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。
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。
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
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：如果只有 4-5 个 cohort 数据，AI 还能写出有意义的解读吗？ A：能写但不要信。少于 6 个 cohort 时让 AI 标注”信号弱”、只描述形状不给结论；带上”再观察 N 周”的预期窗口，避免站会上被当成”数据已经说了什么”。
Q：怎么避免 AI 把巧合当成因果？ A：Prompt 里强制要求每个观察后面跟一个”可能解释 / 排除解释 / 待验证”三段式。AI 只要被框住格式，就不会自己脑补”因为 D7 push 上线所以留存涨了”。
Q：D1 高 D7 暴跌的 cohort 怎么让 AI 解读？ A：把那一周的引导漏斗、首日 push 频率、定价改动、App Store feature 状态一起喂进去。光看 cohort 表 AI 只能说”D1→D7 漏斗有问题”，加上上下文才能说出是哪一段。
Q：AI 写的解读和数据团队的报告冲突了怎么办？ A：以数据团队为准，但要追问冲突点：是切 cohort 的方式不同、还是定义 D7 的窗口不同。这种冲突恰好是最值得记下来的——下次喂 AI 时把定义先写清楚。