被操作（续费是真实现金流）。
• 局限：滞后性强（通常在续费周期结束后才能统计）；对免费层或使用量付费模式的覆盖不足。
• 适用场景：AI 企业级服务、SaaS 订阅、私有化部署模型。

路线三：复合留存模型（行为+合同）

• 工作流：将用户行为活跃度与合同状态绑定，设定加权规则计算“健康分”。例如，使用量低于阈值且合同即将到期的客户，触发预警。
• 优势：结合了行为留存的实时性和财务留存的精确性，适合做预测性客户成功管理。
• 局限：模型设计复杂，需持续校准权重；过度设计可能导致指标不可解释。
• 适用场景：大客户收入占比高的 AI 平台公司。

路线四：基于因果推断的实验留存

• 工作流：随机对照试验（A/B 测）→ 计算实验组与对照组的留存差异 → 排除混杂因素 → 量化功能/策略对留存的净贡献。
• 优势：唯一能建立因果关系的技术路线，可区分“自然留存”与“运营留存”。
• 局限：实验成本高，周期长；部分场景无法随机化（如企业级客户谈判）。
• 适用场景：产品核心功能验证、定价策略评估、留存干预效果量化。

路线对比与选择：多数公司以路线一为基准监控，以路线二为对外披露和估值依据，以路线四为战略决策支持。路线三通常在客户成功体系成熟后引入。当前公开资料未见针对 AI 行业留存分析技术路线的统一行业标准。

上游

留存分析的上游环节涉及数据采集、存储、建模工具与实验基础设施：

（1）数据采集与埋点体系

• 客户端埋点：SDK 集成（如 PostHog、Amplitude SDK），自动捕获页面浏览、按钮点击、API 调用事件。AI 场景需特别关注模型推理请求的客户端发起点。
• 服务端埋点：API 网关日志、模型推理服务日志。服务端埋点可靠性高于客户端（不受广告拦截器等影响），但缺失前端交互细节。
• 调用链追踪：对于分布式 AI 系统（如模型训练 pipeline），需通过 OpenTelemetry 等协议串联端到端的用户行为上下文。
• 质量要求：埋点丢失率应控制在 1% 以内，否则留存计算会出现系统性偏低偏差。埋点方案变更必须建立版本管理，避免历史数据口径断裂。

（2）数据管道与计算引擎

• 实时层：Kafka/Flink 用于实时行为采集和即时的群组归属判断。
• 批处理层：基于 ClickHouse、Snowflake、Databricks 等构建群组集，计算多周期留存矩阵。AI 场景数据量极大（数亿级 API 调用日志/日），列式存储数据库成为标配。
• 数据治理：用户 ID 打通（匿名用户与登录用户关联）、跨端归因、数据清洗规则，直接影响留存计算的准确性。

（3）分析工具与平台

• 商业套件：Amplitude、Mixpanel、Pendo。公开财务文件显示，Amplitude（NASDAQ: AMPL）2024 财年收入约 2.8 亿美元，其留存分析模块是核心差异化功能 [来源：公司年报，单位为美元，2024 财年指截至 2024 年 1 月 31 日的财年]。
• 开源替代：PostHog（开源可自托管）、Apache Superset（可视化）配合 dbt（数据建模）。PostHog 累计融资额公开报道逾 1.2 亿美元，估值未披露 [来源：Crunchbase 公开数据，截至 2024 年底]。
• AI 可观测性工具：Arize、WhyLabs 将模型性能监控与用户留存打通，跟踪模型输出质量变化如何传导至用户流失。
• 自研 BI：大型 AI 厂商倾向自建分析平台，以避免敏感调用数据外泄，且能与内部实验平台深度集成。

（4）实验基础设施

• A/B 测试平台（如 LaunchDarkly、自研系统）用于从根因层面验证产品变更对留存的因果效应。实验分流算法、样本量计算、统计显著性检测均为上游能力。

上游环节的成熟度决定了留存分析的空间分辨率——数据采集越完整，可分析的事件维度越多；实验平台越强大，越容易识别留存驱动因素。

下游

留存分析成果被下游多个业务职能和商业场景应用：

（1）产品开发与迭代

• 核心功能识别：通过对比不同功能使用者的留存率差异，定位产品“aha moment”对应的关键行为。例如，某 AI 代码助手公司可能发现，在激活首周完成 3 次及以上代码生成请求的用户，Day30 留存率比仅完成 1 次的用户高 35 个百分点 [此为假设性示例，非特定厂商数据]。
• 流失点修复：定位留存曲线陡降的时间窗口（如 Day3-Day5），反查该时段用户行为日志，识别导致挫败感的功能缺陷或体验断层。
• 版本迭代评估：新版本发布后，观察存量用户的留存波动，作为版本质量的北极星指标。

（2）市场营销与增长

• 渠道 ROE 优化：计算不同获客渠道（自然搜索、付费广告、内容营销、合作伙伴引流）用户的留存差异，将预算向高留存渠道倾斜。
• 用户画像校准：分析高留存用户群体的特征（开发者角色、公司规模、技术栈），反向优化广告投放的受众定向。
• 病毒系数与留存交互：高留存产品的口碑传播效力被放大，产生“留存驱动增长”的复利效应。

（3）客户成功与销售

• 流失预警：基于行为留存的下滑趋势（如 API 调用频率从每周 50 次骤降至 5 次），触发客户成功经理（CSM）的主动介入流程，在合同到期前挽留。
• 增购信号识别：用量留存的上升趋势（如调用量连续 3 个月环比增长超过 20%），提示客户正在将产品嵌入核心流程，此时为扩席位或功能包的销售机会窗口。
• 客户健康度评分：将行为留存与合同留存加权，形成客户健康度指数，指导 CSM 的日常优先级排序。

（4）估值与资本市场

• SaaS/AI 估值模型：续约留存和 NRR 是影响 PS（市销率）估值倍数的关键因子。公开投行研报显示，NRR 从 110% 提升到 120%，可支撑 PS 倍数上修 2-4 倍不等 [行业经验值，来源为公开卖方研报的方法论框架，非精确对应关系]。
• 融资叙事：早期 AI 初创公司若能在 Pitch Deck 中展示“留存曲线平坦化”的趋势，通常被视为产品-市场契合（PMF）的强信号。
• 财务预测：留存率用于预测未来收入的可重复部分，是年报和路演中的常见指引项。微软等大厂的 AI 功能（如 Copilot）虽不独立披露留存，但其续约率和席位扩张趋势会被分析师密集提问。

（5）生态战略

• 开源模型社区或开发者平台的长期留存率，决定其商业转化的漏斗基数。Hugging Face 的生态留存（模型下载者持续回归的比例）是其企业级产品的潜在客户池规模。因此，下游生态战略会将社区留存作为长期商业价值的先行指标。

受益公司

留存率作为核心运营与估值指标，使以下类型公司获得差异化的商业回报或竞争壁垒：

（1）分析工具与可观测性平台

• Amplitude（NASDAQ: AMPL）：数字产品分析领域头部公司，留存分析是其最核心功能模块之一。其 2024 财年年报披露，年度经常性收入（ARR）超过 10 万美元的客户数逾 500 家 [口径：10万美元以上客户数，来源：Amplitude 2024财年10-K年报]。
• PostHog（私营）：开源产品分析平台，以隐私友好和自托管为差异化优势。公开报道其 2023 年 ARR 约为 1000 万-2000 万美元区间，服务于数千家技术驱动型企业 [来源：TechCrunch 及行业估算，非精准财务数据]。
• Arize AI / WhyLabs（私营）：AI 可观测性赛道创业公司，将模型性能监控与用户留存分析打通，受益于企业 AI 化对“模型表现如何影响用户流失”的追踪需求增长。

（2）AI 应用与平台层（高留存=高估值逻辑的直接受益者）

• 微软/GitHub（Copilot）：GitHub Copilot 虽未独立披露留存，但其母公司微软在 2024 财年 Q4 电话会中提及，Copilot 的复购率和席位扩张是 GitHub 收入加速增长的主要驱动力。高留存锁定了开发者在微软生态内的迁移成本。
• Adobe（Firefly 及 Sensei 平台）：Adobe 的数字媒体 ARR 在 2024 财年达到约 167 亿美元 [来源：Adobe 2024财年年报]，创意专业用户的长期留存是这一经常性收入基石的支撑。Firefly 的集成增加了功能粘性。
• Hugging Face（私营）：开发者社区的模型下载留存和镜像仓库复用率，是其在私募市场高估值（2023 年 D 轮估值约 45 亿美元，投资者包括 Google、Amazon、Nvidia 等）的核心叙事 [估值来源：Forbes 及 Crunchbase 公开报道]。
• 国内主要大模型厂商（如百度智能云、阿里云通义系列、字节豆包）：API 调用留存、企业客户续约率直接影响市场对其“推理业务可持续性”的定价。这些数据通常不独立公开披露，但可从关联上市公司的分部收入增长中部分推断 ARPU 变化 [具体留存数值公开资料未见]。

（3）客户成功与数据基础设施

• Salesforce / HubSpot：CRM 巨头将客户留存数据内嵌于客户成功模块，高留存率客户的增购和续约直接转化为其自身的 NRR 增长。Salesforce 2024 财年收入约 348 亿美元，其 NRR 长期保持在 110% 左右（含收购主体影响） [来源：Salesforce 2024财年年报及公开投资人演示材料]。
• Snowflake / Databricks：作为数据基础设施层，其消费模式天然带有用量留存特征。Snowflake 的净收入留存率在 FY2024 仍高达 131% [口径：截至2024年1月31日的财年NRR，来源：Snowflake 2024财年年报]，体现了数据平台迁移成本高、用量增长快的行业特性。

逻辑提炼：受益公司可归类为“卖铲人”（分析工具/可观测性）、“高留存资产持有者”（AI 平台/应用）、“基础设施管道”（云数据库/CRM）。其中，“资产持有者”的受益程度取决于留存能否转化为资本市场溢价。

市场规模

留存率本身不构成独立市场，它是链主产品的价值评价指标。因此，本节从可寻址分析工具市场和受留存驱动的 AI/SaaS 经济价值两个维度进行规模勾勒。

（1）产品分析与留存工具市场（TAM）

• 全球数字分析平台市场：据公开研报（如 Grand View Research、MarketsandMarkets 2023 年发布的数据），全球数字体验分析（含留存分析、用户行为追踪、A/B 测试）的市场规模预计 2024 年约为 40-50 亿美元，到 2030 年 CAGR 约 15%-20%。Amplitude、Mixpanel、Pendo、PostHog 等均在此赛道。
• AI 可观测性市场（新兴交叉领域）：根据公开行业估算，2024 年市场规模约 5-8 亿美元，受益于企业将 AI 模型投入生产环境后对“模型表现-用户留存”链条的监控需求，预计 2030 年达到 30-40 亿美元 [来源：未找到统一的独立第三方精确统计口径，数据为公开研报的趋势拟合，不作投资依据]。

（2）高留存 AI 公司的经济体量（间接映射）

• 全球 SaaS 市场规模：据 Gartner 2024 年 4 月发布的预测，2024 年全球 SaaS 最终用户支出预计达约 2440 亿美元，其中客户留存和续约是订阅模式的收入基石。
• AI 平台与企业软件：据 IDC 2024 年预测，全球 AI 平台软件市场规模 2024 年接近 400 亿美元，2028 年有望突破 1000 亿美元。在这一增量市场中，用户/客户留存决定收入的可预测性，从而直接影响公司的资本配置效率。
• 高留存溢价量化：公开财务文献常引用一项经验法则——客户留存率每提升 5 个百分点，利润可增长 25%-95%，具体弹性因行业获客成本结构而异 [来源：Bain & Company 于《哈佛商业评论》发表的经典研究，原始发表年份较早，为经验归纳，非精确财务预测公式]。在 AI 高获客成本（开发者关系运营、推理补贴等）的现实下，留存改善的经济放大效应更为显著。

（3）国内视角

• 国内企业级 SaaS 市场规模 2024 年据艾瑞咨询等第三方预测约在 800-1000 亿元人民币，其中订阅模式占比持续提升，NPS（净推荐值）和续约率成为行业议价能力的直接体现 [非精确官方数据，口径含传统软件订阅与云化服务]。
• 大模型 API 调用市场 2024 年为爆发期，但留存水平和“推理收入可持续性”仍处于行业验证阶段，缺乏足够的公开时间序列数据支撑市场规模测算 [公开资料未见权威数据]。

玩家对比

此处选取三类留存分析赛道中可公开获取部分参考数据的代表性企业，进行定性对比：

数据口径与来源说明：Amplitude 收入数据来自其 2024 财年 10-K 年报（纳斯达克代码：AMPL，财年截至 2024 年 1 月 31 日）；Mixpanel 及 PostHog 收入为行业估算范围值，非公司披露；Snowflake 收入及 NRR 来自其 2024 财年 10-K 年报（纽交所代码：SNOW，财年截至 2024 年 1 月 31 日），产品收入口径。

此外，在国内市场，阿里云 DataWorks、火山引擎 DataFinder、神策数据等提供本地化的留存分析工具，但公开可查的独立财务数据有限 [各公司留存分析模块的具体付费客户数和ARR未完全公开披露]。

风险

（1）口径风险
留存率定义高度依赖于“活跃”的业务界定。同一产品，“登录即活跃”与“完成核心功能即活跃”的留存率差异可能高达 20 个百分点。分析师若不对齐口径进行跨公司比较，极易得出误导性结论。NVIDIA 或 OpenAI 的 API 调用频次与 Pinterest 的信息流刷新次数，须在完全不同的分析框架下理解。

（2）数据质量风险
埋点丢失、用户跨设备 ID 未打通、机器人流量污染（AI 工具极容易被自动化脚本高频调用），都会造成留存率的严重失真。一项未经数据治理的原始留存矩阵，其向下偏差可能系统性低估产品黏性。

（3）幸存者偏差风险
公开市场中被广泛讨论的留存基准（如“优秀 SaaS 的 NRR > 120%”）往往来自成功案例，已然形成幸存者偏差。大量失败项目的留存数据被隐匿。投资者以理想化基准筛选标的时，容易遗漏高风险情景。

（4）客户集中度与留存假象
如本文“常见误读纠偏”所强调，NRR 高但 Logo 留存下降是重大风险信号。少数头部客户的集中增购会掩盖长尾客户的迅速流失。一旦头部客户战略转向或自研替代，高 NRR 可能在单周期内暴跌，形成“留存悬崖”。

（5）AI 场景的特有风险

• 模型性能退化：基础模型更新导致输出风格与用户预期不符，可能在完全没有产品层变更的情况下引发活跃度骤降。
• 成本驱动的留存波动：推理成本上升若传导至 API 定价，将压低用量留存，但这一关系是非线性的——对价格高度敏感的开发者群体可能直接切换竞品。
• 幻觉与可靠性：在严肃场景（医疗、法律、金融代码生成），单次关键幻觉可能导致用户永不回访，留存数据会呈现“断崖式”的不可逆流失。

（6）运营干预的干扰风险
短信召回、邮件推送、代金券发放等人为干预可能短期拉高留存曲线，但若未带来真实的行为习惯改变（即“人肉留存”而非“产品留存”），商业化的持续性受到质疑。在 AI 产品初期补贴用户的策略下，此风险尤为突出。

误读纠偏

误读1：“留存率就是活跃率”
纠偏：活跃率是指某个时刻用户使用产品的比例，留存率强调同一批用户跨时间的回访。某日 DAU 高不代表新用户留存高，可能存在高拉新高流失的“漏桶效应”。产品分析必须同时看活跃规模与留存曲线。

误读2：“平台留存低一点没关系，靠规模碾压”
纠偏：低留存直接拉低用户平均生命周期，在获客成本不降时，LTV/CAC 会持续恶化，这种模式仅在有强双边网络效应且补贴能够建立垄断的极少数情况下可行。多数 AI 工具不具备这种网络效应，低留存意味着需要不断燃烧资本买量，投资风险极大。

误读3：“NRR 高就万事大吉”
纠偏：NRR 只看现有客户的金额变化，忽略了客户数量流失（logo churn）。如果高 NRR 来自头部客户大幅增购，但大量中小客户流失，客户集中度急剧上升，反而增加商业模式的脆弱性。须结合 logo 留存与 NRR 综合判断。

误读4：“AI 产品的留存应与非 AI 工具用同一标尺衡量”
纠偏：AI 产品的价值交付本质上是“预测”或“生成”，其质量具有概率性。传统工具的留存瓶颈多来自交互或流程问题，但 AI 工具可能因模型输出的随机性而自然流失一部分追求 100% 确定性的用户。因此，AI 留存的“天花板”可能天然低于确定性工具，比较时应考虑场景容错率。容错率高的场景（如创意文案生成）可承受较低的模型确定性，留存相对平稳；容错率低的场景（如汽车生产线缺陷检测），留存对模型精度极度敏感。

最新事件

事件 1：生成式 AI 应用消费级留存引发行业讨论（2024 年中）
2024 年 6 月，硅谷风投机构红杉资本（Sequoia Capital）在其官网博客发表文章《Generative AI’s Act Two》，引发产业对 AI 应用留存率的广泛讨论。文章指出，大多数生成式 AI 应用的日活用户留存和月活用户留存远低于移动互联网时代的头部消费应用，并指出从“新奇驱动”到“持久效用驱动”的过渡是行业核心挑战。该事件催化了一轮对“AI 应用 PMF”标准的重塑。

事件 2：OpenAI 开发者生态策略调整，API 用量留存承压与回调（2024 年）
2024 年，OpenAI 多次调整 API 定价与模型版本策略（如 GPT-4o 的发布、旧版模型的退役节奏），部分独立开发者在社交媒体平台上反映其调用成本上升和迁移的迫切性。此类调整直接影响第三方 AI 应用的 API 用量留存。与此同时，OpenAI 在 2024 年 DevDay 上强调其企业级客户总数和付费容量持续增长，显示企业级客户的合同留存与个人开发者的用量留存可能呈现分化走势 [企业客户数具体绝对值见 OpenAI 官方博客，留存率未披露]。

事件 3：SaaS 行业“降本增效”推动 NRR 分化（2023-2024 年）
宏观环境驱动企业削减软件支出，部分上市 SaaS 公司（如 Salesforce、Zoom）的净收入留存率在 2023 财年-2024 财年出现小幅下行。Zscaler 的 NRR 从 FY2023 的 125% 左右小幅回落至 FY2024 的约 120% [范围值源于公司公开财报电话会议摘要]。这波趋势强化了市场对“NRR 趋势”的重视，单季度数值的波动若不被放置于连续趋势中解读，可能错判商业健康度。

事件 4：国内大模型 API 价格战（2024 年 H1）
2024 年上半年，字节跳动豆包、阿里云通义千问、百度文心一言等国内大模型厂商相继宣布大幅降价甚至免费开放 API 调用。这一“价格内卷”对 API 用量留存的可能影响是：短期调用量飙升（用户“薅羊毛”），长期留存质量高度不确定，因为零成本用户的切换成本也为零。该事件的长期留存效应有待 2025-2026 年数据验证。

以上事件不构成对任何公司前景的判断，仅陈述公开可查的行业动态。

跟踪指标

建立有效的留存监控体系，建议跟踪以下分层指标：

第一层：北极星级指标

• 核心产品 N-Day 留存（若为高频工具）或 月度有效客户留存（若为低频高值平台）。公司内部应对此指标设定红线值。
• 净收入留存率（若为 B2B 订阅）。须逐季披露或内部跟踪，关注环比趋势而非单点值。

第二层：诊断级指标

• 按获取渠道划分的留存率，暴露低效渠道浪费。
• 按客户队列划分的 NRR 与 Logo 留存，监控客户集中度风险。
• 留存曲线衰减斜率（幂律 b 值或同等经验参数），用于早期预警产品粘性变化。
• 稳定期留存水平，这是 LTV 估算的基石，应逐代际比较。

第三层：AI 场景特化指标

• 首次成功推理后留存，衡量价值验证（而非仅仅是界面浏览）对留存的驱动力。
• 模型切换率（用户换用竞品模型的比例），提示生态锁定的薄弱环节。
• 调用频率分布的变化，中低频用户的流向变化往往是早期流失信号。

第四层：外部信源与对标

• 持续关注 SaaS Capital、KeyBanc、Gartner 等机构发布的留存基准报告。
• 对比国内外可比上市公司年报中的 NRR 与续约率披露（口径可对齐前提下）。
• 跟踪一级市场 AI 公司的融资演示材料中引用的留存数据（需审慎核验口径）。

信源

以下为构建本章节信息基础的公开信源分类及其可验证性说明：

1. 上市公司财务报告（高信度）

• Amplitude, Inc. 2024 财年年报（10-K），纳斯达克：AMPL。提供产品分析赛道头部公司的收入、客户数等财务数据。
• Snowflake Inc. 2024 财年年报（10-K），纽交所：SNOW。提供 NRR、收入及客户指标的实际披露范例。
• Salesforce, Inc. 2024 财年年报（10-K），纽交所：CRM。提供 SaaS 行业 NRR 典型披露方式的参照。
• 上述文件均可通过美国证券交易委员会 EDGAR 系统或公司投资者关系页面公开获取原始全文。

2. 行业研究与估算（中等信度，需注意口径与样本偏差）

• NFX：硅谷风投机构，2023 年发布关于生成式 AI 应用留存率的基准分析文章，提供经验性参考范围。
• 红杉资本（Sequoia Capital）：官网博客《Generative AI’s Act Two》等系列文章，提供关于 AI 产品粘性的定性判断框架。
• SaaS Capital：定期发布年度 SaaS 留存率基准报告，为 B2B 领域提供 NRR 和 Logo 留存的对比背景。
• Gartner、IDC：发布全球 SaaS 和 AI 平台软件市场规模预测，用于宏观映射。
• 以上行业研究通常基于抽样调查或方法论估算，非精确普查数据，引用时已标注其局限性。

3. 开源及方法论文献（通用框架，非特指数据源）

• 《精益数据分析》（Lean Analytics）提供留存分析的经典概念框架。
• 《Causal Inference for the Brave and True》提供实验因果推断的方法论支撑。
• Kaplan-Meier 估计等相关数理统计方法，源于公开的教科书籍和学术文献。

4. 公开资料未见或无法核实的部分

• 国内主要大模型厂商（百度、阿里、字节、腾讯等）的具体调用留存率和企业客户续约率，未在公开财务文件中以独立可分离的口径披露，故文中未引用任何绝对数值。
• PostHog、Mixpanel 等未上市公司的精确财务数据（ARR、净利润）未公开披露，文中仅引用行业估算的范围值，并已标注“据估算”。
• 各 AI 应用的具体留存数值（如某产品的次日留存精确百分比），除非由公司官方公开发布，否则均视为未公开信息，文中未作精确断言。

信源使用原则重申：全部数值信息均尽量标注年份、口径和可得来源；不确定的信息明确写为“公开资料未见”或“据 [来源] 估算”；无信源绝对数值均标注为假设示例，且全篇无任何形式的买卖建议或涨跌预测。