一)公司的經(jīng)營數(shù)據(jù)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(shù)據(jù)和經(jīng)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(jīng)營的更好呢?(注冊用戶數(shù)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(shù)高的公司，注冊到下單的轉(zhuǎn)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(shù)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(xù)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(chuàng)業(yè)者或投資人，如果非要選擇的話，A公司是優(yōu)于B公司的。因為在一家早期公司，產(chǎn)品和用戶留存的重要性是優(yōu)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(fā)。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(fā)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(xù)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(jié)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(shù)據(jù)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(jù)上面我們分析的數(shù)據(jù)，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(shù)據(jù)是會騙人的，尤其是平均數(shù)據(jù)(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(shù)據(jù)創(chuàng)造出來的虛幻的形象。要真正從數(shù)據(jù)層面掌握一家公司的情況，就要把數(shù)據(jù)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(chuàng)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(xù)的行為情況(比如分別統(tǒng)計第一個月、第二個月、第三個月……獲取的新客戶在后續(xù)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(shù)據(jù)

　　在中文互聯(lián)網(wǎng)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(chuàng)業(yè)公司內(nèi)部都按照周為維度來監(jiān)測數(shù)據(jù))，第二列為對應每個自然月的新增用戶數(shù)，右側(cè)的表格為當月新增的用戶數(shù)在后續(xù)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(jù)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(shù)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(jù)第一個表格中的留存數(shù)據(jù)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(jù)這張表格：

　　1)橫向比較，可以看出每月新增用戶在后續(xù)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(xiàn)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(shù)據(jù)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(wěn)定在60%，這就說明這批用戶是穩(wěn)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(shù)據(jù)應該是越來越好的。因為公司和創(chuàng)始團隊應該不斷的根據(jù)歷史情況改進產(chǎn)品和體驗等，所以越后加入的用戶，應該能享受到越好的產(chǎn)品和服務，后續(xù)幾個月的留存率就應該更高。

　　對比以上兩點和表格中的數(shù)據(jù)，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(jù)留存數(shù)據(jù)轉(zhuǎn)化的流失率的表格，和留存率唯一不同的地方是，這個數(shù)據(jù)是根據(jù)前一個月的數(shù)據(jù)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(shù)據(jù)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(guān)的Cohort Analysis該如何做，根據(jù)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(shù)量的變化情況(是否在合理增長?)，不同月份新增用戶在后續(xù)每個月的留存情況(留存率是否合理?是否有某個月的數(shù)據(jù)反常?比如可能某個月的新增渠道改變，造成新增用戶的質(zhì)量有差異，所以后續(xù)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(shù)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(jīng)(ID：MyFortyTwo)公號內(nèi)回復關(guān)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(shù)據(jù)就可以直接得到留存率、流失率的分月結(jié)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(jīng)說清了，但其實根據(jù)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(shù)*每個用戶的下單次數(shù)*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(shù)是2次，2月下單的次數(shù)是3次，3月下單的次數(shù)是4次，那么在cohort表格中，我們就可以用下單次數(shù)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(guān)系?每個用戶是否會購買更多地次數(shù)，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(yōu)惠活動的客戶等等，而右側(cè)表格可以監(jiān)測該用戶群體的各種行為情況，比如參與了優(yōu)惠活動的客戶在后續(xù)幾個月的留存是否會更高?下單金額是否會更高?等等?？傊髠?cè)是按照某種定義區(qū)分的用戶群體，右側(cè)是這些用戶可被監(jiān)測的某種動作。

　　所以，只有真正掌握了Cohort Analysis，才能夠?qū)菊鎸嵉倪\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(shù)據(jù)監(jiān)測和組織結(jié)構(gòu)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(jiān)測的東西，也無從改善。