查看原文
其他

如何用同期群分析模型提升留存?

林骥 林骥 2022-10-26
你好,我是林骥。

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。

001号:福格行为模型

002号:杜邦分析模型

003号:矩阵分析模型

004号:夏普利值模型

005号:RFM分析模型

006号:销售漏斗模型

007号:正态分布模型

008号:幂律分布模型

009号:A/B 测试模型

010号:线性回归模型

011号:相关分析模型

012号:聚类分析模型

013号:帕累托分析模型

014号:本福特分析模型

015号:决策树分析模型


关注林骥的公众号,更多干货早知道。
欢迎加入我的免费知识星球,点击左下角的阅读原文即可加入。
如果你觉得文章对你有帮助或启发,麻烦你动动手指,点赞支持一下,谢谢!

☟分享 ☟收藏  ❤  ☟点赞 ☟在看

您可能也对以下帖子感兴趣

文章有问题?点此查看未经处理的缓存