Lære Kohorteanalyse | Segmentering og Adfærdsanalyse

Stryg for at vise menuen

Kohorteanalyse er en effektiv teknik inden for produktanalyse, der gør det muligt at sammenligne grupper af brugere, som deler et fælles udgangspunkt – såsom deres tilmeldingsmåned eller første købsdato. Forestil dig, at du driver en app og ønsker at forstå, hvordan brugere, der tilmeldte sig i januar, opfører sig over tid sammenlignet med dem, der tilmeldte sig i februar. I stedet for at beregne gennemsnittet for alle brugere samlet, giver kohorteanalyse dig mulighed for at følge hver gruppes fastholdelse og engagement, efterhånden som de bevæger sig gennem deres livscyklus.

Tænk på en kohorte som en årgang i skolen: alle elever, der startede samme år, oplever deres rejse sammen, og du kan observere, hvor mange der forbliver ved hvert milepæl. Inden for produktanalyse betyder det, at du kan se, om brugere fra bestemte måneder bliver længere, engagerer sig mere eller falder fra med forskellige hastigheder.

For eksempel kan du bemærke, at brugere, der tilmeldte sig i februar, har en højere fastholdelse i uge 4 end dem fra januar. Dette kan indikere vellykkede produktændringer, sæsonmæssige effekter eller forskelle i erhvervelseskanaler. Ved at opdele brugere i kohorter får du et klarere billede af, hvordan produktopdateringer, marketingkampagner eller eksterne begivenheder påvirker specifikke grupper over tid.

Definition

En kohorte er en gruppe brugere, der deler en fælles egenskab, såsom tilmeldingsmåned.


              1234567891011121314151617181920212223242526272829303132333435
            
import pandas as pd

# Example user data: user_id, signup_date, activity_date
data = [
    {"user_id": 1, "signup_date": "2024-01-10", "activity_date": "2024-01-10"},
    {"user_id": 1, "signup_date": "2024-01-10", "activity_date": "2024-01-17"},
    {"user_id": 2, "signup_date": "2024-01-15", "activity_date": "2024-01-15"},
    {"user_id": 2, "signup_date": "2024-01-15", "activity_date": "2024-01-22"},
    {"user_id": 3, "signup_date": "2024-02-05", "activity_date": "2024-02-05"},
    {"user_id": 3, "signup_date": "2024-02-05", "activity_date": "2024-02-12"},
    {"user_id": 4, "signup_date": "2024-02-20", "activity_date": "2024-02-20"},
    {"user_id": 4, "signup_date": "2024-02-20", "activity_date": "2024-02-27"},
]

df = pd.DataFrame(data)
df["signup_month"] = pd.to_datetime(df["signup_date"]).dt.to_period("M")
df["activity_week"] = (
    pd.to_datetime(df["activity_date"]) - pd.to_datetime(df["signup_date"])
).dt.days // 7

# Keeping only the first activity per user per week
df_cohort = df.drop_duplicates(subset=["user_id", "activity_week"])

# Counting users in each cohort and week
cohort_pivot = (
    df_cohort.groupby(["signup_month", "activity_week"])["user_id"]
    .nunique()
    .unstack(fill_value=0)
)

# Calculating cohort sizes (week 0)
cohort_sizes = cohort_pivot[0]
retention = cohort_pivot.divide(cohort_sizes, axis=0)

print(retention)

Fortolkning af resultater fra kohorteanalyse kan give værdifuld indsigt til din produktstrategi. Hvis du ser, at nyere kohorter har bedre fastholdelse, kan det betyde, at dine seneste funktioner eller forbedringer af onboarding virker. Omvendt kan et pludseligt fald i fastholdelse for en bestemt kohorte pege på problemer med en ny udgivelse eller en ændring i markedsføringstaktik.

Kohorteanalyse hjælper dig med at komme ud over overfladiske målinger og forstå den reelle effekt af produktændringer på brugeradfærd. Ved at følge hver kohortes rejse kan du identificere, hvilke strategier der driver langsigtet engagement og fastholdelse, og hvor du eventuelt skal justere din tilgang for at fastholde brugerne.

Var alt klart?

Tak for dine kommentarer!

Sektion 3. Kapitel 2

Spørg AI

Spørg om hvad som helst eller prøv et af de foreslåede spørgsmål for at starte vores chat

Sektion 3. Kapitel 2