同群分析（Cohort Analysis）：从数据表象到用户行为本质洞察

核心概念与问题定义

同群分析（Cohort Analysis）是电商留存分析最强大的工具之一，它将用户按「首次行为时间」分组（同群），然后跟踪每个群组在后续时间的表现。核心目的：区分「时间效应」和「群组效应」。

举个例子：某电商平台1月留存率50%，2月降至40%。是因为2月的用户质量变差了？还是2月本身天数少/春节假期影响？Cohort Analysis可以告诉你答案。

常见的Cohort分析类型：

时间Cohort：按用户首次购买/注册的「周/月」分组

行为Cohort：按用户首次完成的核心行为分组（如首次搜索、首次加购）

渠道Cohort：按用户来源渠道分组

品类Cohort：按用户首次购买的品类分组

关键参数与案例

Cohort留存率计算标准： `

第N期留存率 = 该群中第N期有消费的用户数 ÷ 群组总用户数

` 经典Cohort表结构示例（月度数据）：

|---------|-------|---------|---------|---------|---------|---------|

| 2025-01 | 10,000 | 100% | 45% | 38% | 32% | 18% |

| 2025-02 | 12,000 | 100% | 42% | 35% | 28% | 15% |

| 2025-03 | 15,000 | 100% | 40% | 30% | 25% | — |

| 2025-04 | 18,000 | 100% | 38% | 28% | — | — |

| 2025-05 | 20,000 | 100% | 35% | — | — | — |

关键发现：

1月群组（10,000用户）的6月留存率是18%

5月群组（20,000用户）的次月留存率只有35%

尽管新客数量在增长，但新客质量在持续下降——说明获客渠道在「放水」

案例：某社交电商Cohort分析发现

通过好友分享注册的用户，次月留存率58%

通过广告注册的用户，次月留存率22%

通过搜索自然流量注册的用户，次月留存率36%

结论：社交裂变带来的用户质量最高，应该加大社交裂变投入，而非盲目扩大广告投放

自己的深度分析

Cohort Analysis最被低估的应用不是看留存本身，而是看「留存曲线的形态」。不同品类的留存曲线有标准形态：

快消品：先陡降后平缓（用户试试→留下习惯）

耐用品：先平稳后陡降（买完需求满足后不再来）

订阅制：匀速下降（按月流失）

如果你的留存曲线形态和标准形态不一致，说明有问题——比如快消品电商的留存曲线第一个月下降了60%，说明「首次体验」环节出了问题。

Cohort的更深层应用是「行为Cohort」而非「时间Cohort」。时间Cohort只能回答「用户在什么时候来」，行为Cohort能回答「用户做了什么之后会回来」——比如「首次购买后7天内浏览过首页的用户，留存率是没浏览过的2倍」，这个发现直接指导产品设计。

跨领域类比

Cohort Analysis就像农作物种植的批次跟踪：

同一批种子（同一Cohort的用户）在同一块地（同一产品体验），但不同季节播种（不同时间Cohort），收成会不同

如果5月种的那批（对应5月新增用户）收成明显差于4月种的，那可能不是因为5月的土地问题（产品变坏了），而是因为5月的种子质量不如4月（获客渠道质量下降）

Cohort Analysis能帮助你「对种子溯源」——找到哪批种子出问题了

实操迁移建议

建立Cohort分析的自动化报表：按周生成，每周一自动推送。重点关注「新客次月留存率」的周度变化，这是业务健康度的最早期预警信号

不止看留存率的「多少」，要看留存率的「变化趋势」：如果3月以来所有Cohort的留存率都在下降，说明整体产品/服务出了系统性问题，不是某个渠道的问题

做「留存率归因」：当留存率下降时，往下拆——是哪个品类的留存率降了？哪个渠道的留存率降了？哪个等级的用户的留存率降了？

渠道Cohort分析应该成为「渠道质量评估」的标准配置：不要只看ROI，要看渠道用户的「长期留存曲线」——短期ROI高但留存低的渠道，长期来看是亏的

设置留存率的「预警线」和「修复目标」：比如次月留存率低于30%触发产品侧介入，低于20%触发全链路诊断

常见错误 / 错题本

❌ Cohort分得不够细——只用「月度」Cohort，没有按渠道、品类等维度做交叉Cohort

❌ 留存率分子/分母定义不统一——分子是「有登录」还是「有消费」？分母是「注册用户」还是「首次下单用户」？口径不同，数据不可比

❌ 忽略「幸存者偏差」——1月Cohort的用户到了第12个月还在买的，已经是「极端忠诚用户」，用他们来代表这个Cohort的所有用户会有偏差

❌ 只看数字不看业务背景——Cohort留存率突然下降，可能是因为做了促销导致大量低质量新客涌入，而不是产品变差了——这恰恰说明Cohort分析应该和业务事件对照着看

> 关联笔记：参见《AARRR转化漏斗模型：从拉新到裂变的全链路数据分析》

> 关联笔记：参见《北极星指标与OSM模型：从战略到执行的电商指标体系搭建》