员工跳槽后账号还在用，算留存还是流失？Amplitude 给出了新答案
用户更换组织是否算留存取决于定义标准：Amplitude 将同组织持续定义为 Retention，而将跨组织但同类别的持续定义为 Persistence。
为什么“员工跳槽”会让留存率计算陷入争议？
员工跳槽导致数据归属模糊，引发传统生命周期分析中关于账号活跃究竟代表留住客户还是流失客户的逻辑争议。
当一名核心员工从 A 公司离职，转身加入 B 公司却依然在使用同一家 SaaS 软件时，数据分析师往往会被困在逻辑死胡同里。这个看似简单的归属问题，直接挑战了我们对用户生命周期分析的传统认知：他的账号依然活跃，这究竟算作“留住了”，还是已经“流失”了？
争议的根源在于对“持续”二字的定义模糊。如果将“持续”狭隘地理解为继续向原企业付费，那么用户一旦离职，数据上即刻归零；但若将视角拉大，关注用户是否仍在行业内保持使用习惯，他其实依然是高价值群体。若不明确对象定义，Amplitude retention persistence 的逻辑差异就会让留存率变成一个误导性的数字，既无法反映真实的商业健康度，更会误导运营策略[1]。
这里隐藏着一个常被忽略的语境：在 SaaS 行业早期，产品主要卖给“组织”，因此“人走茶凉”是常态；但在现代协作工具普及后，个人技能与工具的绑定越来越紧密，导致“人走号还在”成为普遍现象。这种业务模式的变迁，使得旧有的以“组织”为唯一锚点的留存模型，开始失效。如果不意识到这一点，单纯纠结于数据涨跌，往往会掩盖产品真实的市场渗透力。
活跃状态的三重维度：登录、购买与订阅
要解开这个死结，首先得厘清“活跃”到底指什么。在复杂的客户场景中，活跃状态至少包含三种截然不同的维度：登录型、购买型与持续付费型[1]。
登录型关注的是访问行为，只要用户打开系统就算活跃；购买型聚焦于交易动作，只有产生支付才算数；而持续付费型则更接近订阅关系的延续，强调长期契约的存续。这三种指标在逻辑上互不兼容，却常被混为一谈。例如，某员工虽已离职（购买关系断裂），但新东家仍采购了服务（购买关系延续），或者他个人账号仍可登录（访问行为存在）。
若在不说明口径的情况下互相替代，结果往往南辕北辙。员工或学生场景下的活跃定义更是千差万别，不能简单套用通用模板[1]。一旦混淆这三者，所谓的“留存率”就变成了一团模糊的迷雾，既无法指导实际的运营策略，也无法准确评估产品价值。
拆解 Amplitude 方案：Retention 与 Persistence 的本质分野
Amplitude 方案通过拆分概念解决判定难题：Retention 要求用户留在原组织，Persistence 仅关注用户是否处于同一需求类别。
当用户从 A 公司离职并加入 B 公司，且两家公司处于同一行业时，该用户的“留存”状态究竟该如何判定？Amplitude 给出的答案是将“同组织留存”与“同类别持续”拆分为两个独立概念。前者要求用户必须仍属于同一个组织实体，后者则只关注用户是否仍处于同一类别，哪怕已经更换了雇主[1]。这种区分并非为了制造新的标准，而是为了解决用户生命周期分析中关于“持续”定义的模糊地带：用户关系的延续，究竟是指继续使用同一产品、继续向同一企业付费，还是继续保持某种需求状态？
当用户跳槽时：Retention 失效还是 Persistence 生效？
在具体的业务场景中，这两种定义导向截然不同的结论。假设一名用户从竞争对手的 A 公司跳槽至 B 公司，若 B 公司与 A 公司属同类别，传统的 Retention 指标会显示该用户已流失，因为组织实体发生了变更；而 Persistence 指标则会判定该用户依然“持续”，因为其核心需求状态未变[1]。这种定义差异直接决定了数据压缩后的结果，进而影响对真实用户价值的判断。
下表展示了两种视角在具体场景下的逻辑分歧：
| 对比维度 | Retention（同组织留存） | Persistence（同类别持续） |
|---|---|---|
| 核心判定依据 | 用户所属的组织实体是否变更 | 用户所处的行业或需求类别是否变更 |
| 用户跳槽场景 | 视为流失（组织变了） | 视为持续（需求还在） |
| 关注焦点 | 客户粘性与存量维护 | 市场渗透力与需求覆盖 |
| 数据口径来源 | 单一供应商页面提出的概念[1] | 同一来源，作为补充视角[1] |
| 适用决策目标 | 评估现有客户粘性 | 评估整体市场需求的稳定性 |
这种区分的价值在于它揭示了单一指标的局限性。Amplitude 提出的这一框架源自单一供应商页面，尚不能视为跨行业的通行标准[1]。但它极具启发意义：企业需根据业务目标选择视角。如果目标是提升现有客户的粘性，Retention 是更精准的标尺；如果目标是衡量产品在市场上的渗透力和需求广度，Persistence 则更能反映真实情况。
此外，活跃状态的三重定义也加剧了这一复杂性。在客户场景中，活跃可以指登录、购买或持续付费；而在员工和学生场景下，则需要采用各自的持续状态定义[1]。这意味着“活跃用户”不是跨业务天然一致的实体。登录型活跃衡量访问行为，购买型活跃衡量交易行为，持续付费型活跃则更接近订阅关系的延续；三种指标可以并列报告，但不应在没有说明口径的情况下互相替代。
一个值得深入的具体案例是项目管理工具领域。 许多团队曾发现，当某项目经理跳槽到一家采用不同管理流程的新公司时，虽然他在原公司的账户不再产生新的项目（Retention 下降），但他在新公司依然高频使用该软件进行任务分配和文档协作（Persistence 上升）。如果仅看 Retention，这家工具厂商会误判为“大客户流失”并启动昂贵的挽留计划；而结合 Persistence 视角，厂商会发现该产品实际上成功完成了“跨组织渗透”，甚至可能通过该员工的推荐，在新公司获得整个团队的批量采购。这种“人员流动即市场扩张”的现象，正是传统 Retention 模型无法捕捉的盲区。
如何正确看待回流用户与总体留存公式的局限？
总体留存公式试图剔除新增客户以聚焦老客去留，但因缺乏刻度无法兼容队列、活动或滚动等多种严格计算方式。
Amplitude 曾提出一个看似精妙的总体留存率公式：用期末客户数减去新增客户，再除以期初客户数。这个设计的初衷很明确，就是要把期间涌入的新面孔剔除，只盯着老客户的去留[1]。但问题在于，这套逻辑在实际应用中却像一把没有刻度的尺子。现有证据并未验证该公式能否兼容严格队列留存、活动留存或滚动留存等不同计算方式。你不能因为两个指标都挂着”Retention”的名头，就理所当然地认为它们可以直接横向对比。
更深层的隐患藏在“回流”这两个字上。当一个曾经离开的用户重新出现，他究竟属于谁？是回到最初的原始队列继续被追踪，还是进入一个新的“回流队列”，亦或是被标记为完全独立的个体？目前的材料对此语焉不详，缺乏统一的归属标准[2][3][1][4]。这种模糊性极易导致误判。比如，一次短暂的登录回访可能被算法误读为生命周期的全面恢复，从而掩盖了用户关系的脆弱本质。
为了看清真相，报告不能只给一个笼统的数字。你需要同时保留三组数据：原始队列的留存表现、当期的回流率以及当前的活跃状态。这就像医生看体检报告，不能只看“是否健康”这一项结论，必须结合各项具体指标综合判断。只有把这三者并列呈现，才能避免将一次偶然的回访误当作关系的真正修复。
| 数据维度 | 关注核心 | 潜在风险 | 适用场景 |
|---|---|---|---|
| 原始队列留存 | 初始用户的持续度 | 忽略回流干扰，可能低估真实粘性 | 评估产品长期价值 |
| 当期回流率 | 流失用户的回归情况 | 单次回访易被高估为关系恢复 | 分析召回策略效果 |
| 当前活跃率 | 全量用户的实时状态 | 无法区分新老用户贡献占比 | 监控日常运营健康度 |
针对上述困境，这里有一条可落地的操作建议： 在构建数据看板时，不要试图用一个“总留存率”来概括一切。请强制建立三个独立的仪表盘视图：第一个视图严格锁定“期初组织 ID”，用于考核销售和客户成功团队的存量维护能力；第二个视图基于“用户 ID + 行业标签”计算 Persistence，用于评估产品在市场中的真实影响力；第三个视图专门追踪“回流事件”，记录回流用户首次活跃的时间点和后续行为路径。通过将这三个维度的数据物理隔离展示，可以避免管理层因单一数字的波动而产生误判，也能让不同职能的团队找到各自的责任边界。
在规则尚未统一前，这种多维度的拆解是唯一能还原事实真相的方法。
结论：在“更换组织”的模糊地带中建立清晰的评估标准
评估标准需明确区分组织归属与需求状态，承认单一指标无法覆盖复杂生命周期，避免被表面一致的数据误导。
用户更换组织是否算留存，核心分歧在于你定义的“持续”究竟指向组织归属，还是需求状态。Amplitude 将前者称为 retention，后者定义为 persistence[1]。前者要求用户仍属于同一企业，后者则承认用户可能跳槽，只要仍在同类需求场景中即视为延续。这种区分揭示了单一指标无法覆盖复杂生命周期的真相，也提醒我们在做用户生命周期分析时，必须警惕数据的表面一致性。
给数据分析师的避坑清单
面对规则尚未统一的现状，盲目追求单一数字极易导致误判。建议采取以下行动准则：
| 检查维度 | 关键动作 | 常见误区 |
|---|---|---|
| 定义口径 | 明确公式中的对象、时间窗口及新增客户识别方式 | 混用不同场景下的活跃定义（如登录与购买）[1] |
| 回流逻辑 | 单独规定回流用户的归属队列，避免简单合并 | 将短暂回访误读为生命周期关系恢复[2][3] |
| 报告策略 | 并行展示 Retention、Persistence 与回流率 | 试图用一个综合指标掩盖行为差异 |
厘清这些定义并非为了制造复杂的报表，而是为了更精准地指导产品迭代与商业策略。拒绝为了凑数而强行合并或拆分章节，确保每个指标背后都有明确的业务含义支撑。在规则定型前，多维度报告是规避认知偏差的最严谨做法。
FAQ：关于留存计算的常见问题
Q: 如果用户换了公司但还在用我们的软件，我的 Retention 数据会不会很难看？ A: 是的，如果你只统计 Retention（同组织留存），用户跳槽会导致数据骤降。但这并不代表产品失去了价值。此时应参考 Persistence（同类别持续）指标，它能更客观地反映产品在行业内的实际渗透情况。
Q: “回流用户”应该算作新用户还是老用户？ A: 这是一个灰色地带。目前并没有统一标准。为了避免误判，建议不要简单地将回流用户归入任意一方，而是单独设立“回流队列”进行追踪，观察其活跃度是否达到稳定水平，再决定后续的分析逻辑。
Q: 为什么不同的工具算出来的留存率差别这么大？ A: 核心原因在于对“活跃”的定义不同。有的工具只看登录，有的只看付费，还有的结合了订阅状态。在对比数据前，务必先确认对方使用的口径（Active Definition），否则就是在拿苹果和橘子做比较。
参考来源
- Retention Rate: Complete Definition & Calculation Guide · https://amplitude.com/explore/growth/retention-rate（B级）
- What Is Cohort Retention? Definition and Related Resources | Amplitude · https://amplitude.com/glossary/terms/cohort-retention（B级）
- What Is Cohort Retention Analysis: Essential Metrics Guide · https://amplitude.com/explore/analytics/cohort-retention-analysis（B级）
- Cohort Retention Analysis: Reduce Churn Using Customer Data · https://amplitude.com/blog/cohorts-to-improve-your-retention（B级）