（Photo Credit: WebEngage）

一款App想要长期成功，只是一味让用户来下载你的app是不够的，重点是要让他们重复访问你的app。所以你不应该只关心那些虚荣指标——比如下载数，甚至是日活/月活——这些变量只能在很浅的层面测量增长和留存。你需要做的，是用一种方法更加深入的了解你的app——它就是Cohort Analysis（群组分析）。

 什么是Cohort Analysis群组分析？

Cohort Analysis是一组行为分析，它使用电商平台、网络应用、线上游戏等的数据，把用户分成相近的组来分析。这些相近用户组成的组，就叫做叫群组（cohorts），同一个群组的用户通常在一个特定时间段内有着相似的特征和经历。

Cohort analysis是一个测量用户在一段时间内活跃度的工具。它可以让你知道，随着时间的流逝，用户活跃是否真正地越变越好（而不只是随着增长而看似变好）。增长很容易掩盖掉活跃问题——“老用户的不活跃”这一问题总是被“新用户的增加”这一表层现象掩盖掉。

Cohort analysis长期被认为是很有价值的方法，就是因为它能把增长变量和活跃变量区别开来。

 Cohort Analysis实例 

让我们用一个例子来看怎么用cohort analysis——用户从第一次运行一款app到未来10天里重复访问的情况：

（从左往右看可以看到用户生命周期；从上往下看可以看到产品生命周期）

从上图这个留存表中我们可以做以下推断：

• 1358个用户在1月26日运行了app。运行app的当天被记为第0天。第1天的留存率是31.1%，第7天的留存率是12.9%，第9天的留存率是11.3%。也就是说，在那些于1月26日第一次运行了app的所有用户里面，8个用户里还有1个在第7天仍活跃地使用着app。

• 在这段时间里的所有新用户中（13,487个新用户），27%的人在下载app后的第1天回到了app，第7天还有12.5%的人回来，第10天还有12.1%的人回来。

此外，这个表还有两个主要的好处：

• 产品生命周期（从上往下看）——比较不同的群组在同一时间段的表现——我们可以看到一个群组中有多少人在3天（或几天）后还回到了app。从产品生命周期的早期的几个月可以间接看出你产品的用户引导体验以及客服团队的表现。

• 用户生命周期（从左往右看）——可以监测任何一个群组与产品的长期关系——勘查人们多久会回来、这个群组的用户有多强的粘性、他们有多少价值。从中你可以间接判断出产品的质量、运营以及客户支持做得有多好。

不管你用什么样的变量来评估和定义你的产品表现，cohort analysis都可以让你看到你所看重的变量在用户生命周期和产品生命周期中是怎么变化发展的。

 如何用Cohort Analysis来提高客户留存？

Cohort analysis是关于看不同群组的人随着时间的行为变化。比如，如果我们给100个人发出了邮件提醒，有一些人在第一天买了产品，第二天买的人少一些，第三天买的人更少一些，依此类推。但是，如果在几周之后我们再发另一封邮件给100个人，那此前发的第一封邮件就可以展示出它对人们的购买决定产生的延迟（lag）效应。

 Cohort Data 群组数据 

为了追踪用户行为随着时间的改变，或者同样的行为在不同的群组中是如何不同的，cohort analysis可以用来比较这些人的获客方式、获客时间，或者留存。

可以用两种办法来把一组用户分成不同的群组：

• 按获客时间来划分群组（Acquisition Cohorts）：这是依据用户第一次使用产品的时间来划分群组。比如对于你的app用户来说，你可以通过划分他们第一次运行你的产品的日、周或月来划分他们，从而追踪日、周、月群组。

在这种方法中，通过测量这些群组的留存，你可以看出人们从开始使用的时刻起，将使用你的app多久时间。

• 按用户行为来划分群组（Behavioral Cohorts）：通过用户的在你app中的产品行为来划分群组。这里可以是任何行为——app下载、app运行、app卸载、付费、充值，或这些行为的任意组合。

在这种方法中呢，一个群组就是在一定时间段内（比如app使用的头三天）有特定行为的那组用户。你可以检测不同的群组在展示特定的行为后在你的app中还会活跃多久。

接下来让我们看看如何使用获客群组和行为群组来观测你的用户在做什么。

 获客群组 (Acquisition Cohort)：找到你app的问题时刻 

我们一开始展示的那幅图就是关于获客群组的，它根据获客的不同日期来划分不同时期被获得的新用户。

让我们画一个留存曲线。这样就可以轻而易举地看出你的用户是在什么时候离开你的产品的：

这个留存曲线立即反映出了一个重要的观察——大约75%的用户在运行后的第一天就不再使用app了。在最开始的大降之后，第二个下降产生在第7天——少于13%的人回到app，第10天时只有11%的用户还在使用app。

这个留存曲线表明，用户并没有在运行app后马上领悟到app的核心价值，所以留存率才会在第一天后就大幅下降。因此，我们很明显地就可以知道我们应该提升用户引导体验，让用户尽快了解到产品的核心价值，才能提高留存率。

因此，获客群组对于识别趋势、用户流失的时刻是非常有用的。但它很难让你知道用户为什么离开，于是大家就会用第二种方法去分析——行为群组。

 行为群组 (Behavioral Cohort)：客户留存分析 

一个简单的行为群组的例子就是——那些在购买一个产品前阅读了客户评价的用户们。这些人就可以构成一个群组。这样做就可以回答一些有趣的问题，比如：

• 阅读客户评价的用户是不是比不读评价的用户有更高的转化率？

• 这些用户是否更加活跃——逗留更长的时间、更多次地开启app、更少的流失。

一个app用户，在下载了app或者运行了app之后，会有成百上千种不同的决定，他们会展示出各种各样的行为来辅助他们决定去留。这些行为可能是：用核心功能Y而不用核心功能Z；只在X类型的提示下才打开app，等等。

让我们比较以下不同的群组的留存：

第一组用户是进行了一次付费行为的用户群组，第二组是中途放弃购物车的用户群组。

这两组都有意愿在你的app上购买。但是一组用户选择付费，另一组用户中途放弃了。你该怎么做来减少放弃的人呢？

Cohort analysis可以回答这个问题：

• 什么时候是重新激活你的用户的最佳时机？什么时候是对他们“再营销？”的最佳时机？

从上面的留存表中，你可以总结到，大多数放弃了购物车的人并没有重新回到app，在第一天就没剩多少人了。所以，你需要在24小时内重新定向他们、对他们做再次营销，才能增加他们购买的几率。

从这个数据中，你可以开发出一套系统性的、定量的方法来检测你的用户是从什么时候起爱上你的app的，然后让它一再发生。而且，在搞清楚什么有用什么没用之后，你可以采取策略来提高你的留存率。

Cohort analysis的强大就在于，它不仅可以让你知道哪些用户离开了、他们什么时候离开的，也能让你知道他们为什么离开你的app——所以你就能采取行动来减少他们的离开。这就是一个增长官在寻找驱动增长、活跃度和app的营收的因素时该使用的方法。 

好学的你也许错过了

不懂Ghost Ads你也敢说你会A/B Testing！？

硅谷增长的新指标——超级用户微笑曲线

怎样计算用户终身价值（Customer Lifetime Value）？

关于MarTechApe

MarTechApe是一个来自纽约、专注MarTech领域的知识分享|技能学习|求职服务的终身学习平台。我们提供最专业的Marketing Technology课程。

微信改版，记得标星我们，不错过任何广告营销科技干货！