Cohort Analysis คืออะไร? คำจำกัดความ ตัวอย่าง และวิธีทำ (2026)

การวิเคราะห์กลุ่มประชากรตามรุ่น (Cohort analysis) จะจัดกลุ่มผู้ใช้งานตามช่วงเวลาที่พวกเขาเริ่มต้นใช้งาน จากนั้นจึงติดตามพฤติกรรมของแต่ละกลุ่มแยกกันไปตามเวลา แทนที่จะดูตัวเลขรวมเฉลี่ยของผู้ใช้ทั้งหมด คุณจะได้เส้นกราฟหนึ่งเส้นต่อหนึ่งเดือนที่เริ่มต้นใช้งาน การแยกข้อมูลเช่นนี้คือหัวใจสำคัญ เพราะมันช่วยให้เห็นว่าผลิตภัณฑ์กำลังดีขึ้นหรือแย่ลงสำหรับผู้ใช้ที่เพิ่งเข้ามาใหม่

คู่มือนี้จะอธิบายถึงคำจำกัดความ เหตุผลที่ค่าเฉลี่ยรวมอาจทำให้เข้าใจผิด และวิธีอ่านตารางสามเหลี่ยม นอกจากนี้ยังครอบคลุมถึงประเภทหลักสองประเภทของ Cohort และข้อผิดพลาดที่ทำให้รายงาน Cohort คลาดเคลื่อน

การวิเคราะห์ Cohort คืออะไร?

Cohort คือกลุ่มคนที่มีเหตุการณ์เริ่มต้นร่วมกันในช่วงเวลาเดียวกัน เช่น ทุกคนที่ลงทะเบียนใช้งานในเดือนมีนาคมคือ Cohort เดือนมีนาคม และทุกคนที่ซื้อสินค้าครั้งแรกใน Q2 คือ Cohort ไตรมาสที่ 2 (Q2)

การวิเคราะห์ Cohort จะวัดผลแต่ละกลุ่มด้วยเกณฑ์เวลาเดียวกัน ไม่ใช่การเปรียบเทียบตามปฏิทินอย่าง "มีนาคม 2026 เทียบกับ เมษายน 2026" แต่เป็นการเปรียบเทียบ "เดือนแรก เทียบกับ เดือนที่สอง" นับจากวันที่เริ่มต้นของแต่ละกลุ่ม การปรับมุมมองเช่นนี้ช่วยให้การเปรียบเทียบมีความเป็นธรรมและแม่นยำขึ้น

ผลลัพธ์ที่ได้มักจะแสดงในรูปแบบตารางสามเหลี่ยม โดยแถวแนวนอนคือกลุ่ม Cohort เรียงตามลำดับเวลาที่เริ่มต้น ส่วนคอลัมน์แนวตั้งคือระยะเวลาที่ผ่านพ้นไปนับจากจุดเริ่มต้น รูปทรงสามเหลี่ยมเกิดขึ้นเนื่องจาก Cohort ล่าสุดเพิ่งเดินทางมาถึงเดือนแรก ในขณะที่ Cohort เก่าแก่ที่สุดมีข้อมูลสะสมมาอย่างยาวนานจนสุดตาราง

ทำไมค่าเฉลี่ยรวมจึงซ่อนปัญหาเอาไว้

และนี่คือสถานการณ์ที่การวิเคราะห์ Cohort ถูกออกแบบมาเพื่อตรวจจับโดยเฉพาะ

Cohort	ผู้ใช้งาน	อัตราการคงอยู่เดือนที่ 1	อัตราการคงอยู่เดือนที่ 3
มกราคม	1,000	45%	28%
กุมภาพันธ์	1,600	41%	25%
มีนาคม	2,400	36%	21%
เมษายน	3,600	30%	—

จากตัวอย่างนี้ จำนวนผู้ใช้งานที่แอคทีฟทั้งหมดเติบโตขึ้นทุกเดือน แดชบอร์ดที่ติดตามผู้ใช้งานรายเดือนจะดูสวยงามมาก แต่การเติบโตนี้กำลังบดบังความจริงที่ว่า ผลิตภัณฑ์กำลังรักษาผู้ใช้งานกลุ่มใหม่ได้แย่ลงเรื่อยๆ เมื่อเทียบกับกลุ่มก่อนหน้า

ตัวเลขอัตราการคงอยู่แบบรวมก็ซ่อนปัญหานี้ไว้ด้วยเหตุผลเดียวกัน เนื่องจากค่าเฉลี่ยของแต่ละเดือนจะถูกดึงโดย Cohort ที่มีขนาดใหญ่ที่สุด ซึ่ง Cohort ที่ใหญ่ที่สุดก็มักจะเป็นกลุ่มที่ใหม่ที่สุดเสมอ คุณไม่สามารถมองเห็นแนวโน้มที่แท้จริงได้จากตัวเลขที่องค์ประกอบภายในเปลี่ยนแปลงอยู่ตลอดเวลา

การวิเคราะห์ Cohort ช่วยแก้ปัญหานี้โดยไม่นำข้อมูลมารวมกัน อัตราการคงอยู่ในเดือนที่ 1 ของกลุ่มมกราคมจะคงอยู่ที่ 45% ตลอดไป และเมื่ออัตราการคงอยู่ของกลุ่มเมษายนตกลงมาอยู่ที่ 30% คุณก็จะเห็นการลดลงได้อย่างชัดเจนทันที

วิธีอ่านตาราง Cohort

แถวคือ Cohort, คอลัมน์คือระยะเวลา

แต่ละแถวคือกลุ่มผู้ใช้ที่กำหนดตามเวลาที่เริ่มต้นใช้งาน ส่วนแต่ละคอลัมน์คือระยะเวลาที่ผ่านไปนับจากจุดเริ่มต้นนั้น ไม่ใช่วันที่ตามปฏิทิน โดยเดือนที่ 0 คือช่วงเริ่มต้นและเกือบจะมีค่าเป็น 100% เสมอ

อ่านไล่ลงมาตามคอลัมน์เพื่อดูว่าผลลัพธ์ดีขึ้นหรือไม่

นี่คือทิศทางการอ่านที่มีประโยชน์ที่สุดและเป็นทิศทางที่คนมักจะมองข้าม ให้คุณตรึงสายตาไว้ที่คอลัมน์เดือนที่ 1 แล้วอ่านจากบนลงล่าง หากตัวเลขลดลงเรื่อยๆ เมื่อไล่ลงมา แสดงว่ากลุ่มผู้ใช้ใหม่แต่ละกลุ่มมีอัตราการคงอยู่ที่แย่ลงกว่ากลุ่มก่อนหน้า ซึ่งนั่นเป็นสัญญาณของปัญหาด้านผลิตภัณฑ์หรือการจัดหาผู้ใช้งาน และมันกำลังเกิดขึ้น ณ ตอนนี้

อ่านตามแนวนอนเพื่อดูการลดลงของกลุ่มผู้ใช้กลุ่มเดียว

แถวเดี่ยวๆ จะแสดงรูปแบบการลดลงของ Cohort นั้นๆ ผลิตภัณฑ์ส่วนใหญ่มักจะมีตัวเลขลดลงอย่างรวดเร็วในช่วงแรก จากนั้นจะเริ่มคงที่ จุดที่กราฟเริ่มคงที่นั้นมีความสำคัญมากกว่าช่วงที่ลดลงเสียอีก เพราะมันเป็นตัวบ่งชี้สัดส่วนของผู้ใช้ที่จะอยู่กับคุณในระยะยาว

แนวทแยงมุมคือปฏิทิน

ข้อมูลทั้งหมดที่อยู่ในแนวทแยงเดียวกันคือเหตุการณ์ที่เกิดขึ้นในเดือนเดียวกันตามปฏิทิน ผลกระทบที่เกิดขึ้นกับแนวทแยงใดแนวทแยงหนึ่ง เช่น ระบบล่มหรือการเปลี่ยนราคา จะส่งผลกระทบต่อทุก Cohort พร้อมกันโดยไม่เกี่ยงว่าจะเป็นกลุ่มเก่าหรือใหม่ หากตัวเลขที่แย่ปรากฏตามแนวทแยงแทนที่จะเป็นแนวตั้ง สาเหตุมักมาจากเหตุการณ์เฉพาะหน้า ไม่ใช่ความแตกต่างด้านคุณภาพของ Cohort

Acquisition cohorts และ behavioral cohorts

Acquisition cohorts คือการจัดกลุ่มตามเวลาที่ผู้ใช้เข้าร่วม โดยทั่วไปจะใช้เดือนที่สมัครใช้งานเป็นเกณฑ์ กลุ่มนี้จะช่วยตอบคำถามว่า ผู้คนที่เข้ามาใช้งานในตอนนี้มีคุณภาพดีขึ้นหรือแย่ลงกว่ากลุ่มที่เข้ามาก่อนหน้านี้

Behavioral cohorts คือการจัดกลุ่มตามพฤติกรรมหรือสิ่งที่ผู้ใช้ทำ เช่น ผู้ใช้ที่เชื่อมต่อระบบในสัปดาห์แรก เปรียบเทียบกับผู้ใช้ที่ไม่ได้ทำ กลุ่มนี้จะช่วยตอบคำถามว่า พฤติกรรมในช่วงแรกเริ่มใดที่เป็นตัวบ่งชี้ว่าผู้ใช้จะอยู่กับเราต่อไป

ทั้งสองประเภทมีหน้าที่แตกต่างกัน Acquisition cohorts จะช่วยวินิจฉัยทิศทางตามช่วงเวลา ส่วน Behavioral cohorts จะชี้ให้เห็นว่าต้องปรับปรุงแก้ไขตรงไหน ทีมที่สร้างเฉพาะ Cohort แบบแรกอาจจะมองเห็นแนวโน้มที่แย่ลง แต่จะไม่รู้ว่าต้องลงมือแก้ไขอย่างไร

รูปแบบที่สามคือ Cohort ตามขนาดหรือแพ็กเกจ (Size or Plan Cohorts) ซึ่งจัดกลุ่มตามระดับบัญชีผู้ใช้ มีประโยชน์อย่างยิ่งเมื่อลูกค้ากลุ่มองค์กรและลูกค้าที่บริการตัวเองมีพฤติกรรมที่แตกต่างกันอย่างสิ้นเชิง จนทำให้กราฟแบบรวมไม่สามารถอธิบายพฤติกรรมของกลุ่มใดได้เลย

การสร้างตาราง Cohort ด้วยตัวเอง

วิธีการทำด้วยตัวเองนั้นใช้งานได้จริง และคุ้มค่าที่จะทำความเข้าใจสักครั้ง แม้ว่าในภายหลังคุณจะเปลี่ยนไปใช้ระบบอัตโนมัติก็ตาม

เตรียมข้อมูลหนึ่งแถวต่อหนึ่งเหตุการณ์ของผู้ใช้ คุณต้องมีรหัสผู้ใช้ วันที่สมัครใช้งานหรือซื้อสินค้าครั้งแรก และวันที่ทำกิจกรรมในครั้งต่อๆ ไป ตารางสรุปผลทั่วไปไม่สามารถนำมาแปลงเป็น Cohort ได้ เนื่องจากขั้นตอนการจัดกลุ่มจะต้องทำในระดับแถวข้อมูล

เพิ่มคอลัมน์ Cohort ปรับรูปแบบวันที่สมัครใช้งานให้เหลือเพียงระดับเดือน ตอนนี้ผู้ใช้ทุกคนจะมีป้ายกำกับระบุกลุ่มที่ตนเองสังกัดอยู่

เพิ่มคอลัมน์ดัชนีช่วงเวลา (Period-index) สำหรับแต่ละแถวกิจกรรม ให้คำนวณจำนวนเดือนที่ห่างกันระหว่างเดือนที่สมัครใช้งานกับเดือนที่ทำกิจกรรม ซึ่งค่านี้จะกลายเป็นตำแหน่งคอลัมน์ในตารางสุดท้าย

ทำ Pivot Table โดยวางเดือนของ Cohort ไว้ที่แถวด้านข้าง วางดัชนีช่วงเวลาไว้ที่คอลัมน์ด้านบน และใส่จำนวนผู้ใช้ที่ไม่ซ้ำกันในส่วนของค่าข้อมูล คุณสามารถดูขั้นตอนการทำได้ที่หน้า สร้าง PivotTable ของ Microsoft

แปลงจำนวนตัวเลขให้เป็นเปอร์เซ็นต์ นำค่าในแต่ละช่องหารด้วยจำนวนผู้ใช้ในเดือนที่ 0 ของแถวนั้นๆ เนื่องจากจำนวนผู้ใช้จริงจะทำให้อ่านเปรียบเทียบระหว่าง Cohort ที่มีขนาดต่างกันได้ยาก

ขั้นตอนเหล่านี้ไม่มีอะไรยาก แต่คุณต้องทำซ้ำทั้ง 5 ขั้นตอนนี้ทุกครั้งที่มีข้อมูลใหม่เข้ามา และสูตรคำนวณดัชนีช่วงเวลาก็มักจะเออเร่อทุกครั้งที่รูปแบบวันที่เปลี่ยนไป

วิธีสร้างตาราง Cohort ด้วย Powerdrill Bloom

หากคุณมีข้อมูลผู้ใช้งานที่ส่งออกเรียบร้อยแล้ว คุณก็สามารถข้ามขั้นตอนการทำ Pivot Table ไปได้เลย

ขั้นตอนที่ 1: อัปโหลดข้อมูลผู้ใช้งานของคุณ

เพียงลากและวางไฟล์ Excel, CSV หรือ TSV ที่ส่งออกมาซึ่งมีข้อมูลการสมัครใช้งานและกิจกรรมต่างๆ ระบบสามารถโหลดหลายไฟล์พร้อมกันได้ ดังนั้นคุณจึงสามารถรวมไฟล์ผู้ใช้และไฟล์กิจกรรมเข้าด้วยกันได้ในขั้นตอนเดียว ระบบจะตรวจจับคอลัมน์และวิเคราะห์รูปแบบวันที่ให้โดยอัตโนมัติขณะอัปโหลด ซึ่งเป็นจุดที่การทำด้วยตัวเองมักจะเกิดปัญหาบ่อยที่สุด

ขั้นตอนที่ 2: อธิบาย Cohort ด้วยภาษาธรรมชาติ

บอกสิ่งที่คุณต้องการจัดกลุ่มและวัดผล เช่น "จัดกลุ่มผู้ใช้ตามเดือนที่สมัครใช้งาน จากนั้นแสดงอัตราการคงอยู่รายเดือนสำหรับ 12 เดือนแรกเป็นเปอร์เซ็นต์" ตัวช่วย AI จะสร้างคอลัมน์ Cohort คำนวณดัชนีช่วงเวลา และสร้างตารางออกมาให้ทันที หรือหากคุณต้องการเปลี่ยนเป็น Behavioral Cohort หรือเปลี่ยนเป็นรายสัปดาห์ ระบบก็พร้อมสร้างให้ใหม่โดยที่คุณไม่ต้องไปปรับโครงสร้างไฟล์ต้นฉบับเองเลย

ขั้นตอนที่ 3: ส่งออกแผนภูมิ รายงาน หรือสไลด์นำเสนอ

คุณสามารถส่งข้อมูลออกเป็นแผนภูมิ นำไปใส่ในรายงานสรุป หรือแปลงหน้ากระดานทำงานให้เป็นสไลด์เพื่อใช้ในการประชุมได้ โดยมีสไตล์ให้เลือกทั้งแบบ Professional, Business และ Fancy เพื่อส่งออกไปยัง PowerPoint หรือ Notion สำหรับการสร้างภาพข้อมูลโดยเฉพาะ สามารถดูวิธีได้ที่ วิธีสร้างแผนภูมิอัตราการคงอยู่ของ Cohort และใช้ AI graph maker เพื่อสร้างแผนภูมิรูปแบบอื่นๆ จากไฟล์ที่อัปโหลดเดียวกัน

ข้อผิดพลาดที่พบบ่อย

การเลือกหน่วยเวลาที่ไม่เหมาะสม การใช้ Cohort รายเดือนกับผลิตภัณฑ์ที่ผู้ใช้ต้องใช้ทุกวันจะบดบังข้อมูลที่น่าสนใจในสัปดาห์แรก ในทางกลับกัน การใช้ Cohort รายสัปดาห์หรือรายวันกับผลิตภัณฑ์ที่ใช้งานเป็นรายไตรมาสจะทำให้เกิดข้อมูลรบกวนมากเกินไป ดังนั้นควรเลือกหน่วยเวลาให้สอดคล้องกับพฤติกรรมการใช้งานตามธรรมชาติ

การอ่านตามแถวแต่ละเลยคอลัมน์ แถวแนวนอนจะบอกว่าผู้ใช้กลุ่มหนึ่งลดลงอย่างไร แต่คอลัมน์แนวตั้งจะบอกว่าคุณกำลังพัฒนาดีขึ้นหรือไม่ ซึ่งข้อมูลในคอลัมน์นี่เองคือสิ่งที่คุณสามารถนำไปปรับปรุงต่อได้จริง

การเปรียบเทียบ Cohort ที่ข้อมูลยังไม่ครบถ้วน Cohort ล่าสุดอาจจะยังใช้งานไม่นานพอที่จะมีข้อมูลในเดือนที่ 6 การปล่อยให้มีช่องว่างหรือข้อมูลไม่ครบในตารางอาจทำให้ผู้อื่นตีความตัวเลขที่ต่ำนั้นว่าเป็นการลดฮวบของระบบได้

ขนาดของ Cohort เล็กเกินกว่าจะนำมาวิเคราะห์ได้ Cohort ที่มีผู้ใช้เพียง 40 คนจะทำให้อัตราการคงอยู่เป็นเปอร์เซ็นต์ผันผวนอย่างรุนแรงเพียงเพราะพฤติกรรมของคนไม่กี่คน ควรขยายช่วงเวลาให้กว้างขึ้น หรือยอมรับว่าข้อมูลในแถวนั้นใช้ดูได้เพียงแนวโน้มคร่าวๆ เท่านั้น

การรายงาน Cohort โดยไม่ระบุขนาดกลุ่ม การแสดงตัวเลขเปอร์เซ็นต์โดยไม่มีตัวหารมักจะทำให้เกิดการเข้าใจผิดได้เสมอ ควรใส่จำนวนผู้ใช้ในเดือนที่ 0 ไว้ในคอลัมน์แรกด้วย

การจำกัดความคำว่า "การคงอยู่" อย่างหลวมๆ คำว่า "แอคทีฟ" จะต้องหมายถึงสิ่งใดสิ่งหนึ่งที่เฉพาะเจาะจง การเข้าสู่ระบบกับการทำกิจกรรมหลักมีความหมายที่แตกต่างกันอย่างสิ้นเชิง และการนำสองสิ่งนี้มาปะปนกันในแต่ละช่วงเวลาจะทำให้ตารางข้อมูลนั้นไร้ความหมายทันที

สรุปสั้นๆ

การวิเคราะห์ Cohort จะแยกผู้ใช้งานตามเวลาที่เริ่มต้น เพื่อไม่ให้ตัวเลขการเติบโตมาบดบังการลดลงของผู้ใช้ ให้อ่านไล่ลงมาตามคอลัมน์เพื่อดูว่ากลุ่มผู้ใช้ใหม่แต่ละกลุ่มมีผลลัพธ์ที่ดีขึ้นหรือแย่ลงกว่ากลุ่มก่อนหน้า และอ่านตามแนวนอนเพื่อดูว่าผู้ใช้ในกลุ่มเดียวกันลดลงอย่างไรและเริ่มคงที่ตรงจุดไหน

ขั้นตอนการสร้างมีเพียง 5 ขั้นตอนเชิงเทคนิคที่ต้องทำซ้ำทุกครั้งที่มีการอัปเดตข้อมูล ทดลองใช้งาน Powerdrill Bloom ฟรี — เพียงอัปเดตไฟล์ข้อมูลผู้ใช้ที่ส่งออกมา อธิบาย Cohort ด้วยภาษาธรรมชาติ และส่งออกตารางไปยังสไลด์นำเสนอได้ทันที สำหรับการเปรียบเทียบเครื่องมือต่างๆ สามารถดูได้ที่ เครื่องมือ AI สำหรับการวิเคราะห์ Cohort

คำถามที่พบบ่อย

การวิเคราะห์ Cohort ใช้ทำอะไร?

ใช้เพื่อแสดงให้เห็นว่าผลิตภัณฑ์กำลังพัฒนาดีขึ้นสำหรับผู้ใช้ที่เพิ่งเข้ามาใหม่เมื่อเทียบกับผู้ใช้ที่เข้ามาก่อนหน้านี้หรือไม่ ประโยชน์ที่พบบ่อย ได้แก่ การติดตามอัตราการคงอยู่, การวิเคราะห์หาสาเหตุการเลิกใช้งาน, การวัดผลกระทบจากการปรับเปลี่ยนขั้นตอนการต้อนรับผู้ใช้ใหม่ และการเปรียบเทียบช่องทางการจัดหาผู้ใช้งานในแง่ของคุณภาพมากกว่าปริมาณ

Cohort กับ Segment แตกต่างกันอย่างไร?

Cohort จะถูกกำหนดโดยเวลาเริ่มต้นที่เหมือนกัน และสมาชิกในกลุ่มจะไม่มีวันเปลี่ยนแปลง ส่วน Segment จะถูกกำหนดโดยคุณลักษณะเฉพาะ เช่น ประเทศหรือแพ็กเกจการใช้งาน ซึ่งผู้ใช้สามารถย้ายเข้าหรือออกจากกลุ่มได้ ดังนั้น Cohort จึงใช้เพื่อติดตามการเปลี่ยนแปลงตามกาลเวลา ในขณะที่ Segment ใช้เพื่ออธิบายลักษณะของกลุ่มประชากร ณ เวลาปัจจุบัน

ควรเลือกช่วงเวลาสำหรับ Cohort อย่างไร?

ควรเลือกให้สอดคล้องกับความถี่ในการใช้งานผลิตภัณฑ์ของผู้ใช้ เช่น Cohort รายวันหรือรายสัปดาห์จะเหมาะกับผลิตภัณฑ์ที่มีการใช้งานบ่อยครั้ง ส่วน Cohort รายเดือนจะเหมาะกับรอบการสมัครสมาชิกหรือการซื้อซ้ำ หากการเลิกใช้งานส่วนใหญ่เกิดขึ้นก่อนคอลัมน์แรกของคุณ แสดงว่าหน่วยเวลาที่คุณเลือกนั้นกว้างเกินไป

สามารถทำการวิเคราะห์ Cohort ใน Excel ได้หรือไม่?

ได้แน่นอน เพียงเพิ่มคอลัมน์เดือนของ Cohort และคอลัมน์ดัชนีช่วงเวลาลงในแถวกิจกรรมของคุณ จากนั้นทำ Pivot Table โดยเปรียบเทียบ Cohort กับดัชนีช่วงเวลาด้วยจำนวนผู้ใช้ที่ไม่ซ้ำกัน แล้วหารตัวเลขในแต่ละช่องด้วยจำนวนเริ่มต้นของแถวนั้นๆ ขั้นตอนการคำนวณนั้นตรงไปตรงมา แต่การต้องทำซ้ำๆ คือสิ่งที่ทำให้รู้สึกน่าเบื่อ

อัตราการคงอยู่ที่ดีควรเป็นเท่าใด?

ตัวเลขนี้มีความแตกต่างกันมากเกินไปในแต่ละประเภทธุรกิจ จนไม่สามารถใช้เกณฑ์มาตรฐานเดียวมาเปรียบเทียบได้ แนะนำให้เปรียบเทียบ Cohort ของคุณเองในแต่ละช่วงเวลาแทน เส้นกราฟที่เริ่มคงที่แทนที่จะตกลงเรื่อยๆ คือสัญญาณที่สำคัญที่สุดที่คุณควรมองหา