Lernen Kohortenanalyse | Segmentation and Behavioral Analysis

Swipe um das Menü anzuzeigen

Kohortenanalyse ist eine leistungsstarke Technik in der Produktanalyse, mit der Gruppen von Nutzern verglichen werden können, die einen gemeinsamen Ausgangspunkt haben – wie zum Beispiel ihren Anmeldemonat oder das Datum ihres ersten Kaufs. Stellen Sie sich vor, Sie betreiben eine App und möchten verstehen, wie sich Nutzer, die im Januar beigetreten sind, im Laufe der Zeit im Vergleich zu denen verhalten, die im Februar beigetreten sind. Anstatt alle Nutzer zusammenzufassen, ermöglicht die Kohortenanalyse, die Bindung und das Engagement jeder Gruppe im Verlauf ihres Lebenszyklus zu verfolgen.

Stellen Sie sich eine Kohorte wie einen Abschlussjahrgang in der Schule vor: Alle Schüler, die im selben Jahr begonnen haben, durchlaufen ihre Reise gemeinsam, und Sie können beobachten, wie viele an jedem Meilenstein verbleiben. In der Produktanalyse bedeutet dies, dass Sie sehen können, ob Nutzer aus bestimmten Monaten länger bleiben, sich stärker engagieren oder zu unterschiedlichen Zeitpunkten abspringen.

Beispielsweise könnten Sie feststellen, dass Nutzer, die sich im Februar angemeldet haben, in Woche 4 eine höhere Bindung aufweisen als diejenigen aus dem Januar. Dies könnte auf erfolgreiche Produktänderungen, saisonale Effekte oder Unterschiede in den Akquisekanälen hinweisen. Durch die Aufteilung der Nutzer in Kohorten erhalten Sie ein klareres Bild davon, wie Produktaktualisierungen, Marketingkampagnen oder externe Ereignisse bestimmte Gruppen im Zeitverlauf beeinflussen.

Definition

Eine Kohorte ist eine Gruppe von Nutzern, die ein gemeinsames Merkmal teilen, wie zum Beispiel den Anmeldemonat.


              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)

Die Interpretation von Kohortenanalyse-Ergebnissen kann wertvolle Erkenntnisse für die Produktstrategie liefern. Wenn neuere Kohorten eine bessere Bindung aufweisen, kann dies bedeuten, dass Ihre neuesten Funktionen oder Verbesserungen beim Onboarding erfolgreich sind. Umgekehrt kann ein plötzlicher Rückgang der Bindung in einer bestimmten Kohorte auf Probleme mit einer neuen Version oder einer Änderung der Marketingstrategie hinweisen.

Die Kohortenanalyse ermöglicht es, über oberflächliche Kennzahlen hinauszugehen und die tatsächlichen Auswirkungen von Produktänderungen auf das Nutzerverhalten zu verstehen. Durch die Verfolgung der Entwicklung jeder Kohorte können Sie erkennen, welche Strategien langfristige Bindung und Engagement fördern und wo Anpassungen notwendig sind, um Nutzer dauerhaft zu binden.

War alles klar?

Danke für Ihr Feedback!

Abschnitt 3. Kapitel 2

Fragen Sie AI

Fragen Sie alles oder probieren Sie eine der vorgeschlagenen Fragen, um unser Gespräch zu beginnen

Abschnitt 3. Kapitel 2