移动分析中的群组分析：定义、指标与实施阶段

什么是群组分析？

群组分析 — 是一种分析方法，根据首次目标事件（例如应用程序安装或注册）的时间将用户分为组（群组）。与DAU或MAU等聚合指标不同，群组可以跟踪同一组用户在数周和数月内的行为，揭示留存和流失趋势。

该方法的主要优势 — 消除了老用户掩盖新用户问题的增长幻觉。根据Amplitude Blog（2024）的数据，实施群组分析的公司在前90天内将用户流失率降低了20–30%。

应用群组分析来评估UA活动的有效性，比较不同版本应用程序的行为，并计算用户获取方面的投资回报率。

群组分析的关键指标

留存率

留存率 — 安装后N天返回应用程序的群组用户百分比。这是产品质量的主要指标：如果用户不返回，问题出在引导流程、价值或应用程序稳定性上。根据Statista（2025）的数据，移动应用程序的平均Day-1留存率为25–30%，Day-7 — 10–15%，Day-30 — 5–7%。

将您的群组留存率与类别的基准进行比较，并分析哪些产品更改提高了回访率。

LTV — 生命周期价值

LTV（生命周期价值） — 观察期内来自群组所有用户的总收入。该指标对于评估广告活动的回报和做出UA预算扩展决策至关重要。根据Adjust Benchmarks（2024）报告，用户在游戏中的中位数LTV为3.50美元，在电子商务中为1.80美元，在实用工具中为0.40美元。

计算群组在Day-30、Day-90和Day-180的LTV，以了解获取用户的长期价值。

流失率

流失率 — 停止使用应用程序的群组用户比例。最初几天的高流失率表明引导流程存在问题或期望不符。根据Localytics（2024）的数据，25%的用户在首次打开后离开应用程序，到第90天只剩下不到5%。

每周监控流失率 — 群组中流失率增加5%需要立即通过调查或会话录制分析流失原因。

按时间段划分的群组类型

日群组

日群组 — 在同一天安装应用程序的用户。最详细的切片，可以观察到异常情况：特定日期的留存率突然下降可能表明技术故障或有问题的创意活动。日群组用于日常更改时的运营监控和A/B测试。

周群组

周群组 — 在同一日历周安装应用程序的用户。更稳定的数据，可以平滑日常波动。适用于定期报告和广告渠道效果比较 — 周步长消除了星期几效应。

月群组

月群组 — 在同一月安装应用程序的用户。最适合分析长期趋势、季节性以及计算6–12个月范围内的LTV。在产品管理层面用于关于产品开发的战略决策。

如何进行群组分析

群组分析 包括四个阶段：数据收集、分组到群组、按时间段计算指标和可视化。第一步，确定目标事件 — 通常是install、signup或first_purchase。所有在一个时间段内执行该事件的用户进入一个群组。

第二步，设置时间步长：天、周或月。对于每个后续时间段（Day-1、Day-2、Day-3…），计算返回用户的比例。结果汇总到群组表中，其中每一行是一个群组，每一列是一个时间段，每个单元格是指标值。

第三步，校准数据：排除少于100个用户的群组，并考虑季节性。根据Mixpanel（2024）的数据，少于50个用户的群组提供的统计结果不显著，误差超过20%。第四步，以群组表或热图的形式可视化数据 — 行（群组）和列（时间段）使留存趋势对利益相关者清晰易懂。

为了正确解读，始终比较相同大小的群组：不允许将50,000个用户的群组与500个用户的群组进行比较。将指标标准化为群组初始大小的百分比，而不是绝对数字 — 这样可以比较不同大小的组。还要考虑新颖性效应：重大营销活动后安装应用程序的用户可能与自然安装用户表现不同。

群组分析工具

群组分析工具 分为分析平台内置工具和自定义SQL解决方案。Amplitude和Mixpanel提供现成的群组报告，自动计算留存率和LTV，无需编写查询。Firebase Analytics根据安装日期提供基本群组，按天、周和月细分。

对于自定义群组，使用BigQuery或Redshift中的SQL查询 — 这可以完全控制指标和时间段。根据Amplitude（2024）的数据，使用自定义SQL群组的团队比使用标准报告发现的行为洞察多35%。BI工具（Tableau、Looker、Google Data Studio）允许构建交互式群组仪表板进行定期监控。

工具的选择取决于团队分析的成熟度。起初，Firebase Analytics或Amplitude内置群组就足够了 — 它们覆盖了群组分析80%的需求。随着团队成长，切换到BigQuery中的SQL群组：这为定义非标准指标（例如，按首次购买日期而非安装日期的群组）提供了灵活性，并允许构建基于ML的预测性LTV模型。对于可视化，使用直接连接BigQuery且无需额外成本的Looker Studio。

SQL群组分析示例

要独立计算日群组，使用按安装日期对会话进行分组的SQL查询。以下是一个BigQuery查询，返回每个群组内按天划分的活跃用户数。

SELECT
  install_date AS cohort_date,
  DATE_DIFF(session_date, install_date, DAY) AS day_number,
  COUNT(DISTINCT user_id) AS active_users
FROM user_sessions
WHERE install_date BETWEEN '2025-01-01' AND '2025-03-31'
GROUP BY cohort_date, day_number
ORDER BY cohort_date, day_number;

执行查询后，在Google Sheets或BI工具中创建数据透视表。每一行是群组日期，每一列是天数编号（Day-1、Day-2等）。活跃用户百分比计算为第N天的active_users与Day-0（安装日）的active_users之比。

使用群组时的常见错误

第一个错误 — 使用小规模群组。如果群组包含少于100个用户，每个人的流失或回访都会显著扭曲百分比。可靠结论的最小群组规模是500个用户。

第二个错误 — 忽略季节性。在新年前安装应用程序的群组将与一月中旬的群组表现不同。始终比较同一季节的群组或使用数据标准化。根据Mixpanel（2024）的数据，Day-1留存率的季节性波动可能达到30–40%。

第三个错误 — 混淆群组分析和横截面分析。群组分析跟踪一个群体随时间的变化，而不是比较不同群体在某一时刻的表现。使用同一群组内的重复测量，否则您将得出关于留存率增长的错误结论。