热线电话:13121318867

登录
首页CDA入门数据分析师如何用Cohort分析观察用户行为变化?
数据分析师如何用Cohort分析观察用户行为变化?
2026-11-18
收藏

“这个月留存掉了,是不是新用户越来越差?”这是运营会上最常见、也最容易吵起来的问题。整体留存率下滑,可能来自新用户质量下降,也可能只是老用户自然衰减、低质渠道占比升高,甚至只是统计口径变了。Cohort分析(同期群分析)就是用来把这几件事拆开的:把用户按首次行为时间分成若干同期群,追踪每个群在后续时间窗口内的留存、复购或活跃变化,再对比不同批次在相同生命周期节点上的表现。这样,“新用户变差”和“老用户流失”就不再混在一个总数里。

先定问题:观察谁的什么行为

Cohort分析的第一步不是写SQL,而是明确分析目标:你要观察哪类用户、哪个行为的什么变化。是注册后7日留存,还是首单后月度复购,抑或某功能上线后的周活跃?行为事件不同,同期群的分组键和观察窗口就不同。

分组键通常选“首次发生关键行为的时间”,比如首次注册月份、首次下单月份、首次激活周。这里有两个口径必须在动手前写清楚:一是“首次”如何判定,同一用户多次注册、多设备登录怎么算;二是时间粒度按月还是按周,粒度越细样本越薄,结论波动越大。指标定义同样要统一:留存率的分子是“第N个时间窗内仍有目标行为的用户数”,分母是“该同期群期初用户数”,统计单位是用户ID而非订单或设备。口径不一致,矩阵再漂亮也不能比较。

用SQL给用户打上同期群标签

确定口径后,取数逻辑可以拆成三步。第一步,从行为表中按用户ID取首次行为时间,得到每个用户的同期群标签;第二步,把用户后续每个时间窗的行为与标签关联;第三步,按“同期群×时间窗”聚合去重用户数,算出留存率或复购率。

-- 模拟示例:按首单月份分群,计算首单后第1—6个月复购率
WITH first_order AS (
  SELECT user_id, MIN(DATE_TRUNC('month', order_time)) AS cohort_month
  FROM orders GROUP BY user_id
),
monthly_active AS (
  SELECT DISTINCT user_id, DATE_TRUNC('month', order_time) AS active_month
  FROM orders
)
SELECT f.cohort_month,
       DATE_DIFF('month', f.cohort_month, a.active_month) AS month_n,
       COUNT(DISTINCT a.user_id) AS active_users
FROM first_order f
JOIN monthly_active a ON f.user_id = a.user_id
GROUP BY 1, 2
ORDER BY 1, 2;

这段SQL的关键在于先用MIN聚合出每个用户的首次下单月份作为同期群标签,再与后续每月活跃记录连接,按群和月份差聚合。实际工作中还要处理退款剔除、跨月订单归属、时区统一等细节。若窗口函数、子查询或多表连接写起来吃力,说明SQL分组聚合这一环需要补课;CDA Level I的SQL数据库应用模块覆盖分组、连接与子查询,可以作为系统梳理的起点。

读矩阵:对角线看衰减,横向看批次差异

Cohort矩阵的行是同期群,列是生命周期第N个月,单元格是留存率或复购率。读表有两个方向。沿对角线看,是同一个群随时间自然衰减的曲线,用来判断产品正常的留存节奏;横向看同一列,是不同批次在相同生命周期节点上的对比,用来判断“新批次是不是不如老批次”。

一个常见的误读是把横向差异直接归因于“用户质量下降”。更稳妥的做法是先做交叉验证:换一种分组粒度(按月换按周)看结论是否稳定;对关键差异做显著性检验,避免小样本波动被当成趋势;再按渠道、地区、首单品类拆分,看差异是否集中在某个子群。如果4月群第2个月复购率明显低于其他群,且拆分后发现差异集中在某一渠道,那更可能指向渠道新客质量问题,而不是产品整体变差。这一步的价值在于把“留存掉了”翻译成可验证的业务假设。

从矩阵到行动:把变化挂到业务动作上

Cohort分析的终点不是一张表,而是一个能被验证的判断。读出差值后,回到时间轴核对:差异出现的时间点,前后有没有产品改版、渠道投放调整、运营活动或定价变化?如果拐点与某次动作时间吻合,可以提出假设并设计验证,比如对新渠道用户做分群回测,或在下个批次中观察同口径指标是否恢复。

需要提醒的是,模拟数据只能演示方法,不能替代真实业务核验。任何从Cohort矩阵读出的结论,都应回到原始数据检查口径一致性,并用历史批次回测确认拐点稳定。分析报告里最好同时呈现分组口径、指标定义、样本量和验证方式,让结论可复现、可质疑。

能力查漏:口径、方法与取数三件事

Cohort分析看似只是一个透视表,实际卡人的地方往往在三处:分组口径和指标定义不清,导致矩阵无法横向比较;SQL取数写不出“首次行为+后续窗口”的逻辑;读出差异后无法结合业务归因。对应地,可以按任务需要梳理数据分析思维中的目标确定、数据分析方法中的同期群与留存、指标体系构建中的口径拆解,以及SQL分组聚合。CDA Level I的用户标签与用户画像模块涉及行为标签设计与人群划分,数据分析方法模块覆盖同期群与留存,战略与业务数据分析模块涉及业务归因与实验思路,可作为把方法落到可展示成果的参考路径。用公开或模拟数据完整走一遍“定口径—取数—读表—验证—写结论”,比只看教程更能暴露真实缺口。

下一步,选一个你手上真实的行为表,先只做一件事:写出同期群分组键和留存指标的分母定义,各一句话,然后对照现有报表检查是否一致。口径对齐了,后面的矩阵才有意义。

数据分析师资讯
更多

OK
客服在线
立即咨询
客服在线
立即咨询