LookWorldPro 的老客户统计要点是把“谁是老用户”和“他们值多少钱”分开看：先用明确时间窗口和分层（留存、复购、流失），再用RFM、队列与LTV模型量化价值，最后把渠道、使用场景和满意度一起对照，才能把数据变成可执行的运营动作。
先说为什么——老客户统计到底解决什么问题
别把老客户统计当成冷冰冰的报表，它的核心任务只有两件事：一，判定哪些用户仍然活跃、哪些在流失；二，衡量这些用户带来的真实价值（短期与长期）。对LookWorldPro这种翻译类/工具类产品来说，老客户决定了留存率、口碑和持续付费——这三者直接影响获客成本是否能被回收。
想法拆成小块来讲（费曼法）
- 第一块：定义“老客户” —— 是30天后仍使用的用户？还是曾付费且7天内再使用？不同定义影响结论。
- 第二块：量化价值 —— 用ARPU/LTV把情感化的“忠诚”变成可比数字。
- 第三块：分群与归因 —— 全体看不出细节，要按渠道、使用频次、付费类型分群看。
关键指标（你必须会看、会算、会解读）
下面是最常用的指标，既要知道它们怎么算，也要知道它们“骗你”的方式（后面会说）。
| 指标 | 含义 | 常用公式 |
| 留存率（Retention） | 在某时间窗口后仍使用的用户比例 | 留存率 = 某日/某周期仍活跃用户 ÷ 初始用户数 |
| 流失率（Churn） | 在窗口内不再访问/使用的用户比例 | 流失率 = 1 – 留存率（常按月或周计算） |
| 复购率 / 再次使用率 | 首次使用后再次使用或付费的比例 | 复购率 = 再次付费/首次付费用户数 |
| ARPU | 平均每用户收入（短期） | ARPU = 总收入 ÷ 活跃用户数（某周期） |
| LTV | 用户在生命周期内的预期总价值 | LTV ≈ ARPU × 平均生命周期（月）或用留存折现模型 |
| NPS / CSAT | 满意度/推荐意愿，解释留存的感性原因 | 问卷得分统计 |
一步步来看：如何做老客户统计（实操流程）
下面把流程拆成具体可执行的步骤，像做菜一样，一步步来：
第一步：先定义好时间窗口和“老客户”的口径
- 工具类产品通常用7/30/90天这样的窗口分别衡量短中长期留存。
- 如果要衡量付费忠诚，老客户可以定义为“30天内至少付费两次”或“曾订阅且断开后30天内恢复”。
- 务必在所有表里统一口径，否则比来比去没意义。
第二步：做队列（Cohort）分析，而不是单点看日活
队列能帮你分辨是“所有用户都变差”还是“新来的用户更差”。典型做法：
- 按周或月把新用户分组（例如2026-03一批、2026-04一批）。
- 跟踪每批在后续7/30/90天的留存率。
- 把曲线画出来，观察拐点（比如第3天骤降说明体验问题，第30天骤降提示价值传递不足）。
第三步：用RFM与分层模型找“高价值老客户”
RFM（最近一次使用Recency、频率Frequency、货币价值Monetary）对付费或高频使用场景特别有效。
- 给每个维度打分（如1-5），合成R+F+M得分，按得分分层。
- 高R/highF/highM是种子用户，适合邀请做付费促销或口碑传播。
具体数字示例（基于LookWorldPro场景）
假设一个月内新装用户10000人，关注“付费用户留存与LTV”的场景：
| 指标 | 数值 |
| 当月新用户 | 10,000 |
| 7日留存 | 25% → 2,500 |
| 30日留存 | 12% → 1,200 |
| 当月付费用户 | 600（付费率6%） |
| 平均每付费用户当月收入（ARPPU） | ¥50 |
从上面可以推算：当月ARPU = 总收入(600*50=¥30,000) ÷ 活跃用户（假设活跃为3,000）≈ ¥10。若30日留存是12%，仍需评估这些留存用户的长期付费概率以估算LTV（例如，若平均生命周期为6个月且ARPU稳定，LTV≈¥10×6=¥60）。这些数字直观告诉你：需要提高初期体验（把7日留存从25%提升到35%）或提高付费转化才能显著提升LTV。
如何把结论变成行动（不要只画图）
- 分渠道看留存：自然下载、付费渠道、合作推广在留存上往往差异巨大。优先放资源给高质量渠道。
- 针对不同分层推送不同策略：高LTV用户可做高级功能试用/续费提醒，低频用户做激活任务与提醒。
- 设计小规模A/B实验验证假设（比如新手引导改版能否提升第3天留存）。
- 用NPS与用户反馈找留存下降的原因（是翻译质量？界面？订阅门槛？）。
常见陷阱（别被数据忽悠）
- 指标口径不一致：不同团队用不同的“活跃”定义会导致互相矛盾的结论。
- 只看均值：ARPU掩盖了小部分大付费用户的事实，RFM/分位数更真实。
- 忽略时序与季节：节假日或促销会短期提升留存或付费，不能据此断定长期趋势。
- 把相关当因果：渠道A用户留存更高，可能是用户画像不同，不一定是渠道更好。
工具与可视化建议（干活儿的细节）
不用复杂，自制也行：
- 队列和留存：Excel/Google Sheets 能做基本队列；复杂点用Looker、Metabase、Tableau。
- LTV 模型：如果不想建复杂模型，可以用简单的留存×ARPU估算；长期建议用折现现金流模型。
- 用户分层：SQL 输出RFM表后用可视化工具做漏斗与分层热图。
一个小技巧（我常用，随手就能做）
把新用户按首次激活日分成周队列，然后每周计算7日留存和首周付费率，连续4周，如果7日留存提升了2个百分点以上，说明新引导或营销起效；如果首周付费上升但30日留存不涨，说明你把人“骗”来付了钱，但没把价值留住（先拉来后流失，是危险信号）。
把数据讲成故事（给运营/产品/市场看的报告结构）
- 核心发现（1-2句）——例如：30日留存从10%降到7%。
- 证据链（数据与队列图）——不同渠道与分群的对比。
- 假设（为什么会这样）——如新版本引导删减或付费墙位置变动。
- 实验建议与优先级——短期修正、长期产品优化。
最后一点：把用户价值和体验放在同等重要的位置
技术上你可以把所有用户分到数学上漂亮的群组里，但如果不去理解他们为什么使用翻译工具（旅行？工作？学习？），统计数据就会缺乏指导性。把定量（留存/ARPU）和定性（NPS/访谈）结合，这是最实际也最容易被忽略的一步。
好，按上面方法去做一次老客户分析：先统一口径，做队列，分层，输出3个可执行结论，再跑一个小规模A/B实验去验证。做完你可能会发现一些意外的高价值用户（总有惊喜），也可能发现一些令人头疼的问题（那就修复）。就这样，边做边改，数据会把路照出来。