用户留存往往是用户核心关注的指标，为了满足快速生成留存率的需求，我们提供了留存分析模型；而留存分析模型也成为了数据分析中常用的模型，可以衡量不同批次新增用户的数据表现，比如次留、三留、七留等留存率指标都可以使用留存分析模型生成，您只需几次点击就可分析一段时间内，完成某项初始事件用户的回访情况，从而进行产品优化和策略调整。
在留存分析模型中，您可以快速得到下面问题的答案：
- 每天新注册的用户，在次日/3日/7日活跃的比例有多少？
- 过去一段时间内，新用户的7日LTV表现如何？
- 各广告渠道的ROI的变化趋势是怎样的？
留存快速应用
在进行分析前，需要先确定分析的主体是什么，不同的分析主体代表不同的留存视角。举例来说，您可能希望查看游戏内角色的留存情况，或者分析账号的次日留存。
如果您希望分析的是新增账号在次日/三日/七日或更长时间是否活跃的情况，可以进行如下配置：
- 初始事件：代表新增的事件，如注册/安装
- 回访事件：代表活跃的事件，如启动/登录
留存分析默认以“日”为单位进行分析，您也可以选择按周、按月进行分析，即在某周/月完成了初始事件的分析主体在后续第N周/月是否有完成回访事件，得到第N周/月留存。
配置好初始/回访事件后，留存分析模型会自动生成第N日/周/月的留存人数、留存率、流失人数、流失率指标。留存和流失定义如下：
- 留存：某天完成了初始事件的分析主体，在初始事件日期后的第N日有完成回访事件，即为第N日的“留存用户”。
- 流失：某天完成了初始事件的分析主体，在初始事件日期后的第 1 日至第 N 日都没有完成“回访事件”，即为第 N 日的“流失用户”。
您还可以开启“同时展示”进行进一步分析，计算完成了回访事件的用户的其他指标，如计算LTV及ROI。
您也可以通过筛选过滤数据，或者通过分组项对比分析。
留存分析和事件分析不同，如果您使用的分组项是事件属性或者标签的动态匹配，仅会取分析主体首次触发初始事件时对应的分组值作为用户标识，即一个分析主体在时间范围内仅会属于一个分组项。
如果用户在1月1日~1月7日的7日活跃留存，分析时按事件属性VIP等级分组。加入用户在7天内每天都有完成登录事件，并且VIP等级各不相同，该用户也只会按照1月1日当天首次触发登录事件时的VIP等级对应的分组。
留存数据的可视化
留存分析支持多种可视化展示样式，默认以表格展示。
- 表格
每个单元格展示在某个初始日期下，第N日的留存人数/留存率，鼠标移动上去可查看对应说明。根据留存/流失率的大小，每个单元格都会用不同深浅的蓝色填充，便于快速定位异常日期。
表格首行展示时间范围内的阶段值数据；从第二行开始，将会展示每日/周/月的留存/流失情况。如果您有配置分组项，可以点击+号在弹窗中查看该日期下不同分组的数据表现。
需要注意的是，涉及到“今天”的单元格会带有星号(*)，表示数据仍在变化中。
- 第N日留存
第N日留存以折线图的形式展示第N日的留存/流失指标随时间变化的趋势，相比表格您可以更容易发现存在异常的初始事件日期。
第N日留存的X轴为初始事件日期，每条折线代表一个分组项的数据。
- 每日留存
通过每日留存，您可以对比不同日期完成初始事件的用户，在后续第1日、第2日……的留存率情况。
和第N日留存不同，每日留存的X轴为第N日，每条折线代表一个初始事件日期。如果您有配置分组项，则每条折线代表一个分组项的阶段值数据。