剖析数据的利器:Cohort Analysis组群分析

0 评论 1598 浏览 5 收藏 11 分钟

Cohort Analysis组群分析是一种能深入挖掘数据的分析方法,通过将数据进行多维度的呈现,暴露问题时点,聚焦分群,助力问题的有效定位。

一、留存率的背后隐藏着什么?

上图为某公司近半年的留存率变化情况(数据为举例),通过图中我们发现留存率随着时间逐渐减少,这是一个总体结果的呈现,而当我们想要了解更细节的信息,比如说:

  • 当出现异常下降点时,如何再细分拆解原因?
  • 单个月份下的留存率是由什么部分构成的?
  • 单个月份下新增的用户随着时间的推移的流失情况?等等……

有什么办法能让我们深挖数据呢?同期组群分析可以解决。

二、使用Cohort Analysis组群分析剖析数据

Cohort Analysis同期组群分析,即针对不同分组的用户在相同的时段内的分析方法。通过以下步骤我们来看看如何运用组群分析剖析留存分析的问题。

1. 建立分析框架:分组+时间

  • 横轴是时间线,从聚焦观察的起点开始统计1个月后,2个月后,3个月后等等以后的情况。为了便于从时间视角去观察数据,在表述的时候,我们转化成具体时间段下的维度。例如转化成1月、2月、3月……。
  • 纵轴是组群,在留存率的例子下,我们划分的组群以每月新增的用户量为分组,即1月份增加的用户,2月份增加的用户,3月份增加的用户…

2. 定义研究的主体变量,采集数据填充

在通过坐标轴建立好分组标准和时间周期粒度后,我们需要确定研究的主体变量。在例子留存率分析中的主体研究对象是“每月下的新增用户”,我们把它放在对应分组的旁边,代表的是当前月份分组下对应的“新增用户”数值。

当用户群、时间、研究主体都确定后,我们可以进行数据的采集及填充。随着时间的推移,年初至7月份的数据:

分别从横轴及纵轴这二维的角度来展开剖析数据:

1)横向比较:时间的延展性

横轴的视角是具体分组下随着时间变化的情况,分组间体现了时间的延展性,你可以看到每个月新增的用户留存随着时间的推移的数量变化情况。观察图表我们可以发现的问题是:

  • 留存情况是否合理?合理参考标准可以是:自己往期的平均水平、同行的平均水平、预期目标等。
  • 是否有某个月份数据异常?超出均值范围内的大的增长或减退,再结合具体时间节点前后发生的产品动作进行排查。

2)纵向比较:聚焦时间段下的细分结构

纵向的数据,即具体月份下的数据是对每期分组的新增用户进行累加,各分群组成结构清晰可见。

针对留存的分析,转化成留存率的视角,观察每月新增用户、每月下各期组成分群的留存率变化趋势,理想态是要提升的,说明数据的留存比之前更好,体现出公司不断在产品功能上进行优化,使得留存率提升。如果发现背离理想态的状况,再聚焦异常的节点进行分析。

另外谈一下增强数据的可读性,可以通过对数值区间进行颜色深浅的设置,或者将横纵轴分别转化成折线图,使得对于数据的波动幅度得到更直观的呈现。

三、灵活运用分组分析

上例留存率问题已经简要说明了组群分析的基本使用步骤,它达成了把问题拆解到时间维度呈现变化趋势及组成结构。那么Cohort Analysis组群分还能怎么灵活运用?它有没有局限性呢?我们尝试着抽象出它的几类运用模式。首先,看下它的基础框架是这样:

1. 研究纵轴的分组对象:可以是时间、人、事/物

1)“时间”为纵轴的分组

它的特点为分组是对不同时期进入的用户,分别考察其后续行为的变化情况,这个特性决定了每期分组下存在持续新增用户,此时的分析才有意义。

由于C端类产品用户是独立的个体,单独使用,满足这种情况;而B端类产品就不适用了,B端类产品的用户往往是在系统上线时,大批量应公司要求开始使用,后续零星的新员工继续加入使用,在每期分组下不满足有持续新增用户。

再说说此类表格数据的呈现形式,由于是对不同时间批次的数据进行收集,在表格数据呈现形式上是三角形。

2)“人(用户群)”、“事/物”为纵轴的分组

  • 人(用户群)分组聚焦用户群在时间下的发展差异,这种分类方式比较常用于验证某项产品功能迭代的效果。比如:新上线的优惠券功能对用户留存的影响。
  • “事/物”的分组比如研究渠道的获客质量,纵轴的分组是各渠道,收集的是各渠道在时间维度下获客的留存情况。又或者是研究公司产品更命中大企业还是中小企业的痛点,纵轴的分组是大客户定价方案,中小企业定价方案,收集的是各体量客户定价方案下的成交单量。

它们在表格数据呈现形式上是整齐划一,也是我们最常见的柱状图/曲线图表格化的呈现。

2. 研究横向时间轴的划分方式

1)如何设定观察时间的起点

a.留出对比时间段:若要突出某项功能上线前后对产品的影响和贡献,需要将观察时间的起点提前设定,留出一定的时间好对比功能前后的变化。

b.结合用户使用频次特点:这里要说说C端和B端用户的差异。C端产品服务于用户个人,特点是主要用户群体对于核心功能高频的使用。B端用户是企业内部的用户群,他们使用各自职能下需要的系统功能,并且个别使用还呈现出周期性的特点,比如:月度的工资计算、季度的物料盘点、周期性的物品采购等等。因此,在对于B端产品的观察时,需要针对到具体角色使用的时段下研究才有意义。

2)设置时间间隔的考量

时间间隔的大小代表了多久分析一次,设置合理的时间间隔的大小,有助于降低时间中的噪音。

当研究更聚焦宏观周期时,时间段的间隔倾向设置得较大,比如按月或按年进行分割;当聚焦细节变化时,时间段的设计的间隔设置得相对较小,比如:按周、按天、按小时段等等。

3)事件记录

记录研究全时段内的发生事件,便于在对时间节点进行分析时有落脚点,成为相关性分析中的研究事件。

以上是搭建组群分析框架的思路,在组群分析方法搭建好之后,是对于数据的收集、观察、异常问题的定位,枚举可能性的原因,通过相关性分析聚焦具体的原因。

本文由@tomato 原创发布于人人都是产品经理,未经许可,禁止转载。

题图来自 Unsplash,基于 CC0 协议。

该文观点仅代表作者本人,人人都是产品经理平台仅提供信息存储空间服务。

更多精彩内容,请关注人人都是产品经理微信公众号或下载App
评论
评论请登录
  1. 目前还没评论,等你发挥!