一)公司的經營數據真的像你想的一樣好嗎?
A和B兩家公司都是做化妝品電商的平臺，他們幾乎在同一時間啟動公司，在各自的公司運作半年以后，作為同行他們坐到一起交流數據和經營心得。
“我們前半年一共有20000個用戶注冊了。”A公司說。
“我們前半年一共有30000個用戶注冊!”B公司說。
那么，A和B兩家公司誰經營的更好呢?(注冊用戶數高的公司，獲取新用戶做的更好)
“我們的20000個注冊里可是有18000個下單用戶。”A公司說。
“我們的30000個注冊里下單的只有15000個。”B公司說。
A好還是B好?(下單用戶數高的公司，注冊到下單的轉化過程做的更好)
“但是這18000個前半年下過單的客戶在上個月還下單的只有5000個了。”A公司說。
“我們的15000個里上個月還在下單的有10000個。”B公司說。
A好還是B好?(在最近一個月下單用戶數高的，能說明留存做得好嗎?)
“我們留下的這5000個都是最早幾個月就獲取的還在繼續下單的客戶。”A公司說。
“我們這10000個下單的都是上個月最新獲取的客戶。”B公司說。
A好還是B好?
實際情況是，A公司的新增做的不如B公司，而B公司的留存做的不如A公司。那么作為創業者或投資人，如果非要選擇的話，A公司是優于B公司的。因為在一家早期公司，產品和用戶留存的重要性是優于其他的，如果留存做的足夠好，只要掌握了用戶增長的方式方法，那么總能夠厚積薄發。但如果只有增長、沒有留存，那很可能永遠都抓不住用戶的痛點，最后什么都不剩。就好像B公司，一共18000個下過單的用戶，上個月剩下10000個，但這10000個又都是上個月剛剛新增的下單用戶，那么很可能發生的情況是，到了再下個月，這10000家也不見了。而A公司至少還會持續的有5000左右的下單用戶。
如上圖，藍色為合理的留存變化，最終平緩的維持在一個水平，而紅色為非常糟糕的需要盡快改變的情況，隨著時間的延長，所有的客戶都會流失。結合我們在系列一(“早知道這些我的公司就不會死”系列(一)：CAC、LTV、PBP - Everything about a startup - 知乎專欄)中提到的，前一種的LTV(用戶終身價值)要比后一種，不知道高到哪里去了。
當然，這里基本只考慮了用戶獲取和留存的情況，實際上如果真的要比較兩家公司，還有更多的交易數據維度等。比如每個客戶的客單價是多少，采購頻次如何，交付時間多長等等(根據上面我們分析的數據，想想看，客單價高就真的一定更好嗎?是否可能有某幾家客單價幾萬，而剩下的客單價幾塊的情況?)。
所以數據是會騙人的，尤其是平均數據(真實世界會有用戶每個月下單2.5次嗎?很可能是兩個分別下單1次和4次的客戶而已)，一個中等的平均的用戶畫像其實完全是用數據創造出來的虛幻的形象。要真正從數據層面掌握一家公司的情況，就要把數據不斷地分組和細分，而投資人最常用的一個分析工具就叫做“Cohort Analysis”(分組分析或同期群分析)。
Cohort其實是一個組群的意思，所以Cohort Analysis就是分組分析。而在創投圈里，最常用到的一種Cohort Analysis就是按照不同時期進入的用戶，分別考察其后續的行為情況(比如分別統計第一個月、第二個月、第三個月……獲取的新客戶在后續幾個月的下單情況)，所以又可以叫做同期群分析。
二)使用Cohort Analysis剖析你的數據
在中文互聯網世界里，詳細介紹Cohort Analysis的文章少得可憐，而這個工具又是最常用、最易用、最必用的工具，所以下面就給大家具體介紹該如何理解和使用它。
上圖是一個最典型的Cohort Analysis表格。其中第一列為自然月份的排列(按照月份為維度一般是投資人會看的時間長度，建議創業公司內部都按照周為維度來監測數據)，第二列為對應每個自然月的新增用戶數，右側的表格為當月新增的用戶數在后續每個月的留存情況。比如1月公司新增用戶80個，在當月流失2個剩余78個(流失和留存的定義每個公司都可能不同，根據不同定義，也可能第一個月的留存都是100%)，在2月又流失了3個還剩下75個，以此類推。所以比如3月份的總下單用戶數是261，其實是由1月新增還剩下的72個，2月新增還剩下的86個，和3月剛剛新增的103個組成的。
上圖是根據第一個表格中的留存數據計算的留存率。這里可以注意到，圖2把圖1的表格左右倒置了一下，而且這里表格中的時間從1月、2月、3月……改為了0、1、2……第一張表格中的1月、2月等為自然月，而這里則是間隔的月份。0代表當月，1代表1個月之后，以此類推。所以根據這張表格：
1)橫向比較，可以看出每月新增用戶在后續各月的留存率情況。
2)縱向比較，可以看出不同月份新增用戶，分別在當月、下個月、下下個月等的留存表現如何。
對應這兩點一家好的公司應該看到的趨勢是：
1)橫向的留存數據最終會在某個月份之后停留在一個固定的留存率上，比如某個月獲取的100個用戶，在半年后每個月的留存率都穩定在60%，這就說明這批用戶是穩定留存下來的，不然如果留存率是一直下降的(哪怕下降的速度很慢)，也會在之后的某個月份歸零，也就是說不管新增多少用戶，最終都一個都剩不下。
2)縱向的留存數據應該是越來越好的。因為公司和創始團隊應該不斷的根據歷史情況改進產品和體驗等，所以越后加入的用戶，應該能享受到越好的產品和服務，后續幾個月的留存率就應該更高。
對比以上兩點和表格中的數據，可以看到我們上面用來舉例的這家公司做的還不足夠好。
上圖是根據留存數據轉化的流失率的表格，和留存率唯一不同的地方是，這個數據是根據前一個月的數據分別計算的流失率。比如我們留存率的表格中，1月新用戶在0個月的時候的留存率是97.5%，1個月之后的留存率是93.75%，而上圖中的流失率分別是2.5%和3.75%(而不是6.25%)。這樣組織數據可以讓我們更好的看到具體每個月的流失率的情況，也可以知道是哪個月做的最有問題。
上面就基本說清了用戶相關的Cohort Analysis該如何做，根據Cohort分析我們可以更好的知道一家公司具體的運營情況，而且是分組的有時間延展性的。你可以看到每月的新增用戶數量的變化情況(是否在合理增長?)，不同月份新增用戶在后續每個月的留存情況(留存率是否合理?是否有某個月的數據反常?比如可能某個月的新增渠道改變，造成新增用戶的質量有差異，所以后續每月的流失率都下降更快)，每個月的流失率情況(是否某個月因為做了什么動作而造成歷史用戶的流失率大幅上升?)等等。如果只看當月的總用戶情況，那么上述這些問題都會被掩蓋，尤其是新增用戶數量大的時候，表面看起來公司用戶是在增長，但很可能全都是靠新增用戶拉動的。
在42章經(ID：MyFortyTwo)公號內回復關鍵字“Cohort”(并給本文點贊吧 :P)可下載包括上述三張表格的Cohort Analysis的模板，只要加入不同的初始數據就可以直接得到留存率、流失率的分月結果。(Credit to Christoph Janz)
三)進階版Cohort Analysis
Cohort Analysis用于用戶分析的情況基本在上面已經說清了，但其實根據分組分析的特性，Cohort Analysis還有非常多其他的用法。
比如對于一般公司來說，當月的收入其實可以拆為：總下單用戶數*每個用戶的下單次數*單次的客單價。(比如當月有300個用戶下單，平均每個客戶下單3次，平均單次客單價100元，那么當月總收入就是90000元)這篇文章看到這里，以后每次看到“平均”兩個字，你就應該警惕了。那么多客戶，平均3次和100元，但實際上不同客戶的情況呢?這里就也可以用Cohort Analysis來判斷。比如1月獲取的客戶，在1月下單的次數是2次，2月下單的次數是3次，3月下單的次數是4次，那么在cohort表格中，我們就可以用下單次數來替換留存率和流失率所對應的位置。
于是就得出上方表格所示的情況。同理，客單價也是可以分別對應到不同的位置，就不再贅述了。所以，通過不同維度的Cohort Analysis，你可以看到用戶隨著留存時間的增加，是否與平臺建立了更深的關系?每個用戶是否會購買更多地次數，或每次是否會購買更多的金額?這樣，最終每個月的銷售額都可以被分解到非常細的維度。
而且，除了按不同時間獲取的客戶來分類，還可以按照不同的行為分類，比如表格的第一列可以是當月app瀏覽時間超過10小時的用戶，也可以是參與某種優惠活動的客戶等等，而右側表格可以監測該用戶群體的各種行為情況，比如參與了優惠活動的客戶在后續幾個月的留存是否會更高?下單金額是否會更高?等等。總之，左側是按照某種定義區分的用戶群體，右側是這些用戶可被監測的某種動作。
所以，只有真正掌握了Cohort Analysis，才能夠對公司真實的運營情況有更好的了解，而為了更好地使用Cohort Analysis，從一開始的數據監測和組織結構就要做好準備。就像開爾文所說的：
“If you cannot measure it, you cannot improve it.”
你不能監測的東西，也無從改善。
180-0586-8797