电商留存曲线怎么读：从 D1 / D7 / D30 看出增长健康度

留存曲线在 SaaS 和 App 圈里讨论得多，电商反而容易被忽略。其实电商的留存曲线才是看"用户关系健康度"的第一手数据。

基础概念

Cohort（队列 / 群组）：同一时间段（如 2026-02）首次购买的用户组。 留存率（D1 / D7 / D30）：

• D1：Day 1 用户中首日再活跃的比例；
• D7：7 天内再购买的比例；
• D30：30 天内再购买的比例。

数据计算模板

SQL 示例（假设 orders 表）：

WITH first_order AS (
  SELECT user_id, MIN(DATE(created_at)) AS first_date
  FROM orders
  GROUP BY user_id
),
order_dates AS (
  SELECT o.user_id, DATE(o.created_at) AS ord_date, f.first_date
  FROM orders o
  JOIN first_order f ON o.user_id = f.user_id
)
SELECT
  first_date,
  COUNT(DISTINCT user_id) AS cohort_users,
  COUNT(DISTINCT CASE WHEN ord_date = first_date + INTERVAL 1 DAY THEN user_id END) AS d1,
  COUNT(DISTINCT CASE WHEN ord_date BETWEEN first_date + INTERVAL 2 DAY AND first_date + INTERVAL 7 DAY THEN user_id END) AS d7,
  COUNT(DISTINCT CASE WHEN ord_date BETWEEN first_date + INTERVAL 8 DAY AND first_date + INTERVAL 30 DAY THEN user_id END) AS d30
FROM order_dates
GROUP BY first_date;

把每日 Cohort 的 D1、D7、D30 放到透视表，就是留存曲线。

三种典型形状

形状 1：漏桶（Leaky Bucket）

特征：D1 < 5%、D7 < 10%、D30 < 15%，曲线陡降、后期平坦接近 0。

含义：用户买一次就走，是"一次性用户"为主。商业模式依赖持续拉新，非常脆弱。

典型场景：单次使用商品（如纪念品、定制商品）、营销冲动型商品。

运营动作：

1. 包裹卡引私域，强制关联到老客户池；
2. 第一次购买后做"使用体验跟进"；
3. 尝试推关联商品（A 购买 → 推 B 方案）；
4. 长期需要拉新预算占 60% 以上。

形状 2：稳定（Sticky / Smiling）

特征：D1、D7 小跌，D30 后趋于平稳甚至反弹。

含义：有一批"真实留存用户"形成长期消费习惯。

典型场景：美妆、日用品、订阅制商品。

运营动作：

1. 识别长期复购客户做 VIP；
2. 给老客户独家新品；
3. 会员体系：积分、折扣、专属客服；
4. 控制拉新成本（ROI 阈值）。

形状 3：反弹（Second-peak）

特征：D1、D7 平缓下滑，但 D30-D60 出现显著反弹。

含义：用户消费周期和产品使用周期匹配。比如囤货类商品 30-45 天用完再买。

典型场景：护肤品、日用品囤货、食品周期。

运营动作：

1. 根据"用完时间"周期性推送提醒；
2. 打包促销（一次买 3 套省 XX）；
3. 自动续订 / 会员制；
4. 复购券精准发放（在用完前 1 周发）。

真实案例

案例 A：某零食品牌

曲线特征：D1 = 3%，D7 = 18%，D30 = 45%。 判断：稳定 + 反弹混合型。 分析：用户囤货周期约 20-30 天。 动作：给"22 天未下单"用户发提醒券，带来 5% GMV 增量。

案例 B：某小家电品牌

曲线特征：D1 = 1%，D7 = 3%，D30 = 8%，D60 = 5%。 判断：典型漏桶。 分析：一次性消费为主，用户买小家电不会月月买。 动作：转向"交叉销售"——买烤面包机推荐厨房秤；同时把私域流量维护做好，半年后推"新品/升级版"。

案例 C：某童装品牌

曲线特征：D30 = 10%，D60 = 8%，季节性高峰在 D90、D180。 判断：季节性复购（换季买衣服）。 分析：儿童成长节奏驱动半年内复购。 动作：90 天未下单用户在换季前 1 个月发 push；老客户专享换季尺码预约。

不同渠道的曲线对比

把不同渠道拆开对比会发现：

• 搜索来的：D30 留存最高（意向明确）；
• 推荐来的：D30 中等；
• 直播来的：D1 高但 D30 低（冲动下单）；
• 私域来的：D30 最稳定。

结论：渠道决定了用户质量。如果直播来源占比太大且 D30 差，考虑用私域承接直播客户。

常见误区

• 误区 1：只看 D1——电商 D1 本就低，应该以 D7/D30 为主；
• 误区 2：不分群看——均值会掩盖问题，必须按 Cohort/渠道/类目拆开；
• 误区 3：把"留存"当"回访"——电商只有"再下单"才算真留存，仅浏览不算。

工具推荐

• Excel 透视表（小规模）；
• BI 工具（中等规模）；
• 数仓 + Python/Pandas（大规模）。

本站之前的 bi-dashboard-template-4-screens 和 ecommerce-python-pandas-quickstart 可以直接搭起来跑。

延伸阅读

• 电商 7 层漏斗诊断
• Python Pandas 电商分析快速上手
• RFM 客户分群