你打开 cohort 留存表，眼睛直奔 D30 那个数字，跟上个月比一下，心情起伏一下，关掉。这不是分析。曲线的形状——在哪里掉、在哪里拐平、哪个 cohort 跟别的不一样——才是真正的产品故事。AI 在这件事上很有用，前提是你把数据喂给它，不是把结论喂给它。
一句话总结
- 别把 D30 当成一个孤立数字看。看形状：曲线掉到一段拐平并稳住，才是真正的 PMF 信号；一直往零流的曲线不是。这是诊断依据，绝对值不是。
- 把完整的 cohort 网格连同”每个 cohort 上线了什么”的变更日志一起喂给 AI。AI 看不见曲线就读不出来，更猜不到你在 W12 发了什么。
- 原始 CSV，选一个真正会在沙箱里算点差的工具（ChatGPT 的数据分析模式，Plus 每月 $20，跑 Python）；只想让它把一张粘好的 markdown 表叙述出来，用 Claude Opus 4.7（Pro 每月 $20）。两种情况都要逐格核对。
- Prompt 里的硬规则：每个判断都要带日窗口和点差（“D14 +6pts，W12 vs W10”），禁用”留存改善了”这种说法。
- AI 写的叙述是团队讨论的引子，不是答案。因果由你定，AI 只负责指出 pattern。
这个任务
你手上有按周划分的 cohort 留存数据（最近 6-12 周的 D1、D7、D14、D30、D60、D90）。你想要一段简短的曲线解读——什么变了、掉点在哪一段、哪个 cohort 是异常——可以扔进 Notion 或在站会上分享，而且不会扭曲数据本身在说什么。
哪个 AI 工具读 cohort 最合适（2026 年 6 月）
两种不同的活、两种不同的工具。按你手上是原始文件还是粘好的小表来选。
| 工具（2026 年 6 月） | 套餐 | 能读 CSV/表格？ | 在代码里重算点差？ | 适合 |
|---|---|---|---|---|
| ChatGPT 数据分析模式（GPT-5.5） | Plus，每月 $20 | 能，上传 CSV/XLSX 或连 Drive | 能，在沙箱里跑 Python，点差是算出来的不是猜的 | 一份又乱又想同时出图和叙述的导出文件 |
| Claude（Opus 4.7） | Pro，每月 $20 | 粘贴的表或小文件 | 没有代码沙箱，靠推理读它能看见的数 | 一张干净的 7 行 markdown 表，想要简洁叙述 |
| Gemini（3.1 Pro） | Google AI Pro，每月 $19.99 | 能，在 Google Sheets 里很强 | 有限 | 数据本来就在 Google Sheet 里的 cohort |
老实说的注意点：ChatGPT 的数据分析沙箱会真的做算术，所以它不会编一个点差，但它仍可能把哪一列是 D14 标错。Claude 叙述一张小粘表很流畅，但减法是在脑子里做的，错一格也能蒙混过关。无论哪种，引用的每个数字都要拿源表核对。另外一个实务提醒：ChatGPT 会按套餐删除上传的文件，时限不公开，所以永远别把上传当存储。
“好”长什么样（2026 基准）
在你说一条曲线健康之前，先知道地板在哪。下面是 2026 年的移动端中位数基准，当作 sanity check，不是目标。留存是分品类的。
| 品类 | D1 | D7 | D30 |
|---|---|---|---|
| 全品类（中位数） | 约 26% | 约 13% | 约 7% |
| iOS（对比 Android） | 27%（24%） | — | 8%（6%） |
| 健康健身 | 20-27% | 约 7% | 约 3% |
| 金融科技 | 22-30% | 约 18% | 约 12% |
| 游戏 | 29-33% | 约 16% | 约 9% |
一款 D1 在 70% 的习惯类 App（下面这个例子）远高于健康健身的中位数，这通常意味着早期用户群高度自选，而不是说你已经摆脱了那条把 D30 往下拽的引力。形状仍然得拐平并稳住。Andrew Chen 的经典框架就是这条标准：曲线拐平意味着粘性，而”微笑曲线”——流失用户因为产品变好又回来——是三种形状里最罕见也最好的（andrewchen.com 关于 magic metrics）。
什么时候适合让 AI 做
- 你手上有原始 cohort 表，不只是汇总数字。AI 看不见曲线就读不出曲线。
- 你能告诉 AI 每个 cohort 那一周上线了什么（新引导、定价测试、推送策略改动）。
- 你不会让 AI 自己脑补因果。你让它指出 pattern，你自己根据上下文判断因果。
- 团队真的会把”D30 涨了”当成”留存改善”——一段书面叙述能把这两件事分开。
要给 AI 喂什么
- cohort 表格，CSV 或粘成 markdown 表都行——每一个 cell，不是汇总
- 每个 cohort 的渠道结构（如果有差异；付费量大的 cohort 跟自然量大的没法直接比）
- 每个 cohort 那一周上线了什么的时间线（新引导 v3、付费墙测试、push 默认开关）
- 你用的”留存”定义（打开 App 就算？还是要完成核心动作？别让 AI 自己猜）
- 你已经怀疑是异常的 1-2 个 cohort 和原因
可直接复制的 Prompt
上面三个工具都能用这条 Prompt。如果你已经把 CSV 上传到 ChatGPT，就把粘贴的表删掉，改成”用我上传的文件”。
你在读一款独立 iOS App 的周度 cohort 留存表。
"留存"定义 = 在该日窗口内打开 App 且完成至少一次核心动作（记一次习惯打卡）。
Cohort 表（行 = 获取周，列 = 日窗口）：
Week 2026-W10 | D1 62% | D7 38% | D14 29% | D30 22% | D60 18% | D90 16%
Week 2026-W11 | D1 64% | D7 39% | D14 28% | D30 21% | D60 17%
Week 2026-W12 | D1 71% | D7 44% | D14 31% | D30 22%
Week 2026-W13 | D1 73% | D7 46% | D14 34% | D30 24%
Week 2026-W14 | D1 72% | D7 43% | D14 30%
Week 2026-W15 | D1 70% | D7 41%
Week 2026-W16 | D1 68%
所有 cohort 的渠道结构稳定（70% 自然搜索、20% 推荐、10% 付费）。
每个 cohort 上了什么：
- W10-W11：基线。
- W12：引导改版（少 3 步，加了"30 秒内打第一个卡"的路径）。
- W13：同 onboarding + 默认开启第一次提醒。
- W14：同上 + 付费墙从 D3 挪到 D7。
- W15-W16：无产品改动。
写一段简短的曲线解读。结构：
1. 形状变化。W10-W11 到 W12+ 曲线哪一段变了——明确说哪个日窗口、动了几个点。
2. 曲线在哪里拐平。问题不在 D1——在斜率在哪一段开始变平。指出从哪一周开始出现这个现象。
3. 看起来异常的 cohort 和原因。没有就说没有。
4. 接下来值得测的两个假设，每个绑一个具体 cohort 和具体日窗口。
5. 一件数据没告诉你、但你要回答"为什么"必须知道的事。
规则：
- 不要编数字。引用表里有的。
- 不要给数据撑不住的因果——标成假设。
- 不要写"engagement 提升了"。指明日窗口和点数。
- 三到五段，简短。示例输出
曲线形状在 W12 明显变了。D1 从 62-64% 跳到 71-73%，一直保持到 W15，W16 回落到 68%。D7 从 38-39% 涨到 44-46%，到 W15 又退回 41%。所以引导改版在早期窗口拿到了提升，一部分在持续、一部分在衰减——D1 的提升比 D7 的提升更耐久。
曲线在哪拐平：W10-W11 cohort 的 D14 到 D30 斜率比较温和（29% 到 22%，约 7 个点），D30 到 D60 拐成 4 个点，D60 到 D90 只剩 2 个点。W12-W13 还没跑到 D60，但 D14 到 D30 的斜率看起来已经差不多。这意味着你在早期窗口买到的提升不一定能传到 D60+，除非有一个单独针对 D14-D30 这段塌陷的干预。
W13 看起来是个特殊 cohort——只有它同时跑了 onboarding-v2 和默认提醒开启，D14 拿到 34%，是表里最高的。W14 加了付费墙位移，D14 退回 30%，可疑但不能下定论，因为 cohort 之间本身就有噪声。
两个值得测的假设：(1) 默认开启提醒可能比引导改版做的功更多——下周 W17 一半 cohort 关掉提醒默认，看 D14 反应。(2) W14 把付费墙挪到 D7 在压 D14 留存——下个 sprint 拆 A/B 测付费墙位置，看 D14 而不是只看付费收入。
数据没告诉你的：W13 到 W15 的 D7 衰减到底是提醒疲劳（用户静音了）、iOS 通知权限策略中途变了，还是季节性。你需要按”通知权限”和”静音率”切 cohort 才能分开这几个变量。
怎么继续打磨
- 输出太空（“留存改善了”）→ 硬规则：“每个判断都要带日窗口和点数差，比如 D14 +6pts W12 vs W10。”
- AI 编了表里没有的数字 → 把表再粘一次，明确：“只引用下面 cell 里的值”。
- 把假设写成事实 → 重发：“把因果改成绑定具体 cohort 和反证测试的假设”。
- 漏掉”哪里拐平”只报最高点 → 要求：“第二段必须指出斜率在哪一周、哪个日窗口开始变平”。
- 把 cohort 一个一个读 → 要求：“把 W12-W13 当一组对照 W10-W11 一组读，然后再点出组内的异常”。
容易踩的坑
- 只看 D30 不看斜率。D1 高但掉得陡的 cohort，经常比 D1 低但掉得缓、最后拐平的更差。
- 拿渠道结构不同的 cohort 直接比。付费占比高的 cohort D30 几乎一定弱。
- 把 1-2 个点的 cohort 差异当”赢”。一个周活几千人的 App，cohort 噪声轻松就能动 2 个点。
- 让团队把 AI 写的叙述当真理。这段叙述是团队讨论的引子，不是答案。
FAQ
Q：这件事用 ChatGPT、Claude 还是 Gemini？ A：原始导出文件用 ChatGPT 数据分析模式（GPT-5.5，Plus 每月 $20），因为它在 Python 沙箱里真算点差而不是猜。只想把一张干净的粘表简洁叙述出来，用 Claude Opus 4.7（Pro 每月 $20）。如果 cohort 本来就在 Google Sheet 里，Gemini 3.1 Pro（Google AI Pro 每月 $19.99）最省事。
Q：要几个 cohort 才有意义？ A：6 个能给你一条基线加三个变更窗口。再少就分不出信号和 cohort 噪声了。少于 6 个时让 AI 标注”信号弱”、只描述形状不给结论。
Q：D1 低于约 26% 的中位数怎么办？ A：那曲线故事是次要的，先修激活。AI 读一条坏掉的曲线照样会写出很自信的文字。
Q：怎么避免 AI 编出表里没有的数字？ A：两层：让它”只引用下面表里有的 cell”；原始文件就优先选会算的工具（ChatGPT 沙箱），而不是凭记忆叙述的工具。然后仍然逐格拿源表核对。
Q：能直接把 AI 写的叙述发给团队吗？ A：不能。读一遍、把它引用的每个 cell 核对一遍、用你自己的话重写。值钱的是思考过程，不是那段文字。
Q：LTV 或收入 cohort 也能这么做吗？ A：同一套模板，把日窗口留存换成每活跃用户收入，但保留”形状、拐平、异常”这个结构。