一个漂亮的平均数完全是用数据创造出来的虚幻景象，会给我们的决策造成误导，因此我们需要掌握一个行之有效的方法来剖析真实的用户行为和用户价值，这个方法就是同期群分析（Cohort Analysis）。事实上，数据不会说谎，只是分析数据的人没有做到精准分析而导致对数据呈现的错误解读！
国内对同期群分析相关的研究相对较少，也许不是所有的运营都知道同期群分析，但它是每个产品运营必备的分析方法。在著名的《精益数据分析》一书里面，作为测试数据分析 的灵魂也提到了同期群分析的相关内容。
同期群分析最早用于医药研究领域，意在观察不同被试群体的行为随着时间的变化呈现出怎么样的不同。通过监测不同的被试群体，医药研究员可以观察到不同的处方和治疗方式对被试的影响并且确定被试共同的行为模式。
那么在运营领域，什么是同期群呢？
同期群属于用户分群里的一个细分，是指在规定时间内对具有共同行为特征的用户进行分群。“共同行为特征”是指在某个时间段内的相似行为，它除了按不同时间的新增用户来分类外，还可以按不同的行为来分类，譬如“在2017年6月第一次购买”，“在2017年10月第二周对产品的使用频率开始降低”等。
注意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。
同期群分析（Cohort Analysis）为什么很重要？
在产品发展过程中，我们通常会把产品收入和产品用户总量作为衡量这个产品成功与否的终极指标。不可否认这些指标固然重要，但是它们并不能用来衡量产品最近所取得的成功，并且极有可能会掩盖一些急需我们关注的问题，如用户参与度持续走低、用户新增在逐渐变缓等。在用户行为分析 的过程中，我们需要更细致的衡量指标，这样才更有利于我们准确预测产品发展的走向并通过版本迭代及时对产品进行优化和改进。
同期群分析（Cohort Analysis）是提高APP用户留存的关键
上面提到，一个产品的成功与否不在于下载量多少，而在于如何留住即将流失的用户以及如何召回已经流失的用户。
我们不能通过下载量确定APP发展的具体情况，因为漂亮的下载数据会误导我们以为APP发展很健康，但实际上，很多用户下载几天后就流失了。同期群分析是提高用户留存的关键。
案例
针对首次启动APP的用户进行同期群分析，并观察他们接下来七天的留存情况。
17461个新增用户在10月30日首次启动了APP，第一天在这些用户里有30.6%的人再次启动，第四天12.2%，第七天7.9%，这表明在第七天的时候约每12个用户里就只剩下一个活跃用户。这同时也意味着我们流失了92%的用户
我们需要知道哪些同期群有更好的留存并分析原因。如：我们在那一天发起了一场新的营销活动吗?还是提供了促销或折扣？或是发布了新功能，在产品里添加了视频教程？我们可以将这些成功的策略应用于其他用户，来提高用户活跃度及留存率。我们还可以比较不同时间段的留存：
拉新后的留存：通过比较拉新后不同的同期群，我们可以看到4天，7天等时间段后再次回来的用户。这些同期群数据可以让我们了解用户登录体验，产品质量，用户体验，市场对产品的需求力等关键信息。
长期留存：通过观察每个同期群用户再次回来使用APP的天数，我们可以看到每个同期群长期的留存，而不是拉新后几天的留存。
我们可以知道用户是在哪里退出的，并且可以知道活跃用户群有什么特征，他们在做什么，这样一方面有助于我们在拉新时快速找到目标用户，另一方面我们还可以影响新用户，让他们遵循同样的路线，最终成为忠诚用户的模样。
同期群分析（Cohort Analysis）能帮助我们实时监控真实的用户行为、衡量用户价值并制定有针对性的营销方案
例如我们的运营团队在9月份发起了一场为期60天的欢迎活动，想要通过一系列折扣和优惠来推动用户增长。通过广告展示和社交媒体，我们每天都有数以千计的用户增长。5个月后，我们的用户增长量非常大，领导对我们的活动结果非常满意。
表面看，我们顺利达到了用户增长的目标。然而，当我们仔细研究同期群的数据，从用户的终身价值出发，我们会发现，欢迎活动中新增的用户在活动2个月之后购买率持续降低，与之相反，活动前的新增用户如8月份的用户，在活动的这五个月里购买率一直比较稳定。
如果我们只把每月总收入作为衡量指标，我们就会以为收入增长仅仅来自新涌入的用户。然而，活动启动之后的用户群组数据表明，一旦优惠活动结束，收入就会下降。收入下降证明我们并没有扩大忠实用户群体。
如上所示，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，我们会因为只分析总体数据得到错误的判断而做出错误的决策。通过分析每个同期群的行为差异，我们可以制定有针对性的营销方案。在这个案例中，运营人员需要制定新策略来提高活动开始两个月后的用户参与度。
如何实施同期群分析（Cohort Analysis）？
首先从定义商业疑问开始
定义商业疑问是研究得到有效结果的前提。商业疑问定义基于商业目标以及研究试图解决的问题。
用户在我们优化产品之后购买转化率是否提升？产品改进后用户流失率是否降低？我们需要对这些疑问进行迭代和细化，以确保它与商业目标一致。
依据商业疑问定义度量指标
如购买转化率和用户留存率是回答业务问题的关键指标，我们想要了解从注册到完成购买每一步的用户流失率以及最后的购买转化率。
定义同期群
前面留存的案例里，同期群是基于创建账户一周内购买的用户。在其他情况下，我们可以用不同的方式定义同期群，例如，某个内容APP，我们可能会基于创建账号的24小时内发布内容的用户。
分析同期群数据
我们还以图一典型的同期群表格为例，横向为自然天数排列，纵向为每天的新增用户数，表格内部是计算的每天留存率，一般情况下横向的留存率最终会在某天后停留在一个相对稳定的状态，从图中我们可以看到，在第5天留存趋于稳定。这就说明这批用户是稳定留存下来的。否则，如果留存率一直下降，总有一天会归零。
我们再来看下纵向的留存数据，如果一个产品在健康发展，这个数据应该是越来越好。很显然这个产品并不是，PM应该不断根据历史数据优化改进产品，提升用户体验,从而提高用户留存率！
总结
同期群分析（Cohort Analysis）有利于我们更深层地分析用户行为，并揭示总体衡量指标所掩盖的问题。在营销方式和活动效果不断变化的当下，学会运用同期群分析有利于我们预测未来收入和产品发展趋势。
本文原创首发于Cobub微信公众号dev-cobub，如需转载请注明出处！
Cobub Razor是一款开源 移动应用数据统计分析 工具，社区QQ194022996