Cohort analysis

99% 创业常识｜简单好用的 Cohort Analysis，认清公司真相

2016-05-11 19:52

上周五我们发出了新栏目「99% 创业常识」的第一篇：《CAC、LTV、PBP》，反响相当热烈。但是，由于小编鬼使神差地没有设置留言功能，我们并不知道各位看官的阅读感受和建议，这次你们可以任性地评论了。

重要的话再说一遍：做这个栏目的想法源于与创业者的日常交流，我们发现，其实绝大多数创业者并没有学完“创业基础课”就上路了，时间也不允许完全 ready 。有感于此，我们决定把这些所谓的“创业常识”（绝无嘲讽贬低之意），或者说商业规律、科学方法、创业经验等，通过这样的形式分享给你。愿你在创业路上不忘商业本质，并站在前人的肩膀上，比别人看得更远。

系列第二篇文章来自“42章经”（ID：MyFortyTwo），作者曲凯。

一、凭什么说你司的数据更漂亮？

话说，A和B公司都是化妆品电商平台，他们几乎在同一时间启动业务，运作半年后，他们坐到一起交流数据和经营心得。

A：我们前半年有2万个注册用户了。

B：我们比你们多一点，现在3万个用户注册了呢！

第一轮，B胜出。因为注册用户数多，获取新用户做得更好。

A继续说：我们2万个注册用户里有1.8万个下过单。

B：我们的下单用户是1.5万。

第二轮，A胜出。因为下单用户数高，注册到下单的转化做得更好。

A：不过，这1.8万个下过单的，最近一个月还下单的只有5000个了。

B：我们倒还有1万个。

第三轮，谁赢了？在最近一个月下单用户数高的，能说明留存做得好吗？

A补充道：我们留下的这5000个，都是最早几个月就获取的，现在还在继续下单的客户。

B：我们这1万个下单的都是上个月新获取的客户。

现在，A好还是B好？

我们看到，A公司的新增做得不如B公司，而B公司的留存做得不如A公司。作为创业者或投资人，如果非要选择的话，A公司是优于B公司的。

因为对一家早期公司来说，产品和用户留存的重要性是优于其他的。如果留存做得足够好，一旦掌握了用户增长的方式方法，总能够厚积薄发。但如果只有增长、没有留存，那很可能永远都抓不住用户的痛点，最后什么都不剩。就好像B公司，一共1.8万个下过单的用户，上个月剩下1万个，但这1万个又都是上个月刚刚新增的下单用户。未来很可能发生的情况是：到了下个月，这1万个也不见了，而A公司至少还能持续有5000左右的下单用户。

如下图所示，蓝色为合理的留存变化，最终平缓维持在一个水平，而红色为非常糟糕的情况，渐渐的，所有客户都会流失。结合我们在本系列第一篇文章中提到的，前一种的用户终身价值要比后一种不知道高到哪里去了。

图0

当然，这里基本只考虑了用户获取和留存的情况，实际情况更复杂，还牵涉到更多交易数据维度。比如每个客户的客单价是多少，购买频次如何，交付时间多长等等。（根据以上分析，想想看，客单价高就一定更好吗？是否可能存在某几个用户客单价几万，而剩下的客单价只有几块的情况？）

所以数据是会骗人的，尤其是平均数据，一个中等、平均的用户画像其实完全是用数据创造出来的虚幻形象。要真正从数据层面掌握一家公司的情况，就要把数据不断地分组、细分。投资人最常用的一个分析工具是「Cohort Analysis」（分组分析/同期群分析）。

最常用到的一种 Cohort Analysis 就是按照不同时期进入的用户，分别考察其后续的行为情况，比如分别统计第一个月、第二个月、第三个月……获取的新客户在后续几个月的下单情况，所以又叫做同期群分析。

二、Cohort Analysis 这玩意儿咋用？

平常看到详细介绍 Cohort Analysis 的文章少得可怜，其实这个工具是最常用、最好用的必备工具，下面就具体介绍该如何理解和使用它。

下图是最典型的 Cohort Analysis 表格。第一列为自然月份排列（按照月份维度一般是投资人会看的时间长度，公司内部建议按照周为维度来监测数据），第二列为每个自然月的新增用户数，右侧的表格为当月新增的用户数在后续每个月的留存情况：

图1

比如1月公司新增用户80个，在当月流失2个剩余78个（每个公司对流失和留存的定义可能不同，根据不同定义，也可能第一个月的留存都是100%），在2月又流失了3个，还剩下75个，以此类推。3月份的总下单用户数是261，其实是由1月新增还剩下的72个，2月新增还剩下的86个，和3月刚刚新增的103个组成的。

图2是根据图1中的留存数据计算的留存率。这里可以注意到，表格中右侧的时间从1月、2月、3月…改为了0、1、2…指间隔的月份。0代表当月，1代表1个月之后，以此类推：

图2

根据图2：

1）横向比较，可以看出每月新增用户在后续各月的留存率情况

2）纵向比较，可以看出不同月份新增用户，分别在当月、下个月、再下个月等的留存表现

一家好的公司应该看到的趋势是：

1）横向的留存数据最终会在某个月份之后停留在一个固定的留存率上，比如某个月获取的100个用户，在半年后每个月的留存率都稳定在60%，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（哪怕速度很慢），也会在之后的某个月份归零，不管新增多少用户，最终一个都剩不下。

2）纵向的留存数据应该是越来越好。公司应该不断根据历史情况改进产品和体验等，所以越后加入的用户，应该能享受到越好的产品和服务，后续几个月的留存率就应该更高。

图3是根据留存数据转化的流失率，和留存率唯一不同的地方是，这个数据是根据前一个月的数据分别计算的流失率：

图3

图2中，1月新用户在当月的时候的留存率是97.5%，1个月之后的留存率是93.75%，而图3中的流失率分别是2.5%和3.75%（而不是6.25%）。这样组织数据可以让我们更清楚的看到具体每个月的流失率的情况，也可以知道是哪个月做的最有问题。

以上基本说清了用户相关的 Cohort Analysis 该如何做，由此可以更好知道一家公司具体的运营情况，并且是分组的，有时间延展性的。你可以看到包括：

• 每月新增用户数量的变化（是否在合理增长？）

• 不同月份新增用户在后续每个月的留存情况（留存率是否合理？是否有数据反常？比如某个月新增渠道的改变，造成新增用户质量有差异，导致后续每月的流失更快）

• 每个月的流失率情况（是否因为某个动作造成历史用户的流失率大幅上升？）等等。

如果只看当月的总用户情况，上述这些问题都会被掩盖，尤其是新增用户数量大的时候，表面看起来用户是在增长，但很可能全都是靠新增用户拉动的。

三、进击的 Cohort Analysis

Cohort Analysis 还有非常多其他的用法。

对于一般公司来说，当月收入可以拆为：

总下单用户数 * 每个用户下单次数 * 单次客单价

比如当月有300个用户下单，平均每个客户下单3次，平均单次客单价100元，那么当月总收入就是9万元。但是看到“平均”两个字，你就该警惕了！那么多客户，平均3次和100元，但实际上不同客户的情况呢？这里就也可以用 Cohort Analysis 来判断。

比如1月获取的客户，在1月下单的次数是2次，2月下单的次数是3次，3月下单的次数是4次…我们可以画出如下图表：

图4

同理，客单价也是可以对应到下单次数所在的位置，这里不再赘述。通过不同维度的Cohort Analysis，你可以看到用户随着留存时间的增加，是否与平台建立了更深的关系。每个用户是否会购买更多的次数，或每次是否会购买更多的金额？这样，最终每个月的销售额都可以被分解到非常细的维度。

除了按不同时间获取的客户来分类，还可以按照不同的行为分类。比如第一列可以是当月app停留时长超过10小时的用户，也可以是参与某种优惠活动的客户等等；表格右侧可以监测该用户群体的各种行为情况，比如参与了优惠活动的客户在后续几个月的留存是否会更高，下单金额是否会更高，等等。总之，左侧是按照某种定义区分的用户群体，右侧是这些用户可被监测的某种动作。

当然，为了更好地使用 Cohort Analysis，从一开始的数据监测和组织结构就要做好准备。正如开尔文所说的：

If you cannot measure it, you cannot improve it.