同期群分析是什么？定义、同期群表怎么读和例子

同期群分析是什么

同期群分析是什么？简单说，同期群分析（cohort analysis）按用户开始的时间分组：哪个月注册、哪一周第一次下单，然后在「开始后同样长的时间」里分别跟踪每一组。每一组就是一个同期群。你得到的不再是所有人的一个平均数，而是每个同期群一行，可以看出三月加入的人和一月加入的人，在同样的「年龄」下表现有什么不同。

一个同期群由两部分组成：起始事件和时间窗口。「三月注册的用户」是同期群，「首单发生在春季大促期间的客户」也是。一个人进了某个同期群就一直属于它，这正是同期群有用的地方：你跟着的是同一批人。

这个概念来自人口学。Norman Ryder 1965 年发表在《美国社会学评论》上的论文 The Cohort as a Concept in the Study of Social Change，用出生同期群把「人随年龄增长发生的变化」和「代与代之间的变化」分开。产品分析借用的是同一个思路：把「用户用得越久会怎样」和「不同批用户之间有什么差别」分开看。

为什么只看平均数不够

平均数把新老用户混在一起，而新老用户的比例一直在变。整体留存没动，可能是老用户在走、新用户留得更好，也可能正好相反。增长快的产品更容易被误导：一大波新用户进来，大部分平均指标都会被拉低，因为新用户总比已经用了一年的人更容易流失。

同期群分析回答三个平均数回答不了的问题：

• 产品留人的能力是不是在变好？拿最近的同期群和早期的同期群，在同样的年龄下比较。
• 用户在什么时候走？跟着一个同期群往后看，曲线在哪里掉得快、在哪里变平。
• 某个日期发生的事是不是影响了所有人？如果所有同期群在同一个自然周一起下滑，原因多半是故障、季节或活动，而不是获客的人变了。

同期群的几种类型

获客同期群告诉你留存有没有变；行为同期群帮你解释为什么。如果第一周邀请过同事的用户，留存是其他人的两倍，这个动作就值得放进新手引导。但它只是候选：主动邀请的人可能本来就更有动力，改之前先做实验验证。

同期群表怎么读

同期群表（也叫留存矩阵、留存表）每个同期群一行，开始后的每个周期一列，格子里是这个同期群在那个周期还活跃（或还在购买）的比例。下面是一个订阅 App 按注册月份分组，在六月中旬看到的数据：

可以从三个方向读：

1. 横着读一行：一个同期群的生命周期。一月从 40% 掉到 30% 再到 26%，每个月掉得越来越少，曲线在变平：有一批核心用户留下来了。如果曲线一直按同样的速度往下掉，说明还没有形成核心用户。
2. 竖着读一列：同样年龄的不同同期群。第 1 月的留存从三月开始由 40–42% 跳到 47–48%。三月加入的人遇到了某种变化，比如新的新手引导，或者换了流量来源。这正是整体平均数会藏起来的比较。
3. 斜着读对角线：同一个自然月。二月的第 3 月、三月的第 2 月、四月的第 1 月都发生在五月。如果这几格一起下滑，原因在五月发生的事，而不在同期群本身。

加权平均按每个同期群的人数加权：第 1 月 =（400 + 504 + 720 + 658）÷ 5,100 = 44.7%。直接把四个百分比平均是 44.3% 左右，同期群大小差得越多，两者差得越多。还没结束的周期不算进去：把只过了一半的六月当成完整的第 3 月，最新的同期群会显得比实际差。

算一个例子

一家网店按首单月份比较客户，看 60 天内有没有再次下单：

三月起，网店开始给下单客户发一组购买后邮件。那个季度全店的复购率几乎没动，因为往年的老客户贡献了大部分订单。同期群视角却显示，这组邮件让新客户的复购提高了大约 8 个百分点（从 21–22% 到 29%）。这是可以据此行动的发现，在整体的复购率里完全看不出来。

要确认是邮件起的作用，而不是客户构成变了，可以把三月同期群按获客渠道拆开。每个渠道都有提升，邮件就很可能是原因；只有一个渠道有提升，就去看这个渠道的流量发生了什么变化。

同期群分析怎么做

1. 先有一个问题。「改版之后加入的用户留得更好吗？」是问题；「看看同期群」不是。
2. 选起始事件。注册、首次访问、首次购买或第一次使用某个功能。它决定了每个同期群里有谁。
3. 选回访事件。任意活跃、某个关键动作或购买。「回来逛了逛」和「回来付了钱」是两个问题。
4. 定同期群大小和周期。流量大的 App 看几周的日同期群；大部分产品用周或月同期群。每组人数要多到几个百分点的差别不是噪声，争取几百人以上。
5. 横着、竖着、斜着都读一遍，对外汇报用加权平均。
6. 拆开或筛选来解释原因。看到差别后，按渠道、平台、国家或套餐缩小同期群，找出差别从哪里来。

在 TapCub 里做同期群分析

TapCub 的同期群分析在留存里，位置是「全端分析 › 行为分析 › 行为分析」。每一行是一个同期群，带开始日期和人数；每一列是开始后的第几天、第几周或第几个月（最多 30 天，或 12 周、12 个月）。

• 起始事件和回访事件。都可以不填，表示「任意活跃」；也可以选具体事件，做成行为同期群，比如第一个事件是购买的人。
• 只算首次。默认只有历史上第一次起始事件落在这个周期里的人才进同期群，回头客不会被算成新人。
• 三种计数方式。第 N 期回访（经典留存表）；第 N 期及以后任意一期回访，曲线不会回升；每个人回访了几期，看分布。
• 对齐方式。按每个人自己的首次时间滚动计算，或者按自然周、自然月。
• 每期累计值。加一个数值属性（默认是收入），每个格子会同时显示人均累计值，留存表就变成了按同期群看的 LTV 表。
• 加权平均行。表格下方那一行按同期群人数加权，和上面例子的算法一样。

筛选条件和分群会对每个同期群生效，所以可以分别看一遍自然搜索来的注册和广告来的注册，在同样的年龄下比较。配置项和口径见文档留存。离开的那部分人看流失；按属性而不是按开始时间圈出来的人群，看分群。

同期群和分群的区别

所有同期群都是一种分群，但不是所有分群都是同期群。实际使用时常常组合起来，比如「三月注册、来自付费搜索的用户」。

常见误区

• 同期群太小。一个 40 人的日同期群，光是随机波动就能差好几个百分点。每组不到几百人时，改用周或月同期群。
• 读还没结束的周期。每行最新的那一格对应的周期还没过完，数字一定偏低，等周期结束再看。
• 直接平均百分比。简单平均会让 50 人的同期群和 5,000 人的同期群权重一样，应该用加权平均。
• 中途改了起始事件。改版之后「注册」的含义变了，前后的同期群就不能直接比。
• 把相关当成因果。邀请过同事的用户留存更好，不代表强制邀请就能提高留存。要做实验验证。
• 只看第一列。第 1 周留存提高了，曲线可能还在一直往下掉。要看新的同期群是不是也会变平、平在什么水平。

延伸阅读：留存指标、线索转化率和创业公司指标。另见怎么做同期群分析。

另见：行为批次、留存曲线。