PHÂN TÍCH COHORT TRONG GIỮ CHÂN KHÁCH HÀNG

Nhóm khách theo thời điểm bắt đầu rồi theo dõi từng nhóm để thấy điều mà con số giữ chân trung bình che mất

---

Một ứng dụng đặt đồ uống báo cáo tỷ lệ khách quay lại sau một tháng là 43%, gần như không đổi so với các tháng trước. Ban giám đốc yên tâm. Nhưng khi tách khách theo tháng họ đặt đơn đầu tiên, bức tranh khác hẳn: những khách đến trong tháng có đợt khuyến mãi lớn chỉ còn 29% quay lại sau một tháng, trong khi các nhóm khác giữ được 45–48%. Con số trung bình đã trộn hai câu chuyện rất khác nhau thành một con số trông bình thường.

Kỹ thuật làm lộ ra những câu chuyện bị che ấy là phân tích cohort (cohort analysis): nhóm các đối tượng theo một thời điểm bắt đầu chung, chẳng hạn tháng khách mua lần đầu, rồi theo dõi hành vi của từng nhóm qua các kỳ. Thay vì nhìn toàn bộ tập khách như một khối, người phân tích nhìn vòng đời của từng nhóm và thấy được nhóm nào khác thường.

Bài viết gồm năm mục. Mục 1 định nghĩa cohort và phân biệt nó với phân khúc. Mục 2 hướng dẫn đọc bảng cohort hình tam giác theo ba hướng. Mục 3 dùng cohort để chẩn đoán vì sao chỉ số tổng biến động. Mục 4 cảnh báo thiên kiến sống sót khi đọc cohort. Mục 5 nối cohort với dự đoán giá trị vòng đời và hướng dẫn dựng bảng cohort bằng bảng tính hoặc SQL.

1. Cohort là gì

Một cohort (nhóm khách cùng kỳ) là tập đối tượng có chung một sự kiện bắt đầu trong cùng một khoảng thời gian: khách mua lần đầu trong tháng 3, người dùng tải ứng dụng trong tuần thứ 10, sinh viên nhập học khóa 2025. Phân tích cohort theo dõi một chỉ số, như tỷ lệ còn mua, chi tiêu hay số đơn, của từng nhóm theo tuổi của nhóm, tức số kỳ kể từ sự kiện bắt đầu.

Cohort khác phân khúc (segmentation) ở trục thời gian. Phân khúc chia khách theo đặc điểm tại một thời điểm, như độ tuổi, khu vực hay điểm RFM mà bài Phân nhóm khách hàng theo RFM trình bày. Cohort chia khách theo thời điểm gia nhập rồi theo dõi họ đi qua thời gian. Vì vậy cohort vừa là kỹ thuật phân khúc vừa là kỹ thuật theo dõi xu hướng. Dùng để mô tả mức giữ chân của từng nhóm, nó là phân tích mô tả; dùng để giải thích vì sao chỉ số tổng biến động, nó là phân tích chẩn đoán; dùng để ước lượng giá trị vòng đời, nó phục vụ phân tích dự đoán. Bài Năm loại hình phân tích kinh doanh giải thích vì sao cùng một kỹ thuật có thể thuộc nhiều loại hình tùy mục đích.

2. Đọc bảng cohort hình tam giác

Kết quả phân tích cohort thường được trình bày thành một bảng tam giác: mỗi hàng là một nhóm khách theo tháng mua lần đầu, mỗi cột là số tháng kể từ lần mua ấy, mỗi ô là tỷ lệ khách trong nhóm còn mua ở tháng đó. Hình 1 là bảng cohort của ứng dụng đặt đồ uống ở đầu bài.

Hình 1. Bảng cohort giữ chân khách của một ứng dụng đặt đồ uống (số liệu giả định).

Bảng ở Hình 1 có hình tam giác vì nhóm gia nhập càng muộn thì càng ít tháng để quan sát. Có ba hướng đọc bảng, mỗi hướng trả lời một câu hỏi khác nhau.

Đọc theo hàng cho thấy vòng đời của một nhóm: nhóm tháng 1 còn 47% sau một tháng, 38% sau hai tháng, rồi giảm chậm dần xuống 28% sau năm tháng. Hình dạng này rất phổ biến: khách rời đi nhiều nhất ngay sau lần mua đầu, rồi đường cong phẳng dần.

Đọc theo cột so sánh các nhóm ở cùng một "tuổi". Ở cột tháng 1, các nhóm giữ được 45–48%, riêng nhóm tháng 4 chỉ 29%. Đây là hướng đọc quan trọng nhất, vì nó so sánh công bằng: mọi nhóm đều được nhìn sau đúng một tháng kể từ khi gia nhập.

Đọc theo đường chéo cho thấy những gì xảy ra trong cùng một tháng lịch với mọi nhóm. Các ô trên một đường chéo cùng rơi vào một tháng lịch; nếu cả đường chéo đều thấp bất thường, nguyên nhân có lẽ nằm ở sự kiện của tháng ấy, như một sự cố ứng dụng hay một đợt nghỉ lễ, chứ không ở chất lượng của từng nhóm.

3. Cohort để chẩn đoán

Sức mạnh chẩn đoán của cohort nằm ở khả năng tách biệt ảnh hưởng của thời điểm gia nhập khỏi xu hướng chung. Mục này cho thấy con số tổng che giấu điều gì, rồi bàn cách đọc manh mối mà cohort đưa ra.

3.1. Con số tổng trộn lẫn các nhóm

Quay lại con số 43% ở đầu bài. Nếu năm nhóm từ tháng 1 đến tháng 5 có cùng quy mô, tỷ lệ quay lại sau một tháng tính gộp là (47 + 45 + 48 + 29 + 46) / 5 ≈ 43%. Con số này không nói dối, nhưng nó che mất một nhóm khác hẳn. Bảng 1 cho thấy điều gì xảy ra khi quy mô của nhóm khuyến mãi thay đổi.

Bảng 1. Tỷ lệ quay lại sau một tháng tính gộp theo quy mô nhóm khuyến mãi (số liệu giả định)

Bảng 1 cho thấy con số gộp có thể giảm chỉ vì một nhóm kém được tuyển nhiều hơn, dù không nhóm nào xấu đi. Đây cũng là cơ chế của nghịch lý mà bài Nghịch lý Simpson trong phân tích dữ liệu mô tả: thay đổi cơ cấu các nhóm làm thay đổi con số tổng.

3.2. Từ manh mối đến kết luận

Nhóm tháng 4 có tỷ lệ giữ chân thấp hơn hẳn là một manh mối rằng đợt khuyến mãi thu hút nhầm đối tượng: những người chỉ đến vì giá rẻ và rời đi khi hết ưu đãi. Nhưng manh mối chưa phải kết luận. Nhóm tháng 4 khác các nhóm khác ở nhiều điểm cùng lúc: thời điểm, nguồn khách, có thể cả sản phẩm được bán. Để biết chắc khuyến mãi là nguyên nhân, cần so sánh trong cùng một tháng giữa khách đến nhờ khuyến mãi và khách đến không nhờ khuyến mãi, hoặc tốt hơn là thử nghiệm có đối chứng như bài Thử nghiệm A/B từ giả thuyết đến kết luận hướng dẫn. Cohort chỉ ra chỗ cần nhìn; nó không tự chứng minh quan hệ nhân quả.

4. Thiên kiến sống sót khi đọc cohort

Cohort cần được đọc với con mắt của thiên kiến sống sót. Các chỉ số tính trên "khách còn hoạt động" ở tháng thứ sáu chỉ nói về những người đã ở lại. Nếu giá trị đơn bình quân của một nhóm tăng dần qua các tháng, chưa chắc từng khách đã chi nhiều lên; có thể chỉ những khách vốn chi nhiều mới còn ở lại, còn khách chi ít đã rời đi. Hình 2 minh họa cơ chế này.

Hình 2. Giá trị đơn bình quân tăng chỉ vì thành phần khách thay đổi (số liệu giả định).

Trong Hình 2, một nhóm 1.000 khách gồm 500 khách chi ít, mỗi đơn 200.000 đồng và 500 khách chi nhiều, mỗi đơn 600.000 đồng. Không ai thay đổi mức chi. Nhưng khách chi ít rời đi nhanh hơn: sau sáu tháng chỉ còn 70 người, trong khi khách chi nhiều còn 320. Giá trị đơn bình quân của nhóm vì thế tăng từ 400.000 lên khoảng 530.000 đồng. Một báo cáo đọc vội sẽ kết luận "khách càng gắn bó càng chi nhiều", điều sai hoàn toàn trong ví dụ này. Muốn tách hai cách giải thích, hãy tính chỉ số trên cùng một tập khách cố định, chẳng hạn chỉ những khách còn mua ở tháng thứ sáu, rồi lần ngược lại mức chi của họ ở các tháng trước. Bài Bài học thống kê từ một tấm meme kể thêm những câu chuyện về thiên kiến sống sót.

5. Từ cohort đến giá trị vòng đời

Đường giữ chân của các cohort không chỉ để nhìn lại; nó là đầu vào quan trọng để ước lượng tương lai. Mục này nối cohort với giá trị vòng đời khách hàng, rồi hướng dẫn cách dựng bảng cohort.

5.1. Cohort là nguyên liệu của LTV

Giá trị vòng đời khách hàng (LTV) phụ thuộc mạnh vào tỷ lệ giữ chân, như bài Kinh tế đơn vị trong bán hàng trực tuyến cho thấy: tăng tỷ lệ giữ chân từ 60% lên 80% có thể gần nhân đôi LTV. Đường giữ chân quan sát được từ các cohort cũ là dữ liệu để ước lượng tỷ lệ ấy cho các cohort mới. Fader và Hardie cảnh báo một sai lầm phổ biến khi làm việc này: kéo dài đường giữ chân bằng một hàm đơn giản khớp tốt với vài tháng đầu thường dự báo sai nặng ở các tháng sau, vì đường giữ chân của cả nhóm phẳng dần khi những khách dễ rời đi đã rời đi hết (Fader & Hardie, 2007). Nói cách khác, chính thiên kiến sống sót ở mục 4 làm hình dạng đường cong thay đổi theo thời gian và mô hình dự báo phải tính đến điều đó. Bài Cách tính CLV và CAC cho doanh nghiệp trình bày các công thức LTV dùng tỷ lệ giữ chân.

Ở cấp quản trị, lợi ích của việc giữ chân ít khi hiện ra thành một đợt tăng doanh thu tức thì; nó hiện ra dưới dạng độ bền của các cohort: khách tuyển trong một kỳ quay lại thường hơn, chi nhiều hơn và hoạt động lâu hơn (Knights, 2026). Vì vậy theo dõi cột tháng 1 và tháng 3 của bảng cohort qua từng quý là một cách tốt để biết các nỗ lực chăm sóc khách có tác dụng hay không.

5.2. Dựng bảng cohort

Bảng cohort có thể dựng bằng bảng xoay (PivotTable) trong Excel hay Google Sheets, hoặc bằng SQL. Với bảng tính, quy trình gồm ba bước: thêm cột "tháng mua đầu" cho mỗi khách bằng hàm lấy giá trị nhỏ nhất của ngày mua theo mã khách; thêm cột "tuổi" bằng số tháng giữa ngày mua và tháng mua đầu; rồi đặt "tháng mua đầu" vào hàng, "tuổi" vào cột và đếm số mã khách không trùng ở mỗi ô, chia cho quy mô nhóm ở cột tuổi 0. Với SQL, truy vấn dưới đây cho cùng kết quả trên một bảng đơn hàng có mã khách và ngày đặt.

WITH dau AS (
  SELECT ma_khach, DATE_TRUNC('month', MIN(ngay_dat)) AS thang_dau
  FROM don_hang GROUP BY ma_khach
),
hoat_dong AS (
  SELECT DISTINCT d.ma_khach, dau.thang_dau,
         DATE_DIFF('month', dau.thang_dau, DATE_TRUNC('month', d.ngay_dat)) AS tuoi
  FROM don_hang d JOIN dau USING (ma_khach)
)
SELECT thang_dau, tuoi, COUNT(*) AS so_khach_con_mua
FROM hoat_dong GROUP BY thang_dau, tuoi ORDER BY thang_dau, tuoi;

Kết quả của truy vấn là dạng dài: mỗi dòng là một cặp nhóm và tuổi. Chia số khách còn mua cho số khách ở tuổi 0 của cùng nhóm, rồi xoay thành bảng ngang, sẽ ra bảng tam giác như Hình 1. Hàm ngày tháng có tên khác nhau giữa các hệ quản trị cơ sở dữ liệu; bài SQL từ cơ bản đến nâng cao giới thiệu cú pháp các câu lệnh WITH và GROUP BY được dùng ở đây.

Kết luận

Phân tích cohort trả lời một câu hỏi mà con số giữ chân trung bình không trả lời được: các nhóm khách khác nhau đi qua vòng đời của họ như thế nào. Bảng cohort hình tam giác có ba hướng đọc: theo hàng để thấy vòng đời một nhóm, theo cột để so các nhóm ở cùng tuổi, theo đường chéo để phát hiện sự kiện của một tháng lịch. Trong ví dụ, đọc theo cột đã làm lộ ra một nhóm khách đến nhờ khuyến mãi chỉ giữ được chưa tới hai phần ba mức của các nhóm khác, điều mà con số gộp 43% hoàn toàn che mất.

Cohort mạnh nhưng cần được đọc cẩn trọng. Nó đưa ra manh mối chứ chưa phải bằng chứng nhân quả và các chỉ số tính trên khách còn hoạt động luôn mang thiên kiến sống sót. Dùng đúng, cohort là cầu nối giữa mô tả, chẩn đoán và dự đoán: từ biết khách nào đã ở lại, đến hiểu vì sao, đến ước lượng họ sẽ mang lại bao nhiêu.

Đọc thêm

• Phân nhóm khách hàng theo RFM
• Cách tính CLV và CAC cho doanh nghiệp
• Kinh tế đơn vị trong bán hàng trực tuyến
• Nghịch lý Simpson trong phân tích dữ liệu
• Năm loại hình phân tích kinh doanh
• SQL từ cơ bản đến nâng cao

Tài liệu tham khảo

Fader, P. S., & Hardie, B. G. S. (2007). How to project customer retention. Journal of Interactive Marketing, 21(1), 76–90. https://doi.org/10.1002/dir.20074

Knights, M. (2026). The future of shopping: Using digital, data and AI to win with customers. Kogan Page. https://checkout.koganpage.com/product/the-future-of-shopping-9781398627925