同期群分析Cohort Analysis
新来的学员看起来留存更差，会不会只是还没等到那一天？
同期群分析把拥有共同起点或特征的对象分组，再按距该起点的相对时间比较后续行为。它帮助区分人群差异、产品变化和观察时长不同造成的表面变化。
把同一批开始的人放在一行，看他们第 1 天、第 7 天、第 30 天各有什么变化，再与另一批人的相同阶段比较。
像比较两届新员工入职后第一个月的熟练程度，而不是在同一天比较已入职三个月和刚入职三天的人。
类比到这里为止：分组不会自动消除行业、渠道、季节等差异。同期群呈现模式，不能仅靠分组证明变化由某个功能造成。
比较不同月份进入课程的学员或不同展会来源的线索。先对齐进入条件与跟进天数，再讨论资料、体验和渠道差别。
读一张同期群表
- 每一行
- 按明确起点进入的一批人，例如首次练习所在周。
- 每一列
- 从起点经过的时间，例如第 1 天或第 7 天。
- 每个格子
- 这批人在对应窗口内的约定行为，不是全站当天人数。
- 未成熟格子
- 还未经过相应时间，应显示等待观察，而不是 0%。
公平比较之前，先检查观察条件
9 月 1 日加入的 A 组，到 9 月 14 日已经能观察第 7 天。9 月 10 日加入的 B 组还不行；此时 B 组的第 7 天不是差，而是未知。
下面仍使用四位虚构学员，切换观察截止日。若截止到第 4 天，未来回访记录不会参与计算，也不会提前给出第 7 天的判断。
新来的学员看起来留存更差，会不会只是还没等到那一天？
可以操作，也可以重试。数据为虚构示例，不连接真实业务系统。
正在准备当前演示，正文可以继续阅读。
继续看项目应用与交付检查
同期群分析 在项目中负责什么
- 什么时候用
- 新增流量掩盖后续使用变化，或不同批次的客户跟进时间长短不一致时。
- 它解决什么
- 把一个总体平均数拆成可解释的批次，发现哪些人群在哪个阶段出现差异。
- 它不负责什么
- 同期群不是随机实验。最近批次的远期结果尚未发生时应标为未成熟，不能自动补零或沿用旧批次数字。
- 放进真实项目
- 比较不同月份进入网站的访客，观察哪批人在 7 天后仍会回来看资料。
同期群分析让同一时期或来源进入的用户可以公平比较
五月展会线索和六月搜索线索的后续询盘、报价和下单质量可能不同；总体平均会掩盖差异。
- 01
选择与决策相关的入组事件。
- 02
保持相同观察窗口。
- 03
异常差异回看样本、季节和活动。
对齐加入后的第几天，没观察到的格子不填零。
容易混淆的地方
同期指共同的分组起点，不要求所有人活跃在同一个日历日。第 7 天是相对起点的时间，不是每月 7 号。
A 组在 9 月 1 日加入，B 组在 9 月 10 日加入。9 月 14 日比较两组第 7 天留存时，B 组应该怎么显示？
你可以这样告诉 AI Agent
我在处理这件事：比较不同月份进入网站的访客，观察哪批人在 7 天后仍会回来看资料。请以“同期群分析”为主线，先说明它在这里负责什么、不负责什么；再列出必要输入、建议动作和可验证结果。用外贸独立站的业务语言回答，不确定的信息标为待确认。
内容依据与延伸
本站用原创中文解释把专业概念映射到外贸独立站；定义和机制继续以官方资料为准，业务例子再回到 外贸独立站询盘优化实战 验证。
本站整理说明：原创整理：Web 开发、产品设计、AI 协作与外贸独立站实践