剖析数据的利器：Cohort Analysis组群分析

Cohort Analysis组群分析是一种能深入挖掘数据的分析方法，通过将数据进行多维度的呈现，暴露问题时点，聚焦分群，助力问题的有效定位。

一、留存率的背后隐藏着什么？

上图为某公司近半年的留存率变化情况（数据为举例），通过图中我们发现留存率随着时间逐渐减少，这是一个总体结果的呈现，而当我们想要了解更细节的信息，比如说：

• 当出现异常下降点时，如何再细分拆解原因？
• 单个月份下的留存率是由什么部分构成的？
• 单个月份下新增的用户随着时间的推移的流失情况？等等……

有什么办法能让我们深挖数据呢？同期组群分析可以解决。

二、使用Cohort Analysis组群分析剖析数据

Cohort Analysis同期组群分析，即针对不同分组的用户在相同的时段内的分析方法。通过以下步骤我们来看看如何运用组群分析剖析留存分析的问题。

1. 建立分析框架：分组+时间

• 横轴是时间线，从聚焦观察的起点开始统计1个月后，2个月后，3个月后等等以后的情况。为了便于从时间视角去观察数据，在表述的时候，我们转化成具体时间段下的维度。例如转化成1月、2月、3月……。
• 纵轴是组群，在留存率的例子下，我们划分的组群以每月新增的用户量为分组，即1月份增加的用户，2月份增加的用户，3月份增加的用户…

2. 定义研究的主体变量，采集数据填充

在通过坐标轴建立好分组标准和时间周期粒度后，我们需要确定研究的主体变量。在例子留存率分析中的主体研究对象是“每月下的新增用户”，我们把它放在对应分组的旁边，代表的是当前月份分组下对应的“新增用户”数值。

当用户群、时间、研究主体都确定后，我们可以进行数据的采集及填充。随着时间的推移，年初至7月份的数据：

分别从横轴及纵轴这二维的角度来展开剖析数据：

1）横向比较：时间的延展性

横轴的视角是具体分组下随着时间变化的情况，分组间体现了时间的延展性，你可以看到每个月新增的用户留存随着时间的推移的数量变化情况。观察图表我们可以发现的问题是：

• 留存情况是否合理？合理参考标准可以是：自己往期的平均水平、同行的平均水平、预期目标等。
• 是否有某个月份数据异常？超出均值范围内的大的增长或减退，再结合具体时间节点前后发生的产品动作进行排查。

2）纵向比较：聚焦时间段下的细分结构

纵向的数据，即具体月份下的数据是对每期分组的新增用户进行累加，各分群组成结构清晰可见。

针对留存的分析，转化成留存率的视角，观察每月新增用户、每月下各期组成分群的留存率变化趋势，理想态是要提升的，说明数据的留存比之前更好，体现出公司不断在产品功能上进行优化，使得留存率提升。如果发现背离理想态的状况，再聚焦异常的节点进行分析。

另外谈一下增强数据的可读性，可以通过对数值区间进行颜色深浅的设置，或者将横纵轴分别转化成折线图，使得对于数据的波动幅度得到更直观的呈现。

三、灵活运用分组分析

上例留存率问题已经简要说明了组群分析的基本使用步骤，它达成了把问题拆解到时间维度呈现变化趋势及组成结构。那么Cohort Analysis组群分还能怎么灵活运用？它有没有局限性呢？我们尝试着抽象出它的几类运用模式。首先，看下它的基础框架是这样：

1. 研究纵轴的分组对象：可以是时间、人、事/物

1）“时间”为纵轴的分组

它的特点为分组是对不同时期进入的用户，分别考察其后续行为的变化情况，这个特性决定了每期分组下存在持续新增用户，此时的分析才有意义。

由于C端类产品用户是独立的个体，单独使用，满足这种情况；而B端类产品就不适用了，B端类产品的用户往往是在系统上线时，大批量应公司要求开始使用，后续零星的新员工继续加入使用，在每期分组下不满足有持续新增用户。

再说说此类表格数据的呈现形式，由于是对不同时间批次的数据进行收集，在表格数据呈现形式上是三角形。

2）“人（用户群）”、“事/物”为纵轴的分组

• 人（用户群）分组聚焦用户群在时间下的发展差异，这种分类方式比较常用于验证某项产品功能迭代的效果。比如：新上线的优惠券功能对用户留存的影响。
• “事/物”的分组比如研究渠道的获客质量，纵轴的分组是各渠道，收集的是各渠道在时间维度下获客的留存情况。又或者是研究公司产品更命中大企业还是中小企业的痛点，纵轴的分组是大客户定价方案，中小企业定价方案，收集的是各体量客户定价方案下的成交单量。

它们在表格数据呈现形式上是整齐划一，也是我们最常见的柱状图/曲线图表格化的呈现。

2. 研究横向时间轴的划分方式

1）如何设定观察时间的起点

a.留出对比时间段：若要突出某项功能上线前后对产品的影响和贡献，需要将观察时间的起点提前设定，留出一定的时间好对比功能前后的变化。

b.结合用户使用频次特点：这里要说说C端和B端用户的差异。C端产品服务于用户个人，特点是主要用户群体对于核心功能高频的使用。B端用户是企业内部的用户群，他们使用各自职能下需要的系统功能，并且个别使用还呈现出周期性的特点，比如：月度的工资计算、季度的物料盘点、周期性的物品采购等等。因此，在对于B端产品的观察时，需要针对到具体角色使用的时段下研究才有意义。

2）设置时间间隔的考量

时间间隔的大小代表了多久分析一次，设置合理的时间间隔的大小，有助于降低时间中的噪音。

当研究更聚焦宏观周期时，时间段的间隔倾向设置得较大，比如按月或按年进行分割；当聚焦细节变化时，时间段的设计的间隔设置得相对较小，比如：按周、按天、按小时段等等。

3）事件记录

记录研究全时段内的发生事件，便于在对时间节点进行分析时有落脚点，成为相关性分析中的研究事件。

以上是搭建组群分析框架的思路，在组群分析方法搭建好之后，是对于数据的收集、观察、异常问题的定位，枚举可能性的原因，通过相关性分析聚焦具体的原因。

本文作者@tomato 。

版权声明

本文来自互联网用户投稿，文章观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处。如若内容有涉嫌抄袭侵权/违法违规/事实不符，请点击 举报 进行投诉反馈！