同期群是一批起点相同的人,通常是在同一段时间里做过同一件事,比如同一周注册。你跟踪的是这批固定的人,而不是把所有人平均在一起,所以新用户和老用户不会混在一起。会建、会读,比背定义更重要:下面讲两类主要的同期群、三步定义方法,以及一张手算过的留存表。
读完你会知道
- 同期群由起始事件和周期定义,这一期结束后成员就固定了
- 写下三件事:起始事件、分组周期、回访事件,否则两份报表对不上
- 留存表里没结束的一期是空的,不是 0;算例里把它当 0,13.9% 就变成了 8.3%
同期群到底是什么?
同期群(cohort)是一批有共同特征或共同经历的人,通常是在同一段时间里发生了同一件事:同一年出生、同一学期入学、同一周注册。统计学里就是这个用法:跟踪一个同期群随时间的变化,能看出这批人怎么变;而「时点」视角只是在某一刻给所有群体拍一张快照。
在产品和营销分析里,含义一样,只多一条实际要求:共同特征必须是埋点能算出来的东西。例如 Google Analytics 4 把同期群定义为共享某个维度特征的一组用户,它的同期群探索提供的纳入条件有首次访问、任意事件、任意交易或指定事件,按天、周、月分组。所以有人说「1 月同期群」,意思就是「1 月第一次做过 X 的所有人」,之后测的一切,都是针对这批固定的人。
成员固定,就是同期群的全部意义。一份写着「30% 的活跃用户回来了」的报表,把昨天刚注册的人和一年前注册的人混在了一起。同期群报表让组内每个人的起跑线相同,所以两个同期群之间的差异,才是可以开始解释的差异。要看定义词条,见同期群词条;这篇讲怎么建、怎么读。完整的分析流程,包括结果出来后怎么行动,见怎么做同期群分析。
同期群的两大类:按时间、按行为
你遇到的同期群几乎都是这两类之一,区别在于什么让一个人进入这个群。
| 类型 | 进入方式 | 示例 | 回答的问题 |
|---|---|---|---|
| 时间(获客)同期群 | 第一次做某事的时间 | 1 月 5 日那一周注册的所有人 | 新用户比老用户留得更好吗? |
| 行为同期群 | 做过什么,不限时间 | 30 天内使用导出 3 次及以上的所有人 | 做过 X 的人,之后的表现不同吗? |
| 属性同期群 | 拥有的属性 | 所有年付套餐的用户 | 这类客户的表现不同吗? |
做留存分析,默认用时间同期群,因为起跑线是一个日期,每个成员回来的时间一样长。行为同期群接近行为同期群词条讲的概念:成员取决于动作而不是日期,所以人们在不同时间加入,通常要配一个滚动窗口(「最近 30 天内」)。属性同期群预测力最弱,因为属性说的是一个人是谁,而不是做了什么,但用来检查某个改动对哪类客户更有效,还是有用的。
三类都要注意两点。其一,同期群不是每天刷新的分群:分群每天都有人进出,而时间同期群的成员在这一期结束后就封闭了。其二,同期群越具体就越小。40 人的同期群说明不了什么,后面的小节会讲为什么。
| 类型 | 进入方式 | 示例 | 回答的问题 |
|---|---|---|---|
| 时间(获客)同期群 | 第一次做某事的时间 | 1 月 5 日那一周注册 | 新用户比老用户留得更好吗? |
| 行为同期群 | 做过什么,不限时间 | 30 天内使用导出 3 次及以上 | 做过 X 的人,之后的表现不同吗? |
| 属性同期群 | 拥有的属性 | 年付套餐的用户 | 这类客户的表现不同吗? |
留存分析默认用时间同期群;行为同期群要配滚动窗口。
为什么不看一个总数,而要用同期群?
因为总数会盖住发生在新用户身上的变化。设想一个产品在某个季度的第三周改进了新手引导。总体留存变得很慢,因为大多数用户是改动前加入的,不受影响。改动后注册的那个同期群,差异立刻出现,而更早的同期群保持原样。
下面三种情况,同期群视角能回答总数回答不了的问题:
- 改动对新用户有没有帮助? 把改动前的同期群和改动后的同期群放在一起,两者用同样的留存周期比较。
- 增长有没有盖住流失? 如果注册数每月翻倍,活跃用户总数可以上升,而每个新同期群的留存却一个比一个差。横着看第 1、2、4 周,就能看出来。
- 哪个渠道带来的人留得住? 每个获客来源建一个同期群,比较它们第 4 周的留存,而不是比较注册人数。
接下来先建一个同期群,再用真实的算术读一张小表。
三步建一个同期群
- 选起始事件。 起始事件就是让一个人进入同期群的那件事:首次访问、注册、首次购买、首次使用某功能。选一个具体、每人只发生一次的事件。「注册」可以;「活跃」不行,因为它反复发生,一个人永远没有明确的起跑线。
- 选分组的周期。 天、周或月。一周用几次的产品用周,每天都用的 App 用天,按月续费的订阅用月。周期决定每个同期群里有多少人,所以量小的时候选更长的周期。注意日历:GA4 的周同期群从周日到周六,而日历周也可以从周一开始,或者从每个人的起始时刻起滚动算 7 天。这些会得到略有不同的同期群,所以比较时保持同一种约定。
- 选回访事件和要看的期数。 「回来」可以是任意活动,也可以是某个具体动作,比如下第二单。然后决定读哪几期:App 看第 1、7、30 天,大多数网站产品看第 1、2、4 周。把定义写下来,因为没有定义,「第 2 周留存」这个数字就没有意义。
三个选择如果写不成一句话,同期群就还没有定义好。例如:「按自然周统计注册的人,如果在第 N 周在站内有任何活动,就算第 N 周留存。」下个月拿来对比的,就是这一句话。
算例:三个注册周的同期群
示例数据:一个小产品记录每一次注册,按自然周分组,测量他们在之后几周里有多少人回来。第 0 周是注册那一周。一个人在第 N 周有任何活动就算该周留存,所以留存率等于回来的人数除以同期群人数。
| 注册同期群 | 人数(第 0 周) | 第 1 周 | 第 2 周 | 第 4 周 |
|---|---|---|---|---|
| 1 月 5 日当周 | 400 | 140(35.0%) | 100(25.0%) | 60(15.0%) |
| 1 月 12 日当周 | 500 | 190(38.0%) | 120(24.0%) | 65(13.0%) |
| 1 月 19 日当周 | 600 | 270(45.0%) | 150(25.0%) | 还没到(空) |
每个比率都是回来人数 ÷ 人数:第 1 周 140 ÷ 400 = 35.0%、190 ÷ 500 = 38.0%、270 ÷ 600 = 45.0%;第 2 周 100 ÷ 400 = 25.0%、120 ÷ 500 = 24.0%、150 ÷ 600 = 25.0%;第 4 周 60 ÷ 400 = 15.0%、65 ÷ 500 = 13.0%。第三个同期群的第 4 周是空的,因为读表时那一周还没结束。它不是 0。
要给整张表一个数字,需要按同期群人数加权。三个同期群的第 1 周:(140 + 190 + 270) ÷ (400 + 500 + 600) = 600 ÷ 1,500 = 40.0%。第 2 周:(100 + 120 + 150) ÷ 1,500 = 370 ÷ 1,500 = 24.7%。第 4 周只能用已经走到这一周的同期群:(60 + 65) ÷ (400 + 500) = 125 ÷ 900 = 13.9%。
最容易犯的错,是把空格当 0 填进去。那样第 4 周就成了 (60 + 65 + 0) ÷ 1,500 = 8.3%,留存看起来比实际低了 5.6 个百分点,原因只是最新的同期群还太年轻。
各注册同期群的第 1 周留存
示例数据,回访百分比怎么读同期群表
上面这样的表,要从三个方向读。
沿着一行读,看一个同期群的衰减。1 月 5 日这一行是 35.0% → 25.0% → 15.0%:最大的流失在第一周,之后每周流失变少。这种先陡后平的形状,就是留存曲线展示的形状。如果一行始终不趋平,说明产品还没有稳定的回访核心用户。
沿着一列读,比较同龄的同期群。第 1 周,三个同期群分别是 35.0%、38.0%、45.0%,看起来在改善。第 2 周是 25.0%、24.0%、25.0%。也就是说,1 月 19 日这个同期群第 1 周回来得更多,第 2 周又降到和其他两个一样的水平。可能的解释包括:一条提示让人们回来了一次,比如欢迎邮件,却没有改变他们是否发现了长期价值。表本身不告诉你是哪一个,它只告诉你该往哪里看。这就是同期群表的主要作用:把含糊的「留存改善了」变成「第 1 周改善了,第 2 周没有」。
沿着对角线读,看日历效应。同一个日历周的所有格子落在一条对角线上。如果每个同期群都在同一个日历周下降,原因多半是日历(假期、故障、价格调整),而不是同期群本身。
相信一个差异之前,先查两件事。一是同期群的规模:400 人的 25.0% 是 100 人,波动 10 个人就是 2.5 个百分点,所以小同期群之间的小差距是噪声。二是单位:第 4 周是注册之后的第四周,不是一年里的第四周。
基准值,以及这些数字怎么和其他指标连起来,见留存指标。
同期群的常见误区
- 把空期当成 0。 在算例里,它让 13.9% 变成 8.3%。没结束的期留空,也不要放进任何平均数。
- 把起点定成「活跃」。 如果这一期活跃的任何人都可以成为成员,同期群就和整体人群一样了。选一个一次性事件。
- 比较年龄不同的同期群。 一个同期群的第 4 周和另一个的第 1 周,是两个不同的问题。除非在找日历效应,否则比列,不要比对角线。
- 把小同期群当趋势。 几十人的同期群,一个人的行为就能让它摆动 10 个点。
- 不同报表之间改定义。 从周日起始的周改成周一起始,或者从「任意活动」改成「购买」,同期群就变了。表旁边留一份写好的定义。
- 所有问题都用同一类同期群。 时间同期群回答「产品对新用户是不是越来越好」;行为同期群回答「做过 X 的人接下来做什么」。用错类型,表看起来没问题,回答的却是另一个问题。
在 TapCub 里建同期群并读表
上面三个同期群的表,在 TapCub 里这样搭。TapCub 给出表和每个同期群的比率;改什么,是你来定。
- 打开留存分析。 在全端分析 › 行为分析 › 行为分析里选留存。可以选一个起始事件(例如注册)和一个回访事件,两个都不选就是任意活动。选周期(天、周或月)和显示几期;范围最多 30 天,或 12 个周或月,默认 14 天。
- 选同期群怎么对齐。 对齐默认从每个人自己的起始时刻开始,一周按那一刻起的 7 天算;另一个选择是日历周或日历月。选定一种就别换。默认只纳入「历史上第一次起始事件落在这个同期群里」的人。
- 读表。 每一行是一个同期群,有起始日期、人数,以及每一期的人数和比率。还没结束的一期是空的,不是 0,这正是上面算例需要的行为,表下面一行是按人数加权的平均比率。第 0 期是起始本身,所以比率从第 1 期开始。
- 建一个行为同期群。 在全端分析 › 用户 › 分群与标签里写一条规则分群,例如「最近 30 天内导出 3 次及以上」。用分析把分群作为同期群放进分析,这样同一个定义反复使用,不用每张图重建。
- 知道边界。 匿名访客没有档案,所以按人建的行为同期群只包含登录过的人。TapCub 不做实验,也不会改你的新手引导;它衡量谁回来了。表提示了要改什么,就在别处改,然后读下一个同期群。
FAQ
用简单的话说,同期群是什么?
同期群是一批起点相同的人,例如同一周注册的所有人。随时间跟踪这批人,就能看出他们怎么变化,不会混进更新或更老的人。
同期群和分群有什么区别?
同期群由某一期里的共同起始事件定义,这一期结束后成员就固定了。分群是一条会重新计算的规则,例如「最近 30 天活跃」,所以人会进进出出。把分群应用到一次分析里,就可以把它当同期群用。
同期群有哪些例子?
1 月 5 日那一周注册的用户;3 月第一次购买的客户;前 14 天内启用了某功能的账户;某个月从一个活动来的访客。每一个都有明确的起始事件,之后测的一切都针对这批人。
分析里「定义同期群」是什么意思?
就是写下三件事:让人进入群的起始事件、给他们分组的周期(天、周或月)、以及算作回来的回访事件。少了任何一个,两个分析师读同一张表,说的可能不是同一件事。
同期群多大才够?
大到一个人的行为不会明显改变比率。400 人时,10 个人是 2.5 个百分点;40 人时,10 个人是 25 个点。同期群小的话,按月而不是按周分组,或者对几个同期群取平均。
资料来源
- 维基百科。Cohort (statistics):同期群是共享某个特征的一组人,以及它和时点数据的区别。核对于 2026-11-18。
- Google Analytics 帮助。[[GA4] Cohort exploration](https://support.google.com/analytics/answer/9670133):同期群纳入条件,以及按天、周、月的粒度。核对于 2026-11-18。
这篇文章对你有帮助吗?
我们会根据反馈修改和补充这篇内容。
提交没有成功,请稍后再试。
谢谢你的反馈,我们会据此改进这篇内容。你已经反馈过这篇了,谢谢。

