This video provides a walkthrough of the challenge requirements for this chapter. You will learn how to create a cohort retention matrix using Python and visualize it to reveal user retention patterns over time. The video also guides you through interpreting the matrix and summarizing key business insights that can be derived from your analysis, helping you translate cohort data into actionable recommendations for business strategy.

In dieser Aufgabe wird das Wissen zur Kohortenanalyse angewendet, indem eine Retentionsmatrix erstellt und die Ergebnisse interpretiert werden, um umsetzbare geschäftliche Erkenntnisse zu gewinnen. Zunächst wird eine Kohorten-Retentionsmatrix mit den vorbereiteten Kohortendaten erstellt. Die Matrix wird visualisiert, um die Retentionsraten im Zeitverlauf für jede Kohorte übersichtlich darzustellen, unter Verwendung geeigneter Python-Bibliotheken. Nach der Erstellung der Visualisierung werden die Muster analysiert und die wichtigsten geschäftlichen Erkenntnisse zusammengefasst – beispielsweise Trends bei der Nutzerbindung, Zeiträume mit erhöhter Abwanderung oder Unterschiede zwischen den Kohorten. Die Zusammenfassung sollte mindestens zwei umsetzbare Empfehlungen enthalten, die ein Unternehmen auf Grundlage der in der Matrix dargestellten Kohorten-Retentionstrends implementieren könnte.


import unittest
import user_code
import ast
import re   
import importlib
import csv
import unittest
import pandas as pd
import numpy as np
import importlib
import sys
import io
from contextlib import redirect_stdout

class TestTask(unittest.TestCase):
    def setUp(self):
        self.data = {
            'user_id': [1,1,2,2,3,4,5,6,7,7,8,9],
            'cohort_month': ['2023-01','2023-02','2023-01','2023-02','2023-02','2023-02','2023-03','2023-03','2023-03','2023-03','2023-03','2023-03'],
            'activity_month': ['2023-01','2023-02','2023-02','2023-03','2023-02','2023-03','2023-03','2023-04','2023-03','2023-04','2023-04','2023-04']
        }
        self.df = pd.DataFrame(self.data)

    def test_generate_retention_matrix_structure_and_values(self):
        import user_code
        importlib.reload(user_code)
        func = getattr(user_code, 'generate_retention_matrix', None)
        _dynamic_test(
            self,
            callable(func),
            'generate_retention_matrix is defined',
            'generate_retention_matrix is not defined',
        )
        retention = func(self.df)
        _dynamic_test(
            self,
            isinstance(retention, pd.DataFrame),
            'generate_retention_matrix returns a DataFrame',
            f'generate_retention_matrix did not return a DataFrame, got {type(retention)}',
        )
        # Check that all values are between 0 and 1
        all_values = retention.values.flatten()
        _dynamic_test(
            self,
            np.all((all_values >= 0) & (all_values <= 1)),
            'All retention rates are between 0 and 1',
            f'Some retention rates are outside [0,1]: {all_values}',
        )

    def test_plot_retention_matrix_heatmap(self):
        import user_code
        importlib.reload(user_code)
        func_matrix = getattr(user_code, 'generate_retention_matrix', None)
        func_plot = getattr(user_code, 'plot_retention_matrix', None)
        retention = func_matrix(self.df)
        _dynamic_test(
            self,
            callable(func_plot),
            'plot_retention_matrix is defined',
            'plot_retention_matrix is not defined',
        )
        # Suppress actual plot display for testing
        import matplotlib
        matplotlib.use('Agg')
        try:
            func_plot(retention)
            _dynamic_test(
                self,
                True,
                'plot_retention_matrix runs without error',
                'plot_retention_matrix raised an error',
            )
        except Exception as e:
            _dynamic_test(
                self,
                False,
                '',
                f'plot_retention_matrix raised an exception: {e}',
            )

    

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)

def normalize_text(text):
    text = text.lower()
    text = re.sub(r"\\s{2,}", " ", text)
    text = re.sub(r"\\s*([,:?])\\s*", r"\\1 ", text)
    return text.strip()

def change_var(code: str, var_name: str, value: str) -> str:
    tree = ast.parse(code)
    lines = code.splitlines()
    changed = False
    # Collect all assignment nodes to modify
    assign_nodes = [
        (i, node)
        for i, node in enumerate(tree.body)
        if isinstance(node, ast.Assign)
        and any(isinstance(target, ast.Name) and target.id == var_name for target in node.targets)
    ]

    # If nothing to change, return unmodified code
    if not assign_nodes:
        return code

    # Perform replacements for all matching assignments (from last to first to not break line offsets)
    for i, node in reversed(assign_nodes):
        start_line = node.lineno - 1
        line = lines[start_line]
        indent = ' ' * (len(line) - len(line.lstrip()))
        lines[start_line] = f"{indent}{var_name} = {value}"
        next_line = len(lines)
        for next_node in tree.body[i+1:]:
            if hasattr(next_node, 'lineno'):
                next_line = next_node.lineno - 1
                break
        if next_line > start_line + 1:
            lines[start_line+1:next_line] = []
        changed = True

    return '\\n'.join(lines) if changed else code

if __name__ == "__main__":
    unittest.main()


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.

Herausforderung: Kohortenvisualisierung und Erkenntnisse

Lösung