Oppiskele Kohorttien Säilyttämismatriisien Visualisointi | Kohorttien visualisointi ja liiketoiminta-oivallukset

Pyyhkäise näyttääksesi valikon

Kohorttien säilyttämismatriisit ovat tehokas työkalu havainnollistamaan, miten käyttäjäryhmät – eli kohortit – palaavat ja sitoutuvat tuotteeseesi tai palveluusi ajan myötä. Järjestämällä käyttäjäaktiivisuus matriisiin voit helposti havaita säilyttämisen ja poistuman kaavat, mikä mahdollistaa uskollisimpien kohorttien tunnistamisen, ajankohdat jolloin käyttäjät yleensä lopettavat sekä sen, miten liiketoiminnan muutokset vaikuttavat asiakaskäyttäytymiseen. Säilyttämismatriisit ovat erityisen tärkeitä analytiikassa, koska ne tarjoavat selkeän ja toimivan yleiskuvan käyttäjien sitoutumistrendeistä, auttaen tekemään perusteltuja päätöksiä tuotekehityksen, markkinoinnin ja asiakassuhteiden hallinnan strategioissa.


              12345678910111213141516171819202122232425262728293031323334
            
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns

# Example: Simulated cohort data
np.random.seed(42)
cohorts = ["2023-01", "2023-02", "2023-03", "2023-04"]
periods = ["Month 0", "Month 1", "Month 2", "Month 3", "Month 4"]

# Simulating retention rates (as percentages)
data = [
    [100, 60, 40, 30, 20],
    [100, 55, 35, 25, 15],
    [100, 50, 30, 20, 10],
    [100, 65, 45, 30, 20],
]

retention_matrix = pd.DataFrame(data, index=cohorts, columns=periods)

plt.figure(figsize=(8, 5))
sns.heatmap(
    retention_matrix,
    annot=True,
    fmt=".0f",
    cmap="YlGnBu",
    linewidths=.5,
    cbar_kws={"label": "Retention (%)"}
)
plt.title("Cohort Retention Matrix Heatmap")
plt.ylabel("Cohort (Signup Month)")
plt.xlabel("Period Since Signup")
plt.tight_layout()
plt.show()

Kohorttimatriisin tulkinnassa aloita tarkastelemalla arvoja kunkin kohortin rivillä. Ensimmäinen sarake (yleensä nimetty "Month 0") näyttää kunkin kohortin käyttäjien lähtömäärän – tyypillisesti 100 %, koska kaikki käyttäjät ovat mukana rekisteröityessään. Siirtyessäsi oikealle rivillä jokainen sarake näyttää kyseisen kohortin aktiivisten käyttäjien prosenttiosuuden seuraavina ajanjaksoina.

Tummemmat solut lämpökartassa osoittavat korkeampaa säilyttämistä, kun taas vaaleammat solut osoittavat matalampaa säilyttämistä. Tarkastelemalla, kuinka nopeasti säilyttämisarvot pienenevät sarakkeiden yli, voit tunnistaa käyttäjien poistuman nopeuden. Esimerkiksi, jos näet jyrkän pudotuksen Month 0:sta Month 1:een, tämä viittaa siihen, että merkittävä osa käyttäjistä ei palaa ensimmäisen kokemuksen jälkeen.

Eri kohorttirivien vertailu voi paljastaa, säilyvätkö uudemmat kohortit paremmin (tai huonommin) kuin aiemmat. Jos säilyttäminen paranee uusimmissa kohorteissa, se voi viitata onnistuneisiin tuoteparannuksiin tai markkinointitoimiin. Vastaavasti laskeva säilyttäminen voi tuoda esiin ongelmia, jotka vaativat huomiota.

Kiinnitä aina huomiota sekä absoluuttisiin säilyttämisarvoihin että trendeihin ajan ja kohorttien yli. Näin voit tunnistaa, milloin ja missä kannattaa keskittää säilyttämisen parantamistoimet.

Oliko kaikki selvää?

Kiitos palautteestasi!

Osio 3. Luku 1

Kysy tekoälyä

Kysy mitä tahansa tai kokeile jotakin ehdotetuista kysymyksistä aloittaaksesi keskustelumme

Osio 3. Luku 1