# iGaming 留存群组分析（Cohort）实操指南

教你为在线赌场和体育博彩搭建并解读留存群组分析：群组类型、带数字的算例表、按群组看 NGR 与流失，以及如何用群组和对照组公平评判 CRM 活动效果。

留存群组分析追踪从同一起点出发的玩家群组，例如在同一周首存的所有玩家，并显示其中有多少人在之后每一周仍然活跃。它是判断玩家库是越来越黏还是漏得越来越快的最直接方法，也是公平评判 CRM 改动是否有效的方法。

混合的月留存率，把第一周的玩家与第三年的玩家混在一起。即使行为没变，获客结构一变，这个数字也会变。群组表固定了账龄，让你比较的是同样账龄的玩家。

本指南涵盖：赌场和体育博彩中重要的群组类型、搭建并使用群组表的六个步骤、会导致错误结论的常见错误，以及在对任何群组采取行动之前必须应用的排除过滤。

## 群组类型：获客群组与行为群组

群组是共享同一个起始事件、并随时间被追踪的一组玩家。Amplitude 将其定义为具有共同特征的一组用户。群组有三个部分：锚点事件、时间桶（日、周或月）和留存事件，后者定义了什么算"回来"。

群组不是细分群体。群组按某件事发生的时间来定义，并向后追踪。细分群体按玩家现在是谁来定义：VIP 等级、偏好品类、支付方式。两者结合起来效果很好。

### 获客群组

获客群组按玩家何时或通过什么进入来分组。

- 注册日期。用于"注册到首存"的漏斗和引导环节。
- 首存（FTD）日期。用于留存和收入，因为它去掉了从未成为客户的注册。
- 渠道或活动。联盟、付费搜索、自然流量、合作伙伴或欢迎优惠。它显示哪个来源带来的玩家会留下。

### 行为群组

行为群组按玩家在某个明确的早期窗口内做过什么来分组。Amplitude 把它们描述为以特定方式使用产品的用户。iGaming 中的例子：

- 首存后七天内完成二存的玩家。
- 以老虎机、真人赌场或体育博彩起步的玩家。
- 领取了欢迎奖金的玩家和拒绝领取的玩家。
- 首存金额位于前四分之一的玩家和位于后四分之一的玩家。

行为群组是在行为发生之后才形成的，所以显示的是关联，而不是因果。早早二存的玩家，可能只是本来就更投入。把结果当作待检验的假设。如果早期二存的玩家留存好得多，说明二存这个时刻值得设计专门的旅程，见[玩家生命周期管理](/blog/player-lifecycle-management/)。

## 1. 固定定义

写下三件事，并保持稳定。

1. 锚点：以一个约定的时区计算的首存日期。
2. 活动：一笔真钱投注或存款。登录会把只看一眼就走的玩家也算进来。要决定仅使用奖金的游戏如何计算。
3. 窗口：前两周用日桶，之后用周桶。

然后在 N 日留存和无界留存之间选择。Amplitude 说明，N 日留存只统计在确切的那一天回来的用户；无界留存统计在那一天或之后任何一天回来的用户，所以数值相等或更高。Amplitude 建议每日使用的产品用 N 日留存，偶尔使用就属正常的产品用无界留存。很多体育博彩玩家跟着赛事走，并不是每周都玩。无界或按周"第 N 周活跃"的定义通常更适合他们。每张图上都要标明所做的选择。

Mixpanel 补充了两条规则。留存统计的是用户，不是事件。不完整的时间桶会被标记，因为其数据仍在变化。

## 2. 提取数据

每位玩家一行。

- 玩家 ID，与你的 CRM 和 PAM 使用的一致
- FTD 日期
- 符合条件的活动日期或周
- 各周期的存款和 NGR（如果要把表延伸到收入）
- 用于切分的渠道、国家、首个产品和奖金标记

## 3. 按群组和账龄计数

对每个群组，统计锚点之后每一周活跃的玩家数，再除以群组规模。第 0 周是锚点周，当活动为首存时等于 100%。

下面是按周 FTD 群组的最简 SQL 示意（请按你的数据仓库方言调整）：

```sql
WITH ftd AS (
  SELECT player_id, DATE_TRUNC('week', MIN(deposit_ts)) AS cohort_week
  FROM deposits
  GROUP BY player_id
),
activity AS (
  SELECT DISTINCT player_id, DATE_TRUNC('week', bet_ts) AS active_week
  FROM bets
)
SELECT
  f.cohort_week,
  DATEDIFF('week', f.cohort_week, a.active_week) AS week_n,
  COUNT(DISTINCT a.player_id) AS active_players
FROM ftd f
JOIN activity a ON a.player_id = f.player_id
GROUP BY 1, 2
ORDER BY 1, 2;
```

把每个 `week_n` 的 `active_players` 除以同一群组第 0 周的人数。Excel 或 Sheets 的数据透视表也能得到同样的结果：行是群组周，列是 FTD 之后的周数，值是去重玩家数。

## 4. 解读群组表



**示例。** 一家在线赌场查看按周划分的 FTD 群组。留存指第 N 周至少有一笔真钱投注。



| FTD 群组 | 玩家数 | 第 1 周 | 第 2 周 | 第 4 周 | 第 8 周 |
|---|---|---|---|---|---|
| 10 月 6 日当周 | 1,200 | 41% | 29% | 21% | 14% |
| 10 月 13 日当周 | 1,350 | 40% | 28% | 20% | 13% |
| 10 月 20 日当周 | 1,100 | 43% | 31% | 23% | 15% |
| 10 月 27 日当周 | 1,500 | 36% | 24% | 17% | 尚未成熟 |
| 11 月 3 日当周 | 1,400 | 38% | 26% | 尚未成熟 | 尚未成熟 |

从两个方向读。

横着读一行，看一个群组随账龄变化。10 月 6 日群组在第 1 周留住 41% 的玩家，之后是 29%、21% 和 14%。先陡降、后平缓的长尾，是常见的形状。

竖着读一列，在相同账龄下比较各个群组。第 1 周留存依次是 41%、40%、43%，然后是 36%。10 月 27 日群组在所有能观察到的账龄上都更差。这个群组出了变化，而混合的月数字看不出来。

**各 FTD 群组的第 1 周留存**

- 10 月 6 日当周: 41%
- 10 月 13 日当周: 40%
- 10 月 20 日当周: 43%
- 10 月 27 日当周: 36%
- 11 月 3 日当周: 38%

接着问：10 月 27 日那一周有什么不同？检查获客结构（是不是来了一批质量差的联盟流量？）、欢迎优惠、支付或 KYC 问题，以及竞争对手的活动。群组表告诉你该往哪里看，而不是原因。

标为"尚未成熟"的单元格还没有足够时间成熟。把不完整的一周当作最终结果来读，会低估留存。Mixpanel 出于同样的原因，把不完整的时间桶排除在加权平均之外。

### 按列着色

按列应用色阶，这样第 8 周的单元格是与其他第 8 周的单元格比较。Mixpanel 的着色相对于每个群组所在的行，显示每个群组的衰减形状。按列着色显示的是哪些群组在相同账龄下更好或更差，这通常正是 CRM 负责人要问的问题。选一种，并说明是哪种。

### 识别四种曲线形态

每个群组画一条线，横轴是账龄，纵轴是留存百分比。

- 早期陡降，长尾平缓。这是正常的。问题在于平台期有多高。
- 曲线持续下降，没有平台期。产品或旅程没有养成习惯。
- 在某个特定账龄出现隆起。通常是计划中的事件：二存奖金到期、每周促销、联赛开赛。查看 CRM 日历。
- 新群组低于旧群组。获客质量下降，或体验变差。先查获客结构。

用前面的列（第 1 周和第 2 周）评判引导环节，用后面的列（第 8 周起）评判习惯。奖金可能抬高早期留存，之后又衰减，所以两者都要看。

## 5. 把表延伸到 NGR

留存显示谁还在，但不显示他们是否值得留住。两个群组可以有相同的第 4 周留存，价值却相差很大，比如其中一个靠奖金驱动、净收入很低。

使用每个获客玩家自 FTD 起按周累计的 NGR。为什么用 NGR 而不是 GGR，见 [NGR 与 GGR](/blog/ngr-vs-ggr/)。



**示例。** 同一家赌场，人均累计 NGR，单位为欧元。



| FTD 群组 | 第 1 周 | 第 4 周 | 第 8 周 | 第 12 周 |
|---|---|---|---|---|
| 自然流量与 CRM | €14 | €31 | €44 | €53 |
| 联盟 A（重奖金） | €6 | €12 | €15 | €16 |
| 付费搜索 | €11 | €24 | €33 | €39 |

**第 12 周的人均累计 NGR**

- 自然流量与 CRM: €53
- 付费搜索: €39
- 联盟 A，重奖金: €16

看每条曲线是否仍在上升，还是已经走平。联盟 A 到第 8 周就走平了。它带来的玩家不再产生净收入。这需要和该渠道谈回收期，而如果只比较第 1 周的存款，这一点是看不到的。

用累计 NGR 除以获客成本，得到每个渠道的回收曲线。[活动经济性计算器](/tools/campaign-economics-calculator/)可以按 12 个月测算玩家群组的 NGR、ROMI 和回收期。

### 反向读表看流失

流失群组分析就是把同一张表反过来读。看每个账龄阶段流失的比例，找出哪些群组流失玩家更早。先定义流失：30 天不活跃的阈值，和 90 天会给出不同的答案。阈值见[玩家流失指南](/blog/player-churn-igaming/)。

找到高流失群组之后，按首个产品、存款额和奖金使用情况进一步拆分。检查从注册到 FTD、从 FTD 到二存的时间。查看头两周内的客服联系、提款延迟和验证阻碍。结果是一份按严重程度排序的玩家流失点清单，可用于留存工作和[召回活动](/blog/player-reactivation-campaigns/)。

## 6. 用群组评判 CRM 活动

CRM 团队不断上线活动。常见的诱惑是拿活动之后的时期与之前的时期比较。这会把活动效果与季节性、获客变化和产品发布混在一起。请改用下面的流程。

1. 先固定受众。受众在某个日期按规则划定，之后不再改变。否则自己回来的玩家也会被算成活动的成绩。
2. 设立对照组。同一批受众中随机一部分什么都不收到，或收到之前的标准处理。Gamble Grip 的每个合作都从一个固定群组、一次受控的召回活动和一套约定的衡量方法开始。
3. 两组使用相同的留存定义和窗口。报告 NGR，而不只是存款或奖金兑换。
4. 看差距，不看水平。在每个账龄比较实验组减去对照组，并检查激励结束后差距是持续还是消退。
5. 检查蚕食。如果活动把本来就会发生的存款提前了，实验组后面的列会降到对照组以下。

无法做到干净对照时，用可比的更早群组作为基线，并把结果称为估算。

同样的逻辑适用于欢迎旅程的改动。比较改动前后的 FTD 群组，可能的话配合对照组。看二存率、第 1 周留存和第 8 周 NGR，而不只是首存转化。

Gamble Grip 公布的活动结果是实验组的数字。2026 年 10 月，其在土耳其的收入分成活动带来 $2,378,075 的存款和 $246,707 的客户 NGR。对照组或基线显示其中有多少是活动带来的。分市场结果见[活动结果页面](/campaign-records/)。

## 常见错误

- 混用账龄：拿 3 周的群组与 12 周的群组比较。
- 把未成熟的单元格当作最终结果。不完整的一周看起来像流失。
- 用登录作为活动。它会高估参与度，并掩盖收入衰减。
- 只以注册为锚点。未存款的玩家会拉平每一个比率。
- 群组太小。合并几周或放宽时间桶。
- 忽视获客结构。一个 60% 是追奖金联盟玩家的群组，即使 CRM 没有任何变化，看起来也会比自然流量群组差。
- 中途更改定义。如果"活跃"的定义在 3 月变了，就重新开始计一个序列。
- 把行为群组当作因果。使用某个功能的玩家留存更好，并不意味着推动该功能就能改善留存。
- 忽视身份一致性。如果 CRM、钱包和 PAM 使用不同的玩家 ID，一个系统的群组无法与另一个系统的收入对账。

## 哪些玩家不进入群组行动

群组分析会找出要联系的玩家，所以先做过滤。排除已自我排除的玩家、已退出营销的玩家，以及被负责任博彩团队或负担能力复核标记的任何人。依据群组流失情况建触发条件之前，先核对该渠道的同意依据，并在发送时再次核对排除名单。

## 在信任群组报表之前

大多数运营商从 PAM 或 CRM 的群组视图、数据仓库上的 BI 工具或电子表格的透视表入手。工具本身没有定义重要。它必须能建立以 FTD 为锚点的群组，关联 NGR，按渠道和产品切分，并导出与固定受众绑定的玩家名单。



- 锚点事件和活动定义已写明
- 未成熟的单元格已标注
- 玩家 ID 在 CRM、PAM 和钱包之间一致
- 同一群组的 NGR 可以与财务对账
- 已应用排除规则（自我排除、已退出、被标记）
- 任何活动都已定义对照组或基线

## FAQ

### 什么是留存群组分析？

留存群组分析把玩家按共同的起点分组，例如首存所在的那一周，再追踪每组中仍然活跃的玩家在之后各个周期的占比。它用相同账龄的组间对比，取代单一的混合留存数字。

### 群组和细分群体有什么区别？

群组按玩家身上某件事发生的时间来定义，通常是注册或首存，并随时间向后追踪。细分群体按玩家现在是谁、在做什么来定义，例如 VIP 等级或偏好的品类。两者可以叠加，例如在 3 月首存群组中再看以老虎机起步的玩家。

### 群组应以注册日期还是首存日期为起点？

收入和 CRM 决策使用首存（FTD）。从未存款的注册没有 NGR，还会拉低每一个留存率。另建一个注册群组，专门衡量从注册到 FTD 的转化。

### 群组表多久刷新一次？

每周刷新。长期列（第 8 周到第 26 周）和人均 NGR 每月复盘。对尚未成熟的单元格要标注出来，不要当作最终结果来读。

### 一个群组需要多少玩家？

要足够多，使得少数几名玩家不会让一个单元格波动好几个百分点。若会，就合并几周，或放宽群组的时间窗口。所需规模取决于留存率和你想检测的差异大小。

### 群组分析能证明 CRM 活动有效吗？

只有在公平对比的前提下才行。更早的群组在季节、获客结构和产品上都不同，所以两者的差距并不说明因果。同期随机留出的对照组，才能把活动效果与背景变化分开。