Segmentation on Tarragonhttps://tarrragon.github.io/blog/tags/segmentation/Recent content in Segmentation on TarragonHugo -- gohugo.iozh-TWTarragon (CC BY 4.0)Fri, 19 Jun 2026 00:00:00 +0000Cohort Analysishttps://tarrragon.github.io/blog/monitoring/08-business-analytics/cohort-analysis/Fri, 19 Jun 2026 00:00:00 +0000https://tarrragon.github.io/blog/monitoring/08-business-analytics/cohort-analysis/<p><a href="https://tarrragon.github.io/blog/monitoring/knowledge-cards/cohort-analysis/" data-link-title="Cohort Analysis" data-link-desc="說明把使用者按共同特徵分群、比較不同群組行為差異的分析方法">Cohort analysis</a> 把使用者按共同特徵分群（cohort），比較不同群體在同一個指標上的表現差異。整體平均留存率 40% 可能隱藏了「1 月註冊的使用者留存 60%、3 月註冊的留存 20%」的差異。Cohort analysis 揭露平均值遮蔽的趨勢。</p> <h2 id="cohort-的定義方式">Cohort 的定義方式</h2> <h3 id="時間-cohort最常用">時間 cohort（最常用）</h3> <p>按使用者完成某個動作的時間分群。「1 月份註冊的使用者」「第 12 週 onboarding 完成的使用者」。</p> <p>時間 cohort 回答的問題：產品的留存率是否隨時間改善？新版本上線後註冊的使用者留存是否比舊版本高？</p> <h3 id="行為-cohort">行為 cohort</h3> <p>按使用者的行為特徵分群。「首次使用就完成購買的使用者」「使用過搜尋功能的使用者」「連續 3 天登入的使用者」。</p> <p>行為 cohort 回答的問題：哪些行為和留存相關？做了 X 的使用者留存率是否比沒做 X 的高？</p> <h3 id="屬性-cohort">屬性 cohort</h3> <p>按使用者的固有屬性分群。「iOS 使用者」「企業方案使用者」「來自特定廣告渠道的使用者」。</p> <p>屬性 cohort 回答的問題：不同平台/方案/來源的使用者行為是否不同？</p> <h2 id="留存率矩陣">留存率矩陣</h2> <p>留存率矩陣是 cohort analysis 最常見的呈現方式。每行代表一個 cohort（例如某月註冊的使用者），每列代表註冊後的第 N 天/週/月，格中的值是該 cohort 在第 N 期仍活躍的比例。</p> <table> <thead> <tr> <th>Cohort</th> <th>第 0 週</th> <th>第 1 週</th> <th>第 2 週</th> <th>第 4 週</th> <th>第 8 週</th> </tr> </thead> <tbody> <tr> <td>1 月</td> <td>100%</td> <td>45%</td> <td>32%</td> <td>22%</td> <td>18%</td> </tr> <tr> <td>2 月</td> <td>100%</td> <td>48%</td> <td>35%</td> <td>25%</td> <td>20%</td> </tr> <tr> <td>3 月</td> <td>100%</td> <td>52%</td> <td>40%</td> <td>30%</td> <td>—</td> </tr> </tbody> </table> <p>從這張矩陣可以看到：留存率逐月改善（1 月 → 3 月的第 1 週留存從 45% 升到 52%）。如果 2 月有產品改版，這個改善可能和改版相關。</p> <h2 id="cohort-analysis-的判讀">Cohort analysis 的判讀</h2> <h3 id="自然衰減-vs-產品問題">自然衰減 vs 產品問題</h3> <p>所有產品都有自然衰減 — 使用者隨時間減少是正常的。Cohort analysis 的價值在於區分「正常衰減」和「異常衰減」。</p> <p>如果所有 cohort 的衰減曲線形狀相似，衰減是產品層面的結構性問題（例如缺少持續使用的理由）。如果某個 cohort 的衰減明顯比其他 cohort 快，需要調查該 cohort 的特殊情況（當時的產品版本、市場環境、使用者來源）。</p> <h3 id="穩態留存">穩態留存</h3> <p>留存率通常在某個時間點後趨於穩定 — 留下來的使用者不再大量流失。穩態留存的百分比和到達穩態的時間是產品健康度的核心指標。</p> <p>穩態留存高但到達時間長 = 產品有價值但 onboarding 需要改善。穩態留存低 = 產品的持續使用價值不足。</p> <h2 id="和-funnel-的關係">和 funnel 的關係</h2> <p>Funnel analysis 回答「使用者在哪一步流失」（單次流程），cohort analysis 回答「使用者是否持續回來」（長期行為）。兩者互補：funnel 改善單次流程的轉換率，cohort 追蹤改善是否帶來長期留存的變化。</p> <h2 id="下一步路由">下一步路由</h2> <ul> <li>使用者從哪來 → <a href="https://tarrragon.github.io/blog/monitoring/08-business-analytics/attribution/" data-link-title="Attribution" data-link-desc="使用者從哪來、哪個渠道帶來轉換 — last-touch / first-touch / multi-touch 歸因模型的差異和選擇">Attribution</a></li> <li>單次流程的流失分析 → <a href="https://tarrragon.github.io/blog/monitoring/08-business-analytics/funnel-analysis/" data-link-title="Funnel Analysis" data-link-desc="使用者在哪一步流失 — 從事件序列計算每步轉換率、找出流失最嚴重的步驟、區分設計問題和技術問題">Funnel analysis</a></li> <li>使用者分群的工程實作 → <a href="https://tarrragon.github.io/blog/monitoring/08-business-analytics/rfm-segmentation/" data-link-title="RFM 分群" data-link-desc="Recency / Frequency / Monetary 三維度的使用者分群 — 從行為事件計算 RFM 分數、定義使用者群體、驅動差異化策略">RFM 分群</a></li> <li>客戶終身價值 → <a href="https://tarrragon.github.io/blog/business/knowledge-cards/ltv/" data-link-title="LTV" data-link-desc="說明客戶終身價值與其在估值中的作用">LTV</a></li> <li>留存率 → <a href="https://tarrragon.github.io/blog/business/knowledge-cards/retention/" data-link-title="Retention" data-link-desc="說明客戶留存率與其對單位經濟的決定作用">Retention</a></li> </ul>Cohort analysis 把使用者按共同特徵分群（cohort），比較不同群體在同一個指標上的表現差異。整體平均留存率 40% 可能隱藏了「1 月註冊的使用者留存 60%、3 月註冊的留存 20%」的差異。Cohort analysis 揭露平均值遮蔽的趨勢。

Cohort 的定義方式

時間 cohort（最常用）

按使用者完成某個動作的時間分群。「1 月份註冊的使用者」「第 12 週 onboarding 完成的使用者」。

時間 cohort 回答的問題：產品的留存率是否隨時間改善？新版本上線後註冊的使用者留存是否比舊版本高？

行為 cohort

按使用者的行為特徵分群。「首次使用就完成購買的使用者」「使用過搜尋功能的使用者」「連續 3 天登入的使用者」。

行為 cohort 回答的問題：哪些行為和留存相關？做了 X 的使用者留存率是否比沒做 X 的高？

屬性 cohort

按使用者的固有屬性分群。「iOS 使用者」「企業方案使用者」「來自特定廣告渠道的使用者」。

屬性 cohort 回答的問題：不同平台/方案/來源的使用者行為是否不同？

留存率矩陣

留存率矩陣是 cohort analysis 最常見的呈現方式。每行代表一個 cohort（例如某月註冊的使用者），每列代表註冊後的第 N 天/週/月，格中的值是該 cohort 在第 N 期仍活躍的比例。

Cohort 第 0 週 第 1 週 第 2 週 第 4 週 第 8 週
1 月 100% 45% 32% 22% 18%
2 月 100% 48% 35% 25% 20%
3 月 100% 52% 40% 30% —

從這張矩陣可以看到：留存率逐月改善（1 月 → 3 月的第 1 週留存從 45% 升到 52%）。如果 2 月有產品改版，這個改善可能和改版相關。

Cohort analysis 的判讀

自然衰減 vs 產品問題

所有產品都有自然衰減 — 使用者隨時間減少是正常的。Cohort analysis 的價值在於區分「正常衰減」和「異常衰減」。

如果所有 cohort 的衰減曲線形狀相似，衰減是產品層面的結構性問題（例如缺少持續使用的理由）。如果某個 cohort 的衰減明顯比其他 cohort 快，需要調查該 cohort 的特殊情況（當時的產品版本、市場環境、使用者來源）。

穩態留存

留存率通常在某個時間點後趨於穩定 — 留下來的使用者不再大量流失。穩態留存的百分比和到達穩態的時間是產品健康度的核心指標。

穩態留存高但到達時間長 = 產品有價值但 onboarding 需要改善。穩態留存低 = 產品的持續使用價值不足。

和 funnel 的關係

Funnel analysis 回答「使用者在哪一步流失」（單次流程），cohort analysis 回答「使用者是否持續回來」（長期行為）。兩者互補：funnel 改善單次流程的轉換率，cohort 追蹤改善是否帶來長期留存的變化。

下一步路由

]]>RFM 分群https://tarrragon.github.io/blog/monitoring/08-business-analytics/rfm-segmentation/Fri, 19 Jun 2026 00:00:00 +0000https://tarrragon.github.io/blog/monitoring/08-business-analytics/rfm-segmentation/<p><a href="https://tarrragon.github.io/blog/monitoring/knowledge-cards/rfm/" data-link-title="RFM" data-link-desc="說明用 Recency / Frequency / Monetary 三個維度把使用者分成可操作群組的分群方法">RFM</a> 分群用三個維度衡量使用者的價值：Recency（最近一次互動是多久前）、Frequency（互動的頻率）、Monetary（互動的金額或價值）。三個維度各自獨立評分，組合成使用者的 RFM profile，驅動差異化的營運策略。</p> <h2 id="三個維度">三個維度</h2> <h3 id="recency最近一次互動的時間距離">Recency：最近一次互動的時間距離</h3> <p>計算使用者最後一次有意義的互動到現在的天數。「有意義的互動」取決於業務定義 — 電商是最後一次購買，SaaS 是最後一次登入，媒體是最後一次內容消費。</p> <p>Recency 的價值在於「最近互動的使用者比很久沒來的使用者更可能再次互動」。Recency 高（最近才來）的使用者是活躍群體，Recency 低（很久沒來）的使用者是流失風險群體。</p> <h3 id="frequency互動的頻率">Frequency：互動的頻率</h3> <p>計算使用者在特定時間窗口內的互動次數。時間窗口取決於業務節奏 — 日用品電商看近 90 天的購買次數，SaaS 看近 30 天的登入次數。</p> <p>Frequency 區分「偶爾來的使用者」和「常客」。高頻使用者是產品的核心用戶群，他們的行為和需求代表產品的核心價值。</p> <h3 id="monetary互動的價值">Monetary：互動的價值</h3> <p>計算使用者在特定時間窗口內貢獻的總金額。適用於有直接收入的業務（電商、訂閱服務）。</p> <p>沒有直接收入的產品可以用替代指標：內容平台用消費的內容數量，社群平台用產生的內容數量，工具類產品用使用的功能數量。替代指標的選擇依據是「哪個行為最能代表使用者的投入程度」。</p> <h2 id="rfm-分數計算">RFM 分數計算</h2> <p>每個維度獨立評分，通常用 1-5 分。評分方式有兩種：</p> <h3 id="等距分割">等距分割</h3> <p>把每個維度的值域等分成 5 段。Recency 0-6 天 = 5 分、7-13 天 = 4 分、依此類推。</p> <p>優點是簡單直覺；缺點是不考慮使用者分佈 — 如果大部分使用者的 Recency 在 0-6 天，5 分的群體佔大多數，分群的鑑別度低。</p> <h3 id="等量分割分位數">等量分割（分位數）</h3> <p>用分位數確保每個分數段的使用者數量大致相等。前 20% 的 Recency = 5 分、次 20% = 4 分。</p> <p>優點是每個分數段有足夠的使用者數量做分析；缺點是分數的業務意義不固定 — 5 分代表的天數取決於使用者分佈，不是固定的閾值。</p> <h2 id="rfm-群體定義">RFM 群體定義</h2> <p>三個維度各 5 分，組合出 125 種 RFM profile（5 × 5 × 5）。實務上不需要 125 種策略，通常歸納成 5-8 個有業務意義的群體：</p> <table> <thead> <tr> <th>群體</th> <th>RFM 特徵</th> <th>描述</th> <th>策略方向</th> </tr> </thead> <tbody> <tr> <td>冠軍客戶</td> <td>R5 F5 M5</td> <td>最近才來、經常來、消費高</td> <td>維持關係、VIP 待遇</td> </tr> <tr> <td>忠實客戶</td> <td>R4-5 F4-5 M3-5</td> <td>經常來、消費中到高</td> <td>交叉銷售、推薦</td> </tr> <tr> <td>潛力客戶</td> <td>R4-5 F1-2 M1-2</td> <td>最近才來、但頻率和消費低</td> <td>引導更多互動</td> </tr> <tr> <td>沉睡客戶</td> <td>R1-2 F3-5 M3-5</td> <td>曾經活躍但很久沒來</td> <td>挽回活動</td> </tr> <tr> <td>流失客戶</td> <td>R1 F1 M1</td> <td>很久沒來、頻率低、消費低</td> <td>評估挽回成本效益</td> </tr> </tbody> </table> <h2 id="工程實作">工程實作</h2> <p>RFM 計算的輸入是使用者的行為事件。從 collector 的 JSONL 資料計算 RFM：</p> <ol> <li><strong>擷取</strong>：篩選目標事件（購買、登入、使用功能），按 user_id 分群</li> <li><strong>計算 R</strong>：每個 user_id 的最新事件時間到現在的天數</li> <li><strong>計算 F</strong>：每個 user_id 在時間窗口內的事件數量</li> <li><strong>計算 M</strong>：每個 user_id 在時間窗口內的 monetary 屬性加總</li> <li><strong>評分</strong>：對 R/F/M 各自用分位數或等距分割評分</li> <li><strong>分群</strong>：根據 RFM 分數組合定義群體</li> </ol> <p>這個計算可以用 SQL（如果資料在資料庫）或 Python pandas（如果資料在 JSONL 檔案）完成。定期重算（每天或每週），產出使用者群體標籤。</p> <p>RFM 分群需要的資料可以從自架 collector 提取 — <a href="https://tarrragon.github.io/blog/monitoring/08-business-analytics/self-hosted-funnel/" data-link-title="從 collector 資料做基礎 funnel 分析" data-link-desc="SQLite 層能做什麼程度的 funnel、PostgreSQL 層提供什麼進階能力、JSONL 匯出後的臨時分析">從 collector 資料做基礎 funnel 分析</a>展示了 grep + jq 在自架環境中的分析能力和邊界。RFM 分出的群體還可以用 <a href="https://tarrragon.github.io/blog/monitoring/08-business-analytics/cohort-analysis/" data-link-title="Cohort Analysis" data-link-desc="按共同特徵分群、比較不同群體的留存率和行為差異 — 從「平均值」到「誰在用、誰離開了」">Cohort analysis</a> 追蹤留存趨勢，兩種分析互補。分群和分析的前提是正確的<a href="https://tarrragon.github.io/blog/monitoring/08-business-analytics/behavior-event-design/" data-link-title="行為事件設計" data-link-desc="事件命名規範、屬性設計、funnel 定義 — 行為分析的品質取決於事件設計的品質">行為事件設計</a> — 事件的屬性決定了 R/F/M 能否被計算。</p>RFM 分群用三個維度衡量使用者的價值：Recency（最近一次互動是多久前）、Frequency（互動的頻率）、Monetary（互動的金額或價值）。三個維度各自獨立評分，組合成使用者的 RFM profile，驅動差異化的營運策略。

三個維度

Recency：最近一次互動的時間距離

計算使用者最後一次有意義的互動到現在的天數。「有意義的互動」取決於業務定義 — 電商是最後一次購買，SaaS 是最後一次登入，媒體是最後一次內容消費。

Recency 的價值在於「最近互動的使用者比很久沒來的使用者更可能再次互動」。Recency 高（最近才來）的使用者是活躍群體，Recency 低（很久沒來）的使用者是流失風險群體。

Frequency：互動的頻率

計算使用者在特定時間窗口內的互動次數。時間窗口取決於業務節奏 — 日用品電商看近 90 天的購買次數，SaaS 看近 30 天的登入次數。

Frequency 區分「偶爾來的使用者」和「常客」。高頻使用者是產品的核心用戶群，他們的行為和需求代表產品的核心價值。

Monetary：互動的價值

計算使用者在特定時間窗口內貢獻的總金額。適用於有直接收入的業務（電商、訂閱服務）。

沒有直接收入的產品可以用替代指標：內容平台用消費的內容數量，社群平台用產生的內容數量，工具類產品用使用的功能數量。替代指標的選擇依據是「哪個行為最能代表使用者的投入程度」。

RFM 分數計算

每個維度獨立評分，通常用 1-5 分。評分方式有兩種：

等距分割

把每個維度的值域等分成 5 段。Recency 0-6 天 = 5 分、7-13 天 = 4 分、依此類推。

優點是簡單直覺；缺點是不考慮使用者分佈 — 如果大部分使用者的 Recency 在 0-6 天，5 分的群體佔大多數，分群的鑑別度低。

等量分割（分位數）

用分位數確保每個分數段的使用者數量大致相等。前 20% 的 Recency = 5 分、次 20% = 4 分。

優點是每個分數段有足夠的使用者數量做分析；缺點是分數的業務意義不固定 — 5 分代表的天數取決於使用者分佈，不是固定的閾值。

RFM 群體定義

三個維度各 5 分，組合出 125 種 RFM profile（5 × 5 × 5）。實務上不需要 125 種策略，通常歸納成 5-8 個有業務意義的群體：

群體 RFM 特徵 描述 策略方向
冠軍客戶 R5 F5 M5 最近才來、經常來、消費高 維持關係、VIP 待遇
忠實客戶 R4-5 F4-5 M3-5 經常來、消費中到高 交叉銷售、推薦
潛力客戶 R4-5 F1-2 M1-2 最近才來、但頻率和消費低 引導更多互動
沉睡客戶 R1-2 F3-5 M3-5 曾經活躍但很久沒來 挽回活動
流失客戶 R1 F1 M1 很久沒來、頻率低、消費低 評估挽回成本效益

工程實作

RFM 計算的輸入是使用者的行為事件。從 collector 的 JSONL 資料計算 RFM：

  1. 擷取：篩選目標事件（購買、登入、使用功能），按 user_id 分群
  2. 計算 R：每個 user_id 的最新事件時間到現在的天數
  3. 計算 F：每個 user_id 在時間窗口內的事件數量
  4. 計算 M：每個 user_id 在時間窗口內的 monetary 屬性加總
  5. 評分：對 R/F/M 各自用分位數或等距分割評分
  6. 分群：根據 RFM 分數組合定義群體

這個計算可以用 SQL（如果資料在資料庫）或 Python pandas（如果資料在 JSONL 檔案）完成。定期重算（每天或每週），產出使用者群體標籤。

RFM 分群需要的資料可以從自架 collector 提取 — 從 collector 資料做基礎 funnel 分析展示了 grep + jq 在自架環境中的分析能力和邊界。RFM 分出的群體還可以用 Cohort analysis 追蹤留存趨勢，兩種分析互補。分群和分析的前提是正確的行為事件設計 — 事件的屬性決定了 R/F/M 能否被計算。

]]>