Apprendre Analyse de Cohorte | Segmentation et Analyse Comportementale

Glissez pour afficher le menu

L'analyse de cohorte est une technique puissante en analytique produit qui permet de comparer des groupes d'utilisateurs partageant un point de départ commun, comme leur mois d'inscription ou la date de leur premier achat. Imaginez que vous gérez une application et souhaitez comprendre comment les utilisateurs inscrits en janvier se comportent au fil du temps par rapport à ceux inscrits en février. Plutôt que de faire une moyenne sur l'ensemble des utilisateurs, l'analyse de cohorte vous permet de suivre la rétention et l'engagement de chaque groupe tout au long de leur cycle de vie.

Considérez une cohorte comme une promotion scolaire : tous les élèves ayant commencé la même année vivent leur parcours ensemble, et vous pouvez observer combien restent à chaque étape. En analytique produit, cela signifie que vous pouvez voir si les utilisateurs de certains mois restent plus longtemps, s'engagent davantage ou abandonnent à des rythmes différents.

Par exemple, vous pourriez remarquer que les utilisateurs inscrits en février présentent une meilleure rétention à la quatrième semaine que ceux de janvier. Cela peut indiquer des changements produits réussis, des effets saisonniers ou des différences dans les canaux d'acquisition. En segmentant les utilisateurs en cohortes, vous obtenez une vision plus claire de l'impact des mises à jour produit, des campagnes marketing ou d'événements externes sur des groupes spécifiques au fil du temps.

Définition

Une cohorte est un groupe d'utilisateurs partageant une caractéristique commune, comme le mois d'inscription.


              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)

L'interprétation des résultats de l'analyse de cohorte peut révéler des informations précieuses pour la stratégie produit. Si vous constatez que les cohortes les plus récentes présentent une meilleure rétention, cela peut signifier que vos dernières fonctionnalités ou améliorations de l'onboarding portent leurs fruits. À l'inverse, une chute soudaine de la rétention pour une cohorte spécifique peut mettre en évidence des problèmes liés à une nouvelle version ou à un changement de stratégie marketing.

L'analyse de cohorte permet d'aller au-delà des indicateurs superficiels et de comprendre l'impact réel des évolutions produit sur le comportement des utilisateurs. En suivant le parcours de chaque cohorte, il est possible d'identifier les stratégies qui favorisent l'engagement et la rétention sur le long terme, ainsi que les axes d'amélioration pour fidéliser les utilisateurs.

Tout était clair ?

Merci pour vos commentaires !

Section 3. Chapitre 2

Demandez à l'IA

Posez n'importe quelle question ou essayez l'une des questions suggérées pour commencer notre discussion

Section 3. Chapitre 2