数分人必知必会 | 分析方法：同期群分析Cohort Analysis

做数据的二号姬

发布于 2025-08-15 11:51:09

6200

文章被收录于专栏：做数据的二号姬做数据的二号姬

原创内容

No.769

数分人必知必会 | 分析方法：同期群分析Cohort Analysis

本周份的分析干货，供大家参考~

图片由夸克AI绘制

同期群分析是一种比较常见的分析方法，在互联网行业、信贷风控、产品优化、市场营销等领域都有着非常普遍的应用，在数分人必知必会的分析方法中，绝对要算一个必知必会的席位。

官方一点的对同期群分析的介绍是这样的：Cohort Analysis是一种数据分析方法，它将具有共同特征（通常指在同一时间段内首次发生某行为）的用户或对象划分为一个群体（即“同期群”），然后追踪并比较这些群体随时间变化的行为表现，从而揭示不同群体间的差异和演化规律。

所谓的同期群，其实就是按共同特征（如注册月份、首次购买时间、出生年份等）划分的用户群体，说得俗一点就是：具有可比性的群体。

绝大多数的分析方法说到底都是最朴素的逻辑，具有可比性。从逻辑学的角度来说，当且仅当两个（或多个）对象处于同一个“比较框架”之下，并且在该框架所规定的比较维度上，它们都确实“落在同一把尺子上”，我们才说它们“具有可比性”，缺了这把尺子，就谈不上比较真假、好坏、大小、优劣。只有同尺度、同维度、同标准的两个比较个体，才叫做具有可比性。

为什么要使用同期群分析呢，主要是处于下面愿意i你的考虑：

避免整体数据误导：整体平均值（如“总用户留存率60%”）可能掩盖新老用户差异
洞察用户生命周期：追踪用户从首次接触到长期留存/流失的全路径
评估策略效果：比较不同时期/策略下的用户群表现（如改版前后的新用户留存）

同期群分析通常以 “时间” + “行为指标” 组合观察，比如：不同月份注册用户的月度留存率、不同渠道用户的首次购买后复购率等。通过细分用户生命周期，我们可以识别到增长机会、验证策略有效性，并避开整体数据的认知陷阱。尤其适用于产品优化、运营活动复盘和用户价值深度挖掘场景。

接下来我们用一个Python案例来介绍cohort分析：

在正式开始之前，我们需要生成一个虚拟的数据集，大概这样：

生成虚拟数据集的代码如下：

import pandas as pd
import numpy as np
import seaborn as sns
import matplotlib.pyplot as plt
from datetime import datetime, timedelta
from operator import attrgetter

rng = np.random.default_rng(42)
n_users = 3000

# 随机注册日期：2023-01-01 到 2023-06-30
reg_dates = pd.to_datetime(rng.choice(pd.date_range('2023-01-01', '2023-06-30'), n_users))

# 每个用户随机在注册后 90 天内购买 1~10 次
records = []
for uid, reg inenumerate(reg_dates, start=1):
    n_orders = rng.integers(1, 11)
    order_dates = reg + pd.to_timedelta(rng.integers(0, 90, n_orders), unit='D')
    for d in order_dates:
        records.append({'user_id': uid,
                        'reg_date': reg.normalize(),
                        'order_date': d.normalize()})

df = pd.DataFrame(records)

然后构造一些需要的辅助列，对于这个虚拟数据集，需要这么几个辅助列：注册月份、下单月份、第N个月后下单：

辅助列构造的代码如下：

df['reg_period']   = df['reg_date'].dt.to_period('M')  # 注册月份
df['order_period'] = df['order_date'].dt.to_period('M') # 下单月份
df['cohort_index'] = (df['order_period'] - df['reg_period']).apply(attrgetter('n'))  # 第 N 个月

基于上面的辅助列，我们可以得到一个cohort表：也就是基于注册月份来看，当月下单、1个月后下单、2个月后下单的订单数：

实现的代码也比较简单：

cohort_table = (df.groupby(['reg_period', 'cohort_index'])
                  .agg(n_customers=('user_id', 'nunique'))
                  .reset_index())

接下来把首月人数合并进来做分母：

cohort_size = cohort_table[cohort_table['cohort_index'] == 0][['reg_period', 'n_customers']]
cohort_table = cohort_table.merge(cohort_size.rename(columns={'n_customers': 'cohort_size'}),
                                  on='reg_period')

cohort_table['retention_rate'] = cohort_table['n_customers'] / cohort_table['cohort_size']

然后把表格在做一次透视，形成一个比较方便作图的形式：

retention_pivot = cohort_table.pivot(index='reg_period',
                                     columns='cohort_index',
                                     values='retention_rate')

至此，数据处理的部分就完成了，接下来是数据可视化的部分工作了：

plt.rcParams['font.sans-serif'] = ['SimHei']        # 黑体
plt.rcParams['axes.unicode_minus'] = False          # 解决负号显示问题
plt.figure(figsize=(10, 6))
sns.heatmap(retention_pivot,
            annot=True,
            fmt='.1%',
            cmap='Reds',
            cbar_kws={'label': '留存率'})
plt.title('Cohort Analysis：按月注册用户的月度留存率')
plt.xlabel('生命周期月份')
plt.ylabel('注册月份')
plt.tight_layout()
plt.show()

最终的图大概是这样：

同样的，我们也可以用SQL写这个案例。

首先是创建一个表，写入一些随机数据作为案例数据集：

-- 生成 2023-01 ~ 2023-06 的 3 000 条模拟订单
INSERTINTO orders(user_id, order_dt)
SELECT
    u,
    d
FROM generate_series(1, 3000)          AS u,
     generate_series(
         '2023-01-01'::date+ (random()*180)::int,
         '2023-01-01'::date+ (random()*180)::int+ (random()*60)::int,
         interval'1 day')            AS d;

其他的处理方案和用Python也是比较类似的：

WITH
-- 计算首单日期（注册日期）
first_orders AS (
    SELECT
        user_id,
        MIN(order_dt) AS reg_date
    FROM orders
    GROUPBY user_id
), 
-- 给每条订单打「注册月份」和「生命周期月份」
order_period AS (
    SELECT
        o.user_id,
        fo.reg_date,
        date_trunc('month', fo.reg_date)            AS reg_month,
        date_trunc('month', o.order_dt)             AS order_month,
        (EXTRACT(year  FROM o.order_dt) -EXTRACT(year  FROM fo.reg_date))*12
        +EXTRACT(monthFROM o.order_dt) -EXTRACT(monthFROM fo.reg_date) AS cohort_index
    FROM orders o
    JOIN first_orders fo ON fo.user_id = o.user_id
), 
-- 统计每个注册月份的「总人数」与「次月留存人数」
cohort_size AS (
    SELECT reg_month, COUNT(DISTINCT user_id) AS users_total
    FROM order_period
    WHERE cohort_index =0
    GROUPBY reg_month
)
, cohort_retained AS (
    SELECT reg_month, COUNT(DISTINCT user_id) AS users_retained
    FROM order_period
    WHERE cohort_index =1      -- 次月
    GROUPBY reg_month
)
-- 计算留存率
SELECT
    cs.reg_month,
    cs.users_total,
    COALESCE(cr.users_retained, 0)                  AS retained_1m,
    ROUND(
        COALESCE(cr.users_retained, 0)::numeric
        / cs.users_total, 4)                        AS retention_rate_1m
FROM cohort_size cs
LEFTJOIN cohort_retained cr
       ON cr.reg_month = cs.reg_month
ORDERBY cs.reg_month;

和Python版本的案例类似，到这里数据本身就处理完了，接下来就是根据这些数据作图，作图本身还是Python作图会容易一些。

总的来说，不管是Python代码实现还是Excel实现，Cohort分析涉及的代码都比较简单。

Cohort分析真正的核心还是在于对于同期群，也就是对于可比群体的定义。Cohort定义必须稳定，不能中途变更，否则会导致数据不可比。

此外，也需要注意避免小样本Cohort的结论偏差（如某Cohort仅100人）。同一用户可能在多个Cohort中出现，需根据业务逻辑去重或合并。