原理简单，但不知道怎么用？一文看懂「同期群模型」

Posted 2022-02-22 Leo.yuan

转载/码工小熊

今天继续来谈数据分析八大模型系列。今天分享的，是一个原理很简单，但是应用很广泛的模型：同期群模型。在商品分析、用户分析、渠道分析上，都用得着哦。

一、同期群的原理
同期群分析原理很简单：种豆子。怎么区分哪一种豆子很好？最简单的方法，就是分好群体（所谓的“群”）一起种下去（所谓的“同期”）然后观察哪一个长得更快。

为了达到这个目的，我们需要：

选择比较对象，按条件分好类
选择合适的比较指标。
从一个时间节点开始观察。
对比指标差异，找出优质/劣质群体

还拿种豆子举例，同期群的做法如下：

这个思路非常简单，因此在工作中应用得非常普遍，还衍生出很多其他名字。

二、商品同期群：商品LTV模型
商品分析中的同期群模型，也被称为商品LTV模型。

做法如下：

设定商品等级（A、B、C级）
从商品上市时，开始观察
观察商品上市后销量/利润走势
对比每个等级商品，是否达成该商品平均水平
如表现优于平均，则重点关注缺货问题，保障供给
如表现劣于平均，则重点关注积压问题，减少库存
（如下图）

这个模型非常好用！因为很多商品，从上市开始，天生是有生命周期走势的。通过同期群分析，不但可以模拟这个走势，而且可以为每个级别的商品定出合理的LTV范围，从而及早发现商品销售是否达成预期。从而进一步地控制库存情况，实现利润最大化（如下图）。

不止商品分析，用户分析也能用得上。

三、用户同期群：用户留存率模型
用户同期群分析，也被称为用户留存率模型。

做法如下：

设定用户分群（一般按注册时间or注册渠道）。
从注册时间开始，观察每X天后，该批次用户的留存率。
拟合整体走势，预判X天后，该批次用户留存数量。
找到留存下降最明显节点，判断是否进一步深入分析。
（如下图）

因为大部分APP都只能满足用户部分需求，因此用户的留存，总是慢慢减少。如果发现某些节点，用户留存明显下降，则说明这些节点出现问题，需要进一步分析。同时，基于同期群数据，可以拟合出预计留存用户数量，就能为运营筹划服务用户资源，提供数据支持（如下图）。

四、用户同期群：用户LTV模型
如果在预测用户留存率的时候，同步计算用户预计产生的价值，则可以计算出用户LTV。具体做法如下：

用前文方法，先算出用户留存数值
计算每阶段，用户付费率、付费金额
用户总价值=留存用户付费率付费金额

注意，这样计算出的LTV，实际上指的是：特定时间内，用户产生的价值。并非严格意义上的全生命周期价值。不过，考虑到企业做经营计划，也是以年/季度为时间单位做的，所以只考核用户在3个月/6个月/12个月内产生的价值，也差不多了。

注意！不同业务场景下，用户付费形态会不同，因此对LTV计算会有影响。

常见的情况，如：

理想状态：用户每个月按固定金额，比例付钱（月租型业务）
前低后高：越忠诚的用户，买得越多，付费越高（粉丝型业务）
前高后低：初期吸引用户大量付费，后边不管了（收割型业务）

对应的数据，可能如下图所示。计算用户LTV的时候，得关注付费形态。如果只是简单地用“平均每月消费”指标，很有可能会用平均值掩盖了真实付费情况，从而误导业务判断。

五、渠道同期群：渠道质量分析模型
如果在用户同期群分析的时候，把分类维度，改成：从XX渠道进来的用户。则可以进一步做出：渠道质量同期群分析。常见的形式如下：

按渠道+投放广告时间，分类用户
关注该渠道+投放时间进入用户，后续X天转化率/付费
计算用户产生的消费，对比渠道投放成本
针对转化好的渠道，考虑追加投放
针对转化差的渠道，消减预算/整改投放措施
（如下图）

六、同期群的不足之处
同期群看起来很好使，是因为它能很充分地暴露问题。但是同期群没有解释问题的能力，为啥某个渠道的质量突然崩了？单靠同期群解释不了，需要其他分析模型来解释。

专注企业数据分析应用和数字化转型。关注公众号“商业智能研究”，回复“资料”，整理了6G的数仓、数据中台、数据治理、企业数据化管理案例，供免费领！