This video provides a walkthrough of the challenge requirements for segmenting a dataset by two dimensions (such as acquisition month and user region) and calculating advanced retention metrics. You will see how to use pandas to group data, create multi-level cohorts, and compute retention and churn rates for each segment.

Um diese Aufgabe zu lösen, befolge die folgenden Schritte:

- Verwendung eines **pandas DataFrame** mit Nutzungsaktivitätsdaten, mit Spalten wie `user_id`, `acquisition_month`, `region` und `activity_month`;
- Segmentierung der Nutzer sowohl nach `acquisition_month` als auch nach `region`, um mehrstufige Kohorten zu erstellen;
- Für jede Kohorte Berechnung der Anzahl der Nutzer, die in jedem Folgemonat nach der Akquisition erhalten bleiben;
- Berechnung der **Retention Rate** für jede Kohorte als Prozentsatz der in einem bestimmten Monat aktiven Nutzer im Vergleich zur ursprünglichen Kohortengröße;
- Berechnung der **Churn Rate** als 1 minus der Retention Rate für jede Periode.

Für diese Berechnungen ist die effiziente Nutzung von **pandas** Gruppierungs- und Aggregationsmethoden erforderlich.

import unittest
import user_code
import importlib
import pandas as pd

class TestTask(unittest.TestCase):
    def setUp(self):
        self.data = {
            'user_id': [1, 1, 2, 2, 3, 4, 4, 5, 6, 6],
            'acquisition_month': [1, 1, 1, 1, 2, 2, 2, 2, 2, 2],
            'activity_month': [1, 2, 1, 2, 2, 2, 3, 2, 2, 3]
        }
        self.df = pd.DataFrame(self.data)

    def test_returns_dataframe_and_columns(self):
        import user_code
        importlib.reload(user_code)
        result = user_code.calculate_retention_by_acquisition(self.df)
        expected_columns = ['cohort', 'months_since_acquisition', 'retention_rate']
        _dynamic_test(
            self,
            isinstance(result, pd.DataFrame),
            "Returned object is a pandas DataFrame.",
            f"Expected DataFrame, got {type(result)}."
        )
        _dynamic_test(
            self,
            all(col in result.columns for col in expected_columns),
            f"Result contains all required columns: {expected_columns}.",
            f"Missing columns in result. Got columns: {list(result.columns)}."
        )

    def test_cohort_definition(self):
        import user_code
        importlib.reload(user_code)
        result = user_code.calculate_retention_by_acquisition(self.df)
        cohort_values = set(result['cohort'])
        expected_cohorts = set([1, 2])
        _dynamic_test(
            self,
            cohort_values == expected_cohorts,
            f"Cohorts are defined as acquisition_month: {expected_cohorts}",
            f"Expected cohorts: {expected_cohorts}, got: {cohort_values}"
        )

    def test_retention_rate_calculation(self):
        import user_code
        importlib.reload(user_code)
        result = user_code.calculate_retention_by_acquisition(self.df)
        # For cohort 1, months_since_acquisition=0: users 1 and 2
        # cohort size: users 1 and 2, so 2
        # active users at month 0: 2
        # retention rate: 2/2 = 1.0
        row = result[(result['cohort'] == 1) & (result['months_since_acquisition'] == 0)]
        rr = float(row['retention_rate'].iloc[0]) if not row.empty else None
        _dynamic_test(
            self,
            rr is not None and abs(rr - 1.0) < 1e-8,
            "Retention rate for cohort 1 at month 0 is correct (1.0)",
            f"Expected 1.0, got {rr}"
        )
        # For cohort 1, months_since_acquisition=1: users 1 and 2 again, so 2/2 = 1.0
        row = result[(result['cohort'] == 1) & (result['months_since_acquisition'] == 1)]
        rr = float(row['retention_rate'].iloc[0]) if not row.empty else None
        _dynamic_test(
            self,
            rr is not None and abs(rr - 1.0) < 1e-8,
            "Retention rate for cohort 1 at month 1 is correct (1.0)",
            f"Expected 1.0, got {rr}"
        )
        # For cohort 2, months_since_acquisition=0: users 3, 4, 5, 6
        # cohort size: users 3, 4, 5, 6, so 4
        # active users at month 0: 4
        # retention rate: 4/4 = 1.0
        row = result[(result['cohort'] == 2) & (result['months_since_acquisition'] == 0)]
        rr = float(row['retention_rate'].iloc[0]) if not row.empty else None
        _dynamic_test(
            self,
            rr is not None and abs(rr - 1.0) < 1e-8,
            "Retention rate for cohort 2 at month 0 is correct (1.0)",
            f"Expected 1.0, got {rr}"
        )
        # For cohort 2, months_since_acquisition=1: users 4, 6, so 2/4 = 0.5
        row = result[(result['cohort'] == 2) & (result['months_since_acquisition'] == 1)]
        rr = float(row['retention_rate'].iloc[0]) if not row.empty else None
        _dynamic_test(
            self,
            rr is not None and abs(rr - 0.5) < 1e-8,
            "Retention rate for cohort 2 at month 1 is correct (0.5)",
            f"Expected 0.5, got {rr}"
        )

def _dynamic_test(test_case, condition, success_message, failure_message):
    if condition:
        test_case._testMethodName = success_message
        test_case.assertTrue(True, success_message)
    else:
        test_case._testMethodName = failure_message
        test_case.fail(failure_message)


test_main.py

Beherrschung von Kohortenanalysetechniken mit Python. Dieser Kurs behandelt die Strukturierung von Kohortendaten, fortgeschrittene Segmentierung, Retentionsanalysen und umsetzbare Geschäftseinblicke mit praxisnahen Herausforderungen in jedem Abschnitt.

Erfahren Sie, wie Sie Daten für fortgeschrittene Kohortenanalysen strukturieren, vorverarbeiten und vorbereiten, einschließlich Kohortenzuordnung und Feature Engineering.

Tauchen Sie ein in fortgeschrittene Segmentierungsstrategien und die Berechnung von Retentionsmetriken, um tiefere Einblicke aus Kohortendaten zu gewinnen.

Visualisierung von Kohortendaten und Gewinnung umsetzbarer geschäftlicher Erkenntnisse mithilfe fortgeschrittener Visualisierungs- und Interpretationstechniken.

Challenge: Fortgeschrittene Segmentierung und Bindung

Lösung