通過同期群分析我們可以實時監(jiān)控真實的用戶行為趨勢，否則，我們只看總體數(shù)據(jù)可能得到虛榮的美好數(shù)據(jù)，從而做出錯誤的決策，把本該發(fā)現(xiàn)的問題掩蓋掉。這也是同期群分析的意義所在。

在產(chǎn)品數(shù)據(jù)中，常見指標(biāo)通常是總數(shù)型指標(biāo)，例如用戶注冊總數(shù)和產(chǎn)品總收入。但在迭代中，如果只看這些數(shù)據(jù)，可能造成一種虛榮的指標(biāo)，例如下圖中展示的某產(chǎn)品的總數(shù)型指標(biāo)，看上去很好，符合一個傳統(tǒng)的上升曲線，會讓人認(rèn)為產(chǎn)品開發(fā)團(tuán)隊取得了巨大進(jìn)展，增長引擎發(fā)展的很不錯，每個月都在獲得新用戶。

其實很可能存在很大問題，例如雖然有新用戶不斷增加，但每個新用戶貢獻(xiàn)的收益卻沒有提高，只從傳統(tǒng)數(shù)據(jù)看，無法發(fā)現(xiàn)這些問題。

而同期群數(shù)據(jù)可以更好的幫助分析用戶行為，發(fā)現(xiàn)問題節(jié)點(diǎn)，并幫助做出迭代的決策。它也是提高用戶留存率的重要方法之一同期群分析英文寫為cohort analysis，cohort在英文中意思是：（有共同特點(diǎn)或舉止類同的）一群人、一批人。

常見形式的同期群分析有兩個重要維度：

1. 具有某種共同的行為特征的用戶；
2. 出于某一相同時期的用戶。

同時具備以上兩個特征的用戶，稱為一個同期群（cohort）。時間的劃分可以是季度、月、周、日，具體要根據(jù)app的使用特征和要分析的內(nèi)容決定。

舉例：以月為時期，分別以2018年3月、4月、5月、6月、7月這五個月的新增用戶組成五個同期群，分析用戶的轉(zhuǎn)化率。分別是：

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

而這些同期群用戶的共同行為特征都是新增用戶，之后可以分析這五個群組間轉(zhuǎn)化率的趨勢和差異，而每一個同期群也代表了一張獨(dú)立的產(chǎn)品成績報告。再結(jié)合我們的業(yè)務(wù)變化和運(yùn)營變化以及產(chǎn)品迭代變化，就可以通過對比發(fā)現(xiàn)很多有用的數(shù)據(jù)。

除了新增用戶，也可以是其他用戶特征，比如都在同一個月打卡一定數(shù)量的用戶，又或者都在某天的vip促銷活動中付費(fèi)購買vip的用戶等等。

同期群分析側(cè)重于分析在客戶生命周期相同階段的群組之間的差異。

下圖是一款社交軟件的同期群分析，時期以周為單位，用戶行為特征是新增用戶，分別以3月、4月內(nèi)每一周的新增用戶作為一個同期群，一共有8個同期群。

社交軟件，為了觀察用戶的留存情況，聚焦這些選中用戶群組的以下數(shù)據(jù)：在一周內(nèi)。

1. 已登陸的用戶比例
2. 有1次對話的用戶比例
3. 有5次對話的用戶比例
4. 付費(fèi)的用戶比例

（已同一周內(nèi)新增用戶總數(shù)作為基準(zhǔn)。）

如果觀察這張同期群分析趨勢圖，可以發(fā)現(xiàn)產(chǎn)品在增加用戶留存上總體是有改進(jìn)的，有5次對話的用戶（活躍用戶）從原來的3%左右上升到20%左右，但是付費(fèi)用戶并沒有什么增長，接著就需要繼續(xù)深入分析，是什么導(dǎo)致付費(fèi)轉(zhuǎn)化率一直停滯不前。是層級太深？還是并沒有足夠吸引用戶付費(fèi)的功能還是定價策略有問題等等。

另一方面，我們也可以分析有5次對話的活躍用戶，從3月第4周開始有較大增長，是什么促進(jìn)的增長？

除此之外，同期群分析經(jīng)常被用來分析用戶流失數(shù)據(jù)和流失節(jié)點(diǎn)，這時實質(zhì)上分析的是每一個同期群隨時間變換的趨勢。

與上圖不同的是，它把一個時期分成更細(xì)的區(qū)間，分析用戶在這些時間區(qū)間的變化趨勢。

例如我們可以分析某一周的新增用戶，在這一周內(nèi)的每一天新留存率的變化。（此圖來自網(wǎng)絡(luò) Emily Bonnie）

這幅圖可以看出什么？首先，在從8月30日到9月6號的一周內(nèi)一共新增134529人，把這些用戶按每日分成7個同期群，分析他們的異同。

以8月20號這天的同期群為例，在第1天有31.3%人回訪，但第7天只剩下8.1%，留存率相對很低。

如果光看新增用戶，看上去很多，有134529人，可最后剩下的用戶只有8.1%，剩下的91.9%人都損失掉了。

如果把新增用戶比成用一個水桶接水，那影響最后可以接多少水的因素，一方面由從水龍頭?進(jìn)到水桶的水量決定，另一方面由從水桶漏出的水決定。如果水桶底部有好幾個洞，即使接的水很多，但由于很多水又從底部的洞流出去了，所以最后剩下的水可能并不多。

上圖中的數(shù)據(jù)反應(yīng)的就是一個類似底部有洞的水桶，辛辛苦苦（有可能砸了錢很多錢做營銷）增加的用戶都從水桶底部流失了。

是什么原因?qū)е铝魇?？知道了用戶流失?yán)重，接下來的任務(wù)就是找到用戶流失的原因。原因不一定只有一種，可能很多種原因疊加在一起產(chǎn)生的結(jié)果。有主導(dǎo)原因，有次要原因。判斷流失原因后再優(yōu)化產(chǎn)品，再次通過同期群數(shù)據(jù)進(jìn)行分析，就可以驗證對原因的判斷是否正確，優(yōu)化是否起作用，當(dāng)然這個過程并不一定是一次就可以做到的，而是一個不斷循環(huán)往復(fù)的精益過程。

注意，有些app數(shù)據(jù)會隨時間有變動，比如有些app一周內(nèi)的不同天使用頻率有差異（有的軟件工作日使用頻率更高，比如共享單車，外賣等，有的軟件休息日使用頻率更高，比如運(yùn)動類app），這時也要考慮各種影響數(shù)據(jù)的因素對結(jié)果產(chǎn)生的影響。

通過同期群分析我們可以實時監(jiān)控真實的用戶行為趨勢，否則，我們只看總體數(shù)據(jù)可能得到虛榮的美好數(shù)據(jù)，從而做出錯誤的決策，把本該發(fā)現(xiàn)的問題掩蓋掉。

這就是同期群分析的意義所在。

參考：

《用戶體驗度量》

《精益創(chuàng)業(yè)》

Emily Bonnie的網(wǎng)絡(luò)文章

本文由 @cating 原創(chuàng)發(fā)布于人人都是產(chǎn)品經(jīng)理。未經(jīng)許可，禁止轉(zhuǎn)載

題圖來自Unsplash，基于CC0協(xié)議