Cohort分析
按特定维度将用户分成不同群组（Cohort），对比各群组在同一指标上的差异，从而识别被整体均值掩盖的结构性问题。不分群的留存分析基本无法指导运营——用一个整体数字做决策，就像用全国平均温度决定穿什么衣服。
核心定义
Cohort（同期群）分析是将具有共同特征或在同一时间段内发生某种行为的用户归为一组，然后追踪这组用户在后续时间里的行为表现。最常见的应用是按获取渠道、注册时间、首次行为等维度做留存对比分析。
核心价值在于”看到差异”并”做出决策”——不只是发现不同群体的留存率不同，而是据此调整运营策略和资源分配。
为什么不能只看整体留存
假设某APP整体30日留存是20%，这个数字毫无决策价值。因为里面混着：
- 网点开户的高质量客户（30日留存可能60%）
- 活动拉新的羊毛党（30日留存可能5%）
- 自然流量下载的用户（30日留存可能25%）
- 老用户推荐的新客（30日留存可能50%）
四类用户混在一起的20%，既无法反映真实产品价值，也无法指导任何运营动作。
银行场景四大分群维度
来源渠道
用户怎么来的，直接决定了初始动机和预期。关键发现：
- 活动带来的用户价值极低：30日留存仅6%，和扫码开户差不多，大多是”薅羊毛”
- 网点开户用户质量高但成本也高：30日留存62%，但综合成本可能是线上获客10倍以上
- 自然访问用户留存高于活动拉新：主动找到APP的用户比被活动吸引来的更有价值意识
- 存量客户推荐质量最高：30日留存39%，是活动新客的6.5倍
进入时间
用户什么时候来的，用于评估运营活动的长期效果。开门红期间拉来的用户和日常拉来的用户留存可能完全不同——通过Cohort分析可以识别哪些活动是”高质量获客”，哪些只是”数字好看”。
用户类型
新客和老客的留存逻辑完全不同：
- 新客留存取决于首购体验——第一次使用有没有感受到价值
- 老客留存取决于持续价值感知——长期使用中是否持续获得价值
用同一套指标和策略运营两类用户效果一定很差。
资产层级
不同层级用户需求不同、使用习惯不同、留存驱动因素不同：
- 高净值客户：更在意服务质量和专属权益
- 普通客户：更在意收益和便利性
把不同层级用户放在一起分析，留存结论会严重失真。
从Cohort数据到运营决策
Cohort分析的价值不仅是”看到差异”，而是产出可执行的决策：
洞察→行动模板：
- 活动新客价值被严重高估 → 重新评估活动拉新投入产出比，将更多预算转向高质量渠道的精细化运营
- 网点开户用户质量高但成本高 → 将网点开户成功经验”复制”到线上（如客户经理沟通技巧转化为线上引导流程）
- 理财新客首购后没有形成价值感知 → 优化首购体验，设计首购后的持续触达机制
不同素材中的观点
- 来自 2026-05-28-woshipm-retention-analysis（留存分析）：银行APP开门红案例中，活动新客30日留存仅6%（最低），存量客户推荐新客39%（最高），两组差距6.5倍。这直接推翻了”新增数字好看=营销成功”的判断——Cohort数据证明活动带来的大多是”过客”而非”客户”
实用信息
使用方法
- 确定分群维度（来源渠道/进入时间/用户类型/资产层级）
- 按维度将用户分成独立群组
- 统计各群组在同一留存指标（次日/7日/30日）上的表现
- 对比差异，识别”高质量获客”和”数字好看但无效”的渠道/活动
- 产出资源重分配决策
注意事项
- 分群维度不是越多越好，4-8个核心维度足够（参见 用户分群分析）
- 数据量太小时分群会失去统计意义
- 分群是手段不是目的——关键是用差异驱动决策，不是做花哨的报告