留存率

3 秒看懂

留存率衡量的是某個時間點獲取的使用者/客戶，在經過一段時間後仍持續使用產品或服務的比例。它直接反映產品的長期價值黏性——留存越高，使用者生命週期越長，單位獲客成本的回報越豐厚。在 AI 產業鏈中，開源模型呼叫、API 訂閱、資料標註平台、企業級 AI 軟體的持續付費意願，都會通過留存率折射出商業模式的健康度與護城河深度。

3 分鐘產業解釋

留存率是“時間過濾器”而非“規模放大器”。它剝離了拉新階段的營銷泡沫，聚焦在：使用者/客戶為何留下來、以什麼頻次回來、在哪個環節流失。對 AI 相關業務，留存率往往呈現三種典型形態：

• 高頻工具型（如雲端端 IDE、AI 程式碼助手）：次日/7日留存決定習慣養成，持續留存貢獻訂閱營收。
• 低頻高值型（如模型訓練平台、自動駕駛資料閉環工具）：按月/季度續約率（logo retention）和用量留存（usage retention）同樣關鍵。
• 開源或免費層：留存本質是“活躍開發者/模型下載者的持續參與度”，間接支撐商業轉化和生態壁壘。

產業鏈分析師會拆解“新使用者留存曲線—成熟期留存水平—流失預警”，用以判斷增長質量和營收天花板。在沒有具體廠商揭露時，通常以 [行業定性] 區分“人肉留存”（靠運營活動拉回）和“產品留存”（憑核心價值自驅動），後者才具備規模效應。

技術原理

留存率的底層模型多基於生存分析和狀態轉移。核心公式及邏輯如下：

1. 基本定義

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

• Cohort_Base：同期新增（或某一時點總客群）基數，需統一口徑。
• Active_Users_at(t)：在 t 時刻仍滿足活躍定義（登入、用量>閾值、付費）的使用者數。

2. 群組留存矩陣（ASCII 模擬）

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

橫軸為時間相對偏移，縱軸為絕對日期，可快速定位“新客質量變化”和“拐點衰減日”。

3. 擬合留存曲線
市場常使用冪律函式來模擬“快速衰減後趨於平穩”的典型形狀：

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

• a 反映初始留存水平；b 反映衰減速度。高價值產品的 b 值更小，曲線更平。
• 引數估計一般採用負對數線性迴歸，用於預測長期留存並估算 LTV。

4. 生存分析與風險函式
用 Kaplan-Meier 估計可處理刪失資料（未流失但未觀察到期的使用者），並推匯出任意時間點的“仍存留機率”。風險函式 h(t) 代表在 t 時刻恰好流失的條件機率，能精準定位流失高峰時段，輔助運營幹預。

5. 狀態機視角
可將使用者行為抽象為 新客→活躍→預流失→沉默→流失 的狀態轉移圖，利用馬爾可夫鏈計算短期或中期留存機率，或者估算平均留存時長與生存函式。對於 AI API 呼叫類產品，狀態通常由“最近 N 天內有呼叫”定義，狀態間轉移機率由資料驅動更新。

注意：上述引數具體數值取決於業務特性，無通用標準，業界通常按自身使用者行為打標後建模，[此處依據通用方法論，非特定廠商資料]。

關鍵引數

理解留存率需要掌握以下核心引數及其相互作用邏輯：

1. 群組定義引數

• 時間視窗：日/周/月/季度，決定觀察粒度。AI 程式碼助手通常按日，模型訓練平台按月。
• 起始事件：首次登入、首次完成核心動作（如首次成功推論）、首次付費。起始事件的選擇決定了留存率的解釋力。
• 回訪事件：登入、觸發核心功能、產生用量、完成付費。回訪定義過寬會虛高留存，過嚴會低估粘性。

2. 留存曲線特徵引數

• 初始留存水平（Day1/Week1 Retention）：反映首次體驗質量。公開資料顯示，頭部消費級 AI 應用次日留存在 30%-60% 區間，中位數約 40% [來源：矽谷風投機構 NFX 2023 年釋出的生成式 AI 應用留存基準估算，非精確統計]。企業級 AI 產品的首月續約率通常在 85%-95% 區間，取決於合同結構與實施週期。
• 衰減速率（b 值）：冪律函式的指數引數，反映留存從初始水平下滑到穩定期的速度。b 值越接近零，留存越穩定。高頻工具類產品的 b 值通常高於低頻高值類產品，但後者絕對留存水平可能更高。
• 穩定期留存水平（Long-term Equilibrium）：曲線趨於水平的數值，通常在 Day30-Day90 之間形成。這個引數直接決定使用者生命週期價值（LTV）的基數。優秀的產品穩定期周留存可維持在 20% 以上 [行業經驗值，來源不可考]。

3. 金額留存引數（用於 B2B SaaS 和 AI 企業服務）

• 淨營收留存率（NRR）：計算公式為（期初 ARR + 增購 ARR - 縮購 ARR - 流失 ARR）/ 期初 ARR × 100%。NRR 超過 100% 表示現有客戶的增購完全抵消了流失造成的營收損失。
• 總留存率（GRR）：僅考慮流失和縮購，不計入增購，公式為（期初 ARR - 縮購 ARR - 流失 ARR）/ 期初 ARR × 100%。GRR 反映的是在最壞情況下能保留的營收比例，是壓力測試指標。
• Logo 留存率：保留的客戶數量佔比，不考慮單個客戶金額變化。NRR 高但 Logo 留存低，通常意味著營收向頭部客戶集中。

4. 分層引數

• 按獲取渠道分層：自然流量、付費搜尋、合作伙伴推薦、內容營銷等渠道的留存率差異，用以計算渠道的投資回報效率（ROE）。
• 按使用者畫像分層：企業規模（大型/中小）、開發者角色（全棧/前端/資料科學家）、使用場景（個人專案/團隊協作/生產環境）。

5. 引數間的動態關係 留存率不孤立存在。高獲取速度可能壓低留存（引入低匹配度使用者），高定價可能過濾出高留存使用者群。NRR 的提升若伴隨 Logo 留存的下降，必須在客戶集中度風險與營收增長之間權衡。追蹤這些引數的聯動變化，比觀察單一數字更有診斷價值。

技術路線

留存分析的實現路線選擇，取決於業務階段、資料基建成熟度和分析目標：

路線一：基於事件埋點的群組分析（主流方案）

• 工作流：埋點採集 → 資料管道清洗 → 群組聚合計算 → 留存矩陣視覺化 → 分層下鑽。
• 優勢：靈活度高，可按任意使用者行為定義起始和回訪事件；能快速對比不同群組的留存差異。
• 侷限：埋點方案變更會導致歷史資料口徑不統一；分析結果的準確性嚴重依賴埋點質量和活躍定義的科學性。
• 適用場景：絕大多數 AI 應用、API 服務、開發者工具的留存監控。

路線二：基於合同與訂閱週期的財務留存

• 工作流：CRM/賬單系統資料提取 → 合同續約標記 → 計算 ARR 變化 → 推導 NRR/GRR/Logo Retention。
• 優勢：與營收直接掛鉤，是投資人最關注的留存口徑；不易被操作（續費是真實現金流量）。
• 侷限：滯後性強（通常在續費週期結束後才能統計）；對免費層或使用量付費模式的覆蓋不足。
• 適用場景：AI 企業級服務、SaaS 訂閱、私有化部署模型。

路線三：複合留存模型（行為+合同）

• 工作流：將使用者行為活躍度與合同狀態繫結，設定加權規則計算“健康分”。例如，使用量低於閾值且合同即將到期的客戶，觸發預警。
• 優勢：結合了行為留存的即時性和財務留存的精確性，適合做預測性客戶成功管理。
• 侷限：模型設計複雜，需持續校準權重；過度設計可能導致指標不可解釋。
• 適用場景：大客戶營收佔比高的 AI 平台公司。

路線四：基於因果推斷的實驗留存

• 工作流：隨機對照試驗（A/B 測）→ 計算實驗組與對照組的留存差異 → 排除混雜因素 → 量化功能/策略對留存的淨貢獻。
• 優勢：唯一能建立因果關係的技術路線，可區分“自然留存”與“運營留存”。
• 侷限：實驗成本高，週期長；部分場景無法隨機化（如企業級客戶談判）。
• 適用場景：產品核心功能驗證、定價策略評估、留存干預效果量化。

路線對比與選擇：多數公司以路線一為基準監控，以路線二為對外揭露和估值依據，以路線四為戰略決策支援。路線三通常在客戶成功體系成熟後引入。當前公開資料未見針對 AI 行業留存分析技術路線的統一行業標準。

上游

留存分析的上游環節涉及資料採集、儲存、建模工具與實驗基礎設施：

（1）資料採集與埋點體系

• 客戶端埋點：SDK 整合（如 PostHog、Amplitude SDK），自動捕獲頁面瀏覽、按鈕點選、API 呼叫事件。AI 場景需特別關注模型推論請求的客戶端發起點。
• 服務端埋點：API 閘道器日誌、模型推論服務日誌。服務端埋點可靠性高於客戶端（不受廣告攔截器等影響），但缺失前端互動細節。
• 呼叫鏈追蹤：對於分散式 AI 系統（如模型訓練 pipeline），需通過 OpenTelemetry 等協議串聯端到端的使用者行為上下文。
• 質量要求：埋點丟失率應控制在 1% 以內，否則留存計算會出現系統性偏低偏差。埋點方案變更必須建立版本管理，避免歷史資料口徑斷裂。

（2）資料管道與計算引擎

• 即時層：Kafka/Flink 用於即時行為採集和即時的群組歸屬判斷。
• 批處理層：基於 ClickHouse、Snowflake、Databricks 等建置群組集，計算多週期留存矩陣。AI 場景資料量極大（數億級 API 呼叫日誌/日），列式儲存資料庫成為標配。
• 資料治理：使用者 ID 打通（匿名使用者與登入使用者關聯）、跨端歸因、資料清洗規則，直接影響留存計算的準確性。

（3）分析工具與平台

• 商業套件：Amplitude、Mixpanel、Pendo。公開財務檔案顯示，Amplitude（NASDAQ: AMPL）2024 財年營收約 2.8 億美元，其留存分析模組是核心差異化功能 [來源：公司年報，單位為美元，2024 財年指截至 2024 年 1 月 31 日的財年]。
• 開源替代：PostHog（開源可自託管）、Apache Superset（視覺化）配合 dbt（資料建模）。PostHog 累計融資額公開報道逾 1.2 億美元，估值未揭露 [來源：Crunchbase 公開資料，截至 2024 年底]。
• AI 可觀測性工具：Arize、WhyLabs 將模型效能監控與使用者留存打通，追蹤模型輸出質量變化如何傳導至使用者流失。
• 自研 BI：大型 AI 廠商傾向自建分析平台，以避免敏感呼叫資料外洩，且能與內部實驗平台深度整合。

（4）實驗基礎設施

• A/B 測試平台（如 LaunchDarkly、自研系統）用於從根因層面驗證產品變更對留存的因果效應。實驗分流演算法、樣本量計算、統計顯著性檢測均為上游能力。

上游環節的成熟度決定了留存分析的空間解析度——資料採集越完整，可分析的事件維度越多；實驗平台越強大，越容易識別留存驅動因素。

下游

留存分析成果被下游多個業務職能和商業場景應用：

（1）產品開發與迭代

• 核心功能識別：通過對比不同功能使用者的留存率差異，定位產品“aha moment”對應的關鍵行為。例如，某 AI 程式碼助手公司可能發現，在啟用首周完成 3 次及以上程式碼生成請求的使用者，Day30 留存率比僅完成 1 次的使用者高 35 個百分點 [此為假設性示例，非特定廠商資料]。
• 流失點修復：定位留存曲線陡降的時間視窗（如 Day3-Day5），反查該時段使用者行為日誌，識別導致挫敗感的功能缺陷或體驗斷層。
• 版本迭代評估：新版本釋出後，觀察存量使用者的留存波動，作為版本質量的北極星指標。

（2）市場行銷與增長

• 渠道 ROE 最佳化：計算不同獲客渠道（自然搜尋、付費廣告、內容營銷、合作伙伴引流）使用者的留存差異，將預算向高留存渠道傾斜。
• 使用者畫像校準：分析高留存使用者群體的特徵（開發者角色、公司規模、技術棧），反向最佳化廣告投放的受眾定向。
• 病毒係數與留存互動：高留存產品的口碑傳播效力被放大，產生“留存驅動增長”的複利效應。

（3）客戶成功與銷售

• 流失預警：基於行為留存的下滑趨勢（如 API 呼叫頻率從每週 50 次驟降至 5 次），觸發客戶成功經理（CSM）的主動介入流程，在合同到期前挽留。
• 增購訊號識別：用量留存的上升趨勢（如呼叫量連續 3 個月季增率增長超過 20%），提示客戶正在將產品嵌入核心流程，此時為擴席位或功能包的銷售機會視窗。
• 客戶健康度評分：將行為留存與合同留存加權，形成客戶健康度指數，指導 CSM 的日常優先順序排序。

（4）估值與資本市場

• SaaS/AI 估值模型：續約留存和 NRR 是影響 PS（市銷率）估值倍數的關鍵因子。公開投行研究報告顯示，NRR 從 110% 提升到 120%，可支撐 PS 倍數上修 2-4 倍不等 [行業經驗值，來源為公開賣方研究報告的方法論架構，非精確對應關係]。
• 融資敘事：早期 AI 初創公司若能在 Pitch Deck 中展示“留存曲線平坦化”的趨勢，通常被視為產品-市場契合（PMF）的強訊號。
• 財務預測：留存率用於預測未來營收的可重複部分，是年報和路演中的常見展望項。微軟等大廠的 AI 功能（如 Copilot）雖不獨立揭露留存，但其續約率和席位擴張趨勢會被分析師密集提問。

（5）生態戰略

• 開源模型社群或開發者平台的長期留存率，決定其商業轉化的漏斗基數。Hugging Face 的生態留存（模型下載者持續迴歸的比例）是其企業級產品的潛在客戶池規模。因此，下游生態戰略會將社群留存作為長期商業價值的先行指標。

受益公司

留存率作為核心運營與估值指標，使以下型別公司獲得差異化的商業回報或競爭壁壘：

（1）分析工具與可觀測性平台

• Amplitude（NASDAQ: AMPL）：數字產品分析領域頭部公司，留存分析是其最核心功能模組之一。其 2024 財年年報揭露，年度經常性營收（ARR）超過 10 萬美元的客戶數逾 500 家 [口徑：10萬美元以上客戶數，來源：Amplitude 2024財年10-K年報]。
• PostHog（私營）：開源產品分析平台，以隱私友好和自託管為差異化優勢。公開報道其 2023 年 ARR 約為 1000 萬-2000 萬美元區間，服務於數千家技術驅動型企業 [來源：TechCrunch 及行業估算，非精準財務資料]。
• Arize AI / WhyLabs（私營）：AI 可觀測性賽道創業公司，將模型效能監控與使用者留存分析打通，受益於企業 AI 化對“模型表現如何影響使用者流失”的追蹤需求增長。

（2）AI 應用與平台層（高留存=高估值邏輯的直接受益者）

• 微軟/GitHub（Copilot）：GitHub Copilot 雖未獨立揭露留存，但其母公司微軟在 2024 財年 Q4 電話會中提及，Copilot 的復購率和席位擴張是 GitHub 營收加速增長的主要驅動力。高留存鎖定了開發者在微軟生態內的遷移成本。
• Adobe（Firefly 及 Sensei 平台）：Adobe 的數字媒體 ARR 在 2024 財年達到約 167 億美元 [來源：Adobe 2024財年年報]，創意專業使用者的長期留存是這一經常性營收基石的支撐。Firefly 的整合增加了功能粘性。
• Hugging Face（私營）：開發者社群的模型下載留存和映象倉庫複用率，是其在私募市場高估值（2023 年 D 輪估值約 45 億美元，投資者包括 Google、Amazon、Nvidia 等）的核心敘事 [估值來源：Forbes 及 Crunchbase 公開報道]。
• 國內主要大型模型廠商（如百度智慧雲端、阿里雲端通義系列、位元組豆包）：API 呼叫留存、企業客戶續約率直接影響市場對其“推論業務可持續性”的定價。這些資料通常不獨立公開揭露，但可從關聯上市公司的分部營收增長中部分推斷 ARPU 變化 [具體留存數值公開資料未見]。

（3）客戶成功與資料基礎設施

• Salesforce / HubSpot：CRM 巨頭將客戶留存資料內嵌於客戶成功模組，高留存率客戶的增購和續約直接轉化為其自身的 NRR 增長。Salesforce 2024 財年營收約 348 億美元，其 NRR 長期保持在 110% 左右（含收購主體影響） [來源：Salesforce 2024財年年報及公開投資人演示材料]。
• Snowflake / Databricks：作為資料基礎設施層，其消費模式天然帶有用量留存特徵。Snowflake 的淨營收留存率在 FY2024 仍高達 131% [口徑：截至2024年1月31日的財年NRR，來源：Snowflake 2024財年年報]，體現了資料平台遷移成本高、用量增長快的行業特性。

邏輯提煉：受益公司可歸類為“賣鏟人”（分析工具/可觀測性）、“高留存資產持有者”（AI 平台/應用）、“基礎設施管道”（雲端資料庫/CRM）。其中，“資產持有者”的受益程度取決於留存能否轉化為資本市場溢價。

市場規模

留存率本身不構成獨立市場，它是鏈主產品的價值評價指標。因此，本節從可定址分析工具市場和受留存驅動的 AI/SaaS 經濟價值兩個維度進行規模勾勒。

（1）產品分析與留存工具市場（TAM）

• 全球數字分析平台市場：據公開研究報告（如 Grand View Research、MarketsandMarkets 2023 年釋出的資料），全球數字體驗分析（含留存分析、使用者行為追蹤、A/B 測試）的市場規模預計 2024 年約為 40-50 億美元，到 2030 年 CAGR 約 15%-20%。Amplitude、Mixpanel、Pendo、PostHog 等均在此賽道。
• AI 可觀測性市場（新興交叉領域）：根據公開行業估算，2024 年市場規模約 5-8 億美元，受益於企業將 AI 模型投入生產環境後對“模型表現-使用者留存”鏈條的監控需求，預計 2030 年達到 30-40 億美元 [來源：未找到統一的獨立第三方精確統計口徑，資料為公開研究報告的趨勢擬合，不作投資依據]。

（2）高留存 AI 公司的經濟體量（間接對映）

• 全球 SaaS 市場規模：據 Gartner 2024 年 4 月釋出的預測，2024 年全球 SaaS 終端使用者支出預計達約 2440 億美元，其中客戶留存和續約是訂閱模式的營收基石。
• AI 平台與企業軟體：據 IDC 2024 年預測，全球 AI 平台軟體市場規模 2024 年接近 400 億美元，2028 年有望突破 1000 億美元。在這一增量市場中，使用者/客戶留存決定營收的可預測性，從而直接影響公司的資本配置效率。
• 高留存溢價量化：公開財務文獻常引用一項經驗法則——客戶留存率每提升 5 個百分點，獲利可增長 25%-95%，具體彈性因行業獲客成本結構而異 [來源：Bain & Company 於《哈佛商業評論》發表的經典研究，原始發表年份較早，為經驗歸納，非精確財務預測公式]。在 AI 高獲客成本（開發者關係運營、推論補貼等）的現實下，留存改善的經濟放大效應更為顯著。

（3）國內視角

• 國內企業級 SaaS 市場規模 2024 年據艾瑞諮詢等第三方預測約在 800-1000 億元人民幣，其中訂閱模式佔比持續提升，NPS（淨推薦值）和續約率成為行業議價能力的直接體現 [非精確官方資料，口徑含傳統軟體訂閱與雲端化服務]。
• 大型模型 API 呼叫市場 2024 年為爆發期，但留存水平和“推論營收可持續性”仍處於行業驗證階段，缺乏足夠的公開時間序列資料支撐市場規模測算 [公開資料未見權威資料]。

玩家對比

此處選取三類留存分析賽道中可公開獲取部分參考資料的代表性企業，進行定性對比：

對比維度	Amplitude	Mixpanel	PostHog	Snowflake（關聯對映）
定位	企業級數字分析平台	產品分析工具	開源產品分析平台	雲端資料平台（消費留存對映）
核心留存能力	行為群組分析、預測性留存、實驗整合	事件流分析、即時留存儀表板	自託管留存矩陣、功能開關聯動	NRR 131% (FY2024)、用量留存
2024財年營收	~2.8億美元（FY2024）	非上市，據估算約1-1.5億美元 ARR	非上市，據估算約1000-2000萬美元 ARR	~28億美元（FY2024產品營收）
高留存客群	科技、金融、零售	移動應用、SaaS	開發者導向的科技公司	大型企業資料分析團隊
差異化	第三方認證與合規深度	快速迭代與簡化分析	開源、可自控資料	資料即產品，遷移成本極高
風險提示	公開市場波動風險	體量相對較小，競爭加劇	開源變現模式待驗證	已反映高增長預期，估值敏感

資料口徑與來源說明：Amplitude 營收資料來自其 2024 財年 10-K 年報（納斯達克程式碼：AMPL，財年截至 2024 年 1 月 31 日）；Mixpanel 及 PostHog 營收為行業估算範圍值，非公司揭露；Snowflake 營收及 NRR 來自其 2024 財年 10-K 年報（紐交所程式碼：SNOW，財年截至 2024 年 1 月 31 日），產品營收口徑。

此外，在國內市場，阿里雲端 DataWorks、火山引擎 DataFinder、神策資料等提供本地化的留存分析工具，但公開可查的獨立財務資料有限 [各公司留存分析模組的具體付費客戶數和ARR未完全公開揭露]。

風險

（1）口徑風險
留存率定義高度依賴於“活躍”的業務界定。同一產品，“登入即活躍”與“完成核心功能即活躍”的留存率差異可能高達 20 個百分點。分析師若不對齊口徑進行跨公司比較，極易得出誤導性結論。NVIDIA 或 OpenAI 的 API 呼叫頻次與 Pinterest 的資訊流重新整理次數，須在完全不同的分析架構下理解。

（2）資料質量風險
埋點丟失、使用者跨裝置 ID 未打通、機器人流量汙染（AI 工具極容易被自動化指令碼高頻呼叫），都會造成留存率的嚴重失真。一項未經資料治理的原始留存矩陣，其向下偏差可能系統性低估產品黏性。

（3）倖存者偏差風險
公開市場中被廣泛討論的留存基準（如“優秀 SaaS 的 NRR > 120%”）往往來自成功案例，已然形成倖存者偏差。大量失敗專案的留存資料被隱匿。投資者以理想化基準篩選標的時，容易遺漏高風險情景。

（4）客戶集中度與留存假象
如本文“常見誤讀糾偏”所強調，NRR 高但 Logo 留存下降是重大風險訊號。少數頭部客戶的集中增購會掩蓋長尾客戶的迅速流失。一旦頭部客戶戰略轉向或自研替代，高 NRR 可能在單週期內暴跌，形成“留存懸崖”。

（5）AI 場景的特有風險

• 模型效能退化：基礎模型更新導致輸出風格與使用者預期不符，可能在完全沒有產品層變更的情況下引發活躍度驟降。
• 成本驅動的留存波動：推論成本上升若傳導至 API 定價，將壓低用量留存，但這一關係是非線性的——對價格高度敏感的開發者群體可能直接切換競品。
• 幻覺與可靠性：在嚴肅場景（醫療、法律、金融程式碼生成），單次關鍵幻覺可能導致使用者永不回訪，留存資料會呈現“斷崖式”的不可逆流失。

（6）運營幹預的干擾風險
簡訊召回、郵件推送、代金券發放等人為干預可能短期拉高留存曲線，但若未帶來真實的行為習慣改變（即“人肉留存”而非“產品留存”），商業化的持續性受到質疑。在 AI 產品初期補貼使用者的策略下，此風險尤為突出。

誤讀糾偏

誤讀1：“留存率就是活躍率”
糾偏：活躍率是指某個時刻使用者使用產品的比例，留存率強調同一批使用者跨時間的回訪。某日 DAU 高不代表新使用者留存高，可能存在高拉新高流失的“漏桶效應”。產品分析必須同時看活躍規模與留存曲線。

誤讀2：“平台留存低一點沒關係，靠規模碾壓”
糾偏：低留存直接拉低使用者平均生命週期，在獲客成本不降時，LTV/CAC 會持續惡化，這種模式僅在有強雙邊網路效應且補貼能夠建立壟斷的極少數情況下可行。多數 AI 工具不具備這種網路效應，低留存意味著需要不斷燃燒資本買量，投資風險極大。

誤讀3：“NRR 高就萬事大吉”
糾偏：NRR 只看現有客戶的金額變化，忽略了客戶數量流失（logo churn）。如果高 NRR 來自頭部客戶大幅增購，但大量中小客戶流失，客戶集中度急劇上升，反而增加商業模式的脆弱性。須結合 logo 留存與 NRR 綜合判斷。

誤讀4：“AI 產品的留存應與非 AI 工具用同一標尺衡量”
糾偏：AI 產品的價值交付本質上是“預測”或“生成”，其質量具有機率性。傳統工具的留存瓶頸多來自互動或流程問題，但 AI 工具可能因模型輸出的隨機性而自然流失一部分追求 100% 確定性的使用者。因此，AI 留存的“天花板”可能天然低於確定性工具，比較時應考慮場景容錯率。容錯率高的場景（如創意文案生成）可承受較低的模型確定性，留存相對平穩；容錯率低的場景（如汽車生產線缺陷檢測），留存對模型精度極度敏感。

最新事件

事件 1：生成式 AI 應用消費級留存引發行業討論（2024 年中）
2024 年 6 月，矽谷風投機構紅杉資本（Sequoia Capital）在其官網部落格發表文章《Generative AI’s Act Two》，引發產業對 AI 應用留存率的廣泛討論。文章指出，大多數生成式 AI 應用的日活使用者留存和月活使用者留存遠低於移動網際網路時代的頭部消費應用，並指出從“新奇驅動”到“持久效用驅動”的過渡是行業核心挑戰。該事件催化了一輪對“AI 應用 PMF”標準的重塑。

事件 2：OpenAI 開發者生態策略調整，API 用量留存承壓與回撥（2024 年）
2024 年，OpenAI 多次調整 API 定價與模型版本策略（如 GPT-4o 的釋出、舊版模型的退役節奏），部分獨立開發者在社交媒體平台上反映其呼叫成本上升和遷移的迫切性。此類調整直接影響第三方 AI 應用的 API 用量留存。與此同時，OpenAI 在 2024 年 DevDay 上強調其企業級客戶總數和付費容量持續增長，顯示企業級客戶的合同留存與個人開發者的用量留存可能呈現分化走勢 [企業客戶數具體絕對值見 OpenAI 官方部落格，留存率未揭露]。

事件 3：SaaS 行業“降本增效”推動 NRR 分化（2023-2024 年）
宏觀環境驅動企業削減軟體支出，部分上市 SaaS 公司（如 Salesforce、Zoom）的淨營收留存率在 2023 財年-2024 財年出現小幅下行。Zscaler 的 NRR 從 FY2023 的 125% 左右小幅回落至 FY2024 的約 120% [範圍值源於公司公開財報電話會議摘要]。這波趨勢強化了市場對“NRR 趨勢”的重視，單季度數值的波動若不被放置於連續趨勢中解讀，可能錯判商業健康度。

事件 4：國內大型模型 API 價格戰（2024 年 H1）
2024 年上半年，字節跳動豆包、阿里雲端通義千問、百度文心一言等國內大型模型廠商相繼宣佈大幅降價甚至免費開放 API 呼叫。這一“價格內捲”對 API 用量留存的可能影響是：短期呼叫量飆升（使用者“薅羊毛”），長期留存質量高度不確定，因為零成本使用者的切換成本也為零。該事件的長期留存效應有待 2025-2026 年資料驗證。

以上事件不構成對任何公司前景的判斷，僅陳述公開可查的行業動態。

追蹤指標

建立有效的留存監控體系，建議追蹤以下分層指標：

第一層：北極星級指標

• 核心產品 N-Day 留存（若為高頻工具）或 月度有效客戶留存（若為低頻高值平台）。公司內部應對此指標設定紅線值。
• 淨營收留存率（若為 B2B 訂閱）。須逐季揭露或內部追蹤，關注季增率趨勢而非單點值。

第二層：診斷級指標

• 按獲取渠道劃分的留存率，暴露低效渠道浪費。
• 按客戶佇列劃分的 NRR 與 Logo 留存，監控客戶集中度風險。
• 留存曲線衰減斜率（冪律 b 值或同等經驗引數），用於早期預警產品粘性變化。
• 穩定期留存水平，這是 LTV 估算的基石，應逐代際比較。

第三層：AI 場景特化指標

• 首次成功推論後留存，衡量價值驗證（而非僅僅是介面瀏覽）對留存的驅動力。
• 模型切換率（使用者換用競品模型的比例），提示生態鎖定的薄弱環節。
• 呼叫頻率分佈的變化，中低頻使用者的流向變化往往是早期流失訊號。

第四層：外部信源與對標

• 持續關注 SaaS Capital、KeyBanc、Gartner 等機構釋出的留存基準報告。
• 對比國內外可比上市公司年報中的 NRR 與續約率揭露（口徑可對齊前提下）。
• 追蹤一級市場 AI 公司的融資演示材料中引用的留存資料（需審慎核驗口徑）。

信源

以下為建置本章節資訊基礎的公開信源分類及其可驗證性說明：

1. 上市公司財務報告（高信度）

• Amplitude, Inc. 2024 財年年報（10-K），納斯達克：AMPL。提供產品分析賽道頭部公司的營收、客戶數等財務資料。
• Snowflake Inc. 2024 財年年報（10-K），紐交所：SNOW。提供 NRR、營收及客戶指標的實際揭露範例。
• Salesforce, Inc. 2024 財年年報（10-K），紐交所：CRM。提供 SaaS 行業 NRR 典型揭露方式的參照。
• 上述檔案均可通過美國證券交易委員會 EDGAR 系統或公司投資者關係頁面公開獲取原始全文。

2. 行業研究與估算（中等信度，需注意口徑與樣本偏差）

• NFX：矽谷風投機構，2023 年釋出關於生成式 AI 應用留存率的基準分析文章，提供經驗性參考範圍。
• 紅杉資本（Sequoia Capital）：官網部落格《Generative AI’s Act Two》等系列文章，提供關於 AI 產品粘性的定性判斷架構。
• SaaS Capital：定期釋出年度 SaaS 留存率基準報告，為 B2B 領域提供 NRR 和 Logo 留存的對比背景。
• Gartner、IDC：釋出全球 SaaS 和 AI 平台軟體市場規模預測，用於宏觀對映。
• 以上行業研究通常基於抽樣調查或方法論估算，非精確普查資料，引用時已標註其侷限性。

3. 開源及方法論文獻（通用架構，非特指資料來源）

• 《精益資料分析》（Lean Analytics）提供留存分析的經典概念架構。
• 《Causal Inference for the Brave and True》提供實驗因果推斷的方法論支撐。
• Kaplan-Meier 估計等相關數理統計方法，源於公開的教科書籍和學術文獻。

4. 公開資料未見或無法核實的部分

• 國內主要大型模型廠商（百度、阿里、位元組、騰訊等）的具體呼叫留存率和企業客戶續約率，未在公開財務檔案中以獨立可分離的口徑揭露，故文中未引用任何絕對數值。
• PostHog、Mixpanel 等未上市公司的精確財務資料（ARR、淨利）未公開揭露，文中僅引用行業估算的範圍值，並已標註“據估算”。
• 各 AI 應用的具體留存數值（如某產品的次日留存精確百分比），除非由公司官方公開發布，否則均視為未公開資訊，文中未作精確斷言。

信源使用原則重申：全部數值資訊均儘量標註年份、口徑和可得來源；不確定的資訊明確寫為“公開資料未見”或“據 [來源] 估算”；無信源絕對數值均標註為假設示例，且全篇無任何形式的買賣建議或漲跌預測。