Mở đầu — vì sao bài này quan trọng
Hãy tưởng tượng bạn là PM của một ứng dụng giao đồ ăn. Cuối tháng, bạn nhìn vào dashboard và thấy: tổng số người dùng tăng từ 100.000 lên 130.000. Sếp gật gù hài lòng, cả team ăn mừng. Nhưng ba tháng sau, doanh thu đột nhiên chững lại dù số người dùng vẫn tăng. Chuyện gì đã xảy ra?
Vấn đề nằm ở chỗ con số "tổng người dùng" là một vanity metric — một con số đẹp nhưng che giấu sự thật. Nó gộp chung tất cả mọi người vào một rổ: người mới đăng ký hôm qua lẫn người đã dùng từ năm ngoái. Nó không cho bạn biết liệu những người tham gia tháng này có ở lại lâu hơn hay rời bỏ nhanh hơn những người tháng trước. Nó không nói được sản phẩm của bạn đang tốt lên hay tệ đi theo thời gian.
Đây chính là lúc Cohort Analysis (phân tích nhóm thuần tập) bước vào. Đây là một trong những công cụ phân tích quyền lực nhất mà một PM cần nắm vững — không phải vì nó phức tạp, mà vì nó thay đổi cách bạn nhìn dữ liệu. Thay vì hỏi "có bao nhiêu người dùng", cohort analysis giúp bạn hỏi câu sâu hơn: "những người đến cùng một thời điểm hành xử như thế nào theo thời gian, và liệu sản phẩm của tôi có đang giữ chân họ tốt hơn không?"
Trong bài này, chúng ta sẽ làm rõ cohort là gì, các loại cohort phổ biến, cách đọc một bảng cohort (retention table) và làm sao biến những con số khô khan đó thành quyết định sản phẩm cụ thể. Đây là bước nhập môn — đủ sâu để bạn tự dựng và đọc một báo cáo cohort cơ bản, làm nền cho những phân tích nâng cao sau này.
Khái niệm cốt lõi
Cohort là gì?
Một cohort (nhóm thuần tập) đơn giản là một nhóm người dùng cùng chia sẻ một đặc điểm chung trong một khoảng thời gian cụ thể. Từ "cohort" gốc từ quân đội La Mã — một đơn vị lính được tập hợp cùng nhau. Trong sản phẩm số, đặc điểm chung phổ biến nhất là thời điểm họ bắt đầu.
Ví dụ: "tất cả người dùng đăng ký trong tháng 1/2026" là một cohort. "Tất cả người dùng đăng ký tháng 2/2026" là một cohort khác. Điểm mấu chốt là: một khi đã thuộc về cohort tháng 1, người dùng đó mãi mãi thuộc cohort tháng 1 — bạn theo dõi chính nhóm cố định đó qua từng tháng tiếp theo để xem bao nhiêu người còn ở lại.
Đây chính là điều khiến cohort khác với cách đo lường thông thường. Số liệu tổng (aggregate) trộn lẫn người mới và người cũ, nên khi bạn liên tục đổ thêm người mới vào, con số tổng luôn đẹp dù tỷ lệ giữ chân thực tế đang xấu đi. Cohort tách riêng từng nhóm theo thời điểm bắt đầu, nên bạn thấy được "chất lượng" thực sự của từng đợt người dùng.
Retention — câu hỏi cốt lõi mà cohort trả lời
Thứ mà cohort analysis hay đo nhất là retention (tỷ lệ giữ chân): trong số những người đến ở thời điểm 0, bao nhiêu phần trăm còn quay lại sau 1 ngày, 1 tuần, 1 tháng...? Một bảng cohort điển hình (cohort retention table) trông như thế này:
| Cohort | Tuần 0 | Tuần 1 | Tuần 2 | Tuần 3 | Tuần 4 |
|---|---|---|---|---|---|
| Tháng 1 (10.000 user) | 100% | 42% | 30% | 25% | 22% |
| Tháng 2 (12.000 user) | 100% | 45% | 33% | 28% | 26% |
| Tháng 3 (15.000 user) | 100% | 51% | 40% | 36% | 34% |
Các loại cohort
1. Acquisition cohort (cohort theo thời điểm thu nạp). Nhóm người dùng theo thời điểm họ đăng ký / lần đầu tiếp xúc — theo ngày, tuần, hoặc tháng. Đây là loại phổ biến nhất, dễ dựng nhất, và là điểm khởi đầu của hầu hết phân tích retention. "Người đăng ký tuần này" là một acquisition cohort.
2. Behavioral cohort (cohort theo hành vi). Nhóm người dùng theo một hành động cụ thể họ đã thực hiện, chứ không chỉ theo thời điểm đến. Ví dụ: "những người đã hoàn tất đơn hàng đầu tiên trong vòng 7 ngày", hay "những người đã bật thông báo đẩy". Behavioral cohort mạnh hơn acquisition cohort ở chỗ nó giúp bạn trả lời câu hỏi nhân-quả: liệu hành vi X có làm người dùng ở lại lâu hơn không? Đây là cách bạn tìm ra "khoảnh khắc aha" của sản phẩm.
3. Size/Segment cohort (cohort theo đặc điểm). Nhóm theo thuộc tính như nền tảng (iOS vs Android), kênh thu nạp (quảng cáo Facebook vs tìm kiếm tự nhiên), gói trả phí, hay khu vực địa lý (TP.HCM vs Hà Nội). Loại này giúp so sánh chất lượng giữa các phân khúc.
Một nguyên tắc vàng: cohort luôn là sự kết hợp giữa "ai/đặc điểm gì" và "theo dõi chỉ số gì theo thời gian". Bạn chọn cách nhóm người (theo thời điểm, theo hành vi, theo phân khúc) rồi theo dõi một sự kiện lặp lại (quay lại app, mua hàng, dùng tính năng) qua các mốc thời gian.
Phân biệt với funnel
Đừng nhầm cohort với funnel. Funnel đo một chuỗi bước trong một phiên/hành trình ngắn (xem sản phẩm → thêm giỏ → thanh toán) — nó nhìn theo chiều "bước". Cohort nhìn theo chiều "thời gian dài hạn" — cùng một nhóm người được theo dõi qua nhiều ngày/tuần/tháng. Funnel trả lời "người ta rớt ở bước nào", cohort trả lời "người ta có quay lại không và đợt nào tốt hơn đợt nào".
Tình huống thực tế
Ví dụ 1: App giao đồ ăn phát hiện vấn đề ẩn sau con số đẹp
Một startup giao đồ ăn giả định tên BếpNhanh ở TP.HCM tăng trưởng nóng nhờ đốt tiền khuyến mãi. Tổng người dùng tăng đều 20%/tháng, ban lãnh đạo rất vui. Nhưng PM tên Linh quyết định dựng bảng cohort theo tháng đăng ký, theo dõi tỷ lệ người đặt đơn lại trong tháng tiếp theo.
Kết quả gây sốc: cohort tháng 1 có 28% đặt lại ở tháng thứ 2; nhưng cohort tháng 4 (sau khi tung mã giảm 50.000đ rầm rộ) chỉ còn 11% đặt lại. Các đợt người dùng mới giữ chân ngày càng tệ. Con số tổng vẫn tăng chỉ vì tiền khuyến mãi liên tục kéo người mới vào, che lấp việc người cũ đang bỏ đi.
Bài học: cohort phơi bày sự thật mà metric tổng giấu kín — BếpNhanh đang mua tăng trưởng bằng người dùng kém chất lượng. Linh đề xuất chuyển ngân sách từ khuyến mãi đại trà sang cải thiện thời gian giao và chất lượng quán đối tác. Ba cohort sau đó, retention tháng-2 phục hồi lên 19%.
Ví dụ 2: Behavioral cohort tìm ra "khoảnh khắc aha"
Một sản phẩm SaaS quản lý công việc cho doanh nghiệp nhỏ ở Đông Nam Á muốn biết: hành động nào trong tuần đầu khiến người dùng ở lại lâu? PM dựng hai behavioral cohort trong số người dùng đăng ký cùng tháng:
- Nhóm A: những người đã tạo và giao việc cho ít nhất 3 đồng nghiệp trong 7 ngày đầu.
- Nhóm B: những người không làm việc đó.
Bài học: behavioral cohort không chỉ mô tả mà còn chỉ đường hành động. PM đặt mục tiêu mới: tăng tỷ lệ người dùng mới đạt mốc "mời 3 đồng nghiệp" trong tuần đầu — bằng onboarding nhắc nhở, mẫu lời mời sẵn, và một bước hướng dẫn ngay sau đăng ký. Lưu ý quan trọng: đây là tương quan, chưa chắc nhân quả tuyệt đối, nhưng nó là giả thuyết đáng để kiểm chứng bằng thử nghiệm.
Ví dụ 3: So sánh cohort theo kênh để cắt ngân sách lãng phí
Một app học tiếng Anh thu nạp người dùng từ ba kênh: quảng cáo TikTok, tìm kiếm tự nhiên (organic), và giới thiệu bạn bè (referral). PM dựng segment cohort theo kênh, theo dõi retention 30 ngày.
Số liệu cho thấy: TikTok mang về nhiều người nhất nhưng retention 30 ngày chỉ 8%; organic là 22%; referral cao nhất 35%. Tính ra chi phí thu nạp một người dùng còn ở lại sau 30 ngày, TikTok đắt gấp ba lần referral dù giá mỗi lượt cài đặt rẻ hơn.
Bài học: nhìn theo cohort phân khúc, PM thấy "rẻ khi mua chưa chắc rẻ khi giữ". Team giảm ngân sách TikTok, đầu tư vào chương trình giới thiệu bạn bè và nội dung SEO — những kênh cho người dùng chất lượng hơn về dài hạn.
Hướng dẫn từng bước
Đây là quy trình tối giản để bạn tự dựng một phân tích cohort đầu tiên:
Bước 1 — Chọn sự kiện neo (anchor event). Xác định "thời điểm 0" của mỗi người là gì: ngày đăng ký? ngày mua lần đầu? ngày kích hoạt? Với người mới bắt đầu, hãy dùng ngày đăng ký — đây là acquisition cohort cơ bản nhất.
Bước 2 — Chọn sự kiện retention (return event). Định nghĩa thế nào là "còn ở lại". Một lần mở app? Một đơn hàng? Một hành động cốt lõi (ví dụ với app nhạc là "nghe ít nhất 1 bài")? Hãy chọn hành động phản ánh đúng giá trị sản phẩm, đừng chọn thứ tầm thường như "mở app rồi thoát ngay".
Bước 3 — Chọn đơn vị thời gian. Theo ngày, tuần, hay tháng? Quy tắc: sản phẩm dùng hàng ngày (mạng xã hội, giao đồ ăn) → theo ngày/tuần. Sản phẩm dùng thưa (đặt vé máy bay, khai thuế) → theo tháng. Đừng đo retention theo ngày cho một app người ta chỉ dùng mỗi quý một lần.
Bước 4 — Dựng bảng và tính phần trăm. Với mỗi cohort, đặt cột Tuần/Tháng 0 = 100%, rồi tính tỷ lệ người thực hiện return event ở mỗi mốc sau. Công cụ như Mixpanel, Amplitude, hoặc thậm chí một file SQL/bảng tính đều làm được.
Bước 5 — Đọc theo hai chiều. Đọc ngang để thấy hình dạng đường cong rụng của một cohort (nó có "phẳng ra" — flatten — không, hay rớt về 0?). Đọc dọc để so sánh các cohort: đợt mới có tốt hơn đợt cũ không? Đường retention phẳng ra ở một mức dương (ví dụ ổn định quanh 30%) là dấu hiệu rất tốt — nghĩa là bạn có một nhóm người dùng trung thành lõi.
Bước 6 — Biến nhận xét thành hành động. Nếu retention tệ ở tuần 1, vấn đề nằm ở onboarding. Nếu rớt dần đều về sau, vấn đề là giá trị dài hạn / thiếu thói quen. Nếu một cohort cụ thể xấu bất thường, hãy soi xem tháng đó bạn đã thay đổi gì (tính năng mới, chiến dịch quảng cáo, tăng giá).
Lỗi thường gặp & mẹo
Lỗi 1 — Chọn return event quá hời hợt. Đo retention bằng "mở app" sẽ cho con số đẹp giả tạo, vì người ta có thể mở rồi thoát ngay. Hãy neo vào hành động tạo ra giá trị thật (đặt đơn, hoàn thành bài học, gửi tin nhắn).
Lỗi 2 — Cohort quá nhỏ. Nếu một cohort chỉ có 50 người, tỷ lệ phần trăm nhảy loạn xạ và vô nghĩa. Hãy gộp khoảng thời gian rộng hơn (theo tháng thay vì theo ngày) cho đến khi mỗi cohort đủ lớn để tin cậy.
Lỗi 3 — So sánh cohort "non" với cohort "già". Cohort tháng này mới có dữ liệu 1 tuần, không thể so cột "tuần 4" với cohort 6 tháng trước được — vì nó chưa sống đủ lâu. Chỉ so các cohort ở cùng tuổi (cùng mốc thời gian từ điểm 0).
Lỗi 4 — Nhầm tương quan với nhân quả. Việc nhóm có hành vi X giữ chân tốt hơn không tự động chứng minh X gây ra retention. Có thể những người vốn đã hứng thú mới làm X. Cohort cho bạn giả thuyết; muốn chứng minh nhân quả, cần A/B test.
Mẹo 1 — Luôn nhìn đường cong, không chỉ một con số. Hình dạng đường retention (rớt rồi phẳng ra hay rớt mãi về 0) quan trọng hơn một điểm dữ liệu đơn lẻ.
Mẹo 2 — Bắt đầu đơn giản. Đừng cố dựng 5 loại cohort cùng lúc. Một acquisition cohort theo tháng với một return event rõ ràng đã đủ tạo ra insight giá trị trong tuần đầu tiên.
Mẹo 3 — Đặt cohort cạnh các mốc thay đổi sản phẩm. Đánh dấu trên bảng tháng nào bạn ra tính năng lớn hay đổi giá. Khi một cohort tốt/xấu đột biến, bạn sẽ nhanh chóng nối được nguyên nhân.
Bài tập thực hành
- Đọc bảng cohort. Quay lại bảng retention ở phần Khái niệm cốt lõi. Hãy trả lời: (a) ở mốc tuần 4, cohort nào giữ chân tốt nhất và tệ nhất? (b) Theo chiều dọc, sản phẩm đang tốt lên hay xấu đi qua các tháng? (c) Bạn rút ra giả thuyết gì về việc nhóm vận hành đã làm đúng?
- Thiết kế cohort cho sản phẩm của bạn. Chọn một ứng dụng bạn yêu thích (ví dụ một app đặt xe Việt Nam). Viết ra: anchor event, return event phản ánh giá trị thật, và đơn vị thời gian phù hợp. Giải thích vì sao bạn chọn return event đó thay vì "mở app".
- Đề xuất một behavioral cohort. Với chính sản phẩm ở câu 2, hãy nêu một giả thuyết về "khoảnh khắc aha" (ví dụ "người hoàn tất chuyến đi đầu trong 3 ngày sẽ ở lại lâu hơn"). Mô tả hai nhóm hành vi bạn sẽ so sánh và cảnh báo: vì sao kết quả này chưa phải là bằng chứng nhân quả?
- Tình huống quyết định. Giả sử cohort tháng gần nhất của bạn có retention tuần 1 tụt mạnh so với 3 tháng trước. Liệt kê 3 nguyên nhân khả dĩ bạn sẽ điều tra và bước hành động đầu tiên cho mỗi nguyên nhân.
Tóm tắt
- Cohort là một nhóm người dùng chia sẻ đặc điểm chung trong một khoảng thời gian — phổ biến nhất là cùng thời điểm bắt đầu — và được theo dõi cố định qua thời gian.
- Cohort analysis tồn tại để vượt qua vanity metric: con số tổng che giấu việc retention đang tốt lên hay xấu đi, còn cohort phơi bày chất lượng thật của từng đợt người dùng.
- Ba loại chính: acquisition cohort (theo thời điểm thu nạp), behavioral cohort (theo hành động — giúp tìm khoảnh khắc aha), và segment cohort (theo kênh/nền tảng/khu vực).
- Đọc bảng cohort theo hai chiều: ngang để thấy đường cong rụng của một nhóm, dọc để so sánh các đợt cùng tuổi xem sản phẩm có đang cải thiện.
- Quy trình: chọn anchor event → return event có ý nghĩa → đơn vị thời gian → dựng bảng → đọc hai chiều → biến thành hành động.
- Cẩn trọng: chọn return event thực chất, cohort đủ lớn, chỉ so cohort cùng tuổi, và nhớ rằng cohort cho giả thuyết chứ không tự chứng minh nhân quả — muốn chắc chắn thì cần A/B test.