原理简单，但不知道怎么用？一文看懂「同期群模型」
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！
原理简单，但不知道怎么用？一文看懂「同期群模型」相关推荐
- 0代码开发，2小时上手，人人皆可DIY的对话机器人，一文看懂「竹间智能」新品发布会...
允中 发自 凹非寺 量子位 编辑 | 公众号 QbitAI 让我们把时间拉回到56年前,MIT 的 AI Lab做出聊天机器人,说不定不是第一个,但也是非常早期的一个聊天机器人--Eliza. 它是1 ...
- 一文看懂「生成对抗网络 - GAN」基本原理+10种典型算法+13种应用
生成对抗网络 – Generative Adversarial Networks | GAN 文章目录 GAN的设计初衷 生成对抗网络 GAN 的基本原理 GAN的优缺点 10大典型的GAN算法 GA ...
- 一文搞懂「微信支付 Api-v3」接口规则所有知识点
文章目录 简介 v2 与 v3 的区别 API 密钥设置 获取 API 证书 请求签名 示例代码 构造签名串 构造 HTTP 头中的 Authorization 获取证书序列号 通过工具获取 通过代码 ...
- 实用教程 | 一文读懂「微信分账」功能
在现有的微信支付互联网生态环境中,存在平台方角色,如电商平台.加盟代理等,用户支付订单金额后,先由平台方统一收款,再由平台方与商家或其他参与方进行结算,若无引入具有支付牌照的第三方,则为「二清」行为, ...
- 手机导航列表页面瀑布流图片无限加载代码_搭建内容管理系统CMS（3）：从原理、需求到设计，一文看懂动态化页面...
Sue前面分享的两篇文章,介绍了内容管理系统(CMS)关于内容生产和内容过滤的部分.那么被生产出来并通过过滤的内容,如何呈现给我们的内容消费者呢? 我们都知道,在客户端上的开发实现,版本一旦发布了出去 ...
- 一文读懂「用户行为数据」的采集、分析和应用
越来越多的企业已开始挖掘用户行为数据的商业价值,利用行为数据进行精准有效的数字营销.以科技金融行业为例,某知名企业的数据表明:用户行为数据的效力是金融数据的4倍. 一.企业的数据来源 企业收集.存储 ...
- 深度学习每层的通道数如何计算_深度学习基础系列（一）| 一文看懂用kersa构建模型的各层含义（掌握输出尺寸和可训练参数数量的计算方法）...
我们在学习成熟网络模型时,如VGG.Inception.Resnet等,往往面临的第一个问题便是这些模型的各层参数是如何设置的呢?另外,我们如果要设计自己的网路模型时,又该如何设置各层参数呢?如果模型 ...
- 一文看懂Transformer到BERT模型
目录: ELMo与Transformer的简单回顾 DAE与Masked Language Model BERT模型详解 BERT模型的不同训练方法 如何把BERT模型应用在实际项目中 如何对BERT ...
- 一文读懂「TTS语音合成技术」
有没有发现,我们与机器的对话正变得愈发灵动与自然?人机交互越来越广泛地应用在我们的生活中,而这些都离不开语音合成技术的与时俱进. 语音合成,即TTS,是语音数据采集的重要方式.本期澳鹏干货,我们将带你 ...
最新文章
- window linux上传文件命令,windows通过cmd命令行使用sftp上传文件至linux
- Zora P1测评报告-Tsrjrc
- iis多进程下的全局变量_Linux下c程序的内存映像
- 《数据结构与算法 C语言版》—— 3.8习题
- 连续变量的转换：ECDF、Box-Cox、Yeo-Johnson
- python游戏最简单代码-如何利用Python开发一个简单的猜数字游戏
- 2.2.3 C语言中的整数类型及类型转换(为什么强制类型转换值发生改变？带你从机器码的角度分析)
- CVPR 2019｜手写签名认证的逆鉴别网络
- 如何在 Mac 上修复丢失的鼠标光标？
- C++变量/函数命名规范
- C语言区分大小写字母
- 高等代数——大学高等代数课程创新教材（丘维声）——1.1笔记+习题
- Data URL 基本介绍
- MS11-003在Internet Explorer中存在允许远程代码执行漏洞复现
- 微信、企业微信分享按钮隐藏问题
- 使用HTML+CSS仿写小米官网首页
- Ardupilot动力分配-混控部分分析
- DR、BDR、SBR、ASBR等名词的解释和原理
- 15个很有趣的开源项目推荐
- Jenkins 登录忘记用户名和密码