如何用同期群分析模型提升留存？
当一个用户使用或购买某个产品，过了一段时间之后，还在继续使用或购买这个产品，那么我们就说这个用户是留存用户。
今天介绍的第 016 号分析思维模型：同期群分析模型，能帮助我们更好地分析留住用户的能力。
1. 模型介绍
同期群分析模型，是通过细分的方法，把同期的数据拿出来，比较相似群体随时间的变化。
比如说，1 月份发展了 1000 个新用户，2 月份留存了多少？3 月份留存了多少？……
以此类推，假设 2 月份又发展了 1000 个新用户，3 月份留存了多少？4 月份留存了多少？……
对比 1 月份与 2 月份发展的新用户，同样间隔一个月，留存率分别是多少？
每个用户都会经历一个生命周期，从获取，到激活，再到留存和获得收益，最后可能流失。
利用同期群分析，我们可以对比不同时期的用户，观察不同阶段的用户特征，看看关键指标的表现，是不是变得越来越好了？
在做数据分析的时候，我们要避免对所有用户一刀切，不要忽略个体所处生命周期的特征。
如果把用户的特征都掩盖在平均值里面，那么很有可能丢失一些重要的信息，导致无法形成更有价值的洞察。
2. 应用举例
同期群分析模型的适用范围非常广泛，包括客户留存、销售收入、营业成本等任何你关注的数据指标。
下面以 Tableau 自带的超市数据为例，演示应用同期群分析模型的方法。
（1）打开数据源
首先，用 Tableau 打开软件自带的【示例 - 超市】数据。
（2）创建计算字段
其次，为了方便进行下面的同期群分析，创建几个相关的计算字段。
【首次购买】
{FIXED [客户名称]:MIN([订单日期])}
【重复购买】
IIF([订单日期]=[首次购买],NULL,[订单日期])
【第二次购买】
{FIXED [客户名称]:MIN([重复购买])}
【购买间隔年数】
DATEDIFF("year",[首次购买],[第二次购买])
【不同客户数】
TOTAL(COUNTD([客户名称]))
其中 TOTAL 是为每个分区返回一个汇总的结果，以便在下面的分析中显示每一年的不同客户。
（3）绘制分析图表
最后，在 Tableau 中通过拖拽和点击的方式，生成分析的图表，包括以下几个小的步骤：
a. 把【首次购买】拖至【行】，把【购买间隔年数】拖至【列】，下拉选择【维度】和【离散】，从而让图表变成一个阵列（Cohort），所以同期群分析也被称为阵列分析。
b. 把【客户名称】拖至【标记】的【文本】中，先下拉选择【度量】--【计数(不同)】，再下拉选择【快速表计算】--【合计百分比】，然后把这个胶囊拖动复制到【颜色】中，并把形状调整为【方形】。
c. 把【不同客户数】拖至【行】，下拉选择【离散】，用鼠标右键隐藏 Null 列，把图例拖到左边，以节约显示的空间，并在工具栏选择【整个视图】，稍微设置一下格式，得到结果如下。
从上图数据来看，对于每年首次购买的同期客户群来讲，虽然重复购买比例在持续增加，但是每年新增客户总数在急剧减少，说明当前业务最大的问题，是新增客户数量严重不足。
从下图也可以直观看出，在 2018 年之后，大部分销售都来自那些 2017 年购买过的老客户。
最后的话
同期群分析，是一种简单实用的分析思维模型，在《精益数据分析》这本书中，有关于同期群分析的更多例子，推荐阅读、理解和学以致用。
在互联网行业，因为互联网产品更新迭代的速度比较快，所以经常用同期群分析模型来持续跟踪用户的 N 天留存率，结合运营推广等诸多因素综合起来分析，快速找到改进的策略，从而提升用户的留存。