留存分析在2026年成为经营核心指标
- 年日本 SaaS 市场中，新客获取单价上涨、广告渠道饱和，「靠新增用户增长」的策略几乎已难以成立。2023年时月度 CAC（客户获取成本）在40万日元左右的 B2B SaaS，到2026年已膨胀至80万至120万日元。结果是：为将 LTV/CAC 比维持在3倍以上，改善留存几乎成为唯一的生存策略。
留存分析并非简单地「查看续费率图表」。需要将同期群留存（Cohort Retention）、快速比率（Quick Ratio）、高活跃用户曲线（Power User Curves）、北极星指标（North Star Metric）四者系统组合，再延伸至以解约预测模型对个别用户进行干预的完整体系设计。本文将结合日本 SaaS 的实际案例，对这一整体框架进行解析。
同期群留存：横向与纵向的读法
同期群留存的基本逻辑，是将用户按「注册月」分组，排列出随月份推移的续费率表格。横向读取同一同期群的时间序列是否稳定，纵向读取同一月份不同同期群之间是否呈现改善趋势，需分开解读。
- 年解读的重要关注点是「Smile Curve（微笑曲线）」的存在。B2B SaaS 中，续费率往往在第3至4个月触底，随后缓慢回升，这种曲线形态时有出现。机制在于「会流失的用户早期就已流失，留下的用户参与度逐步提升」。出现 Smile Curve 的产品，是接近产品市场契合（PMF）的信号；反之若呈单调下降，则说明核心价值未能传递。
需要警惕的陷阱是「生存者偏差（Survivorship Bias）」。长期同期群（如12个月以上）的样本量偏小，未包含已流失的大多数，导致留存曲线过于乐观。至少应在每个时间点同时标注样本量 n，并对 n<100 的单元格进行灰色处理，这是行业惯例。
快速比率：成长健康性指标
快速比率（Quick Ratio）是一张图呈现 SaaS 成长健康度的指标，计算公式如下：`Quick Ratio = (新增 MRR + 扩张 MRR) / (流失 MRR + 收缩 MRR)`。低于1.0为萎缩，高于1.0为增长，4.0以上为优质。
- 年日本 SaaS 的快速比率均值已降至2.1（野村综研报告，2026年3月）。原因是新增获客放缓与现有客户收缩（降级）同步进行。改善快速比率时，相比扩大分子（新增 + 扩张），压缩分母（流失 + 收缩）往往投入产出比更高。
按「细分市场」拆解查看快速比率，也是2026年的标准做法。按企业规模、套餐、行业分别计算，就会发现整体虽是2.0，但企业级细分市场可达5.0，中小企业细分市场仅为0.8。后者可据此主动收缩，前者集中加大投入，从而形成清晰的经营判断依据。
参与度：证据权重法与高活跃用户曲线
衡量用户参与度时，简单的「登录次数」或「会话数」已不足够。2026年的标准是采用证据权重法（Weight-of-Evidence，WoE）变换，从「解约概率」角度将多项行为指标整合为综合评分。
具体方法是，基于过去6个月的数据，计算「执行某行为的用户解约率」与「未执行该行为的用户解约率」的对数优势比，为每项行为分配 WoE 分值，汇总后作为「参与度评分」。这一方法的优势在于，与单纯基于频率的指标相比，与解约的相关性显著更强。
高活跃用户曲线（Power User Curves）是将用户「月内活跃天数分布」以直方图可视化的方法。横轴为月内活跃天数（1至30天），纵轴为用户数，理想形态是右侧（高频）占比厚实的「微笑分布」。对于 Slack / Notion / Figma 这类日频使用型产品，月内30天活跃用户比例超过15%，即视为强参与度。
L7 / L28 是 Facebook 源起的指标：L7 是过去28天内活跃天数的周均值，L28 是过去28天的活跃天数本身。当 L28/28 = 1.0（每日活跃）的用户占全体10%以上，可判断该产品已融入「日常习惯」。周频型 SaaS（如会计、HR）则用 L4/4 替代。
北极星指标设计实战
北极星指标（North Star Metric，NSM）是组织共同追踪的单一数值，近似于「产品向客户传递的价值总量」。设计原则有三：其一，包含「频率 × 广度 × 深度」三个轴；其二，是「收入的先行指标」；其三，以「用户侧行为」为轴（而非收入本身）。
反例：「DAU（日活跃用户数）」——仅凭登录无法衡量价值传递。正例：Airbnb 的「已预订夜数」、Slack 的「付费团队中发送的消息数」、Zoom 的「每周会议分钟数」。这些指标同时捕捉频率、广度与深度，与收入之间存在强相关。
日本 SaaS 的设计案例：发票 SaaS 可选「月度已处理发票数 × 活跃企业数」，人才管理 SaaS 可选「月度完成1对1次数 × 经理与成员配对数」，电商 SaaS 可选「月度完成订单数 × 入驻商家数」。确定 NSM 后，固定显示在仪表板最上方，并作为全司周会的第一议题，这种治理方式效果明显。
日本 SaaS 解约预测模型：XGBoost 与 Causal Forest
解约预测是对「未来30天内解约的概率」进行个体用户单位的推断模型。2026年的主流是 XGBoost（100至300个特征）或 Causal Forest（附带干预效果估计）两种方案。
XGBoost 模型的特征设计分为四大类：一是使用频率类（L28、近7/28/90天差分）；二是功能覆盖度类（使用的功能种类数、核心功能使用频率）；三是组织类（合同期限、用户数变化、付款延迟记录）；四是支持类（工单数、NPS、CS 会议次数）。
模型评估不采用简单的 Accuracy，而采用 PR-AUC（Precision-Recall AUC）。解约属于类别不均衡问题（典型情况下阳性类低于10%），ROC-AUC 会使结果看起来虚高。2026年成熟 SaaS 的解约预测模型，PR-AUC 在0.45至0.60、Recall@20% 在55至70% 之间，属于实用水准。
Causal Forest 在解约预测的基础上更进一步，可对「哪种干预（CS 面谈 / 折扣 / 功能建议）对哪位用户最有效」进行个体估计。可通过 EconML（Microsoft 出品的开源工具）或 GrowthBook 的 Causal ML 功能实现。实施成本高于简单的解约预测，但干预 ROI 得以清晰可视化，可从根本上重新规划 CS 团队的工作分配。
解约预测模型运营中的常见陷阱
在正式运营解约预测模型时，有三个常见陷阱。第一是「反馈回路（Feedback Loop）」：对解约预测中被标记为高风险的用户，CS 团队介入并成功防止解约后，该用户在下个月会被记录为「未解约」并作为模型学习数据。如此一来，下次将被判定为低风险，不再介入，结果真的解约。要避免这一恶性循环，需将干预历史本身作为特征显式纳入，切换为考虑反事实的学习方式。
第二是「概念漂移（Concept Drift）」：每当产品进行 UI 变更、价格调整、功能新增时，特征与解约的关系就会改变。模型至少需每月重新训练，当预测性能（PR-AUC、校准度）低于阈值时自动触发告警，这是必须建立的运营机制。
第三是「干预能力的限制」：即使模型每月识别出100个高风险用户，CS 团队实际能干预的若只有30个，则需要另行建立优先级排序逻辑。这正是 Causal Forest「干预效果大小」发挥作用之处——以解约概率 × 干预效果的乘积即「干预预期提升」进行排序，是2026年的标准做法。
实施技术栈的现实方案
- 年日本 SaaS 留存分析的推荐实施技术栈如下：数据基础设施选 BigQuery 或 Snowflake；事件采集选 PostHog 或 Segment + Snowplow；留存仪表板选 Hex 或 Mode（SQL+Python）；解约预测模型选 Vertex AI / SageMaker 的 AutoML，或自建 XGBoost + MLflow 管理；CS 侧干预工作流选 Catalyst、Vitally 或自研工具。
该组合下，人力成本与基础设施费用合计，年营收30亿至50亿日元规模的 SaaS 年度总成本约在3,000万至5,000万日元。从 LTV/CAC 改善效果来看，半年内回收投资的案例较为普遍。
2026年留存分析检查清单
- 同期群留存必须按「注册月」、「套餐」、「细分市场」进行多维拆解
- 按细分市场拆解快速比率，明确应主动收缩的细分市场
- 结合高活跃用户曲线与 L28，判断日频/周频的参与类型
- 北极星指标以「频率 × 广度 × 深度」设计，作为全司周会的第一议题
- 解约预测模型以 PR-AUC 与校准度评估，每月重新训练
- 以 Causal Forest 进行个体干预效果估计，CS 工作量按预期提升排序
- 为避免反馈回路，将干预历史纳入特征
留存分析在2026年，已从「产品管理的核心」跃升为「经营管理的核心」。在新客获取单价持续上涨的市场中，唯有将每一位现有客户的行为建模并逐一优化的组织，才能生存下去。