同期群分析：用户留存和用户行为的法宝

在产品数据中，常见指标通常是总数型指标，例如用户注册总数和产品总收入。但在迭代中，如果只看这些数据，可能造成一种虚荣的指标，例如下图中展示的某产品的总数型指标，看上去很好，符合一个传统的上升曲线，会让人认为产品开发团队取得了巨大进展，增长引擎发展的很不错，每个月都在获得新用户。

其实很可能存在很大问题，例如虽然有新用户不断增加，但每个新用户贡献的收益却没有提高，只从传统数据看，无法发现这些问题。

而同期群数据可以更好的帮助分析用户行为，发现问题节点，并帮助做出迭代的决策。它也是提高用户留存率的重要方法之一同期群分析英文写为cohort analysis，cohort在英文中意思是：（有共同特点或举止类同的）一群人、一批人。

常见形式的同期群分析有两个重要维度：

1. 具有某种共同的行为特征的用户；
2. 出于某一相同时期的用户。

同时具备以上两个特征的用户，称为一个同期群（cohort）。时间的划分可以是季度、月、周、日，具体要根据app的使用特征和要分析的内容决定。

举例：以月为时期，分别以2018年3月、4月、5月、6月、7月这五个月的新增用户组成五个同期群，分析用户的转化率。分别是：

• 3月新增用户同期群（cohort a）
• 4月新增用户同期群（cohort b）
• 5月新增用户同期群（cohort c）
• 6月新增用户同期群（cohort d）
• 7月新增用户同期群（cohort e）

而这些同期群用户的共同行为特征都是新增用户，之后可以分析这五个群组间转化率的趋势和差异，而每一个同期群也代表了一张独立的产品成绩报告。再结合我们的业务变化和运营变化以及产品迭代变化，就可以通过对比发现很多有用的数据。

除了新增用户，也可以是其他用户特征，比如都在同一个月打卡一定数量的用户，又或者都在某天的vip促销活动中付费购买vip的用户等等。

同期群分析侧重于分析在客户生命周期相同阶段的群组之间的差异。

下图是一款社交软件的同期群分析，时期以周为单位，用户行为特征是新增用户，分别以3月、4月内每一周的新增用户作为一个同期群，一共有8个同期群。

社交软件，为了观察用户的留存情况，聚焦这些选中用户群组的以下数据：在一周内。

1. 已登陆的用户比例
2. 有1次对话的用户比例
3. 有5次对话的用户比例
4. 付费的用户比例

（已同一周内新增用户总数作为基准。）

如果观察这张同期群分析趋势图，可以发现产品在增加用户留存上总体是有改进的，有5次对话的用户（活跃用户）从原来的3%左右上升到20%左右，但是付费用户并没有什么增长，接着就需要继续深入分析，是什么导致付费转化率一直停滞不前。是层级太深？还是并没有足够吸引用户付费的功能还是定价策略有问题等等。

另一方面，我们也可以分析有5次对话的活跃用户，从3月第4周开始有较大增长，是什么促进的增长？

除此之外，同期群分析经常被用来分析用户流失数据和流失节点，这时实质上分析的是每一个同期群随时间变换的趋势。

与上图不同的是，它把一个时期分成更细的区间，分析用户在这些时间区间的变化趋势。

例如我们可以分析某一周的新增用户，在这一周内的每一天新留存率的变化。（此图来自网络 Emily Bonnie）

这幅图可以看出什么？首先，在从8月30日到9月6号的一周内一共新增134529人，把这些用户按每日分成7个同期群，分析他们的异同。

以8月20号这天的同期群为例，在第1天有31.3%人回访，但第7天只剩下8.1%，留存率相对很低。

如果光看新增用户，看上去很多，有134529人，可最后剩下的用户只有8.1%，剩下的91.9%人都损失掉了。

如果把新增用户比成用一个水桶接水，那影响最后可以接多少水的因素，一方面由从水龙头?进到水桶的水量决定，另一方面由从水桶漏出的水决定。如果水桶底部有好几个洞，即使接的水很多，但由于很多水又从底部的洞流出去了，所以最后剩下的水可能并不多。

上图中的数据反应的就是一个类似底部有洞的水桶，辛辛苦苦（有可能砸了钱很多钱做营销）增加的用户都从水桶底部流失了。

是什么原因导致流失呢？知道了用户流失严重，接下来的任务就是找到用户流失的原因。原因不一定只有一种，可能很多种原因叠加在一起产生的结果。有主导原因，有次要原因。判断流失原因后再优化产品，再次通过同期群数据进行分析，就可以验证对原因的判断是否正确，优化是否起作用，当然这个过程并不一定是一次就可以做到的，而是一个不断循环往复的精益过程。

注意，有些app数据会随时间有变动，比如有些app一周内的不同天使用频率有差异（有的软件工作日使用频率更高，比如共享单车，外卖等，有的软件休息日使用频率更高，比如运动类app），这时也要考虑各种影响数据的因素对结果产生的影响。

通过同期群分析我们可以实时监控真实的用户行为趋势，否则，我们只看总体数据可能得到虚荣的美好数据，从而做出错误的决策，把本该发现的问题掩盖掉。

这就是同期群分析的意义所在。

参考：

《用户体验度量》

《精益创业》

Emily Bonnie的网络文章

本文作者 @cating

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！