什么是同期群分析
同期群分析（Cohort Analysis），是一种上到互联网巨头做用户分析，下到小z业余出摊卖炒粉，都能用到的接地气分析思维。
这个思维将用户按初始行为的发生时间，划分为不同的群组，进而分析相似群组的行为如何随时间变化而变化。
概念很晦涩，栗子很清晰。
这不，小z业余出摊卖炒粉也没丢掉分析师的数据执着。他把每个月新购买的客户数据进行记录，并统计每个月新增客户，在之后几个月份（直到19年10月）的复购情况，如下图：
第一行，2019年6月份，有388个新客户光顾了小z的炒粉摊。继续横向看去，之后的+1月（2019年7月），有63%的客户再次光顾，在+2月（2019年8月），仍有39%的回头客。
需要注意的是，第一行的63%、39%都是2019年6月份新增购买客户中的占比，他们共同属于同一期新增（19年6月）客户。
其他行也是一样的道理，每一行为同一个群组，反映同一期新增购买的客户，在之后一段时间，复购行为的变化趋势。
同期群分析的意义
“好了，我知道什么是同期群分析了，但，这有什么意义呢？”
我们再回到开头的那张炒粉图：
如果没有同期群分析，我们得到的仅仅是每个月新购买客户的笼统数字，对于用户留存情况，用户生命周期这些是一头雾水，更不用说提什么建议了。
而基于同期群分析，横向，我们知道每个月新增客户的留存情况，发现19年6-8月购买的用户，第二个月回购的概率在62%左右，随后依次递减，最终稳定在30%+。
纵向，对比不同月份新增和留存情况，很容易定位，从19年9月开始，新增购买用户数成倍增长，但与此同时，次月留存率直线下滑，19年9-10月的次月留存率仅15%。
原来，从19年9月开始，小z不满足现状，学着线上玩法，搞了一个“新客户享1元炒饭尝鲜”的活动。短期来看，效果立竿见影，排队的人经常黑压压看不到尽头。
然鹅，从留存角度来看，效果真的好嘛？
879个新增客户，按照15%的留存，次月有132个客户回购，而之前新增最低是7月的290人，对应65%的次月留存，也有189位客户回购。
谁能想到，这群人连低价炒饭的羊毛都要褥！
一些延展
还记得最开始我们说同期群分析，是对“相似群组的行为变化洞察”这个观点吗？
开始的案例，我们把留存率，或者说是回购率中的回购，当作观察和分析的“行为”，如果我们把客单当作追踪分析的行为，就会得到客户的另一个侧影：
做活动前（19年6-8月），这些客户首月客单价是21-22元，随着时间的推移，留存下来的客户愿意为炒饭加更多的配料，提升了客单，目前最高24元。
做活动后（19年9-10月），由于存在大量“1元”羊毛客户，他们大大拉低了平均客单价，首月平均客单只有可怜的7-9元，随后，虽然客单有所提升，但提升幅度极为有限，仅达到活动前首月新增客户的一半！
加上客单价的对比，发现活动更加惨不忍睹....
低价活动引入了大量不精准、低消费力的客户，造成流失率高、留存消费力弱的现状。
经过简单的同期群分析，小z决定，下次的拉新活动，一是要提升首单的门槛，二是把在附近学校发活动传单的场景改为星爸爸。
总结
这篇文章用小z炒粉副业的小案例，围绕同期群分析是什么、为什么、怎么延展三个问题展开。
在给部分群友预览的过程中，有几个同学提到，虽然留存表看上去浅显易懂，但基于订单数据要计算出最终的留存表，逻辑还是有那么些困难的。
然鹅，我实在是太懒了，还是把这个需求变成让读者决定吧：点赞若超过20，小z就提供脱敏实战数据，写一篇手把手用Python（主要是pandas）实现同期群分析的实战干货。
好消息！磨了好几个月的剑，启方的数据分析课程这个星期终于要推出了，欢迎大家赶紧转发关注啊！
偷偷预告一下，明天的文章会有大惊喜！想要加群的明天晚上千万不能错过！
长按二维码关注我