基于客户保持率的人口特性分析

人口特性分析--客户保持率@(Cohort Analysis)[Retention Rate|Visualization]

------------------------------

人口特性分析（Cohort Analysis）

之前大家只关心App的下载量、注册量、流量等，但就像花钱买到的僵尸粉一样，刷出十多万粉丝却没人点赞的博主是及其孤独可悲的，App下载量巨大却没有活跃用户展现的是一种虚假繁荣，是没有价值的。所以投资人迫切需要了解App使用的真实情况，从而判断在未来一段时间能带来真实效益的数据。

人口特性分析是人群行为分析的一种，它提供一种更细致的分析方法，将整体数据按不同的属性划分，分成组群（Cohort，有共性的一组用户），然后根据这些“组群”的历史表现，预测未来能带来的效益，以及评估产品促销推广的实际效果。比如，我们可以按照渠道、性别、收入、购买力等来划分组群。人口特性分析是时下互联网行业的新宠，当市场不再为虚假繁荣的交易数据买账时，我们必须提供新的“有效数据”（客户保持率）来说服市场。移动互联时代，人口特性分析在电商交易平台等互联网+领域用来分析用户留存情况和用户粘性，并通过对现状的评估，及时对未来情况做出合理预测。

客户保持率

我们看到每个月的新增用户都在刷刷的涨，但这种涨势可能是因为“首单免费”吸引来的。如果这些用户用过首单就不再回来了，那这些用户对公司来看，其实是无用的。这时就需要知道“有用的”客户有多少。



当数据积累到一定程度，我们就能推断出新增的用户在未来留存的平均状态，以此来评估这种促销活动所付出的成本效果，或者用来评估总体老客户的保有量。

另外还可以用来作质量评估，比如对比上图是一个渠道的数据，而另一个渠道，第一月新增的用户，在第二个月仍活跃的不到20%，那么这个渠道相对就很差了。或者如果产品改版后的留存率降低，那么可能用户体验更差需要回滚了。这种用途主要是对现有状况的评估。

除了评估，市场最需要的是未来，基于现状对未来的合理预测是很重要的应用。





表格说明：2013年新增用户1000人，这1000人中，到2014年还有400人为活跃用户，并且平均每人消费300元。

以此累计足够多的数据，分析出用户群体中有多少是老客户，这些老客户的消费频次有多少；历史数据中新用户的表现一般怎样，第一年老客户、第二年老客户的购买频次，或消费金额为多少，从而推断今后，如2017年，可能的销售收入。即：\[ R_{2017} = \sum\limits_{i=2013}^{2015}\sum\limits_{j=i+1}^{2017}n_j\cdot人均消费\]

为了增强数据推断的准确性，实际应用中会进一步细化，如将新增的用户按性别、来源、年龄等分类；根据想要预测的结果确定留存人群的表现，如人均消费金额、消费次数等。

客户保持率的可视化

在进行人口特性分析时，最重要的措施之一就是客户保持率。使用单纯的表格分析客户保持率既不直观也很难发现问题。接下来，分别通过条形图、气泡图和帘珠图对客户保持率进行可视化，这种可视化的周期图有助于同时分析客户保持率的相对值和一个组群客户数量的绝对值，并对发展趋势做出预判。

客户保持率：条形图分析

这个图表展现了客户每年的留存寿命和留存趋势。每年用不同的颜色表示组群的留存寿命：第一年是红色，其次是绿色，第三年是蓝色。图表上部的每个点的百分比表示的是客户保持率，顶部的光滑曲线代表客户留存趋势，底部的条形图展示的是客户数。浅色条表示每年新增客户的绝对数量值，深色条表示那之后的客户留存人数。例如，1号组群（Cohort_01）第一年新增客户1402人，第二年的客户留存人数为965人，则第一年的客户保持率为965/1402=69%。

因此，我们可以很容易地：

在同一时间点上比较客户保持率和客户组群的留存情况；

查看具体生命周期和一般趋势；

及时发现客户保持率和留存数量的异常值，寻找更深层次的原因。

从这个例子的趋势线，我们可以看到顾客在11月份的季节性选择(Cohort_11,Cohort_23和Cohort_35)。这些群体客户的增量很高，但滞留率较低。这意味着我们吸引了大量的只对折扣感兴趣的一次性买家，但最终并没有成为忠实的顾客。我们可以发现保持率在第一年会显著减少，损失了大约40%的客户，这是一个很大的问题。此外，第三年看起来也很有问题。

客户保持率：气泡图分析

将x轴上表示所有组群的数量的条形图转化成气泡图，浅色气泡表示每年新增客户的绝对数量值，深色气泡表示那之后的客户留存人数。气泡大小由组群用户数决定，气泡所在位置由保持率数值决定。气泡图有助于分析每个组群以及比较他们相互之间的变化程度。

客户保持率：帘珠图分析

帘珠图和气泡图看起来差不多，但它包含了每组客户的起始数值，并且在保持率轴（Y轴）按等比例进行了缩放。这样做的好处是可以简明扼要的展现出哪个组群生命即将结束。

反馈与建议

作者：ShangFR

邮箱：shangfr@foxmail.com

参考1 参考2