> For the complete documentation index, see [llms.txt](https://www.analytics-docs.laplacetec.com/guide/llms.txt). Markdown versions of documentation pages are available by appending `.md` to page URLs; this page is available as [Markdown](https://www.analytics-docs.laplacetec.com/guide/zh-cn/customdashboard/custom/datasettings/cohort_analysis.md).

# 同期群分析

{% hint style="info" %}
同期群（Cohort）是指在同一基准时间点执行了特定行为的客户群体。Laplace 自定义仪表板中的同期群分析以首次购买日为基准对客户进行分组，并按时间推移追踪其后续的复购行为。
{% endhint %}

通过同期群分析，您可以了解：

* **在特定时期获取的客户复购了多少**
* **实际客户价值（LTV/LTR）何时收回广告费**
* **按营销渠道 · 广告活动比较客户质量**
* **复购周期与流失时间点**

{% hint style="info" %}
💡 同期群分析使用示例

• "2 月首次购买的客户中，有百分之多少在 D+7 天内复购？"

• "本月新客户的 CAC（客户获取成本）何时能通过贡献利润收回？"

• "首购同期群与第 2 次购买同期群的复购率差异是多少？"
{% endhint %}

## 数据设置 <a href="#datasettings" id="datasettings"></a>

在图表编辑页面右侧设置面板的「数据」选项卡 ›「分析类型」中，点击「同期群分析」图标。以下设置均在「数据」选项卡中完成。

### 数据源 <a href="#datasource" id="datasource"></a>

**数据源**是选择分析所用原始数据的步骤。您可以根据分析目的，从已连接的订单、广告、基础商品数据、Cafe24 Analytics 等数据中进行选择。

<figure><img src="https://3137825292-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2F0TsgqYeDkgxa5xtWTHTb%2Fuploads%2Fgit-blob-8b9b8677012ba4941349d469d9ba5684916a4522%2Fcustomdashboard__custom__datasettings__cohort_analysis__01.png?alt=media" alt="同期群分析的数据源与指标" width="436"><figcaption></figcaption></figure>

1. 可以选择订单数据或基础商品订单数据。
2. 指标方面，先在数据源 A 中选择一个作为基准的值，再在要可视化的数据源 B 中选择指标。

### 同期群设置 <a href="#conversionsettings" id="conversionsettings"></a>

这是选择同期群基准的步骤。在「基于时间」中，从首购同期群、第 2\~5 次购买同期群、购买同期群中选择作为同期群基准的购买次数。默认值为「首购同期群」。在「基于行为」中，可以按「首购金额区间」 · 「平均订单金额区间（AOV）」 · 「购买频率」 · 「平均购买间隔」 · 「距上次购买的时长」等客户购买行为划分同期群。

<figure><img src="https://3137825292-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2F0TsgqYeDkgxa5xtWTHTb%2Fuploads%2Fgit-blob-2b9381424fa517a45bf400ff6008ca4a98df6f59%2Fcustomdashboard__custom__datasettings__cohort_analysis__02.png?alt=media" alt="同期群设置" width="432"><figcaption></figcaption></figure>

<table><thead><tr><th>设置值</th><th width="416">含义</th><th></th></tr></thead><tbody><tr><td>首购同期群</td><td>将首次购买的时间点设为 D+0。用于分析获取新客户后的复购模式。</td><td>最常用</td></tr><tr><td>第 2~5 次购买同期群</td><td>以第 2 次、第 3 次购买的时间点为基准。用于追踪特定购买阶段之后的行为。</td><td>深入分析</td></tr><tr><td>购买同期群</td><td>以每次发生购买的时间点为基准。用于在不考虑购买次数的情况下追踪购买后的行为。</td><td></td></tr></tbody></table>

### 分析维度 <a href="#dimensions" id="dimensions"></a>

<figure><img src="https://3137825292-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2F0TsgqYeDkgxa5xtWTHTb%2Fuploads%2Fgit-blob-7e15e312fc863220a43fe3987676962ca659f326%2Fcustomdashboard__custom__datasettings__cohort_analysis__03.png?alt=media" alt="同期群分析维度" width="313"><figcaption></figcaption></figure>

可以设置图表可视化所用的分析维度，图表会按所选分析维度进行可视化。

* 与基本图表分析一样，可以添加多个分析维度，在一个图表中一起查看。
* 点击默认提供的 **‘销售方’** 分析维度，即可更换为所需的分析维度。

### 退款 / 取消订单 <a href="#refund" id="refund"></a>

<figure><img src="https://3137825292-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2F0TsgqYeDkgxa5xtWTHTb%2Fuploads%2Fgit-blob-c8f87b05711ad502c4bedeba7ecdd4aec8f4dba4%2Fcustomdashboard__custom__datasettings__cohort_analysis__04.png?alt=media" alt="包含退款 / 取消订单" width="430"><figcaption></figcaption></figure>

「包含退款 / 取消订单」开关用于设置分析结果中是否包含已退款或已取消的订单。\
将该选项设为 **on** 时，退款 · 取消订单会包含在分析中；设为 **off** 时，将基于排除这些订单后的数据提供分析结果。

## 图表设置 <a href="#chartsettings" id="chartsettings"></a>

在设置面板的「图表」选项卡中，可以按设置基准更改图表的可视化方式。了解每个选项如何改变实际数值，就能按目的进行分析。

### 图表类型 <a href="#charttype" id="charttype"></a>

<table><thead><tr><th width="156">类型</th><th width="424">说明</th><th>用途</th></tr></thead><tbody><tr><td>「折线」</td><td>以折线显示各同期群的复购率变化。可一目了然地比较随时间变化的留存曲线（Retention Curve）。适合直观查看同期群之间的差异。</td><td>推荐：比较趋势</td></tr><tr><td>「折线 + 表格」</td><td>折线在上，同期群表在下，一起显示。在仪表板卡片中也会同时显示两者。</td><td>推荐：同时查看趋势与数值</td></tr><tr><td>「同期群表」</td><td>行 = 同期群日期、列 = D+N 构成的热力图表格。通过各单元格的数值和颜色深浅直观查看复购率。适合确认具体数值及分享。</td><td>推荐：确认数值</td></tr></tbody></table>

### 留存计算方式

在「图表」选项卡 ›「留存计算方式」中，从「Calendar」 · 「Rolling」 · 「Frequency」中选择一项。

![图表选项卡中的留存计算方式](https://3137825292-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2F0TsgqYeDkgxa5xtWTHTb%2Fuploads%2Fgit-blob-ae32baded96f16ad77b9835081bd979d58691dce%2Fcustomdashboard__custom__datasettings__cohort_analysis__05.png?alt=media)

这是最重要也最容易混淆的设置。即使是同一份数据，计算方式不同，得出的数值也可能完全不同。

{% hint style="info" %}
核心概念：什么是 D+N？

D+0 = 同期群基准日（首次购买日）

D+1 = 基准日之后 1 天

D+7 = 基准日之后 7 天

→ 分析单位为"日"时 D+1 = 第二天，为"月"时 D+1 = 下个月
{% endhint %}

#### Calendar（按绝对时间点）

计算在距同期群基准日第 N 个区间（按日历）内发生购买的客户比例。

| ✅ 何时使用                                            | ⚠️ 注意事项                                 |
| ------------------------------------------------- | --------------------------------------- |
| 衡量特定时间点的行为时，例如"首次购买后恰好第 1 个月（D+1）购买"。适合订阅/定期配送业务。 | 仅在 D+0 与 D+1 之间购买的客户可能不会计入 D+1。各期间独立统计。 |

示例：分析单位"月" + Calendar → D+1 = 只统计在"首次购买的下个月"购买的客户

#### Rolling（按累计时间点）

计算从同期群基准日到 D+N 为止的期间内发生购买的客户比例。（累计方式）

| ✅ 何时使用                                         | 👉 特点                                                  |
| ---------------------------------------------- | ------------------------------------------------------ |
| 追踪一定期间内的行为时，例如"D+7 天内至少复购过一次的客户"比例。适合非定期购买的电商。 | 数值从 D+0 → D+N 单调递增（或保持不变）。整体数值高于 Calendar。Laplace 默认值。 |

示例：分析单位"日" + Rolling → D+7 = "首次购买后 7 天内复购的客户"比例

#### Frequency（按频率）

以客户在 D+N 期间内的购买次数（频率）为基准进行分析。

| ✅ 何时使用                                             | ⚠️ 注意事项                                                    |
| -------------------------------------------------- | ---------------------------------------------------------- |
| 购买频率很重要的分析，例如"D+30 期间平均购买了几次？"。适合高频购买的消费品、F\&B 品类。 | 按购买次数（笔数）而非复购率（比例）统计。建议与指标"同期群支付笔数（cohort\_pay\_cnt）"一起使用。 |

{% hint style="info" %}
🔑 计算方式选择指南

• 一般电商（非定期购买）：推荐 Rolling → 可直观解读为"D+30 内复购率"

• 订阅/定期配送：推荐 Calendar → 确认是否恰好在第 N 个周期购买

• 购买次数分析：Frequency → 了解"一个月平均购买几次"
{% endhint %}

### 累计设置 <a href="#tablesettings" id="tablesettings"></a>

在「图表」选项卡 ›「累计设置」中，决定以何种方式累计 D+N 数值。该设置是 LTV/LTR 分析的关键。

<table><thead><tr><th width="166">设置</th><th>含义</th><th>主要用途</th></tr></thead><tbody><tr><td>「常规」（不累计）</td><td>各 D+N 区间独立统计的值。即使 D+1 较高，D+2 也可能较低。</td><td>了解各期间的复购率趋势。"在哪个时间点流失较多？"</td></tr><tr><td>「向前累计」</td><td>D+N 的值中累加 D+0 ~ D+(N-1) 的值。D+3 = D+0+D+1+D+2+D+3 合计。</td><td>追踪累计 LTV/LTR。确认"到 D+30 为止一位客户共消费了多少？"</td></tr><tr><td>「向后累计」</td><td>D+N 的值中累加 D+(N+1) ~ 之后的值。向未来方向累加。</td><td>估算特定时间点之后的剩余价值。分析收回 CAC 之后的额外收益。</td></tr></tbody></table>

{% hint style="info" %}
💡 累计设置使用示例

• 目的："新客户 D+90 的累计 LTV 是否超过 CAC？"

→ 设置：B 指标 = LTV + 向前累计

→ 结果：可看到 D+0 至 D+90 的累计 LTV 以折线形式上升

<br>

• 目的："各日期的复购率在哪个时间点最高？"

→ 设置：复购率 + 常规（不累计）

→ 结果：了解在哪个 D+N 流失急剧发生
{% endhint %}

## 按目的的分析设置指南 <a href="#usecases" id="usecases"></a>

同期群分析的指标和分析维度会因您想分析的数据而有很大不同。以下是电商经营者常用设置值的示例。

### 场景1：追踪新客户复购率 <a href="#node" id="node"></a>

确认新客户在首次购买后多快、多频繁地再次购买。

<table><thead><tr><th width="217">设置项</th><th>推荐值</th></tr></thead><tbody><tr><td>A（同期群基准）</td><td>基础商品订单数据同期群 → 同期群客单价</td></tr><tr><td>B（追踪指标）</td><td>基础商品订单数据 → 复购率</td></tr><tr><td>同期群基准</td><td>首购同期群</td></tr><tr><td>分析周期单位</td><td>日（Day）或周（Week）</td></tr><tr><td>留存方式</td><td>Rolling</td></tr><tr><td>累计设置</td><td>常规</td></tr></tbody></table>

![场景1 结果](https://3137825292-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2F0TsgqYeDkgxa5xtWTHTb%2Fuploads%2Fgit-blob-75c81e295c65d1a9857d8fcd8412dac2d12bbf1f%2Fcustomdashboard__custom__datasettings__cohort_analysis__06.png?alt=media)

→ 结果解读：如图中 D+0=1.91%、D+1=1.09%、D+7=0.13% 所示，随着时间推移复购率下降，呈现流失曲线。可以了解在最初 7 天内促成快速复购的效果如何。

### 场景2：CAC 回收时间点分析（LTV 分析）

<table><thead><tr><th width="217">设置项</th><th>推荐值</th></tr></thead><tbody><tr><td>A（同期群基准）</td><td>基础商品订单数据同期群 → 同期群客单价</td></tr><tr><td>B（追踪指标）</td><td>基础商品订单数据 → 累计贡献利润或 LTV</td></tr><tr><td>留存方式</td><td>Rolling</td></tr><tr><td>累计设置</td><td>向前累计</td></tr><tr><td>同期群基准</td><td>首购同期群</td></tr></tbody></table>

![场景2 结果](https://3137825292-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2F0TsgqYeDkgxa5xtWTHTb%2Fuploads%2Fgit-blob-632bfcc9f17df08757c023f9605d51b9e765bf19%2Fcustomdashboard__custom__datasettings__cohort_analysis__07.png?alt=media)

→ 结果解读：累计贡献利润超过广告费（CAC）的 D+N 时间点即为"CAC 回收时间点"。该值应与 LTV/CAC 比率超过 1.0 的时间点一致。

### 场景3：同期群之间的质量比较

<table><thead><tr><th width="217">设置项</th><th>推荐值</th></tr></thead><tbody><tr><td>图表类型</td><td>折线</td></tr><tr><td>B（追踪指标）</td><td>复购率或 LTV</td></tr><tr><td>分析周期单位</td><td>月（Month）</td></tr><tr><td>留存方式</td><td>Rolling</td></tr><tr><td>数据筛选</td><td>添加按渠道的筛选</td></tr></tbody></table>

![场景3 结果](https://3137825292-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2F0TsgqYeDkgxa5xtWTHTb%2Fuploads%2Fgit-blob-d7372d7449a1e066463b1c97fc6866e68e6316a9%2Fcustomdashboard__custom__datasettings__cohort_analysis__08.png?alt=media)

→ 结果解读：将各月同期群折线叠加查看，可以确认特定月份获取的客户质量是否高于其他月份。如果活动期间流入客户的长期复购率较低，可以重新审视促销策略。

## 常见问题 FAQ

<details>

<summary>Q. 为什么 D+0 的数值比 D+1 高？</summary>

A. D+0 是同期群基准日（首次购买日）当天的数值。由于会统计首次购买当天的追加购买或该日期的总客单价，因此高于之后的 D+N 是正常的。图中也可以看到 D+0=1.91% 最高，之后呈下降趋势。

</details>

<details>

<summary>Q. Rolling 与 Calendar 的数值差别很大，哪个是对的？</summary>

A. 两者都是准确的数值，只是计算基准不同。Rolling 统计"到 D+N 天为止至少购买过一次"，所以数值较高；Calendar 统计"仅在恰好 D+N 区间内购买"，所以数值较低。一般电商用 Rolling、定期订阅用 Calendar 更直观。

</details>

<details>

<summary>Q. 是否包含退款/取消对 LTV 计算的影响有多大？</summary>

A. 在退货率高的品类（服装、家电等）中影响较大。使用"实际付款金额（actual\_sales）"或"实际贡献利润（actual\_contribution\_margin）"时，建议关闭「包含退款 / 取消订单」。在退货率低的品类中差异不大。

</details>

<details>

<summary>Q. "同期群用户数"与"复购用户数"有什么区别？</summary>

A. 同期群用户数（cohort\_user\_cnt）是以 D+0 为基准属于该同期群的全部新用户数。复购用户数（repurchase\_user\_cnt）是其中实际完成复购的用户数。复购率 = 复购用户数 ÷ 同期群用户数 × 100(%)。

</details>

<details>

<summary>Q. 在累计设置中使用"向前累计"，数值会一直上升吗？</summary>

A. 如果指标是支付金额、LTV 等累加有意义的值，则会单调递增。但对于复购率这类比例指标，应用向前累计后解读可能会变得复杂。建议对 LTV/贡献利润等基于金额的指标应用向前累计。

</details>

## 联系专属经理 <a href="#contact" id="contact"></a>

使用同期群分析时遇到困难了吗？

请通过下方的咨询页面或电子邮件联系我们。负责的经理将为您提供帮助。

> 💬 [在官网咨询](https://www.analytics.laplacetec.com/contact)

**邮件咨询：** [**product@laplacetec.com**](mailto:product@laplacetec.com)