一个做社区团购的朋友上个月跑来问我一个问题：他们小程序每天的UV在涨，从3000涨到了4500，老板觉得增长不错。但他拆开一看，新用户从每天400人涨到了800人，老用户从每天2600人跌到了2000人。新用户翻了一倍，老用户掉了四分之一。总UV涨了50%，看起来一片大好，但老用户活跃度在持续下滑——这意味着拉新的钱花出去了，老用户却在悄悄流失，总盘子其实在缩水。不看新老用户拆分，只看总UV和总GMV，就是典型的"被增长数字骗了还不知道"。新老用户分析这件事，到底要拆哪些维度才不会被表面数字骗？不同的行业定义新用户的标准一样吗？市面上有哪些工具能自动做这件事，自建的话用SQL怎么搭？
新老用户分析的六个核心维度，四个工具层级从免费到付费
不拆新老用户看总数据，跟闭着眼睛开车没区别
| 分析维度 | 核心问题 | 看什么指标 | 最常见的误判 |
| 新用户来源质量 | 拉来的新用户是真实目标用户还是羊毛党？ | 次留率、7日留存率、首单转化率、激活率 | 只盯新增量不看留存，投了一万块拉来五千人，七天之后还剩五十个 |
| 老用户活跃趋势 | 老用户是不是越来越不爱来了？ | DAU老用户占比、老用户活跃频次、月活/日活比 | 总DAU在涨就觉得老用户也没问题，其实新用户增量掩盖了老用户流失 |
| 新老用户价值对比 | 花在新用户上的钱划算还是花在老用户上划算？ | 新用户CAC、老用户维系成本、新老用户ARPU对比 | 默认"拉新比维护老用户贵"，但有的行业老用户补贴成本比拉新还高 |
| 新用户转化路径 | 新用户从注册到核心行为走了几步、卡在哪？ | 注册到激活转化率、各步骤漏斗、首次核心行为时长 | 只做整体漏斗不看新老拆分，老用户的数据拉平了新用户的转化瓶颈 |
| 老用户流失预警 | 哪些老用户快要走了、走之前有什么信号？ | 最近访问间隔、活跃频次变化率、客单价变化 | 用户已经30天不来了才标记为流失，这时做挽回基本没用了 |
| 新老用户结构健康度 | 整个用户池子里新老比例健康吗？ | 新老用户比、用户生命周期阶段分布 | 新用户占比太高（70%+）说明留不住人，老用户占比太高（90%+）说明增长停滞 |
一、新用户的定义，不同行业差了一个量级
新老用户分析的第一个坑就是定义。"新用户"在不同行业、不同产品里的含义完全不一样，定义错了后面的所有分析都是歪的。
定义新用户之前必须回答三个问题：以什么行为作为"首次"的标记（注册？访问？下单？激活核心功能？）、新用户的观察窗口是多久（注册当天？注册后7天？注册后30天？）、什么条件下从"新用户"转为"老用户"（时间门槛？行为门槛？还是两者结合？）。这三个问题不统一，同一个数据不同人分析出来的结论可以完全相反。
二、新用户分析，别只盯着新增量看，要看"来了之后发生了什么"
拉新数据好看但业务没增长，问题出在新用户的质量上。新用户分析的核心指标不是"来了多少人"，而是"留下来多少人"和"留下来的人做了什么"。
新用户质量评估的四层漏斗
| 层级 | 指标 | 计算方式 | 健康的基准线 |
| 到达 | 渠道点击→下载/注册转化率 | 下载量 / 广告点击量 | 信息流广告 5%-15%，搜索广告 15%-30% |
| 激活 | 注册→首次核心行为转化率 | 完成核心行为的用户 / 注册用户 | 内容产品>60%，工具产品>40%，交易产品>25% |
| 留存 | 次日留存率 / 7日留存率 | 第N天回访用户 / 当天新增用户 | 次日留存>40%及格、>60%优秀；7日留存>20%及格 |
| 变现 | 新用户首单转化率 / 首单金额 | 首单用户 / 新增用户 | 电商首单率>5%，SaaS试用→付费>15% |
这四层漏斗里，最常见的问题出在"激活"到"留存"这一段。新用户注册了但没有完成核心行为——社区类产品没有发过第一篇帖子、工具类产品没有用过核心功能、电商类产品没有加过购物车——这类"注册了但没激活"的用户，在次日留存统计里基本上全部流失。他们的存在会把整体留存率拉低10-20个百分点，让你误以为产品留存很差，实际上是激活环节没做好。
做新用户分析时，把"已激活"和"未激活"的新用户拆开看留存，才能定位问题到底是在激活转化上还是在产品留存本身上。很多团队花大量时间优化产品功能想提升留存，结果发现只要把新手引导流程改短两步，激活率从45%提到68%，整体次日留存就从28%涨到了38%。改的是激活环节，提升的却是留存指标。
三、老用户分析，拆成活跃度分层比看一个平均数有用十倍
老用户分析最常见的做法是算一个"老用户月活人数"或者"老用户平均访问频次"，然后每个月盯着这个数字看涨跌。但一个平均数掩盖了太多信息——同样是月活10万老用户，可能是8万低频用户（每月来1-2次）+ 2万高频用户（每天都来），也可能是5万中频+5万高频。两种结构对应的运营策略完全不同。
老用户活跃度分层模型
| 分层 | 定义（月维度） | 典型占比 | 运营策略 | 危险信号 |
| 核心用户 | 月访问≥20天 | 5%-10% | 专属权益、内测邀请、社群维护 | 这个群体缩小，说明产品核心价值在衰减 |
| 活跃用户 | 月访问10-19天 | 15%-20% | 功能更新推送、会员体系、积分激励 | 向低频滑落的速度加快了 |
| 中频用户 | 月访问3-9天 | 25%-30% | 个性化推荐、场景触发提醒、内容唤醒 | 访问间隔从每周变成每两周 |
| 低频/沉睡 | 月访问1-2天 | 30%-40% | Push召回、短信/邮件触达、优惠券刺激 | 连续两个月低频，下个月大概率流失 |
| 流失 | 月访问0天 | 10%-20% | 大力度召回（红包/免费试用），超过90天放弃 | 90天以上未访问，挽回成本已经超过拉新成本 |
这个分层模型的关键不是分层本身，是每个月追踪各层之间的人口流动。上个月的核心用户这个月有多少掉到了活跃用户？上个月的中频用户有多少升到了活跃？如果"核心→活跃"的滑落比例突然从5%涨到15%，说明产品最近的改动可能伤害了核心用户的体验，需要立刻排查。
四、CAC和LTV分开算新老用户，才发现钱花在哪了
很多公司算CAC（用户获取成本）和LTV（用户生命周期价值）时不分新老用户，直接一个总数除以总用户。这个算法掩盖了一个关键问题：老用户的维系成本到底是多少？维持一个老用户和获取一个新用户，哪个更贵？
以那家社区团购平台的实际数据为例：
老用户的维系成本（¥6/月）远低于拉新成本（¥28），但老用户因为熟悉优惠机制，客单价反而比新用户低17%。这说明不是所有行业的"维护老用户一定比拉新划算"这个结论都成立。这个平台如果把预算从拉新砍掉一部分加到老用户补贴上，老用户的客单价可能被补贴拉得更低，ARPU不升反降。
正确的新老用户价值对比应该是：分渠道看新用户CAC（百度竞价的新用户CAC ¥35，抖音信息流的新用户CAC ¥18，但抖音来的新用户7日留存只有8%，百度来的有22%）、分活跃层看老用户维系ROI（核心用户不用补贴也会来，低频用户补贴了也不一定来，中频用户才是补贴效率最高的群体）。
五、四款分析工具，从百度统计的免费到神策的深度定制
新老用户分析在工具层面的选择取决于两个问题：你需要多细的分析粒度和你的数据量有多大。
选工具的决策逻辑很直接：日活一万以下的网站或小程序，百度统计免费版完全够用，它自动拆分新老访客的访问量、跳出率、停留时长、转化率，基础分析不需要额外工具。日活一万以上且需要按业务逻辑自定义"新用户"定义（比如"首次下单"而非"首次访问"），上友盟或GrowingIO。日活十万以上且需要把新老用户分析和用户画像、推荐系统联动，上神策。
六、自建方案，SQL就能把新老用户拆明白
如果你的数据存在自己的数据库里，几行SQL就能搭一套基础的新老用户分析。核心思路是建一张用户首次行为表，然后所有的分析都关联这张表来区分新老。
CREATE TABLE user_first_action AS
SELECT
user_id,
MIN(event_date) AS first_date,
MIN(event_type) AS first_event -- 首次行为类型
FROM user_events
GROUP BY user_id;
-- 第二步：每天的新老用户日活统计
SELECT
a.event_date,
CASE WHEN b.first_date = a.event_date THEN '新用户'
ELSE '老用户' END AS user_type,
COUNT(DISTINCT a.user_id) AS uv
FROM user_events a
LEFT JOIN user_first_action b ON a.user_id = b.user_id
WHERE a.event_date = '2026-07-28'
GROUP BY a.event_date, user_type;
-- 第三步：新用户次日留存（按渠道拆分）
SELECT
a.channel,
a.first_date,
COUNT(DISTINCT a.user_id) AS new_users,
COUNT(DISTINCT b.user_id) AS day1_retained,
ROUND(COUNT(DISTINCT b.user_id)*100.0/COUNT(DISTINCT a.user_id),1) AS day1_rate
FROM user_first_action a
LEFT JOIN user_events b
ON a.user_id = b.user_id
AND b.event_date = DATE_ADD(a.first_date, INTERVAL 1 DAY)
WHERE a.first_date BETWEEN '2026-07-21' AND '2026-07-27'
GROUP BY a.channel, a.first_date;
-- 第四步：老用户流失预警（连续7天未访问的活跃用户）
SELECT
user_id,
MAX(event_date) AS last_active,
DATEDIFF('2026-07-28', MAX(event_date)) AS days_since_last
FROM user_events
WHERE user_id IN (SELECT user_id FROM user_first_action WHERE first_date < '2026-07-21')
GROUP BY user_id
HAVING days_since_last >= 7 AND days_since_last < 14; -- 7-14天未访问，处于流失边缘
这套SQL的核心设计是user_first_action表。一旦有了这张表，所有分析都可以通过LEFT JOIN来判断用户是新是老、首次行为是哪天、来自哪个渠道。表的数据需要每天增量更新（把当天新增的用户INSERT进去），查询效率在百万用户级别没有问题，千万级需要加索引和分区。
如果想进一步自动化，可以在这套SQL基础上加一个Python定时脚本：每天凌晨跑一次，把结果写入一张汇总表，再用Matplotlib或ECharts画成趋势图，推送到企业微信或钉钉。整套方案除了数据库本身的成本外，不花一分钱。
七、五个行业的新老用户健康度基准线
不同行业的新老用户健康比例差异很大，拿电商的标准去衡量内容社区的产品会得出完全错误的结论。
游戏行业新用户占比最高是正常的——游戏的生命周期短，持续需要新用户补充。SaaS新用户占比最低也正常——企业级产品的替换成本高，老用户粘性天然就强。判断新老用户结构是否健康，不是看绝对比例，是看趋势：老用户占比每个月稳定下降超过2个百分点，不管什么行业都是危险信号。
新老用户分析，说到底就三件事：把新老分开看、把新用户看质量不只看数量、把老用户分层看不要看平均数。百度统计免费版已经能自动拆分新老访客的基础指标，自建方案一张user_first_action表加四段SQL就能覆盖日活拆分、渠道留存、流失预警的全部需求，付费工具的价值在分析的灵活度和自动化程度而非能不能做。但工具再高级，不拆新老用户看总数据，社区团购那个朋友踩过的坑你也一定会踩：总UV涨了50%看着一片大好，拆开一看老用户已经掉了四分之一，增长靠的是烧钱拉新在续命。
