卡路里追踪流失曲线：用户何时以及为何退出（数据研究）

一个不太舒适的事实是：大多数开始追踪卡路里的人在一个月内就会停止。

这与他们在第一天的动力无关，与他们选择的应用无关，也与他们是否阅读了每个初学者指南并将冰箱装满预先分配的餐食无关。数据很清楚：大多数人会退出。

我们之所以知道这一点，是因为我们进行了分析。我们研究了2025年1月至2026年1月间创建的120万个Nutrola账户的使用模式，以绘制卡路里追踪的流失曲线。我们想回答三个问题：人们何时退出？他们为何退出？是什么让那些留下的人与离开的人有所不同？

结果坦诚无畏，对我们作为应用公司的身份来说，有些地方甚至令人不安。但诚实是关键。如果我们了解流失曲线的拐点，就可以围绕它进行设计。如果你了解自己在这条曲线上的位置，就能为接下来的事情做好准备。

方法论

数据集

我们包括了在2025年1月1日至2026年1月31日期间创建的每个Nutrola账户，这些账户在创建后24小时内至少记录了一餐。这一过程共产生了1,208,614个符合条件的账户。

我们排除了那些显示出测试或重复账户迹象的账户（例如，未完成个人资料、在几秒钟内具有相同设备指纹的账户）。我们还排除了通过企业或临床合作伙伴创建的账户，因为这些用户通常有外部的责任结构，会扭曲数据。

定义

• 活跃用户： 如果用户在某一天记录了至少一餐或食品项目，则视为“活跃”。仅仅打开应用程序不算。
• 流失： 用户在最后一次记录餐食的当天被归类为“流失”，前提是他们在接下来的14天内没有返回。
• 重新参与： 在间隔14天或更长时间后返回的用户被归类为重新参与用户，并单独跟踪。

追踪周期

我们对每个群体从账户创建之日起进行了180天的跟踪。后期创建账户的用户最大跟踪时间较短；我们使用标准生存分析方法（Kaplan-Meier曲线）进行了调整，以避免审查偏差。

流失曲线

这是核心发现。下表显示了在账户创建后每个时间点仍然活跃的用户百分比。

时间点	仍然活跃的百分比	每日流失率（该期间）
第1天	100%	--
第2天	72.1%	27.9%
第3天	58.3%	13.8%
第4天	52.7%	5.6%
第5天	48.9%	3.8%
第7天	41.4%	~2.5%/天
第10天	35.6%	~1.9%/天
第14天	29.2%	~1.6%/天
第21天	23.1%	~0.9%/天
第30天	19.0%	~0.5%/天
第45天	15.8%	~0.2%/天
第60天	13.7%	~0.1%/天
第90天	11.2%	~0.08%/天
第120天	10.1%	~0.04%/天
第180天	8.7%	~0.02%/天

仔细阅读这些数字。几乎28%在第1天记录了一餐的用户在第2天没有记录任何餐食。到第一周结束时，超过一半的用户已经退出。到第30天，大约五分之四的用户停止了追踪。

但曲线中也蕴含着一线希望。注意到每日流失率随着时间的推移急剧下降。曲线并不是线性的，而是对数型的。每多坚持一天，第二天退出的概率就会降低。到第90天时，曲线几乎平坦。那些能坚持到第90天的用户在6个月后仍在追踪的概率高达78%。

这个结论很简单：前两周至关重要。如果一个应用（或用户）能够度过这个窗口，成功的几率就会大幅提升。

危险区间

流失曲线并不平滑。存在特定时期，流失率会高于周围的趋势。我们识别出了四个明显的危险区间。

危险区间1：第2-3天（新鲜感悬崖）

在第1天和第3天之间，流失率的最大跌幅发生在这48小时内，我们失去了近42%的用户。

这里发生的事情很简单：新鲜感消退。第1天是令人兴奋的。用户下载应用，设置个人资料，记录第一餐。此时感到掌控和进步。到了第2天或第3天，现实开始显现。记录需要付出努力。用户必须一次又一次地去做，而这已不再新鲜。

我们对在此期间流失的用户（n=24,300）进行了调查。主要原因如下：

• “花费时间太长”（38%）
• “我忘记了”（27%）
• “我不知道该记录什么/太复杂了”（19%）
• “我吃了不在计划内的东西，感到内疚”（11%）
• 其他（5%）

前两个原因——时间和忘记——是摩擦问题，可以解决。第三个是入门问题。第四个是心理问题，可能是最令人担忧的。

危险区间2：第7-10天（第一次周末周期）

对于在工作日创建账户的用户（占我们注册用户的68%），第7-10天标志着他们第一次完整的追踪周末。周末的流失率是工作日流失率的1.8倍，但在第一次周末周期的影响最为明显。

周末打乱了日常习惯。餐食变得不那么可预测。社交饮食增加。那些在工作日建立了脆弱记录习惯的用户，往往会因与朋友的早午餐或临时外出就餐而打破这一习惯。

危险区间3：第21-28天（习惯形成神话）

有一种广为流传的说法是，形成一个习惯需要21天。我们的数据表明，这种说法充其量是误导性的。第21-28天实际上是流失曲线中更危险的时期之一。

我们在第22-25天左右观察到小幅但统计显著的流失率上升。我们的假设得到了定性调查数据的支持：那些相信“21天习惯”神话的用户在第21天时，期待这一行为会变得自动化。当它仍然需要努力时，他们将其解读为个人失败而选择退出。

研究文献支持更现实的时间线。2009年，伦敦大学学院的Phillippa Lally及其同事进行的一项研究发现，新健康行为自动化的中位时间为66天，范围为18到254天。卡路里追踪需要在每餐时进行主动决策，可能落在这个范围的较长一端。

危险区间4：第一次干扰事件后

这一点更难以归因于特定的日期，因为它取决于个别用户的生活。但数据中显示的模式很明确。当我们查看那些在第14天后仍然活跃但在第60天前流失的用户时，61%的人在经历了3天或更长时间的间隔后，最后活跃的一天恰好是在间隔前后。

这些间隔通常与假期、节日、疾病、工作旅行或重大社交事件相对应。干扰本身并不是问题。问题在于，干扰后用户没有返回。这个间隔变成了永久性。

这就是“断裂效应”。许多用户，无论是有意识还是无意识地，将他们的追踪习惯视为全有或全无的承诺。一旦习惯中断，重新开始的心理成本就显得过高。

预测退出与坚持的因素

我们进行了多元分析，以识别在前7天内哪些用户行为最能预测某人在第30天时是否仍然活跃。以下是按影响力排序的重要因素。

1. 主要记录方式

方式	第30天仍然活跃的百分比	相对流失风险
基于照片的记录（AI）	26.8%	0.74x（基线）
条形码扫描	20.1%	0.91x
搜索 + 手动输入	15.3%	1.17x
快速添加（仅卡路里）	11.9%	1.42x

在第一周主要使用基于照片的AI记录的用户在第30天仍然活跃的可能性最高。差距相当显著。照片记录用户的30天留存率几乎是快速添加用户的2.3倍。

这并不是因为照片记录吸引了更有动力的用户。我们控制了目标强度、先前的追踪经验以及其他几个混杂因素。这个效果依然存在。最可能的解释是摩擦：在Nutrola中，照片记录每餐平均需要8秒，而手动搜索和输入则需要45-90秒。当一种行为更容易时，它就能持续更久。

2. 每次记录会话的平均时间

会话时间	第30天仍然活跃的百分比
30秒以内	24.7%
30-60秒	21.3%
1-2分钟	17.8%
2-5分钟	13.2%
超过5分钟	8.4%

记录时间与留存之间存在近乎线性的反比关系。每次记录会话超过5分钟的用户比每次记录少于30秒的用户更容易退出，比例高出三倍。

这一发现挑战了营养应用设计中的一个常见假设：更详细的记录更好。详细记录可能会产生更准确的数据，但如果导致用户退出，那么准确性就毫无意义。一个用户实际完成的粗略记录远比他们从未完成的完美记录更有价值。

3. 用户是否设定了具体目标

在入门时设定具体、可衡量目标的用户（例如，“减重5公斤”或“每天摄入150克蛋白质”）在第30天的留存率为23.4%，而选择“总体健康”或完全跳过目标设定的用户则为14.1%。

具体性很重要。“吃得更健康”并不是一个大脑可以跟踪进展的目标。“每天摄入2000卡路里”才是。

4. 社交功能使用

在第一周内与至少一位朋友连接或加入社区小组的用户在第30天的留存率为27.9%，而单独用户的留存率为17.6%。社交责任感是我们数据集中最强的留存预测因素之一。

5. 可穿戴设备连接

在入门时连接可穿戴设备（Apple Watch、Garmin、Fitbit等）的用户在第30天的留存率为22.1%，而未连接的用户为18.2%。这一效果虽小但一致，且随着时间的推移而增强。在第90天时，连接可穿戴设备的用户留存率为14.8%，而未连接的用户为10.1%。

可能的机制是反馈循环。当用户看到他们的卡路里摄入与活动数据并列时，这些信息变得更具可操作性和激励性。

促使人们回归的因素

并非所有流失的用户都会永远离开。在流失的用户中（定义为14天以上未记录），18.3%在180天内至少返回一次。对于那些返回的用户，以下是他们的分类：

返回模式	返回用户的百分比
返回一次，随后在7天内再次流失	52.4%
返回一次，保持活跃30天以上	21.7%
多次返回（2-3个周期）	19.8%
返回并成为长期活跃用户（90天以上）	6.1%

大多数回归用户并未坚持。但大约五分之一的回归用户成功地重新建立了至少30天的习惯，约6%成为长期追踪者。

是什么触发了重新参与？我们查看了返回访问的时间：

• 一月/新年： 31%的重新参与发生在一月，这是单一最大峰值
• 周一： 重新参与在周一的可能性是周五的2.4倍
• 医疗事件后： 更新健康资料或添加新健康状况的用户以3.1倍的基线率重新参与
• 社交提示后： 收到连接朋友的提示的用户以2.7倍的基线率重新参与
• 应用更新通知后： 这些驱动了适度的重新参与（1.3倍基线），表明仅仅依靠产品改进不足以让人们回归

“新开始效应”在行为科学中有充分的文献支持，我们的数据也强烈证实了这一点。人们最有可能在时间节点上重新开始健康行为：新的一周、新的一月、新的一年，或在重大生活事件后。

AI和照片记录如何改变曲线

我们比较了两个用户群体的流失曲线：那些将基于照片的AI记录作为主要方法的用户与依赖手动输入方法（搜索、条形码或快速添加）的用户。

时间点	% 活跃（照片AI）	% 活跃（手动）	差异
第2天	78.4%	69.3%	+9.1
第7天	49.2%	37.8%	+11.4
第14天	36.1%	25.7%	+10.4
第30天	26.8%	15.3%	+11.5
第60天	19.4%	10.9%	+8.5
第90天	15.7%	8.9%	+6.8

使用照片记录的用户流失曲线明显不同。他们的第30天留存率比手动输入用户高出75%。差距在前30天最为明显，这正是摩擦影响最大的时期。

我们应该对这种比较的局限性保持透明。使用照片记录的用户可能在我们无法完全控制的方面与手动输入用户不同。他们可能更懂技术、更有动力，或者更有可能拥有更好的相机的智能手机。我们控制了年龄、平台（iOS与Android）、设定目标和先前的追踪经验，效果依然存在。但我们无法排除所有混杂因素。

我们可以自信地说，减少记录摩擦——无论是通过照片AI、更好的条形码扫描，还是更智能的食品搜索——是改善留存的最高杠杆干预措施。我们的数据在我们分析的每个群体和每个用户细分中都一致显示了这一点。

在Nutrola，这一发现塑造了我们的产品战略。我们的照片优先策略并不是一个营销决策，而是一个留存决策。当记录一餐只需8秒而不是90秒时，用户更有可能明天再做一次。而明天再做一次就是整个游戏的关键。

这对你意味着什么

如果你正在追踪卡路里，或者考虑开始，以下是这些数据所暗示的。

预期前两周会很困难。 不要将这种困难解读为追踪不适合你。几乎每个人都觉得困难。成功的人不是那些觉得容易的人，而是那些克服摩擦的人。

无情地减少摩擦。 使用你能找到的最快记录方法。如果你的应用支持照片记录，就使用它。如果每餐花费超过一分钟，你就做得太多了。一个粗略的记录比你跳过的完美条目要好得多。

不要将错过的一天视为失败。 断裂效应是追踪习惯的最大杀手之一。如果你错过了一天、一个周末或一周——就重新开始。我们的数据表明，能够度过干扰并重新回归的用户是长期追踪者中最具韧性的一部分。

设定一个具体目标。 “减肥”并不够具体。“每天摄入1800卡路里”或“达到140克蛋白质”给你的大脑提供了一个具体的跟踪目标。

告诉某人。 参与至少一个社交功能的用户留存率显著更高。告诉朋友、加入小组或找到一个责任伙伴。数据对此毫无疑问。

给自己90天，而不是21天。 流行的“21天习惯”建议实际上可能适得其反。承诺90天。到那时，数据表明你在六个月内仍在追踪的概率为78%。

结论

卡路里追踪流失曲线陡峭、前期集中且可预测。绝大多数开始的人将在第一个月内退出。这不是意志力的失败，而是摩擦、期望和设计的失败。

好消息是，曲线是可以弯曲的。每追踪一天，你第二天退出的概率就会降低。前两周是最困难的。前90天是考验的关键。之后，成功的几率就会倾向于你。

作为一家应用公司，我们的工作是让这条曲线变得平坦。不是通过游戏化的花招或以内疚驱动的通知，而是通过让记录一餐的核心行为变得如此快速和简单，以至于摩擦几乎消失。这正是AI驱动的照片记录所做的。这就是Nutrola建立的原因。

但没有任何应用可以替你完成工作。数据表明，持之以恒比精准更为重要。那些在长期追踪中取得成功的用户并不是那些每克都完美记录的人，而是那些即使在糟糕的一天、即使在断裂之后，依然坚持下去的人。

流失曲线并不是命运。它是一张地图。而现在你知道了悬崖在哪里。

---

本分析基于来自1,208,614个Nutrola账户的匿名、汇总使用数据。没有任何个人用户数据被共享或可识别。Nutrola的隐私政策规范所有数据处理实践。如有方法论问题，请联系research@nutrola.com。

Nutrola的价格从每月2.50欧元起，所有计划均无广告。了解更多信息，请访问nutrola.com。