Cohort分析：用户分群与生命周期价值

微信扫一扫，分享给好友

关闭

这个月的新用户留存比上个月提升了5%。」

这个结论可靠吗？

如果上个月的新用户主要来自自然搜索，而这个月的新用户主要来自付费广告——两组用户的质量不同，直接比较留存率没有意义。

Cohort分析就是用来解决这个问题的。

什么是Cohort分析

Cohort（队列）分析是把用户按照某个共同特征分组，然后跟踪不同组的表现差异。

最常用的分组方式是「注册时间」。比如：

• 1月Cohort：1月注册的所有用户
• 2月Cohort：2月注册的所有用户

然后跟踪每个Cohort的留存率、活跃度、付费率等指标随时间的变化。

Cohort留存表

| Cohort | 用户数 | 第1周 | 第2周 | 第3周 | 第4周 |

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

| 1月 | 1000 | 60% | 45% | 38% | 32% |

| 2月 | 1200 | 55% | 42% | 35% | - |

| 3月 | 800 | 65% | 48% | - | - |

解读：

• 横向看：某个Cohort的留存衰减趋势
• 纵向看：同一时间点，不同Cohort的表现对比

Cohort分析的应用场景

场景一：评估产品改动的效果

3月上线了新用户引导功能。对比2月和3月的Cohort，发现3月的留存明显更高→功能有效。

场景二：评估渠道质量

把Cohort按获客渠道分组，发现「自然搜索」渠道的留存远高于「付费广告」→调整投放策略。

场景三：预测用户生命周期价值

基于历史Cohort的付费行为，预测新Cohort的未来收入。

高级Cohort分析

维度一：按行为分群

不只看注册时间，还看首次行为：

• 首次使用功能A的用户 vs 首次使用功能B的用户
• 完成 onboarding 的用户 vs 未完成 onboarding 的用户

维度二：按属性分群

• 按地域、设备、渠道等属性分群
• 找到高价值用户的共同特征

写在最后

Cohort分析的核心价值是「控制变量」。当用户群体之间存在差异时，直接比较整体指标会得出错误结论。Cohort分析让你在同质群体中比较，得出更可靠的洞察。

建议：每周看一次Cohort留存表，每月做一次深度Cohort分析。