什么是同期群分析？定义、示例及如何进行分析 (2026)
同期群分析（Cohort analysis）根据用户的加入时间进行分组，然后随着时间的推移分别跟踪每个群体。你不会得到一个针对所有用户的混合数据，而是每个起始月份都有一条对应的折线。这种区分正是其核心意义所在，因为它能展示产品对于新加入的用户来说是在变好还是变差。
本指南涵盖了同期群分析的定义、为什么混合平均值会产生误导，以及如何阅读三角形表格。此外，它还介绍了两种主要的同期群类型，以及导致同期群报告产生误导的常见错误。
什么是同期群分析？
同期群（Cohort）是指在相同时间窗口内经历过相同起始事件的一群人。例如，所有在 3 月份注册的用户就是 3 月同期群；所有在第二季度（Q2）首次购买的用户就是 Q2 同期群。
同期群分析在同一个时间维度上衡量这些群体。它比较的不是日历上的“2026 年 3 月与 2026 年 4 月”，而是每个群体各自起始日期后的“第一个月与第二个月”。这种视角的转变才使得对比更加公平。
其输出结果通常是一个三角形表格。行代表按启动顺序排列的同期群，列代表自启动以来的时间（即“生命周期”）。之所以呈现三角形，是因为最新的同期群只经历了第一个月，而最老的同期群则拥有完整的时间跨度数据。
为什么整体平均值会掩盖问题
以下正是同期群分析旨在发现的情况。
| 同期群 | 用户数 | 1月留存率 | 3月留存率 |
|---|---|---|---|
| 1月 | 1,000 | 45% | 28% |
| 2月 | 1,600 | 41% | 25% |
| 3月 | 2,400 | 36% | 21% |
| 4月 | 3,600 | 30% | — |
在这个例子中，活跃用户总数每个月都在增长。监测月活用户的仪表盘看起来会非常漂亮。然而，这种增长掩盖了一个事实：产品对每个新群体的留存效果其实一个不如一个。
混合留存数据之所以会掩盖这一问题，原因也是如此。每个月的平均值都由规模最大的同期群主导，而规模最大的往往总是最新的那个群体。如果一个指标的构成一直在发生变化，你就无法从中看出真实的趋势。
同期群分析通过拒绝混合数据解决了这个问题。1 月份的首月留存率将永远保持在 45%。当 4 月份的留存率降至 30% 时，这种下滑趋势便一目了然。
如何阅读同期群表格
行代表同期群，列代表生命周期
每一行代表一个根据启动时间定义的群体。每一列代表自启动以来流逝的时间，而不是日历日期。第 0 个月是起始期，其数据几乎总是 100%。
纵向阅读一列，判断产品是否在改进
这是最有用却最容易被人们忽略的阅读方向。将视线固定在“第 1 个月”这一列，然后从上往下看。如果数字随着向下移动而下降，说明每个新群体的留存率都比前一个群体差。这是一个产品或获客方面的问题，而且正在发生。
横向阅读一行，观察单个群体的流失情况
单个行展示了某一个同期群的流失轨迹。大多数产品在第一阶段都会出现陡峭的下滑，然后趋于平缓。平缓点比下滑幅度更重要，因为它大致代表了你的长期留存比例。
对角线代表日历时间
同一对角线上的所有数据都发生在同一个日历月份。影响某条对角线的突发事件（如服务中断或价格调整）会同时影响所有同期群，无论其加入时间长短。如果异常数据是沿着对角线而非垂直列分布的，那么原因通常是某个特定事件，而不是同期群本身质量的差异。
获取同期群与行为同期群
获取同期群根据用户的加入时间进行分组，默认通常是注册月份。它们可以回答：现在加入的用户比之前加入的用户更好还是更差？
行为同期群根据用户的具体行为进行分组。例如，在第一周内关联了集成服务的用户与未关联的用户。它们可以回答：哪些早期行为预示着用户会留下来？
这两者承担着不同的任务。获取同期群诊断随时间变化的趋势，而行为同期群则指出需要改变什么。只构建第一种同期群的团队只能看到数据下滑，却不知道该如何应对。
第三种变体是规模或方案同期群，根据账户层级进行分组。当企业客户和自助服务客户的行为完全不同，且混合曲线无法准确描述任何一方时，这种分组方式非常有用。
手动构建同期群
手动构建的方法行之有效，即使你以后会使用自动化工具，也值得去理解一次它的原理。
获取每个用户事件的单行数据。你需要用户标识符、注册或首次购买日期，以及后续活动的日期。汇总表无法转化为同期群，因为分组是在行级别进行的。
添加同期群列。将注册日期截断到月份。现在，每个用户都带有了其所属群体的标签。
添加周期索引列。对于每个活动行，计算注册月份与活动月份之间的月数差。这就是最终表格中的列位置。
进行透视。将同期群月份放在侧边（行），周期索引放在顶部（列），去重用户数作为数值。微软的 创建数据透视表 页面介绍了具体的操作机制。
将数量转换为百分比。用每个单元格的值除以该行第 0 个月的数量。在不同规模的同期群之间，绝对数量是无法直观对比的。
这些步骤都不难。但每次有新数据导入时，这五个步骤都需要重复一遍，而且一旦日期格式发生变化，周期索引的计算就会出错。
如何使用 Powerdrill Bloom 构建同期群
如果用户数据已经存在于导出的文件中，则可以跳过繁琐的透视表组装过程。
步骤 1：上传你的用户数据
拖入包含注册和活动事件的 Excel、CSV 或 TSV 导出文件。支持多个文件同时加载，因此用户文件和事件文件可以一次性完成关联。列检测和日期解析会在上传时自动完成，而这通常是手动操作最容易出错的地方。
步骤 2：用自然语言描述同期群
描述你想要分组和衡量的维度，例如：“按注册月份对用户进行分组，然后以百分比形式显示前十二个月的月留存率。”智能体（Agent）就会自动构建同期群列、计算周期索引并生成表格。如果你需要行为同期群或周维度的粒度，只需直接提出，它就会重新构建，而无需你手动重构源数据。
步骤 3：导出图表、报告或幻灯片
将其导出为图表、整合到书面总结中，或将画布转换为演示幻灯片以便汇报。Professional、Business 和 Fancy 风格支持导出到 PowerPoint 或 Notion。关于可视化图表的具体操作，请参阅如何创建同期群留存图表，以及通过AI 图表生成器利用同一次上传的数据生成其他类型的图表。
常见错误
选择错误的粒度。对于人们每天都在使用的产品，如果采用月度同期群，就会掩盖第一周内所有有价值的信息。而对于每季度才使用一次的产品，采用每周或每日同期群则会产生噪音。请务必使粒度与产品的自然使用节奏相匹配。
只读行而忽略列。行告诉你某个群体的流失情况，而列则告诉你产品是否在改进。列数据才是具有实际指导意义的。
对比不完整的同期群。最新的同期群由于加入时间不够长，还没有第 6 个月的数据。在表格中留下未完成的单元格，很容易让人误将低数值解读为数据暴跌。
同期群规模太小，失去参考意义。一个只有 40 名用户的同期群，其留存率百分比会因为少数几个人的行为而产生剧烈波动。此时应扩大时间窗口，或者接受该行数据仅具有方向性参考价值的事实。
报告同期群时未注明其规模。没有分母的百分比每次都会引发误读。请务必在第一列中放入第 0 个月的用户基数。
对留存的定义过于宽泛。“活跃”必须有具体且明确的定义。登录系统与完成核心操作是完全不同的定义，在不同时期混用这些定义会使整个表格失去意义。
简而言之
同期群分析根据用户的加入时间对他们进行区分，从而避免增长掩盖流失。纵向阅读列，可以观察每个新群体的表现是变好还是变差；横向阅读行，可以观察单个群体的流失轨迹以及在何处趋于平缓。
构建过程包含五个机械化的步骤，每次数据更新时都需要重复。免费试用 Powerdrill Bloom —— 上传你导出的用户数据，用自然语言描述同期群，然后直接将表格导出为幻灯片。如需进行工具对比，请参阅用于同期群分析的最佳 AI 工具。
常见问题解答
同期群分析有什么用途？
它能展示与早期加入的用户相比，产品对于现在加入的用户来说是否有所改进。常见用途包括留存跟踪、流失诊断、衡量新手引导（onboarding）调整的效果，以及从质量而非数量上对比不同的获客渠道。
同期群（Cohort）和细分群体（Segment）有什么区别？
同期群是由共同的起始时间定义的，其成员构成永远不会改变。而细分群体是由国家或方案等属性定义的，用户可以随时加入或离开。同期群用于跟踪随时间推移的变化，而细分群体则用于描述当前的受众特征。
如何选择同期群的时间周期？
请根据用户使用产品的频率来匹配时间周期。每日或每周同期群适用于高频产品，而每月同期群则适用于订阅或购买周期。如果大部分流失发生在第一列数据之前，说明粒度过宽。
我可以在 Excel 中进行同期群分析吗？
可以。在你的事件行中添加一个同期群月份列和一个周期索引列。以同期群为行、周期索引为列进行透视，计算去重用户数，然后用每个单元格的值除以该行起始的用户数。计算本身很简单，但重复操作会让过程变得非常繁琐。
怎样的留存率才算优秀？
不同行业之间的留存率差异极大，单一的基准线并没有参考价值。相反，你应该将自己的不同同期群进行横向对比。留存曲线最终趋于平缓而不是持续下滑，才是最关键的信号。