Mở đầu — vì sao bài này quan trọng
Hãy tưởng tượng bạn là Growth PM tại một ứng dụng giao đồ ăn. Sếp hỏi: "Tháng trước retention của mình tốt hơn hay tệ hơn?". Bạn mở dashboard, thấy số người dùng hoạt động hàng tháng (MAU) tăng 8%. Bạn trả lời "tốt hơn". Nhưng đó là một câu trả lời nguy hiểm, bởi vì MAU tăng có thể đến từ việc marketing đổ thêm tiền kéo người mới về, trong khi nhóm người cũ đang rời bỏ ứng dụng với tốc độ ngày càng nhanh. Con số tổng hợp (aggregate metric) đã che giấu sự thật.
Cohort analysis sinh ra để giải quyết đúng vấn đề này. Thay vì nhìn toàn bộ người dùng như một khối, ta chia họ thành các nhóm (cohort) theo một đặc điểm chung — thường là thời điểm họ bắt đầu — rồi theo dõi hành vi của từng nhóm theo thời gian. Nhờ vậy, ta tách được "ảnh hưởng của thời gian sống trong sản phẩm" khỏi "ảnh hưởng của việc sản phẩm thay đổi", và trả lời được những câu hỏi mà metric tổng hợp không bao giờ trả lời nổi.
Ở các bài trước, bạn đã học vì sao phải đọc retention curve (Bài 26) và cách tư duy theo cohort. Bài này tập trung hẹp vào một thứ rất thực dụng: công cụ nào dùng để dựng phân tích cohort, từng loại cohort được tạo ra sao trong các công cụ đó, và làm thế nào để không bị công cụ đánh lừa. Đây là kỹ năng vận hành hàng ngày của Growth PM — bạn sẽ chạm vào nó mỗi tuần.
Khái niệm cốt lõi
Ba loại cohort bạn cần phân biệt
Trước khi nói đến công cụ, phải nắm chắc rằng "cohort" không chỉ có một kiểu. Mỗi công cụ cho phép bạn định nghĩa cohort theo những cách khác nhau, và chọn sai loại sẽ ra kết luận sai.
1. Acquisition cohort (cohort theo thời điểm thu nạp) — nhóm người dùng theo ngày/tuần/tháng họ đăng ký hoặc lần đầu mở app. Đây là loại phổ biến nhất và là mặc định trong hầu hết công cụ. Ví dụ: "nhóm tất cả người đăng ký trong tháng 3/2026". Dùng để trả lời: sản phẩm có giữ chân tốt hơn theo từng đợt người mới không? Một thay đổi onboarding tung ra tháng 4 có cải thiện retention của cohort tháng 4 so với tháng 3 không?
2. Behavioral cohort (cohort theo hành vi) — nhóm người dùng theo hành động họ thực hiện, không phải theo ngày đăng ký. Ví dụ: "nhóm những người đã tạo ít nhất 1 đơn hàng trong 7 ngày đầu", hay "nhóm người đã bật thông báo đẩy". Đây là loại mạnh nhất cho Growth PM vì nó kết nối trực tiếp với giả thuyết: hành vi X có dẫn tới retention cao hơn không? Behavioral cohort chính là cách bạn kiểm chứng Aha Moment.
3. Demographic / attribute cohort (cohort theo thuộc tính) — nhóm theo đặc điểm tĩnh: thành phố, hệ điều hành (iOS/Android), kênh thu nạp (organic/paid), gói thuê bao, ngôn ngữ. Ví dụ: "so sánh retention của người dùng đến từ Facebook Ads với người dùng organic". Dùng để phát hiện kênh nào mang về người dùng chất lượng, segment nào đang rò rỉ.
Trong thực tế, sức mạnh thật sự đến khi bạn kết hợp các loại: "retention của nhóm đăng ký tháng 3 (acquisition) đến từ paid (demographic) đã hoàn tất onboarding (behavioral)". Công cụ tốt là công cụ cho phép lồng ghép các điều kiện này mà không cần viết code.
Hai cách trình bày: retention table và retention curve
Mọi công cụ cohort đều xoay quanh hai dạng hiển thị:
- Cohort retention table (bảng tam giác) — các hàng là cohort (theo tuần/tháng), các cột là "tuổi" của cohort (Day 0, Day 1, Day 7, Week 1, Week 2...). Mỗi ô là % người dùng còn quay lại. Bảng có hình tam giác vì cohort mới chưa đủ thời gian để lấp đầy các cột bên phải. Đọc theo hàng ngang để thấy một cohort suy giảm thế nào; đọc theo cột dọc để so sánh các cohort ở cùng độ tuổi (đây là cách phát hiện sản phẩm đang tốt lên hay xấu đi).
- Retention curve (đường cong) — vẽ % retention theo trục thời gian, mỗi cohort là một đường. Dễ thấy curve có "phẳng lại" (flatten) hay tiếp tục rơi về 0 — dấu hiệu sống còn của product-market fit.
Bốn nhóm công cụ chính
- Công cụ product analytics chuyên dụng — Mixpanel, Amplitude. Có module Retention/Cohort dựng sẵn, kéo-thả, định nghĩa behavioral cohort bằng event. Đây là lựa chọn số một cho Growth team.
- Công cụ web analytics — GA4 (Google Analytics 4). Có báo cáo Cohort Exploration miễn phí nhưng khả năng tùy biến behavioral cohort yếu hơn nhiều.
- BI / dashboard tools — Looker, Metabase, Power BI, Tableau, kết hợp với SQL trên data warehouse. Linh hoạt vô hạn nhưng phải tự xây.
- SQL thuần / spreadsheet — tự viết truy vấn cohort trên BigQuery/Postgres rồi đổ ra Google Sheets. Rẻ, kiểm soát hoàn toàn, nhưng tốn công bảo trì.
Tình huống thực tế
Ví dụ 1 — Tiki phát hiện cohort suy giảm bị MAU che giấu
Giả định một đội growth tại sàn thương mại điện tử như Tiki. Báo cáo tổng cho thấy MAU tăng đều 5%/tháng suốt quý, ai cũng yên tâm. Một PM mới dựng cohort retention table trong Amplitude, lấy acquisition cohort theo tháng, đo "tỷ lệ người mua lại trong vòng 30 ngày kể từ đơn đầu tiên".
Đọc theo cột dọc (cùng độ tuổi Month-1), cô phát hiện: cohort tháng 1 giữ được 22% người mua lại, tháng 2 còn 19%, tháng 3 chỉ còn 15%. Nghĩa là chất lượng giữ chân của từng đợt người mới đang xấu đi, dù MAU vẫn tăng — bởi marketing đang đổ tiền vào một campaign khuyến mãi flash sale kéo về toàn người "săn mã giảm giá" rồi biến mất.
Diễn giải: MAU tăng vì lượng người mới (top of funnel) phình to, đủ để bù cho retention rơi. Nếu chỉ nhìn MAU, đội sẽ tiếp tục đốt tiền vào kênh độc hại đó. Bài học: luôn đọc cột dọc của retention table để tách "tăng nhờ kéo thêm người" khỏi "tăng nhờ sản phẩm tốt hơn". Công cụ cohort không chỉ để báo cáo — nó là hệ thống cảnh báo sớm.
Ví dụ 2 — Một app fintech Việt dùng behavioral cohort tìm Aha Moment
Một ví điện tử (kiểu MoMo) muốn biết hành vi nào trong tuần đầu khiến người dùng "dính" lại. Đội tạo các behavioral cohort trong Mixpanel:
- Cohort A: người liên kết ngân hàng trong 7 ngày đầu.
- Cohort B: người không liên kết.
Họ làm thêm một bước: tạo cohort theo số giao dịch trong tuần đầu (0, 1, 2, 3+). Đường cong cho thấy retention nhảy vọt giữa nhóm "1 giao dịch" và "2 giao dịch", rồi phẳng lại sau đó. Con số ma thuật: 2 giao dịch trong 7 ngày đầu.
Diễn giải: behavioral cohort biến một giả thuyết mơ hồ ("chắc liên kết ngân hàng là quan trọng") thành một mục tiêu onboarding cụ thể, đo được. Bài học: đừng dừng ở acquisition cohort. Sức mạnh chẩn đoán nằm ở behavioral cohort — nhưng nhớ rằng đây là tương quan, chưa phải nhân quả; muốn khẳng định phải A/B test (Bài 40). Công cụ cho bạn manh mối, không cho bạn bằng chứng.
Ví dụ 3 — Startup SaaS B2B chọn GA4 rồi vỡ mộng
Một startup SaaS nhỏ ở TP.HCM, ngân sách eo hẹp, quyết định dùng GA4 Cohort Exploration cho khỏi tốn tiền. Ban đầu ổn: họ xem được acquisition cohort theo tuần đăng ký và retention. Nhưng khi muốn hỏi "retention của những account đã mời ít nhất 2 thành viên team", họ bế tắc — GA4 lúc đó giới hạn cohort chủ yếu quanh acquisition + một vài điều kiện đơn giản, lại còn sampling dữ liệu khi lượng event lớn khiến con số nhảy múa.
Họ chuyển sang Mixpanel free tier (vẫn miễn phí trong hạn mức), dựng behavioral cohort "đã mời ≥2 thành viên" trong 10 phút và có ngay câu trả lời: nhóm này retention Month-3 cao gấp 3 lần.
Diễn giải: công cụ miễn phí không sai, nhưng phải khớp với loại câu hỏi bạn cần hỏi. GA4 mạnh cho web traffic và acquisition cohort cơ bản; nó đuối khi bạn cần behavioral cohort dựa trên event sản phẩm. Bài học: chọn công cụ theo loại cohort bạn sẽ cần nhất, không theo giá. Việc chọn lại công cụ giữa chừng tốn nhiều công migrate hơn bạn tưởng — hãy nghĩ trước về event taxonomy (Bài 49).
Hướng dẫn từng bước
Đây là quy trình dựng một phân tích cohort hoàn chỉnh, áp dụng được cho bất kỳ công cụ nào:
Bước 1 — Xác định câu hỏi và loại cohort. Viết ra một câu duy nhất: "Tôi muốn biết [retention/revenue/hành vi] của nhóm [acquisition / behavioral / demographic] thay đổi thế nào theo thời gian?". Câu hỏi quyết định loại cohort, không phải công cụ.
Bước 2 — Định nghĩa "thành viên cohort" rõ ràng. Người dùng vào cohort khi nào? (signup date, lần đầu mở app, hay lần đầu thực hiện hành động X). Mốc này gọi là Day 0 và nó phải nhất quán — sai mốc Day 0 là lỗi cohort kinh điển.
Bước 3 — Chọn định nghĩa "retention/active". Thế nào là một người "còn quay lại"? Mở app? Thực hiện hành động cốt lõi? Với app giao đồ ăn, "active" nên là "đặt đơn", không phải "mở app". Định nghĩa này phải khớp với North Star Metric của bạn.
Bước 4 — Chọn granularity (độ mịn thời gian). Sản phẩm dùng hàng ngày (mạng xã hội) → cohort theo tuần, đo daily/weekly retention. Sản phẩm dùng thưa (đặt vé máy bay, khai thuế) → cohort theo tháng, đo monthly retention. Chọn sai granularity làm retention curve trông tệ giả tạo.
Bước 5 — Dựng trong công cụ. Trong Amplitude/Mixpanel: mở Retention report → đặt "Starting event" (Day 0) và "Returning event" (active) → thêm filter để tạo behavioral/demographic cohort → chọn khoảng thời gian. Trong GA4: Explore → Cohort Exploration → chọn Cohort inclusion, Return criteria, Granularity. Trong SQL: GROUP BY cohort_month, datediff(activity_date, signup_date).
Bước 6 — Đọc cả hàng lẫn cột. Hàng ngang: cohort này suy giảm ra sao, curve có flatten không. Cột dọc: so sánh các cohort ở cùng độ tuổi để biết sản phẩm đang tốt lên hay xấu đi theo thời gian.
Bước 7 — Kết nối với hành động. Một phân tích cohort không kết thúc bằng biểu đồ — nó kết thúc bằng một quyết định: tắt một kênh acquisition độc hại, đẩy người dùng tới một behavioral milestone, hoặc đặt giả thuyết cho A/B test tiếp theo.
Lỗi thường gặp & mẹo
Lỗi 1 — Nhầm "active" với "mở app". Nhiều công cụ mặc định đếm session làm retention. Với sản phẩm có giá trị nằm ở một hành động cụ thể, hãy đổi returning event sang hành động cốt lõi. Mở app mà không làm gì không phải là retention thật.
Lỗi 2 — So sánh cohort chưa đủ "chín". Cột bên phải của bảng tam giác với cohort mới nhất thường trống hoặc rất ít người — đừng kết luận "Month-3 retention đang giảm" khi cohort đó mới sống được 2 tháng. Chỉ so sánh các ô đã đủ thời gian.
Lỗi 3 — Bỏ qua sampling và data freshness. GA4 có thể lấy mẫu (sample) khi dữ liệu lớn, làm số nhảy. Mixpanel/Amplitude có độ trễ xử lý event. Luôn kiểm tra liệu con số hôm nay đã "đầy đủ" chưa trước khi báo cáo.
Lỗi 4 — Rolling vs fixed retention. Có hai cách đếm: "n-day retention" (đúng ngày thứ N có quay lại không) và "unbounded/rolling retention" (ngày thứ N trở đi có quay lại không). Hai cách cho con số rất khác. Phải biết công cụ của bạn đang dùng cái nào, và dùng nhất quán khi so sánh.
Lỗi 5 — Trùng đếm do định nghĩa Day 0 lệch. Nếu một người có thể "vào cohort" nhiều lần (ví dụ đếm theo lần đầu của mỗi tháng), bảng sẽ phình sai. Mỗi user chỉ thuộc đúng một acquisition cohort.
Mẹo: Bắt đầu mọi phân tích bằng acquisition cohort để thấy bức tranh tổng, rồi dùng behavioral cohort để chẩn đoán nguyên nhân. Mẹo nữa: lưu cohort đã định nghĩa thành "saved cohort" trong công cụ để tái sử dụng trong funnel và A/B test — đừng định nghĩa lại mỗi lần. Cuối cùng, luôn đối chiếu con số từ công cụ analytics với con số từ data warehouse ít nhất một lần để chắc chắn tracking không bị hỏng.
Bài tập thực hành
- Chọn công cụ: Liệt kê 3 câu hỏi cohort quan trọng nhất cho sản phẩm bạn đang làm (hoặc một app bạn dùng hằng ngày). Với mỗi câu, ghi rõ nó thuộc loại acquisition, behavioral hay demographic, rồi quyết định công cụ phù hợp (GA4 / Mixpanel / Amplitude / SQL) và giải thích tại sao.
- Dựng bảng tam giác: Mở một tài khoản miễn phí Mixpanel hoặc Amplitude (hoặc dùng GA4 Cohort Exploration nếu đã có dữ liệu). Tạo một acquisition cohort retention table theo tuần. Chụp lại bảng và viết 3 câu nhận xét: một về xu hướng theo hàng, một về so sánh theo cột, một về điểm curve flatten.
- Behavioral cohort tìm Aha: Chọn một hành động bạn nghi là quan trọng trong tuần đầu (ví dụ "hoàn tất hồ sơ", "thực hiện giao dịch đầu tiên"). Tạo hai cohort: nhóm làm và nhóm không làm hành động đó. Vẽ retention curve và đo chênh lệch. Viết một giả thuyết A/B test để kiểm chứng nhân quả.
- Phát hiện bẫy: Cho một retention table mẫu trong đó cohort mới nhất có Month-3 trống. Viết ra vì sao bạn KHÔNG được kết luận retention đang giảm, và bạn cần đợi bao lâu để so sánh hợp lệ.
Tóm tắt
- Cohort analysis chia người dùng thành nhóm rồi theo dõi theo thời gian, giúp tách ảnh hưởng của thời gian khỏi ảnh hưởng của thay đổi sản phẩm — điều mà metric tổng hợp như MAU không làm được.
- Có ba loại cohort: acquisition (theo ngày thu nạp, phổ biến nhất), behavioral (theo hành vi, mạnh nhất để tìm Aha Moment), và demographic/attribute (theo thuộc tính như kênh, thành phố, hệ điều hành). Sức mạnh thật đến khi kết hợp chúng.
- Mọi công cụ trình bày qua retention table (đọc hàng để thấy suy giảm, đọc cột để so sánh cohort cùng tuổi) và retention curve (xem curve có flatten không).
- Bốn nhóm công cụ: product analytics chuyên dụng (Mixpanel/Amplitude — tốt nhất cho behavioral cohort), web analytics (GA4 — miễn phí, mạnh cho acquisition cơ bản, yếu cho behavioral), BI + SQL (linh hoạt vô hạn, phải tự xây), và spreadsheet. Chọn theo loại câu hỏi, không theo giá.
- Quy trình: xác định câu hỏi → định nghĩa Day 0 → định nghĩa "active" theo hành động cốt lõi → chọn granularity đúng nhịp dùng → dựng trong công cụ → đọc cả hàng lẫn cột → biến thành quyết định.
- Cảnh giác các bẫy: nhầm "mở app" với "active", so sánh cohort chưa chín, sampling dữ liệu, lẫn lộn n-day với rolling retention, và Day 0 lệch gây trùng đếm.
- Công cụ cohort cho bạn manh mối tương quan, không phải bằng chứng nhân quả — muốn khẳng định, hãy mang giả thuyết sang A/B test.