java数据分析策略 java做数据分析

作者简介 HeoiJin：立志透过数据看清世界的产品策划，专注爬虫、数据分析、产品策划领域。 万物皆营销 | 资本永不眠 | 数据恒真理

一、前言

后互联网时代，获客拉新的成本越来越高，如何增加客户的留存，提高客户的复购次数、购买金额等变得十分重要，同期群分析便是当中非常重要的分析方法。关于同期群分析概念和思路的文章很多，但分享如何实现的文章非常罕见。因此，本文将简单介绍同期群分析的概念，并用数据分析师的三板斧ESP(

Excel、MySQL、Python)分别实现同期群分析。

二、项目准备

• Excel：

• office或wps均可，office 2013后的版本更好

• MySQL：

• 版本：8.0(本次不涉及窗口函数，其他版本亦可)
• Navicat

• Python：

• 版本：3.7
• IDE：pycharm
• 库：pandas、xlrt

PS.

• 因篇幅原因，可能会有未能详细讲解的过程
• 完整源码及数据集请移步至文末获取

三、同期群分析概念讲解

数据分析最终目标都是为了解决业务问题，任何分析方法都只是工具。因此在详细讲解如何实现之前，需要先明晰方法的含义是什么，能带来什么收益，才能在合适的问题上选对分析方法。

3.1 同期群分析含义

同期群(Cohort)即相同时间内具有相似或特定属性 、行为的群体。核心要素为时间+特定属性，比如把00后出生的人划分为一个群组。

同期群分析指将用户进行同期群划分后，对比不同同期群用户的相同指标。我们耳熟能详的留存率就是同期群分析的其中一种，案例如下图：

同期群分析包含了3个重要元素：

1. 客户首次行为时间，这是我们划分同期群的依据
2. 时间维度，即上图中+N月或者N日留存率中的N日
3. 指标，注册转化率、付款转化率、留存率等等

3.2 意义

同期群分析给到更加细致的衡量指标，帮助我们实时监控真实的用户行为、衡量用户价值，并为营销方案的优化和改进提供支撑：

• 横向比较：观察同一同期群在不同生命周期下的行为变化，推测相似群体的行为随时间的变化
• 纵向比较：观察不同的同期群在同一个生命周期下的行为变化，验证业务行为是否取得预期效果

四、材料梳理

4.1 数据情况梳理

拿到数据的第一步，自然是了解数据的情况。针对本次同期群分析，我们可能需要用到的字段有：

• 客户昵称
• 付款时间：时间戳形式
• 订单状态：交易失败/交易成功
• 支付金额
• 购买数量

通过进一步计算，发现付款时间中缺失值所在行的订单状态均为“交易失败”，那么下文分析都需要将订单状态为“交易失败”的行全部剔除。

4.2 分析方法确定

针对此份数据，有3个分析方向可以选择：

1. 留存率或付款率
2. 人均付款金额
3. 人均购买次数

我们选择其中最经典，也是数分面试中最常考的留存率作为例子，需要用到的字段有：

• 客户昵称
• 付款时间
• 订单状态

相信各位对留存率都十分熟悉，不过多介绍。在本次的分析中，留存率的具体计算方式为：+N月留存率=(+N月付款用户数/首月付款用户数)*100%注意：公式中的+N月存在歧义，会有两种计算方法：

1. 以自然月作为月份偏移的依据：即所有首次行为在9月的用户，只要10月有付款行为，都计算进+1月留存
2. 以每30天作为月份偏移的依据：即9月30日首次付款的用户，在10月30日-11月29日之间有付款行为，才计算进+1月留存

具体的差距会在Excel(用算法1)和MySQL(用算法2)两种工具实现的结果中分别展示。没有相关技术背景的看官老爷可直接对比最终的留存率结果。

五、Excel实现

Excel的实现方式是三个当中门槛最低的，只需要掌握数据透视表和一些基础函数，但过程相对繁杂。实现思路如下：

实现思路一共分为4大部分：数据清洗 -> 计算首单时间 -> 计算首单时间与付款时间差 -> 利用透视表计算同期群留存量和留存率。其中由于部分版本的office和wps的数据透视表不支持非重复计数，因此需要先计算各月中各用户出现的次数。数据清洗部分只需要筛选+删除便可完成，相信如此简单的操作难不倒各位看官老爷们，那么我们便从第二部分开始详细讲解。

5.1 计算每个客户首单时间

首先通过数据透视表求每一个用户首次付款时间。数据透视表，说白了就是通过特定的条件进行分组，并对数据进行求和、求均值、求方差等聚合操作。在制作数据透视表时要注意以下几点：

1. 数据区域的第一行为标题栏(字段名称)
2. 标题栏不能出现空单元格，亦不要出现重复的标题名
3. 数据中避免有合并单元格
4. 不能出现非法日期

5.1.1 创建透视表

全选数据 -> 插入 -> 数据透视表 -> 确定

5.1.2 选择分组字段和值字段

将“客户昵称”拖进“行”，将付款时间拖进“值”，并将值字段设置中的汇总方式设置为最小值

这里最小付款时间显示为10位的时间戳，只要调整显示格式便可转为我们常见的xx年xx月xx日。

5.1.3 将首单时间拼接到每个用户所在行

此步骤需要使用到vlookup函数进行匹配。VLOOKUP函数是一个纵向查找的函数，包含4个参数，具体语法为=VLOOKUP(查找的依据，查找的区域，返回的值在查找区域中的列号，是否近似匹配)注意：

1. 查找的位置如果要保持不变，要使用A:B或者1:15的形式锁定匹配区域
2. 参数[ 查找的位置 ]中，“!”号前为表的名称
3. 列号的计数是从1开始，且第一列必须是与查找依据对应的列
4. 近似匹配参数中，0为否(即必须与查找依据一模一样才匹配)，1为是(即依据为“同期”时，可以匹配出“同期”、“同期群”或者“同期群分析”)

=VLOOKUP(A2,首付时间透视表!A:B,2,0)

利用VLOOKUP拼接之后，首单时间同样显示为10位的时间戳，设置单元格格式后即可显示为上图的形式。

5.2 计算时间差

5.2.1 对付款时间和首单时间进行降采样

如按算法2进行计算，可直接省略此步骤。可能有看官老爷对重采样的概念并不是很清楚，简单说下：

• 将时间序列从一个频率转化为另外一个频率的过程即重采样
• 常见的时间频率由低到高依次为：年 -> 月 -> 日 -> 时 -> 分 -> 秒
• 将高频率转为低频率为降采样，将低频率转为高频率为升采样

在Excel当中可以使用分列或者时间相关函数(YEAR、MONTH、DAY等)方式来获取到对应的时间频率。我们使用YEAR和MONTH来对时间进行降采样，注意与字符串连接一定要用“&”号。

=YEAR(B2)&"/"&MONTH(B2)

5.2.2 计算时间差

此步骤中需要用到DATEDIF函数，此公式常用于计算两个日期之间的天数、月份、年数差，语法为：=DATEDIF(起始时间，结束时间，时间频率)，常用的时间频率参数有['Y','M','D']，分别对应年月日

=DATEDIF(E2,D2,"M")

5.2.3 重置月份差标签

修改透视表的标签并不方便，因此先重置月份差标签，需要用到一个IF函数便可。具体语法：=IF(条件，符合条件时的操作，不符合条件时的操作)

=IF(F2=0,"首月","+"&F2&"月")

5.3 计算同期留存量和留存率

如果是office 2013及之后的版本，以上的数据已经足够我们进行留存量的计算，可以直接跳过计算用户出现次数环节。

5.3.1 计算每月中每个用户出现的次数

这里利用COUNTIFS函数，计算出“用户昵称”和“付款时间(重采样)”均相同的次数，并取其倒数，让当月无论该用户出现多少次，最终都只会计算为一次。即假设用户当月付款5次，倒数后权重变为1/5，求和后出现次数为1。COUNTIFS的语法为：=COUNTIFS(区域A，条件A，区域B，条件B，....)

=COUNTIFS(A:A,A:A,D:D,D:D,E:E,E:E)
=1/H2

5.3.2 创建留存量数据透视表

针对wps及office2013以前的版本，我们已经计算了出现次数的倒数，只需要仿照前文“计算每个用户首单时间”的步骤创建数据透视表，以“首单时间重采样”作为行，以“月份差标签”作为列，以“出现次数(倒数)”作为值，并修改值字段设置中的计算类型为求和即可。而office 2013及之后的版本，我们在插入数据透视表时，需要注意勾选“将此数据添加到数据模型”

数据透视表 同样以“首单时间重采样”作为行，以“月份差标签”作为列，但不同的是，我们可以直接以“客户昵称”作为值，并在值字段设置当中，将计算类型设置为“非重复计数”。

到此，我们留存量的透视图便完成了，但格式看上去还是有点丑，我们手动拖动下行、列标签的排序，最终获得如下效果：

5.3.3 计算留存率

在值字段显示方式当中并没有找到我们想要的效果，因此我们在数据透视表下方选定一个区域，复制好行标签和列标签。通过公式“=C5/$B5”计算出留存率，并向右向下拖动公式便可完成注：

• B5为2019年9月的首月留存量，C5为2019年9月的+1月留存量
• 分母需要将B列锁定，否则在向右拖动公式时，分母会依次变为D5、E5

完美符合我们预期的结果！Excel版本的实现就到这里便完成，接下来是门槛稍微高一

亿点点的MySQL实现。

六、MySQL实现

MySQL的实现路径与Excel的实现路径非常相近，具体步骤为：

1. 导入数据
2. 清洗数据：筛选订单状态为“交易成功”的行
3. 获取首单时间
4. 求月份偏移：求出月份差，并对首付时间降采样
5. 计算留存量：通过首付时间和月份差进行分组，求唯一的用户id数
6. 求留存率

6.1 导入数据

目前的数据的保存格式为xlsx，我们需要先将数据导入到数据库当中才能执行查询。第一步选择一个库，右键选择导入向导。

第二步选择导入类型，我们直接选择Excel文件即可。

第三步为选择数据源的路径，我们找到对应的数据后，勾选需要导入的表。

完成前文的操作之后便可以点击“>>”跳转至最后的步骤，当然中间还有几个调整数据的步骤，但此次数据十分工整，不需要进行额外操作。到达下图的界面，我们按照指引直接点击“开始”即可，如导入成功，会在日志栏中显示Finished successfully，如下图所示。

6.2 数据清洗

照旧先筛选出订单状态为交易成功的行，并提取用户昵称、付款时间两个字段。这里我们稍微修改了列名，把`用户昵称`修改成`c_id`，`付款时间`修改为`paytime`，`交易状态`修改成了`status`。我们后续的查询都是基于筛选后的数据，因此这里新建一个表sheet2去存储查询结果。

-- 步骤一：筛选订单状态为”交易成功“的行，并输出表sheet2：用户昵称[c_id]、付款时间[paytime]CREATE table sheet2 asSELECT c_id,paytimeFROM sheet1WHERE `status`='交易成功';

6.3 计算首单时间

此步骤只需要对用户昵称进行groupby，再求最小值即可，不多赘述。

-- 步骤二：找出每个用户的首单时间SELECT c_id,min(paytime) f_timeFROM sheet2GROUP BY c_id;

6.4 计算月份差，重采样首付时间

此步骤中会涉及到两个重要的函数：

1. 与Excel类似，MySQL对时间戳重采样也是用YEAR()、MONTH()等函数
2. 用于计算日期差的TIMESTAMPDIFF，具体语法为TIMESTAMPDIFF(频率，起始时间，结束时间)

当然在计算月份差之前，需要以用户名称作为依据，拼接用户的首单时间。但由于数据量较大，拼接需要重复遍历整个表很多遍，耗时很长。而当前查询的结果并不是最终结果，我们只需要确保查询语句没有问题即可。因此我们引入分页查询(LIMIT语句)来限制查询结果的行数，从而提高查询效率。

-- 步骤三：求出月份差，对首付时间进行重采样SELECT 
 a.c_id,
 b.f_time,TIMESTAMPDIFF(MONTH,b.f_time,a.paytime) m_diff,CONCAT(YEAR(b.f_time),"年",MONTH(b.f_time),"月") y_mFROM sheet2 aLEFT JOIN (SELECT c_id,min(paytime) f_timeFROM sheet2GROUP BY c_id--  LIMIT测试时用，为了提升效率LIMIT 0,7000
) b on a.c_id=b.c_id-- 同样是为了提升效率而使用WHERE b.f_time is NOT NULL;

6.5 计算留存量

我们只需要将前面的三个步骤作为子查询，并以`首单时间`以及`月份差`作为条件对数据进行分组，用DISTINCT筛选出唯一的`用户ID`即可求出我们所需的留存量。这里创建一个名为cohort的表储存查询结果。

-- 步骤四：通过首付时间和月份差进行分组，求出唯一的用户id数,并输出为表[cohort]CREATE table cohort asSELECT c.y_m "首付月份",c.m_diff"月份差",COUNT(DISTINCT c.c_id) "留存量"FROM (SELECT 
 a.c_id,
 b.f_time,TIMESTAMPDIFF(MONTH,b.f_time,a.paytime) m_diff,CONCAT(YEAR(b.f_time),"年",MONTH(b.f_time),"月") y_mfrom sheet2 aLEFT JOIN (SELECT c_id,min(paytime) f_timeFROM sheet2GROUP BY c_id
) b on a.c_id=b.c_id-- 为了提升效率而使用WHERE b.f_time is NOT NULL
) cGROUP BY c.y_m,c.m_diff;

查询结果如下。相比于步骤三，我们这里删除了用于分页查询的LIMIT语句，但依然保留了WHERE b.f_time is NOT NULL。这里的where语句并没有筛选任何一行，但有无这一句的查询效率相差非常大，分别为0.739s和125.649s。这里涉及到SQL优化的问题，有机会以后专门整理一篇文章分享给各位。

6.6 计算留存率

我们有了留存量的表格，计算留存率便非常容易，只要让每一期的留存率都除以首月的留存率即可。

-- 步骤五：计算留存率(基础版)SELECT c.`首付月份`,CONCAT(ROUND((c.`留存量`/m.`留存量`)*100,2),"%") 留存率FROM cohort cLEFT JOIN (SELECT 首付月份,留存量FROM cohortwhere `月份差`=0
) m on c.`首付月份`=m.`首付月份`;

留存率结果如上图，但结果并不利于观察和分析，因此接下来的进阶版将通过case when语句，加入亿点细节来优化下展示格式。

-- 步骤五：计算留存率(进阶版)SELECT 
 n.`首付月份`,AVG(n.`留存量`) "本月新增",CONCAT(sum(n.`+1月`),"%") "+1月",CONCAT(sum(n.`+2月`),"%") "+2月",CONCAT(sum(n.`+3月`),"%") "+3月",CONCAT(sum(n.`+4月`),"%") "+4月",CONCAT(sum(n.`+5月`),"%") "+5月"FROM(# 一级子查询：转置表格，将月份差作为列名SELECT 
  a.`首付月份`,
  a.`留存量`,CASE a.`月份差` when 1 THEN a.`留存率` ELSE 0 END "+1月",CASE a.`月份差` when 2 THEN a.`留存率` ELSE 0 END "+2月",CASE a.`月份差` when 3 THEN a.`留存率` ELSE 0 END "+3月",CASE a.`月份差` when 4 THEN a.`留存率` ELSE 0 END "+4月",CASE a.`月份差` when 5 THEN a.`留存率` ELSE 0 END "+5月"FROM(# 二级子查询：计算留存率SELECT a.`首付月份`,b.`留存量`,a.`月份差`,ROUND((a.`留存量`/b.`留存量`)*100,2) 留存率FROM cohort aLEFT JOIN (# 三级子查询：查询首月用户量SELECT `首付月份`,`留存量`FROM cohortWHERE cohort.`月份差`=0
 ) bon a.`首付月份`=b.`首付月份`
 ) a
) nGROUP BY n.`首付月份`;

正如“分析方法确定”环节中提及，Excel中通过自然月去划分月份的偏移量，而MySQL中则直接将付款时间和首单时间相减。我们使用的TIMESTAMPDIFF函数的逻辑为结束日期的DAY参数大于等于起始日期的DAY参数时，月份差才会+N。即：

• 起始日期为9月30日，终止日期大于等于10月30日时，月份差才不为0。
• 起始日期为10月31日，终止日期大于等于12月1日时，月份差才不为0。
• 起始日期为1月30或31日，终止日期大于等于3月1日时，月份差才不为0，平/闰年一样。

对比可知，算法1中留存率会出现小幅度的回升，但在算法2则随时间增加而递减。由此可知，不同的计算标准对结果影响非常大，可能会造成误判，因此

数据分析中确认标准非常重要。

七、Python实现

作为压轴，肯定是路子野、效率高、操作骚的Python。得益于pandas强大的分组功能及非常多的奇技淫巧，Python的实现相比于Excel或MySQL会更加简单，但实现路径会比较抽象，需要注入一点想象力。按惯例先盘实现思路：

1. 数据清洗：删除订单状态为”交易失败“的行
2. 拼接首单时间：计算每个用户首单时间，并拼接为新的dataframe
3. 求留存量：对数据分组，并求唯一的客户昵称数
4. 求留存率：用首月留存量除整个留存量的dataframe

7.1 数据清洗

此步骤只需要调用drop函数即可完成删除，难度不大，核心是找到订单状态为“交易失败”的所在行的行索引。

df.drop(index=df[df['订单状态'] == '交易失败'].index, axis=1, inplace=True)

7.2 拼接首单时间

调用分组聚合函数groupby以及数据拼接函数merge便能完成我们的需求，都是常规操作

df_f = df.groupby(by='客户昵称')['付款时间'].min().to_frame(name='首单时间')
df_f.reset_index(inplace=True)# 合并新的dataframe，包含客户昵称，付款时间，首单时间
df_f = df[['客户昵称', '付款时间']].merge(df_f)

7.3 计算留存量

接下来就是见证骚操作的时刻了。在pandas的分组聚合当中，对时间戳进行重采样不要太简单，只需要修改freq参数即可。核心思路：

• 利用groupby函数对首单时间和付款时间进行分组，获得复合索引的series
• 利用pd.Grouper对首单时间和付款时间进行重采样
• 利用nunique函数求不重复值个数
• 利用unstack函数将复合索引的series转为dataframe

# 通过首单时间及付款时间进行分组，获得每个时间段的不重复客户数量
df_f = df_f.groupby(by=[pd.Grouper(key='首单时间', freq='m'), pd.Grouper(key='付款时间', freq='m')])['客户昵称'].nunique()# 将复合索引的series转置为dataframe
df_f = df_f.unstack()

获得的结果如上图。如果有看Excel或MySQL实现方式的看官可能有会有疑问，为什么python不用计算月份差而其他两种需要。那是因为这种分组方式，首月用户量都分布在表格的对角线上，在Excel的数据透视表或者MySQL当中，等差地移动单元格并不是一件容易的事，但对于Python来说，不过是一个for循环。

for i in range(len(df_f.index)):
 df_f.iloc[i] = df_f.iloc[i].shift(periods=-i)# 重置columns
df_f.columns = ['本月新增', '+1月', '+2月', '+3月', '+4月', '+5月']

shift函数常用于移动dataframe或series，具体参数如下：

• axis：针对dataframe：{0:"向下移动" , 1:"向右移动"}，针对series：向下移动
• periods：移动的步长，当periods为负时，向上/左移动
• fill_value：补充NaN的值

得到如下结果

7.4 计算留存率

尽管pandas非常强大，但此步骤中，如通过df_f/df_f[‘首月’]计算，结果是全为NaN的dataframe。不过我们可以使用apply函数遍历dataframe来实现。

df_1 = df_f.apply(count_per, axis=0, args=(df_f['本月新增'],))
df_1['本月新增']=df_f['本月新增']def count_per(s, dx):
    a=[f'{i}%' if str(i)!='nan' else 0 for i in round((s / dx) * 100, 2)]return a

作为pandas中最好用的函数之一，apply的详细用法各位参考官方文档即可，这里仅提三点注意事项：

1. 在apply中调用的函数不需要加括号，仅提供函数名即可
2. 向apply调用的函数传递变量，只需赋值给args，如果仅传递一个变量，要在变量后加上 “，”号
3. 调用的函数当中第0个参数由self提供，从第一个变量开始才是args中的变量，即上面函数中，dx对应的是df_f['本月新增']

获得结果如下，完美完成任务：

八、复盘总结

先回顾下同期群分析的重点

• 同期群分析指将用户进行同期群划分后，对比不同同期群组用户的相同指标的分析方法
• 同期群分析是产品数据分析的核心，能细致地监控用户行为，衡量用户价值
• 时间的划分标准对分析结果影响很大，确定标准非常重要

最后总结下本次ESP实现方式中分别涉及到的重要知识点工具重要知识点

Excel	- 数据透视表 - VLOOKUP函数 - 时间重采样函数：YEAR、MONTH - 时间差函数：DATEDIF - 条件函数：IF、COUNTIFS
MySQL	- 时间重采样函数：YEAR、MONTH - 时间差函数：TIMESTAMPDIFF - 流程控制函数：CASE WHEN
Python	- 分组api：pd.Grouper() - 不重复计数：nunique() - 元素移动：shift() - apply()

那么本次的分享到这里便结束了。 至于同期群分析如何应用到实际业务问题中，我们留到下一篇商业分析实战再详细讲解。 ( 如果写出来的话，一定不会鸽，一定不会~鸽！ )

参考资料

1. Python数据分析实战 | 经典的同期群分析(附实战数据和代码)
2. 数据分析里经常听到的同期群，到底是个啥？