一種留存分析的方案：Cohort Analysis

前兩天一篇叫《打造 10 億美金產品的核心秘密：用戶參與層級模型》的文章在朋友圈瘋轉。

文章是 Pinterest 早期投資人 Sarah Tavel 總結的 用戶增長 模型，主要包括三個方面：

1. Growing engaged users （ 用戶增長 )
2. Retaining users （ 留住用戶 ）
3. Self-perpetuating （ 自我驅動 ）

圖片來自PPT，侵刪

對於文章中提到的這三點，我自己的理解就是做用戶增長的三要素： 新增 、 留存 、 召回 。這三要素今天不展開講了，感興趣的朋友可以看上面的文章，今天分享一個分析留存率的方法： Cohort Analysis ，這個方法很簡單，也很實用，但是介紹這個方法的中文文章卻不多。

什麼是 Cohort Analysis ？

Cohort analysis is a subset of behavioral analytics that takes the data from a given dataset (e.g. an eCommerce platform, web application, or online game) and rather than looking at all users as one unit, it breaks them into related groups for analysis. These related groups, or cohorts, usually share common characteristics or experiences within a defined time-span. （ 來自 wikipedia ）

解釋 Cohort Analysis 之前，我們先來看一個留存曲線，如下圖可見，這個產品的用戶在第一個月內快速收斂，最終穩定在 10% 這個水平。

留存曲線再加上該產品的新增規模，以及單用戶成本和單用戶 ARPU 值，我們就能計算出這個產品的用戶規模天花板，以及增長模式是不是健康。但如果我們的目標是分析該產品的留存問題，就需要用到 Cohort Analysis 了。

Cohort Analysis 可以翻譯成 群體分析 或 分組分析，其實是一種通過細分來研究數據的方法。如下表就是一個從每日新增維度細分的 Cohort Analysis 表格。

• 第一列是分組的維度，下表以用戶新增的日期作為細分的維度；
• 第二列是對應的新增用戶數；
• 其餘列為對應分組下的用戶留存率；

怎麼做 Cohort Analysis ？

Cohort Analysis 說來也簡單，就是做好觀察用戶的分組；分組先分維度，再分粒度。

什麼是維度？如果按用戶的新增日期分組，那時間就是維度，如果按新增用戶的渠道來源分組，渠道就是維度；其次是粒度，我們說的時間維度是按照月，還是按照天？這是粒度差異；新增的渠道維度，是新增的來源產品，還是來源的具體網址，這也是粒度的差異；通過基於這兩方面的分組可以將對比的差異值逐級鎖定，尋找原因。

對於用戶的留存分析一般有兩個大的分組方向：

• 從用戶的獲取角度分組
• 從用戶的行為角度分組

第一種是從用戶獲取的角度分組

如果按獲取的時間分（ 粒度選擇天或周或月，依賴於產品本身的使用頻率，例如 IM 產品就適合按天看，而記事本等工具類產品就更適合按周看 ），我們就可以清晰的看到，各個時間段獲取的用戶在留存率表現上是不是穩定，例如上面第一個留存曲線中一個月的收斂是穩定現象，還是強烈波動平均後的結果。通過這個分析我們能圈定出流失用戶做用戶畫像分析，並在流失率高的時間段進行干預。

同樣是獲取的角度，還可以通過渠道分。看不同渠道來的用戶後續的留存情況。通過渠道維度的分析能夠判定渠道的優劣，好的渠道可以加大投入，差的渠道可以選擇淘汰。

第二種是從用戶行為的角度分組

從用戶行為角度分組對於功能比較複雜的產品也很重要。例如現在的瀏覽器產品，已經不單單是解決用戶訪問網頁的需求，還向用戶提供新聞、小說、視頻服務，是一個內容的綜合服務體。

從用戶的角度來說，選擇用一個瀏覽器來看小說，並不是說也一定會用他來看新聞、視頻。所以同樣是用戶流失，他可能是對不同功能模塊體驗的不滿。

這個時候我們就可以通過用戶行為這個角度分組來分析具體問題，例如在瀏覽器這個例子中，新聞、小說、視頻都應該是每日活躍，且高留存比例的功能，如果分組中發現使用過某個功能的用戶在之後的時間中留存情況很差，那就需要對這個功能做專項的優化了，相較於競爭對手有哪些方面做的不夠好。

小結

Cohort Analysis 是一種簡單成熟的分析方法，不但能夠告訴我們用戶在什麼時候離開了我們的產品，而且能進一步告訴我們用戶為什麼離開，幫助我們找到優化產品的方法。

為了更好的使用 Cohort Analysis ，需要我們從一開始的數據打點和存儲結構就做好準備。

「If you cannot measure it, you cannot improve it

公號：勰門歪道（ xmwd-666 ）