什麼是世代分析？定義、範例與如何進行 (2026)
同儕群組分析根據使用者加入的時間進行分組，並隨著時間推移分別追蹤每個群組。您不會得到所有使用者混合在一起的單一數據，而是會得到每個起始月份各一條折線。這種區隔正是核心所在，因為它能顯示產品對於現在加入的人來說是變得更好還是更差。
本指南涵蓋了同儕群組分析的定義、為什麼混合平均值會產生誤導，以及如何解讀三角形表格。此外，還介紹了兩種主要的同儕群組類型，以及會導致同儕群組報告產生誤導的常見錯誤。
什麼是同儕群組分析？
同儕群組是指在相同時間區間內，共享某個起始事件的一群人。例如，所有在 3 月註冊的人就是「3 月同儕群組」；所有在第 2 季（Q2）進行首次購買的人就是「Q2 同儕群組」。
同儕群組分析是在同一個時間基準上衡量這些群組。這不是行事曆上的「2026 年 3 月對比 2026 年 4 月」，而是從每個群組各自的起始日期算起的「第一個月對比第二個月」。這種基準的轉換才能確保比較的公平性。
分析結果通常會以三角形表格呈現。橫列是按開始順序排列的同儕群組，直欄則是自開始以來經過的時間。之所以會呈現三角形，是因為最新的同儕群組才剛進入第一個月，而最舊的群組則已經累積了完整的歷程資料。
為什麼整體平均值會掩蓋問題
以下是同儕群組分析旨在發現的情況。
| 同儕群組 | 使用者人數 | 第 1 個月留存率 | 第 3 個月留存率 |
|---|---|---|---|
| 1 月 | 1,000 | 45% | 28% |
| 2 月 | 1,600 | 41% | 25% |
| 3 月 | 2,400 | 36% | 21% |
| 4 月 | 3,600 | 30% | — |
在這個範例中，每月活躍使用者總數都在成長。追蹤每月活躍使用者的儀表板看起來會非常漂亮。然而，這種成長其實掩蓋了一個事實：產品對每個新群組的留存效果正變得越來越差。
混合留存率數據之所以會掩蓋這個問題，原因也是一樣。每個月的平均值都受到人數最多的同儕群組所主導，而人數最多的群組通常都是最新加入的群組。當一個數據的組成結構不斷在改變時，您是無法從中看出真實趨勢的。
同儕群組分析透過「拒絕混合」來解決這個問題。1 月群組的第 1 個月留存率會永遠保持在 45%。當 4 月群組的留存率降到 30% 時，衰退趨勢便一目了然。
如何解讀同儕群組分析表
橫列代表同儕群組，直欄代表時間長度
每一橫列代表一個根據開始時間定義的群組。每一直欄代表自開始以來所經過的時間，而非行事曆日期。第 0 個月是起始期，數值幾乎總是 100%。
向下閱讀直欄以評估是否有所改善
這是最實用卻也最常被忽略的閱讀方向。將目光固定在「第 1 個月」這一欄，然後由上往下看。如果數值隨著向下移動而下降，代表每個新群組的留存表現都比前一個群組更差。這代表產品或獲客管道出了問題，而且問題此時此刻正在發生。
橫向閱讀橫列以觀察單一群組的流失情況
單一橫列顯示了某個同儕群組的流失曲線。大多數產品在初期都會經歷急遽下滑，隨後趨於平緩。平緩點比下滑幅度更重要，因為它大致代表了您的長期留存比例。
對角線代表行事曆時間
同一條對角線上的所有數據都發生在同一個行事曆月份。影響某一對角線的衝擊（例如服務中斷或價格調整），會同時影響所有同儕群組，無論他們加入多久。如果異常數據是沿著對角線而非直欄出現，說明原因在於特定事件，而非同儕群組本身的品質差異。
獲客同儕群組與行為同儕群組
獲客同儕群組根據使用者加入的時間進行分組，通常預設為註冊月份。這能解答「現在加入的人是否比以前加入的人更好或更差」的問題。
行為同儕群組根據使用者的行為進行分組。例如：在第一週內啟用整合功能的使用者，對比未啟用的使用者。這能解答「哪些早期行為可以預測使用者的留存」。
這兩者扮演不同的角色。獲客同儕群組用於診斷隨時間變化的趨勢方向；行為同儕群組則指出需要調整的地方。僅建立第一種分析的團隊，往往只能眼睜睜看著數據下滑，卻不知該如何應對。
第三種變體是規模或方案同儕群組，根據帳戶級別進行分組。當企業客戶與自助服務客戶的行為完全不同，且混合曲線無法準確描述任何一方時，這種分組方式就非常實用。
手動建立同儕群組分析
手動建立的方法確實可行，且非常值得理解一次，即使您日後會將其自動化。
讓每個使用者事件佔用一橫列。您需要使用者識別碼、註冊或首次購買日期，以及後續活動的日期。摘要表無法轉換為同儕群組，因為分組是在橫列層級進行的。
新增同儕群組欄位。將註冊日期簡化至月份。現在，每位使用者都會帶有其所屬群組的標籤。
新增期間索引欄位。針對每個活動橫列，計算註冊月份與活動月份之間的間隔月份。這就是最終表格中的直欄位置。
建立樞紐分析表。將同儕群組月份放在側邊，期間索引放在頂端，並在值中填入不重複使用者人數。Microsoft 的建立樞紐分析表頁面介紹了具體的操作方法。
將計數轉換為百分比。將每個儲存格除以該橫列第 0 個月的計數。在不同規模的同儕群組之間，絕對計數是無法進行直觀比較的。
這些步驟都不難。但每當有新資料匯入時，這五個步驟就必須重複一次，而且只要日期格式發生變化，期間索引的計算就會出錯。
如何使用 Powerdrill Bloom 建立分析
如果使用者資料已經匯出，就可以跳過手動建立樞紐分析表的步驟。
步驟 1：上傳您的使用者資料
拖放包含註冊和活動事件的 Excel、CSV 或 TSV 匯出檔案。您可以同時載入多個檔案，因此使用者檔案和事件檔案可以在一次操作中完成合併。系統在上傳時會自動進行欄位偵測與日期解析，而這通常是手動操作最容易出錯的地方。
步驟 2：使用自然語言描述同儕群組
說明您想要如何分組和衡量，例如：「將使用者按註冊月份分組，然後以百分比顯示前十二個月的每月留存率。」AI 代理便會建立同儕群組欄位、計算期間索引並生成表格。如果您需要行為同儕群組或以週為單位的細粒度，它會直接重新建構，而不需要您手動調整原始資料的結構。
步驟 3：匯出圖表、報告或簡報
將其匯出為圖表、整合至書面摘要中，或將畫布轉換為簡報投影片以供審查。您可以選擇 Professional、Business 和 Fancy 風格匯出至 PowerPoint 或 Notion。若要了解視覺化圖表的具體操作，請參閱如何建立同儕群組留存圖表，以及透過 AI graph maker 依據相同上傳資料生成其他圖表類型。
常見錯誤
選擇錯誤的細粒度。對於使用者每天使用的產品，若採用每月同儕群組，將會掩蓋第一週內所有值得關注的細節。相反地，對於每季才使用一次的產品，採用每週或每日同儕群組則會產生雜訊。請務必使分析粒度與產品的自然使用節奏相匹配。
只看橫列而忽略直欄。橫列告訴您單一群組是如何流失的，而直欄則告訴您整體是否在改善。直欄才是能提供具體行動指引的關鍵。
比較未完成的同儕群組。最新的同儕群組加入時間還不夠長，因此還不會有第 6 個月的數據。在表格中留下未完成的儲存格，容易讓人誤將低數值解讀為嚴重的流失。
同儕群組規模太小，失去參考價值。僅有 40 名使用者的同儕群組，其留存百分比會因為少數幾個人的行為而產生劇烈波動。此時應放寬時間窗口，或者接受該橫列僅具方向性參考價值的現實。
報告同儕群組時未標明群組規模。沒有分母的百分比每次都會引發誤讀。請務必在第一欄放入第 0 個月的基準人數。
對留存的定義過於寬鬆。「活躍」必須有明確且具體的定義。僅僅「登入」與「完成核心操作」是完全不同的定義，若在不同期間混用這些定義，會使整個表格失去意義。
簡報總結
同儕群組分析根據使用者加入的時間進行區隔，使成長無法掩蓋衰退。向下閱讀直欄，可以觀察每個新群組的表現是比上一個更好還是更差；橫向閱讀橫列，則可以觀察單一群組的流失過程以及在何處趨於平緩。
建立分析只需五個機械式的步驟，且每次更新資料時都需要重複。立即免費試用 Powerdrill Bloom — 上傳您匯出的使用者資料，用自然語言描述同儕群組，即可直接將表格匯出為簡報。如需工具比較，請參閱 用於同儕群組分析的 AI 工具。
常見問題
同儕群組分析有什麼用途？
它能顯示產品對於現在加入的人來說，是否比以前加入的人有所改善。常見用途包括追蹤留存率、診斷流失原因、衡量新手引導調整的效果，以及從「品質」而非「數量」維度來比較不同的獲客管道。
同儕群組與細分客群有何不同？
同儕群組是由共同的「開始時間」所定義，且其成員永遠不會改變。細分客群則是由國家或方案等「屬性」所定義，使用者可以隨時加入或離開。同儕群組用於追蹤隨時間推移的變化，而細分客群則用於描述當下的群體特徵。
我該如何選擇同儕群組的時間週期？
請根據使用者使用產品的頻率來決定。每日或每週同儕群組適合高頻使用的產品，而每月同儕群組則適合訂閱或購買週期。如果大部分的流失都發生在第一欄之前，說明您的分析粒度過於寬鬆。
我可以在 Excel 中進行同儕群組分析嗎？
可以。在您的事件橫列中新增一個同儕群組月份欄位和一個期間索引欄位。接著，以同儕群組對比期間索引建立樞紐分析表，並計算不重複使用者人數，最後將每個儲存格除以該橫列的起始人數。計算本身非常簡單，繁瑣之處在於每次都需要重複這些步驟。
怎樣的留存率才算好？
留存率因產品類別而異，單一基準指標並沒有太大的參考價值。相反地，您應該將自己的同儕群組進行橫向對比。曲線最終趨於平緩而非持續下滑，才是最關鍵的正面訊號。