数据衡量
同期群
同期群是指一群具有共同起始特征的顾客——通常是他们首次购买的时期——然后随着时间的推移一起被追踪。
同期群分析能够区分业务变化和构成变化。当新顾客行为不同、老顾客行为不同或他们的比例发生变化时，混合指标就会波动，但它无法告诉你具体是哪种情况。
除了按日期划分同期群，也要按获客渠道划分。通过大幅首单折扣获得的顾客留存情况不同，将他们与自然获客的顾客混合在一起会使两条曲线都难以解读。
它能避免的经典误诊是：整体留存率看起来持平，因此产品团队得出结论认为没有变化。同期群分析揭示，实际上每个新同期群的留存情况都在改善，而构成却转向了留存较差的更便宜的获客渠道——两个巨大的相反运动平均下来呈现为一条直线。根据持平的数字采取行动，意味着去修复一个正在改善的产品，并扩大一个没有改善的渠道。
同期群的定义是什么，以及为什么获客月份是默认选项
一个同期群需要两样东西：一个共同的起始事件，以及一个从该事件开始计时的时钟。第二点是人们常常忽略但却至关重要的部分。一旦每个顾客的时间线都重新索引，使得第 0 个月是他们自己的第一个月而不是日历月，那么在 January 和 July 获得的顾客就可以在相同的“年龄”下直接进行比较。如果没有这种重新索引，你得到的只是一个筛选器，而不是一个同期群。
获客月份是默认起始事件，原因很简单：它是每个顾客只发生一次的事件，它从不追溯性地改变，并且记录可靠。与按“首次订阅”划分同期群形成对比——顾客可以订阅、取消然后再次订阅，因此起始事件是模糊的，同期群成员资格可能会事后变动，这会悄悄地改写所有基于此构建的图表中的历史数据。
获客日期并非唯一有用的维度，它只是最安全的起点。行为同期群——首次购买的产品、获客渠道、全价与首单折扣、设备、国家——通常更具诊断性，并且它们可以组合使用：在 March 通过付费社交渠道以 20% 折扣获得的同期群是一个合法的同期群，并且通常是解释留存问题的原因。在所有这些划分中都适用的规则是，时间索引必须是“年龄”，而不是日历日期。
按月划分是电商的标准粒度，因为大多数重复购买周期以周到月来衡量。对于每月只有几百个订单的企业来说，按周划分的同期群大多是噪音；对于每月有数万个订单的企业来说，按季度划分的同期群则隐藏了太多信息。选择能让你获得足够大、可读的同期群的粒度，然后保持不变。
解读同期群三角图
标准输出是一个三角图：每行代表一个同期群，每列代表一个“年龄”月份，当你向下移动到存在时间不足以填满所有单元格的同期群时，单元格数量会逐渐减少。这种形状并非缺陷。它诚实地反映了近期同期群历史数据较少的事实，任何隐藏这一点的图表都是在对不存在的数据进行平均。
有三种解读方式，它们回答三个不同的问题。横向看一行，是单个同期群的老化过程：即一组顾客如何流失。纵向看一列，是真正对决策重要的比较——在相同的“年龄”下，新同期群是否比老同期群表现更好？沿对角线看，是所有同期群同时经历的一个日历月，网站中断、缺货和促销活动会在这里显示为一条横跨所有“年龄”同期群的条纹。
| 获客同期群 | 顾客数 | 第 1 个月 | 第 2 个月 | 第 3 个月 | 第 4 个月 |
|---|---|---|---|---|---|
| January | 1,200 | 22% | 15% | 12% | 10% |
| February | 1,350 | 23% | 16% | 13% | — |
| March | 1,900 | 25% | 17% | — | — |
| April | 2,400 | 26% | — | — | — |
导致同期群图表失真的错误
看示例中第 1 个月那一列：22%、23%、25%、26%。新同期群的复购速度更快，这是一个真实的改进。现在请注意，同期群也在增长——从 1,200 到 2,400——因此所有顾客的混合复购率正被拉向最新和最大群体的行为，并且可能根据老同期群的老化方式向几乎任何方向移动。同期群视图和混合视图可能指向相反的方向，但两者都没有错。
- 比较不同“年龄”的同期群。April 只有 1 个月的数据，而 January 有 4 个月，因此任何累积指标在设计上都会偏向 January。始终在相同的“年龄”下进行比较——第 1 个月对第 1 个月——绝不要根据累计至今的数字对同期群进行排名。
- 分母中的幸存者偏差。基于“仍然活跃的顾客”计算的留存曲线衡量的是幸存者，而不是同期群。分母必须在曲线的整个生命周期内保持原始同期群规模，否则随着参与度最低的顾客退出计算，数字会上升。
- 底部的右侧截尾。最新的同期群行数据不完整。将它们平均到汇总数据中会拉低整体；完全排除它们则会因为移除了最新证据而使其偏高。展示三角图，让空白可见。
- 基于可重复事件划分同期群。首次订阅、首次应用安装、首次登录——这些事件都可能发生两次，这使得同期群成员资格可变，并使所有历史图表不稳定。
- 日历效应在不同“年龄”显现。Black Friday 对于 October 同期群来说是第 1 个月，而对于前一个 December 的同期群来说是第 11 个月，因此季节性高峰会在每条曲线上出现在不同的位置。对曲线进行平均会把一个真实事件涂抹到整个横轴上。
- 在不重述历史的情况下改变同期群定义。如果一个同期群表格中“新顾客”在 June 之前和之后有不同的含义，那么它实际上是在一个坐标轴上绘制了两张图表。
当数据量过小无法采取行动时
同期群分析在小规模数据上会悄然失效，因为小数字的百分比波动很大。一个由 40 名顾客组成的同期群，其第 1 个月的复购率为 20%，即 8 人；增减两名顾客就会变成 15% 或 25%，一次延迟发货就可能导致这种情况。这样的同期群图表看起来像是一个留存率极不稳定的业务，但实际上它只是一个拥有 40 名顾客同期群的业务。
实际的应对方法是扩大粒度而不是平滑图表——季度同期群有 500 人是可读的，而月度同期群有 160 人则不可读——并将同期群规模放在比率旁边的列中，这样就不会有人在不知道百分比是基于什么的情况下解读它。上面的示例三角图就是故意这样做的。
然后根据列的比较而不是行的比较来采取行动。行告诉你顾客会流失，他们总是如此。列告诉你本季度获得的同期群在相同“年龄”下是否比上季度获得的同期群表现更好，这是图表中唯一一个人们可以采取行动的问题。
常见问题
- 什么是同期群？
- 同期群是指一群具有共同起始特征（通常是他们首次购买的月份）的客户，他们会随着时间推移一起被追踪，每个客户的时间起点是他们自己的首次购买，而不是一个日历日期。这种按“年龄”重新索引的方式，使得在不同时间获取的群组具有可比性。
- 什么是同期群分析？
- 同期群分析根据客户的获取时间对他们进行分组，并向前追踪每个群组，这样你就可以看到行为是否发生了变化，或者客户构成是否发生了变化。混合指标会因这两种原因中的任何一种而波动，并且无法区分它们，这就是为什么平稳的整体留存率可能隐藏着两个巨大的对立趋势。
- 为什么按获取月份进行同期群划分？
- 因为首次购买是每个客户只发生一次的事件，它被可靠地记录，并且永远不会追溯性地改变。基于首次订阅等可重复事件进行同期群划分会使成员身份变得模糊，因为客户可以取消并重新开始，这会悄悄地改写所有基于此构建的历史图表。
- 如何公平地比较两个同期群？
- 在相同的“年龄”下比较它们，而不是在相同的日历日期。四个月前获取的同期群有四个月的历史数据，而上个月获取的同期群只有一个，因此任何累积数字在结构上都会偏向较老的同期群。阅读同期群表格的列（第1个月对第1个月），而不是跨行阅读。
- 同期群分析中的幸存者偏差是什么？
- 当留存曲线的分母是仍然活跃的客户，而不是原始同期群规模时，就会发生这种情况。以这种方式衡量，随着参与度最低的客户退出计算，比率会上升，一个正在恶化的同期群可能看起来像一个正在改善的同期群。分母必须始终固定为起始同期群规模。
- 同期群需要多大？
- 足够大，以至于普通波动不会淹没信号。一个有40个客户、重复购买率为20%的同期群是8个人，因此增减两个客户就会使其在15%到25%之间波动。将粒度扩大到季度同期群，而不是平滑图表，并且始终在百分比旁边显示同期群规模。