以下三家公司与全部数字均为教学假设,用于演示商业化计算,不代表任何真实企业。
留存曲线回答的是「谁还在」
获客回答的是「谁来了」,留存回答的是「谁还在」。这两个问题看起来对称,实际上用的是完全不同的口径。获客看的是新增合同数与首月收入,留存看的是同一批客户在后续月份是否继续付费、继续使用、继续扩张。把两者混在一起,就会得到「收入在涨,但客户在换」的假象。
对 AI 产品来说,中间还多了一层:谁还在用。传统订阅产品的留存信号主要来自续费,AI 产品的用量是连续可观测的。一个客户可能还在付费,但对话量已经连续三个月下降;也可能用量很高,但每次都在触发配额拒绝。前者是收入留存的提前预警,后者是流失的前置原因。只看续费,会错过这两类信号。
因此,本节把留存拆成三条曲线:
- 客户留存(logo retention)。 期初付费客户中,期末仍在付费的比例。
- 收入留存(revenue retention)。 同一批客户的期末 MRR 相对期初 MRR 的变化,下一节展开为 NRR。
- 用量留存(usage retention)。 期初有实际用量的客户中,期末仍保持有意义用量的比例。
三条曲线的分母不同,不能互相替代。客户留存回答「客户还在不在」,收入留存回答「钱还在不在」,用量留存回答「价值还在不在」。
三条曲线还会互相打架。客户留存高、收入留存低,说明老客户在降级;收入留存高、客户留存低,说明少数客户在扩张,掩盖了客户流失;用量留存高、收入留存低,说明客户用得多但付费少,可能是额度设计或超额定价出了问题。看到三条曲线分叉,先找分叉点,不要先做平均。
月流失率如何折算成年度留存
月度流失率不能简单乘以 12。流失是逐月作用在剩余客户上的,正确的折算方式是复利:
S(t) = (1 - c)^t
其中 c 是月流失率,t 是月数,S(t) 是第 t 个月仍存活的客户比例。三家公司的月流失率分别来自事实表:LumenDesk 0.8%、Verba API 2.1%、ClausePilot 0.6%。代入 12 个月:
| 案例 | 月流失率 | 12 个月存活率 | 年度流失率 | 半衰期(月) |
|---|---|---|---|---|
| LumenDesk | 0.8% | 90.8% | 9.2% | 86.3 |
| Verba API | 2.1% | 77.5% | 22.5% | 32.7 |
| ClausePilot | 0.6% | 93.0% | 7.0% | 115.2 |
以 LumenDesk 为例:
S(12) = (1 - 0.008)^12 = 0.992^12 = 0.9081 = 90.8%
年度流失率 = 1 - 90.8% = 9.2%
如果直接把 0.8% 乘以 12,会得到 9.6%,比实际高 0.4 个百分点。Verba 的差距更大:2.1% 乘以 12 是 25.2%,复利结果是 22.5%,相差 2.7 个百分点。月流失率越高,简单相乘的误差越大。
这里还要区分 logo churn 与 revenue churn。事实表给出的 0.8%、2.1%、0.6% 都是月度 logo churn,只统计客户数,不统计金额。一个客户降级但未流失,logo churn 不变,收入却下降;一个大客户流失,logo churn 只增加一个单位,收入可能掉一大块。本节先用 logo churn 讲曲线形状,收入口径留到 11.2。
半衰期的公式是:
半衰期 = ln(0.5) / ln(1 - c)
LumenDesk 是 ln(0.5) / ln(0.992) = 86.3 个月,Verba 是 32.7 个月,ClausePilot 是 115.2 个月。半衰期把「每月流失一点」翻译成「多久丢掉一半客户」,比月流失率更容易和管理层沟通。
cohort 曲线:把客户按首月分组
留存曲线不是一条公司级的平均线,而是一组 cohort 曲线。cohort 按客户首次付费的月份分组,每组只跟踪组内客户,不混入新客。这样看到的才是同一批客户随时间的变化。
以 LumenDesk 的 320 家客户为例,按月流失率 0.8% 计算期望存活数:
| 月份 | 0 | 3 | 6 | 12 | 24 |
|---|---|---|---|---|---|
| 存活客户 | 320 | 312 | 305 | 291 | 264 |
计算方式是 320 × 0.992^t,再四舍五入。第 12 个月剩 291 家,第 24 个月剩 264 家。这是一条指数衰减曲线,理论上永远到不了零,但实际业务里通常会在某个水平附近平台化:剩下的客户是真正嵌入工作流的客户,流失率显著低于早期客户。
真实 cohort 往往不是单一指数,而是两段式:前 90 天流失率高,之后进入较稳定的低流失段。前段反映 onboarding 与价值验证是否成功,后段反映产品是否成为日常工作流的一部分。把两段混成一个平均流失率,会同时高估老客流失、低估新客流失。
cohort 比较还有一个纪律:只能同年龄比较。第 3 个月的 cohort 和第 12 个月的 cohort 处在不同生命周期,直接横向比较没有意义。要看的是同一 cohort 在相同账龄下的留存是否改善。
cohort 表要固定三列:cohort 月份、账龄、期末客户数。账龄从 0 开始,每个月加一。不要把 cohort 月份和账龄混在一起,否则同一个客户会在不同行里重复出现。表建好后,横着看是同一 cohort 的衰减,竖着看是不同 cohort 在同账龄的对比。
用量留存:比登录更早的信号
AI 产品的用量留存比登录留存更有信息量。登录可以因为习惯、通知、试用而维持,用量必须由真实任务驱动。一个客户不再产生有意义的对话、转写或案件,通常意味着价值已经消失,即使账面上还在付费。
LumenDesk 的平均用量是每席位每月 620 次对话,额度是 500 次,超额 120 次。事实表还给出 41% 的客户处于超支状态。超额本身是价值信号:客户愿意为更多对话付费。但它同时是成本信号:P99 客户的上下文长度是均值的 16.7 倍,单次成本 0.12 美元,高于 0.04 美元的超额单价,超额越多亏得越多。用量留存必须和客户级毛利一起看,否则会把「用得多」误判成「留得好」。
Verba API 的结构更直接。月度用量 42,000,000 分钟,付费账户 1,450 个,平均每账户每月 28,965.5 分钟。ARPA 是 231.72 美元,单价 0.008 美元/分钟,231.72 ÷ 0.008 = 28,965 分钟。收入留存和用量留存几乎是同一条曲线:用量掉一半,收入就掉一半。它的风险不在单客户毛利,而在用量波动与流失。
ClausePilot 的用量单位是案件。平均每客户每月 38 件,收入由 2,400 美元平台费加 180 美元/案件构成。用量留存要看案件量是否稳定,还要看人工复核产能是否跟得上。案件量增长对毛利是好事,但 0.5 小时/案件的人工复核是变动成本,产能不足会把增长变成排队。
用量留存要设阈值,而不是只看「有没有调用」。一个客户每月只调用一次,技术上仍然活跃,业务上已经流失。阈值应该按产品价值单位设定:对话数、分钟数、案件数,而不是登录次数。
留存曲线的三个读数
一条留存曲线至少有三个读数,分别回答不同问题:
| 读数 | 定义 | 回答的问题 |
|---|---|---|
| 水平 | 第 12 个月存活率 | 客户资产有多厚 |
| 斜率 | 月流失率或半衰期 | 恶化有多快 |
| 形状 | 早期陡降还是后期平台 | 问题出在 onboarding 还是长期价值 |
水平决定生意的底座。90.8% 的年度留存意味着每 100 家客户一年后还剩 91 家;77.5% 意味着还剩 78 家。同样的获客投入,底座越薄,需要的新客越多。
斜率决定预警窗口。Verba 的半衰期是 32.7 个月,LumenDesk 是 86.3 个月。半衰期短的产品没有太多时间慢慢优化留存,必须在获客成本回收期内把价值验证做扎实。
形状决定动作。早期陡降说明客户在第一次价值验证时就失败了,动作在 onboarding、模板、默认配置;后期缓慢下滑说明客户用了一段时间后价值衰减,动作在功能深度、集成、成功案例。两种形状用同一套留存策略,通常两边都做不好。
留存动作要按账龄分层
留存问题在不同账龄上的解法不同:
| 账龄 | 主要风险 | 动作 |
|---|---|---|
| 0–1 个月 | 首次价值验证失败 | 引导、模板、默认配置、首周回访 |
| 2–3 个月 | 用法没有扩散到团队 | 席位扩展、用例复盘、集成 |
| 4–12 个月 | 价值衰减或预算变化 | 季度业务回顾、续约谈判、升级 |
| 12 个月以上 | 组织变动、合同到期 | 高层关系、多年合同、价格保护 |
账龄分层的目的不是把客户分成四类,而是把留存指标拆成四个可归因的窗口。第 1 个月流失高,不要去找续约团队;第 12 个月流失高,也不要指望 onboarding 能解决。每个窗口的负责人、动作和验证指标都应该不同。
留存目标要按计费结构设定
留存目标不是一个统一的百分比。它要和毛利率、CAC、回本周期一起看。LTV 的公式是:
LTV = ARPA × 毛利率 ÷ 月流失率
三家公司的参数与结果:
| 案例 | ARPA | 毛利率 | 月流失率 | LTV | CAC | LTV/CAC |
|---|---|---|---|---|---|---|
| LumenDesk | 322.80 美元 | 82.7% | 0.8% | 33,378 美元 | 1,800 美元 | 18.5 |
| Verba API | 231.72 美元 | 47.5% | 2.1% | 5,240 美元 | 420 美元 | 12.5 |
| ClausePilot | 9,240 美元 | 73.3% | 0.6% | 1,128,204 美元 | 9,500 美元 | 118.8 |
LTV/CAC 由 LTV 除以 CAC 得到:33,378 ÷ 1,800 = 18.5,5,240 ÷ 420 = 12.5,1,128,204 ÷ 9,500 = 118.8。这些比值是教学假设下的结果,不是行业基准。
比值高不代表可以放松留存。LTV 对流失率是反比关系:流失率翻倍,LTV 减半。Verba 的 LTV 只有 5,240 美元,但 CAC 也低,回本周期 3.8 个月;它能承受比 LumenDesk 更高的流失,因为回收成本更快。LumenDesk 的回本周期是 6.7 个月,CAC 1,800 美元,流失一旦上升,回收期会迅速拉长。ClausePilot 的回本周期只有 1.4 个月,但前 3 大客户收入占比 34%,留存风险集中在少数客户身上。
所以留存目标应该写成一组约束,而不是一个数字:年度客户留存下限、LTV/CAC 下限、回本周期上限、收入集中度上限。四个约束同时成立,留存才是健康的。
四个约束要写进同一张运营看板,而不是分散在财务、销售、客户成功三个系统里。留存目标一旦只挂在客户成功团队头上,产品、定价、交付就会把责任推给「客户不活跃」;只有把毛利率、CAC、回本周期和集中度一起挂上去,留存才会变成跨团队约束。
用代码计算留存曲线
下面的代码把月流失率换算成任意月后的存活率、年度留存、半衰期和 cohort 曲线。所有比率用基点表示,客户数按期望值取整。
// file: src/ops/11-1-retention-curve.ts
// tier: L1
// verify: node --test test/ops/11-1-retention-curve.test.ts
// 留存曲线:月流失率按复利折算为任意月后的存活率,并给出半衰期与 cohort 曲线。
import { type Bps } from "../core/rate.ts";
export type Cohort = {
name: string;
startAccounts: number;
monthlyChurnBps: Bps;
};
export const LUMENDESK_COHORT: Cohort = {
name: "LumenDesk",
startAccounts: 320,
monthlyChurnBps: 80,
};
export const VERBA_COHORT: Cohort = {
name: "Verba API",
startAccounts: 1_450,
monthlyChurnBps: 210,
};
export const CLAUSEPILOT_COHORT: Cohort = {
name: "ClausePilot",
startAccounts: 85,
monthlyChurnBps: 60,
};
/** 存活率(基点)= (1 - 月流失率)^月数。 */
export function survivalBps(monthlyChurnBps: Bps, months: number): Bps {
const keep = 1 - monthlyChurnBps / 10_000;
return Math.round(Math.pow(keep, months) * 10_000);
}
/** 12 个月后的客户留存率,即年度 logo 留存。 */
export function annualRetentionBps(monthlyChurnBps: Bps): Bps {
return survivalBps(monthlyChurnBps, 12);
}
/** 留存客户数按期望值四舍五入,不是对单个客户的预测。 */
export function retainedAccounts(cohort: Cohort, months: number): number {
const keep = 1 - cohort.monthlyChurnBps / 10_000;
return Math.round(cohort.startAccounts * Math.pow(keep, months));
}
/** 半衰期(月):存活率降到 50% 所需的月数,保留一位小数。 */
export function halfLifeMonths(monthlyChurnBps: Bps): number {
if (monthlyChurnBps <= 0) return Number.POSITIVE_INFINITY;
const keep = 1 - monthlyChurnBps / 10_000;
return Math.round((Math.log(0.5) / Math.log(keep)) * 10) / 10;
}
/** 从第 0 月到第 months 月的存活客户数曲线。 */
export function cohortCurve(cohort: Cohort, months: number): number[] {
const curve: number[] = [];
for (let month = 0; month <= months; month += 1) {
curve.push(retainedAccounts(cohort, month));
}
return curve;
}
测试验证的关键值:LumenDesk 12 个月存活率 9,081 个基点,即 90.8%;Verba 7,752 个基点,即 77.5%;ClausePilot 9,303 个基点,即 93.0%。第 12 个月留存客户数分别是 291、1,124、79。半衰期分别是 86.3、32.7、115.2 个月。
代码里没有「把月流失率乘以 12」的函数,是故意的。简单相乘在这个场景里是错的,留着它只会被误用。需要年度口径时,统一调用 annualRetentionBps。
还有一个细节:retainedAccounts 返回的是期望值取整,不是对单个客户的预测。320 家客户按 0.8% 流失,第 12 个月的期望值是 290.6 家,取整为 291 家。实际值会高于或低于 291,curve 描述的是 cohort 的平均行为,不是个体命运。
如果只看年度留存,会漏掉曲线形状。两家公司年度留存都是 90.8%,一家可能全年平稳,另一家可能前三个月掉 8%、后面几乎不掉。前者的动作是长期价值,后者的动作是 onboarding。年度数字相同,管理动作完全不同。
小结
- 留存要同时看客户数、收入、用量三条曲线,三者分母不同,不能互相替代。
- 月流失率按复利折算,不能简单乘 12;三案例年度留存分别是 90.8%、77.5%、93.0%。
- 半衰期把流失速度翻译成时间:LumenDesk 86.3 个月、Verba 32.7 个月、ClausePilot 115.2 个月。
- cohort 要按首月分组、同年龄比较,不能用自然月横向比较不同生命周期的客户。
- 用量留存是 AI 产品最早的预警信号,用量下滑通常早于续费决策。
- LumenDesk 的超额用量既是扩张信号也是长尾成本风险,必须和客户级毛利一起看。
- 留存目标要结合毛利率、CAC 与回本周期,写成一组约束而不是一个百分比。
- 代码用基点与整数客户数,避免浮点比较;曲线描述 cohort 期望,不是个体命运。
阅读导航:上一节:10.3 预警:成本、流失、超额 · 下一节:11.2 净收入留存与用量扩张 。
常见错误与边界
- 把月流失率乘以 12 当年度流失,忽略复利;Verba 会从 22.5% 高估到 25.2%。
- 用自然月横向比较不同 cohort,把新客的早期流失误判为整体留存恶化。
- 只看客户留存,不看收入留存与用量留存,续费前才发现用量已经归零。
- 把用量增长直接当成留存改善,忽略增长可能来自少数长尾客户并推高变动成本。
- 把 LTV/CAC 当成越高越好,忽略假设敏感性;流失率翻倍时 LTV 减半。
- 用单个客户的实际留存去验证曲线,曲线描述的是 cohort 期望,不是个体命运。
继续阅读
探索更多技术文章
浏览归档,发现更多关于系统设计、工具链和工程实践的内容。