同期群数据可以更好的帮助分析用户行为，发现问题节点，并帮助做出迭代的决策

在产品数据中，常见指标通常是总数型指标，例如用户注册总数和产品总收入。但在迭代中，如果只看这些数据，可能造成一种虚荣的指标，例如下图中展示的某产品的总数型指标，看上去很好，符合一个传统的上升曲线，会让人认为产品开发团队取得了巨大进展，增长引擎发展的很不错，每个月都在获得新用户。

其实很可能存在很大问题，例如虽然有新用户不断增加，但每个新用户贡献的收益却没有提高，只从传统数据看，无法发现这些问题。

而同期群数据可以更好的帮助分析用户行为，发现问题节点，并帮助做出迭代的决策。它也是提高用户留存率的重要方法之一同期群分析英文写为cohort analysis，cohort在英文中意思是：（有共同特点或举止类同的）一群人、一批人。

常见形式的同期群分析有两个重要维度：

1. 具有某种共同的行为特征的用户；
2. 出于某一相同时期的用户。

同时具备以上两个特征的用户，称为一个同期群（cohort）。时间的划分可以是季度、月、周、日，具体要根据app的使用特征和要分析的内容决定。

举例：以月为时期，分别以2018年3月、4月、5月、6月、7月这五个月的新增用户组成五个同期群，分析用户的转化率。分别是：

• 3月新增用户同期群（cohort a）
• 4月新增用户同期群（cohort b）
• 5月新增用户同期群（cohort c）
• 6月新增用户同期群（cohort d）
• 7月新增用户同期群（cohort e）

而这些同期群用户的共同行为特征都是新增用户，之后可以分析这五个群组间转化率的趋势和差异，而每一个同期群也代表了一张独立的产品成绩报告。再结合我们的业务变化和运营变化以及产品迭代变化，就可以通过对比发现很多有用的数据。

除了新增用户，也可以是其他用户特征，比如都在同一个月打卡一定数量的用户，又或者都在某天的vip促销活动中付费购买vip的用户等等。

同期群分析侧重于分析在客户生命周期相同阶段的群组之间的差异。

下图是一款社交软件的同期群分析，时期以周为单位，用户行为特征是新增用户，分别以3月、4月内每一周的新增用户作为一个同期群，一共有9个同期群。

社交软件，为了观察用户的留存情况，聚焦这些选中用户群组的以下数据：在一周内。

1. 已登陆的用户比例
2. 有1次对话的用户比例
3. 有5次对话的用户比例
4. 付费的用户比例

（已同一周内新增用户总数作为基准。）

如果观察这张同期群分析趋势图，可以发现产品在增加用户留存上总体是有改进的，有5次对话的用户（活跃用户）从原来的3%左右上升到20%左右，但是付费用户并没有什么增长，接着就需要继续深入分析，是什么导致付费转化率一直停滞不前。是层级太深？还是并没有足够吸引用户付费的功能还是定价策略有问题等等。

另一方面，我们也可以分析有5次对话的活跃用户，从3月第4周开始有较大增长，是什么促进的增长？

除此之外，同期群分析经常被用来分析用户流失数据和流失节点，这时实质上分析的是每一个同期群随时间变换的趋势。

与上图不同的是，它把一个时期分成更细的区间，分析用户在这些时间区间的变化趋势。

例如我们可以分析某一周的新增用户，在这一周内的每一天新留存率的变化。（此图来自网络 Emily Bonnie）