原理简单,但不知道怎么用?一文看懂「同期群模型」

Posted Leo.yuan

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了原理简单,但不知道怎么用?一文看懂「同期群模型」相关的知识,希望对你有一定的参考价值。

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!

以上是关于原理简单,但不知道怎么用?一文看懂「同期群模型」的主要内容,如果未能解决你的问题,请参考以下文章

一文看懂Nginx正向/反向代理原理及应用场景!

模型推理一文看懂 Google TPU 脉动阵列加速卷积计算原理

Java 线程系列一文看懂--并发编程归纳总结

一文看懂25个神经网络模型

[转] 同期群分析Cohort Analysis

一文看懂java io系统 (转)