Cohort 分析入门：如何追踪真正驱动决策的留存
2026 年 4 月 30 日 · Gurulu 团队
大多数产品团队靠盯着一个数字来追踪留存：月活用户。那个数字一涨，团队欢庆；一跌，团队恐慌。但 MAU 是一个存量指标——它只告诉你此刻有多少人在场，却对“为什么”只字不提。一款产品可以一边增长 MAU、一边流失它所获取的每一批用户，只要它获取的速度快过流失即可。等到曲线趋平时，底层的留存问题已经被掩盖了好几个季度。Cohort 分析正是解药：它问的不是“我们三月有多少用户”，而是“在我们一月获取的用户中，到三月还有多少在场，这又与十二月的那批 cohort 相比如何？”
本指南解释 cohort 究竟是什么、获取型与行为型 cohort 之间的关键区别、如何读懂留存曲线而不自欺、N 日留存与无界留存的差异、每个产品团队每周都该跑的五种 cohort 视图，以及 Gurulu 的受众和漏斗如何在不写 SQL 的情况下产出这些视图。
cohort 究竟是什么
cohort 是一组由共享事件、在共享时间窗口内定义的用户。最常见的定义是获取 cohort：在同一周首次注册的每个用户。但 cohort 比这更宽泛——它们可以由任何符合条件的事件来定义。“在第 12 周完成引导的用户”是一个 cohort。“在三月升级为付费的用户”是一个 cohort。“在四月发布之后首次进入新仪表板的用户”是一个 cohort。构成一个 cohort 的是共享的事件和共享的窗口，而非用户属性。
这为什么重要：当你针对一个非 cohort 基底来衡量留存——比如“此刻所有付费用户”——你就把忠诚的老用户和脆弱的新用户混在一起了，平均值什么有用的东西都告诉不了你。Cohort 化迫使你做苹果对苹果的比较：拿本周的注册者，在同一生命周期阶段，与上周的注册者相比。这是唯一诚实的方式，去判断你的产品在留住用户这件事上是变好还是变坏。
获取型 vs. 行为型 cohort
获取型 cohort。 按用户首次到来的时间分组。这是默认的 cohort，也是衡量整体产品市场契合度的正确选择。经典视图是一张三角形表格：行是每周注册的 cohort，列是注册后的周数，单元格是仍活跃的百分比。如果你的产品市场契合度在改善，那么更新的 cohort 曲线在每个年龄段都应高于更老的曲线。
行为型 cohort。 按用户采取的某个动作分组，而非按他们何时加入。例子：在最初 7 天内邀请了队友的用户；导入了数据的用户；至少调用过一次 API 的用户。行为型 cohort 是你发现激活信号的途径——那些与长期留存相关的早期动作。如果“在第 1 周邀请了队友”的 cohort 在 90 天后留存率为 80%，而“从未邀请”的 cohort 留存率为 12%，那么你刚刚找到了你的北极星激活事件。
这两种 cohort 类型回答不同的问题。获取型 cohort 回答“产品在变好吗？”行为型 cohort 回答“我们该驱动什么行为来让用户留下来？”成熟的产品团队会持续跑两者。跳过行为型 cohort 是最常见的分析错误——它也是最容易修正的那一个。
读懂留存曲线而不自欺
一条健康的留存曲线有三个区段。最初的 1 至 7 天呈现陡降，随性注册者纷纷弹走——这是正常且不可避免的；试图压平这一区段通常意味着限制注册。第 7 至 30 天是激活谷地，用户要么找到价值、要么彻底流失。过了第 30 天，一款健康的产品会显示出一条平坦的尾部：存活下来的 cohort 无限期地继续使用产品，曲线趋向一条水平渐近线，而非归零。渐近线的高度就是你真正的留存率——成为长期价值的那部分获取用户的百分比。
一款不健康的产品没有平坦的尾部。曲线永远朝着零下滑，意味着每一批 cohort 最终都会消失。这被称为终端流失，它几乎总是表明产品没有在解决一个反复出现的问题。如果你第 180 天的留存是 8%、第 360 天是 4%、第 720 天是 2%，那你面对的不是一个靠引导调优就能修的留存问题；而是一个需要产品战略来回答的价值问题。
留存曲线还能揭示季节性和产品变更。多批 cohort 在第 8 周出现的 V 形凹陷，往往与一次破坏了关键流程的发布相关。新 cohort 在某次功能上线后持续抬升，是该功能确实推动了留存的最干净证据——远比环比 MAU 更可信。
N 日留存 vs. 无界留存
N 日留存。 如果一个用户恰好在第 N 天执行了符合条件的动作，则视为在第 N 天留存。Facebook 和大多数消费类应用采用此法。它惩罚那些使用节律为每周或每月的应用（如银行或 HR 工具），因此对 B2B SaaS 并不合适。其优点是定义无歧义、易于绘图。
区间（滚动）留存。 如果一个用户在第 N 周的任意一天活跃过，则视为该周留存。对自然节律的产品要宽容得多。这是 B2B 及大多数订阅产品的正确默认值。当你查询“最近 X 天内活跃的用户”时，Gurulu 的受众构建器默认采用此法。
无界留存。 如果一个用户在第 N 周或其后任意一周活跃过，则视为第 N 周留存。它告诉你 cohort 中最终回归的比例，而不论是否持续。对低频产品（报税软件、旅行）很有用，因为每周活跃并非其目标。
范围留存。 如果一个用户在区间 [N, N+k] 内至少有一个活跃日，则视为该区间留存。它是区间留存与无界留存之间的折中；常见于 28 天 MAU 的计算中。
选定一种并坚持到底。 你引用的留存数字，会因你采用哪种定义而变动 30%–60%。跨团队或跨季度混用定义，正是你最终会争论产品是否比去年更健康、却没人在算同一个数字的根源。把你的定义写在仪表板里，绝不要悄悄地把它换掉。
每个产品团队每周都该跑的 5 种 cohort 视图
第一，针对你北极星动作的每周获取 cohort 三角表——也就是定义一个真实用户的那个激活事件。第二，行为型 cohort 对比：在首次会话内完成激活的用户 vs. 没有完成的用户，在第 30 / 60 / 90 天的留存。第三，付费客户 cohort 留存——这是营收上唯一重要的数字，而且它应当基于订阅状态、而非互动来计算。第四，功能采用 cohort：本月首次使用某个特定功能的用户，对照一个没有使用的基线 cohort 来追踪。第五，渠道 cohort：来自各主要来源（自然、付费、引荐、合作）的用户，在同一年龄段衡量，从而知道哪些渠道带来可留存的用户、哪些只是过客。
在 Gurulu 中，上述每一项都是一个受众定义加一张留存图。受众是持久的：把“在第 1 周完成激活”定义一次，它每周自动更新。漏斗处理多步版本：“注册 -> 激活 -> 购买 -> 续订”，并带有 cohort 感知的流失，让你看到每一批每周流入在每一步上的表现。系统还会浮现“虚荣指标 vs. 决策级指标”的警示：一个基于 95% 访客都会做的单次点击的 cohort 视图，会被标记为低信号，因为它无法区分不同 cohort。决策级的 cohort 具备不对称的结果——它们把将会有价值的用户与不会有价值的用户区分开——而这正是每一份 cohort 报告都该坚守的标准。