Cohort Analysis là gì? Cách phân tích hành vi khách hàng theo nhóm

Cohort analysis (phân tích nhóm thuần tập) là cách nhóm khách hàng theo thời điểm họ cùng trải qua một sự kiện — thường là lần mua đầu tiên hoặc lần đăng ký — rồi theo dõi hành vi của từng nhóm qua thời gian. Thay vì hỏi “tháng này bao nhiêu khách quay lại”, bạn hỏi “trong số khách mua lần đầu tháng 1, bao nhiêu người mua lại sau 30 ngày, 60 ngày, 90 ngày — và so với khách tháng 2 thì sao”.

Con số tổng dễ đánh lừa: một đợt quảng cáo lớn kéo nhiều khách mới vào có thể làm doanh thu tăng trong khi khách cũ đang rời đi. Cohort analysis tách hai chuyện đó ra, nên nó là công cụ nền cho retention marketing và cho việc ước tính giá trị vòng đời khách hàng.

Các loại cohort thường dùng

Cohort khác với phân khúc khách hàng: phân khúc nhóm theo đặc điểm (độ tuổi, nhu cầu, giá trị), còn cohort nhóm theo thời điểm bắt đầu để so sánh cùng “tuổi” quan hệ. Hai cách bổ sung cho nhau: có thể dựng cohort riêng cho từng phân khúc.

Dữ liệu cần chuẩn bị

• Mã khách hàng ổn định: số điện thoại, mã thành viên hoặc tài khoản — để nhận ra cùng một người ở lần mua sau. Khách mua lẻ không để lại thông tin thì không đưa vào cohort được.
• Lịch sử giao dịch: mỗi đơn có mã khách, ngày, giá trị, trạng thái (đã huỷ, hoàn trả).
• Thông tin kèm theo nếu cần: kênh mang khách về lần đầu, sản phẩm lần đầu, mã ưu đãi đã dùng.
• Khoảng thời gian đủ dài: ít nhất vài chu kỳ mua bình thường của ngành bạn.

Đây là dữ liệu bên thứ nhất và là dữ liệu cá nhân. Chỉ thu thập đúng mục đích đã thông báo, giới hạn người được xem, và tham khảo quy định về bảo vệ dữ liệu cá nhân như Nghị định 13/2023/NĐ-CP. Khi phân tích, nên dùng mã khách thay vì tên và số điện thoại đầy đủ.

Quy trình phân tích cohort 6 bước

Bước 1. Chọn sự kiện tạo cohort

Sự kiện tạo cohort là mốc bắt đầu tính “tuổi” của khách: lần mua đầu tiên với shop online, lần đầu đến spa, ngày ghi danh khoá học với trung tâm tiếng Anh, ngày đăng ký dùng thử với công ty phần mềm B2B nhỏ. Chọn sự kiện gắn với quan hệ kinh doanh thật, không phải một lượt xem trang. Nếu dữ liệu đến từ website và GA4, cần hiểu sự kiện được ghi nhận thế nào — tài liệu về sự kiện trong Google Analytics giải thích các loại sự kiện; GA4 cũng có kỹ thuật khám phá cohort trong phần Khám phá.

Bước 2. Chọn đơn vị thời gian

Đơn vị thời gian phải hợp với chu kỳ mua. Quán cà phê có khách quay lại hằng tuần thì nhóm theo tuần; shop cà phê hạt, mỹ phẩm mua lại vài tuần một lần thì nhóm theo tháng; phòng khám nha với lịch tái khám dài thì có thể nhóm theo quý. Đơn vị quá ngắn làm mỗi ô có quá ít khách; quá dài thì phát hiện vấn đề chậm.

Bước 3. Định nghĩa hành vi quay lại

Viết rõ “quay lại” là gì: có ít nhất một đơn mới không bị huỷ; đến ít nhất một buổi trị liệu; gia hạn khoá học; còn đăng nhập và dùng tính năng chính. Quyết định thêm: tính theo tỷ lệ khách còn hoạt động hay theo doanh thu của cohort. Hai cách cho hai bức tranh khác nhau — một nhóm ít khách quay lại nhưng mỗi người mua nhiều vẫn có thể giá trị.

Bước 4. Tạo ma trận theo tuổi cohort

Ma trận cohort là bảng mỗi hàng là một cohort (ví dụ khách mua lần đầu tháng 1), mỗi cột là tuổi cohort (tháng thứ 1, thứ 2, thứ 3 sau lần đầu), mỗi ô là tỷ lệ khách của cohort đó còn quay lại ở tuổi đó. Đọc theo cột để so các cohort cùng tuổi; đọc theo hàng để thấy một cohort giảm dần thế nào. Làm được bằng bảng tính với bảng tổng hợp; không cần công cụ phức tạp để bắt đầu.

Bước 5. So sánh thay đổi sản phẩm và kênh

Giá trị thật của cohort là so sánh trước và sau một thay đổi: đổi bao bì, thêm chương trình khách thân thiết, đổi kênh quảng cáo, chạy đợt giảm giá sâu. Đánh dấu thời điểm thay đổi lên ma trận rồi xem cohort sau thay đổi có khác cohort trước không. Lưu ý đây là so sánh quan sát, không phải thử nghiệm — cohort tháng Tết khác cohort tháng thường vì nhiều lý do cùng lúc. Nếu cần kết luận nhân quả, hãy thiết kế thử nghiệm có nhóm đối chứng như trong bài incrementality marketing.

Bước 6. Kiểm tra quy mô mẫu

Doanh nghiệp nhỏ thường có cohort chỉ vài chục khách. Khi cohort có 20 khách, 6 người quay lại là 30%, 4 người là 20% — chênh 10 điểm phần trăm chỉ vì 2 người. Luôn hiển thị số khách bên cạnh tỷ lệ, gộp cohort (theo quý thay vì theo tháng) nếu mẫu quá nhỏ, và chỉ kết luận khi xu hướng lặp lại qua nhiều cohort. Ô ở cuối mỗi hàng chưa đủ thời gian thì để trống, đừng đọc là 0%.

Ví dụ thực hành: shop cà phê hạt online

Ví dụ giả định: một shop bán cà phê hạt rang xay online dựng ma trận cohort theo tháng mua đầu. Tháng 3 shop chạy đợt giảm giá 40% cho khách mới.

Đọc theo cột tháng thứ 1: cohort tháng 3 có số khách gấp đôi nhưng tỷ lệ quay lại chỉ khoảng một nửa các tháng khác. Tổng doanh thu tháng 3 tăng, nhưng nhiều khách chỉ đến vì giá. Câu hỏi tiếp theo cho shop: có nên giảm mức ưu đãi, chuyển sang ưu đãi cho lần mua thứ hai, hay nhắm vào nhóm khách phù hợp hơn. Kết hợp với phân tích phễu để xem khách rơi ở đâu trước lần mua đầu.

AI làm được gì, không làm được gì

Cẩn thận khi dán danh sách khách có thông tin cá nhân vào công cụ AI công cộng. Chỉ đưa số liệu đã tổng hợp theo cohort — số khách, tỷ lệ — là đủ để AI giúp đọc xu hướng.

Sai lầm thường gặp

• Chỉ nhìn tỷ lệ quay lại tổng mà không tách theo thời điểm bắt đầu.
• Không có mã khách ổn định, đếm một người thành nhiều khách.
• Đọc ô chưa đủ thời gian là 0%.
• Kết luận từ cohort vài chục khách mà không xem số khách.
• Coi chênh lệch giữa cohort là nhân quả khi nhiều thứ cùng thay đổi.
• Chọn đơn vị thời gian lệch chu kỳ mua của ngành.

Câu hỏi thường gặp