编辑导读:可能不是所有的运营都懂联立群分析，但它是每个产品运营的必备分析方法。本文作者着重分析同期组模式，希望对你有所帮助。

大家好，我是爱学习的熊雄。

今天，我们将继续谈论数据分析的八个模型系列。我今天分享的是一个原理简单但应用广泛的模型:同期群模型。可用于商品分析、用户分析、渠道分析。

一、同期群的原理

同时组分析的原理很简单:种豆子。如何分辨哪种豆子好？最简单的方法就是分群(所谓的“群”)种在一起(所谓的“同期”)，然后观察哪一个长得更快。

为了实现这一目标，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

以种豆为例。同一集团的做法如下:

这个想法很简单，所以在工作中被广泛使用，也衍生出很多其他的名字。

二、商品同期群：商品LTV模型

商品分析中的同期组模型也称为商品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

(如下图所示)

这个模型很有用！因为很多商品从上市之初就天生具有生命周期趋势。通过同期的分组分析，不仅可以模拟这种趋势，还可以为每一级别的商品设定合理的LTV区间，从而尽早发现商品的销售是否符合预期。从而进一步控制库存情况，实现利润最大化(如下图所示)。

不仅可以用商品分析，还可以用用户分析。

三、用户同期群：用户留存率模型

同步用户群分析，也称为用户保持模型。

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。

(如下图所示)

因为大部分app只能满足用户的部分需求，用户的留存总是在慢慢减少。如果发现一些节点，用户留存明显降低，说明这些节点有问题，需要进一步分析。同时，基于同期的群体数据，可以拟合出预估的留存用户数，为运营规划服务用户资源，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时同步计算用户期望值，就可以计算出用户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，这样计算出来的LTV实际上指的是用户在特定时间内产生的价值。严格来说，它不是整个生命周期的价值。但考虑到企业是以年/季度为单位制定商业计划的，只考核3个月/6个月/12个月内用户产生的价值就差不多够了。

注意！在不同的业务场景下，用户的支付形式会有所不同，这将对LTV计算产生影响。

常见情况，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。在计算用户的LTV时，要注意付费的形式。如果单纯用“月均消费”这个指标，很有可能平均值掩盖了真实的支付情况，从而误导商业判断。

五、渠道同期群：渠道质量分析模型

如果分类维度改为:用户分析同期群时从XX渠道进来的用户。可以进一步做如下:渠道质量同期分组分析。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

(如下图所示)

六、同期群的不足之处

小组同时看起来不错，因为能充分暴露问题。但是同期组没有能力说明问题。为什么某个频道的质量突然崩溃了？不能单靠同期组来解释，需要其他分析模型来解释。

作者:编码器熊，微信微信官方账号:编码器熊

本文由@ Coder Bear原创发表于蜘蛛智慧链。未经许可，禁止转载。

图片来自Unsplash，基于CC0协议。