Cohort 分析 是把客戶依照「同一個起點」分成一批一批，再看每一批後來有沒有回來、詢問、加購或再次購買。台灣中小企業最常誤判的地方，是只看整體回購率或本月營收，卻不知道哪一批客戶在第 7 天、第 30 天或第二次接觸前就流失。AI 可以協助整理表格、找異常和提出假設，但前提是你先定義清楚 cohort、回來的動作、資料來源與個資邊界。
Cohort 分析不是高階報表，而是留客判斷法
Google Analytics Help 說明 GA4 的 Retention overview 會摘要網站或 app 留住使用者的狀況，並看使用者首次取得後前 42 天內回來的比例；其中 user retention by cohort 會以取得日期分群，比較 Day 1、Day 7、Day 30 的回訪情況。這個概念放到台灣 SME，可以翻成更白話的問題：同一週來的客戶，後來有沒有再互動？同一檔廣告帶來的人，是不是只領折扣不回購？同一批課程名單，誰在 30 天後還會問下一步？
Shopify 的 2026 小商家 cohort retention guide 也把 cohort retention analysis 定義為依共同特徵分群，例如第一次購買日期，再追蹤後續行為。Mixpanel 在 2026 年的 cohort analysis 文章則提醒，平均值會把最好的客戶和最差的客戶混在一起，讓你看不見哪一群真的留下來。
先查 5 個欄位，再讓 AI 幫忙分析
1. cohort 起點：這一批人從哪裡開始？
起點可以是首次購買、首次填表、第一次加入 LINE、第一次預約、第一次參加體驗課、第一次下載型錄。不要一開始就把所有人混在一起。餐飲可能用「第一次外帶訂單週」，教育服務可能用「試聽報名日」，B2B 供應商可能用「第一次詢價月份」。
2. 回來動作：你要他們做什麼才算留下？
回來不一定等於購買。對高單價服務，第二次諮詢、回覆報價、點開方案頁、加入說明會，可能比立即付款更合理。電商則可能看第二次購買、加入購物車、查看保固頁、點開補貨通知。先定義動作，AI 才知道要找什麼訊號。
3. 時間窗：第 7 天、第 30 天、第 90 天各代表什麼？
GA4 的 cohort 說明會用 Day 1、Day 7、Day 30 當範例。台灣 SME 可以先從 7、30、90 天開始：7 天看首波承接，30 天看是否有第二次互動，90 天看是否變成回購或長期培養名單。不要把所有產業都套同一個週期。
4. 來源品質：便宜流量是不是比較快流失？
Contentsquare 指出 cohort 可以用來比較不同來源、行為與族群，找出哪些人更容易留存或流失。這對廣告預算很實用：某個平台的 CPL 很低，但 30 天後沒有任何回購、LINE 回覆或業務進度，就不一定比成本較高但留存更好的來源划算。
5. 個資邊界：哪些資料不該丟給 AI？
做 Cohort 分析通常會碰到姓名、電話、LINE ID、訂單、詢問內容或會員資料。台灣 SME 應只匯入分析需要的欄位，先去識別化或用代碼取代個人資料，並確認使用目的與原本蒐集目的有合理關聯。若要做再行銷或訊息推送，也要保留拒絕行銷或退訂路徑。
平均回購率 vs Cohort 分析：差在哪？
| 看法 | 容易看到什麼 | 容易漏掉什麼 |
|---|---|---|
| 整體回購率 | 本月有多少客戶又買一次 | 哪一批客戶流失、在哪一天流失、哪個來源品質差 |
| 依活動分 cohort | 某一檔活動帶來的客戶後續表現 | 若沒有扣除折扣與毛利，可能誤判活動很成功 |
| 依渠道分 cohort | Google、Meta、LINE、自然搜尋、介紹客的留存差異 | 如果 CRM 沒接好，會看不到線下成交 |
| 依產品分 cohort | 哪個首購產品更容易帶來回購或加購 | 若商品週期不同，不能直接拿同一個天數比較 |
台灣 SME 的 7 天落地流程
第 1 天：選一個問題，不要選一堆。例：「上月廣告名單 30 天後誰還有互動？」
第 2 天：決定 cohort 起點與回來動作，例如首次填表週、第二次 LINE 回覆、再次購買或報價確認。
第 3 天：匯出最少欄位：匿名客戶 ID、首次日期、來源、首購或首次詢問內容、後續互動日期、後續行為。
第 4 天：用試算表或 GA4 先做 7、30、90 天留存，不要急著買工具。
第 5 天：讓 AI 協助找異常：哪一批掉最快、哪個來源雖便宜但不回來、哪個首購品項後續最好。
第 6 天：把發現轉成一個小實驗，例如調整新客歡迎訊息、第二週提醒、客服回訪、內容教育或再行銷受眾。
第 7 天：約定下次回看時間。Cohort 分析最怕只做一次截圖；留存要看趨勢，不是看一次漂亮數字。
適用與不適用情境
適用：有重複購買、會員經營、訂閱、課程、保養服務、B2B 詢價、線上線下混合銷售、或廣告名單品質爭議的團隊。
不適用：資料量極小、沒有基本日期欄位、沒有定義回來動作、或只是想用 AI 直接判斷「誰會買」但沒有人工審核與資料同意邊界的情境。
資料更新與限制
本文檢查時間為 2026-06-25。主要參考 Google Analytics Retention overview、Shopify cohort retention analysis guide、Mixpanel 2026 cohort analysis guide、Contentsquare cohort analysis guide，以及台灣個資利用與行銷拒絕權相關公開法規資料。各工具的報表名稱、資料保留時間與 AI 分析功能會變動；正式決策前，請回到你自己的 GA4、POS、LINE、CRM 與同意紀錄檢查。
結論：先用 cohort 找問題，再用 AI 做假設
Cohort 分析最有價值的地方，是讓老闆看見「哪一批客戶在哪個時間點掉下去」。AI 可以幫你整理、比較和提出可能原因，但真正該改的是流程：新客是否被接住、第二次互動是否太慢、折扣是否買到錯的人、客服或內容是否沒有補上。先把 cohort 問題問對，再讓 AI 幫忙加速，你的留客決策才不會被平均值誤導。
FAQ
Cohort 分析和 RFM 分析差在哪？
RFM 主要看最近一次、頻率與金額；Cohort 分析看同一批客戶隨時間的留存與行為變化。兩者可以搭配，但回答的問題不同。
資料很少也能做 Cohort 分析嗎？
可以先做粗略版本，例如每月 cohort 與 30 天回訪。樣本小時不要過度解讀百分比，重點是找流程問題。
一定要用 GA4 才能做嗎？
不一定。GA4 有留存報表，但試算表、POS 匯出、LINE 標籤與 CRM 也能先做第一版 cohort。
AI 可以直接預測誰會回購嗎？
不建議一開始就做黑箱預測。先用 cohort 找出時間點和來源差異，再讓 AI 生成假設與檢查清單會比較穩。
做留客分析會不會有個資風險？
會，所以要減少欄位、去識別化、確認使用目的，並保留拒絕行銷或退訂方式，不要把完整個資丟進不明工具。