Cohort Analysis，是时下互联网行业的新宠，在市场已不再为虚假繁荣的数据买账时，我们必须提供新的“有效数据”来说服市场。更常见的，这个分析方法会被用来分析：用户留存情况，以及用户粘性。所以，一定记住了，不是Coherent Analysis（粘性分析），而是Cohort Analysis——一撮人分析法。
虚假繁荣是什么？之前大家只关心流量、下载量、注册量，但就像花钱能买僵尸粉一样，刷出十多万粉丝却没有点赞的博主是孤单的，翻翻的下载量却没有真实用户的app是没钱赚的。所以投资人----当然这事管理层也关心，但因为信息不对称，所以投资人对真实情况的渴求程度更为迫切----需要知道在未来一段时间能带来真实效益的数据。
Cohort Analysis提供一种更细致的分析方法，他将整体数据按不同的属性划分，分成Cohort，有共性的一撮User，然后根据这些“Cohort”的历史表现，来评估改版或促销的实际效果，或预测未来能带来的效益。比如，我们可以按照渠道、性别、收入、购买力等来划分Cohort。
以上为理论，如前所述，实际应用中，Cohort Analysis多用来分析用户留存情况，以及用户粘性。
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是否costeffective，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。
举个例子：
表格说明：00年新增用户1000人，这1000人中，到01年还有400人为活跃用户，并且平均每人消费过3次。
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05年，可能的销售收入。即：00年新增用户中5年老客户的人数＊人均消费＋01年新增用户中4年老客户的人数＊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。
All in all，今日新知为Cohort Analysis，宏观上说是人群行为分析的一种，应用中特指留存分析、粘性分析，常用于互联网中，如电商、交易平台等。用于进行对现状的评估，和对未来情况的合理预测。
最后的最后，良心推荐 http://www.cohortanalysis.com/。关于definition、example和tools
————————————————
版权声明：本文为CSDN博主「muturiyue」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/muturiyue/java/article/details/76187131