Oppiskele Kohorttianalyysi | Segmentointi ja Käyttäytymisanalyysi

Pyyhkäise näyttääksesi valikon

Kohorttianalyysi on tehokas tekniikka tuoteanalytiikassa, jonka avulla voidaan vertailla käyttäjäryhmiä, joilla on yhteinen aloituspiste – kuten rekisteröitymiskuukausi tai ensimmäisen oston päivämäärä. Kuvittele, että ylläpidät sovellusta ja haluat ymmärtää, miten tammikuussa liittyneet käyttäjät käyttäytyvät ajan myötä verrattuna helmikuussa liittyneisiin. Sen sijaan, että keskiarvoistat kaikki käyttäjät yhteen, kohorttianalyysi mahdollistaa jokaisen ryhmän sitoutumisen ja pysyvyyden seuraamisen heidän elinkaarensa aikana.

Ajattele kohorttia kuin koulun valmistuvaa vuosikurssia: kaikki samana vuonna aloittaneet opiskelijat kokevat matkansa yhdessä, ja voit tarkastella, kuinka moni pysyy mukana eri vaiheissa. Tuoteanalytiikassa tämä tarkoittaa, että voit nähdä, pysyvätkö tiettyjen kuukausien käyttäjät pidempään, sitoutuvatko he enemmän tai poistuvatko he eri tahtiin.

Esimerkiksi saatat huomata, että helmikuussa rekisteröityneillä käyttäjillä on korkeampi pysyvyys neljännellä viikolla kuin tammikuun käyttäjillä. Tämä voi viitata onnistuneisiin tuoteparannuksiin, kausivaihteluihin tai eroihin hankintakanavissa. Jakamalla käyttäjät kohortteihin saat selkeämmän kuvan siitä, miten tuoteuudistukset, markkinointikampanjat tai ulkoiset tapahtumat vaikuttavat tiettyihin ryhmiin ajan kuluessa.

Määritelmä

Kohortti on käyttäjäryhmä, jolla on yhteinen ominaisuus, kuten rekisteröitymiskuukausi.


              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)

Kohorttianalyysin tulosten tulkinta voi paljastaa arvokkaita oivalluksia tuotestrategiaasi varten. Jos huomaat, että uudemmilla kohorteilla on parempi pysyvyys, se voi tarkoittaa, että uusimmat ominaisuudet tai parannettu käyttöönotto toimivat. Vastaavasti äkillinen pysyvyyden lasku tietyssä kohortissa voi viitata ongelmiin uuden julkaisun tai markkinointitaktiikan muutoksen yhteydessä.

Kohorttianalyysi auttaa siirtymään pintatason mittareista syvempään ymmärrykseen siitä, miten tuoteuudistukset vaikuttavat käyttäjien toimintaan. Seuraamalla jokaisen kohortin matkaa voit tunnistaa, mitkä strategiat edistävät pitkäaikaista sitoutumista ja pysyvyyttä sekä missä kohtaa lähestymistapaa kannattaa muuttaa, jotta käyttäjät pysyvät mukana.

Oliko kaikki selvää?

Kiitos palautteestasi!

Osio 3. Luku 2

Kysy tekoälyä

Kysy mitä tahansa tai kokeile jotakin ehdotetuista kysymyksistä aloittaaksesi keskustelumme

Osio 3. Luku 2