Summary  
This chapter explains how to group tabular data by multiple dimensions using pandas’ groupby and perform aggregations such as counts and averages to uncover deeper patterns.  

General domain of usage  
Marketing analytics

This video introduces multi-dimensional cohort segmentation, explaining how you can analyze user behavior across more than one attribute—such as combining signup month with acquisition channel or geography. You'll see why adding extra dimensions uncovers deeper business insights, and you'll walk through a practical example using Python and pandas to segment users by both when they signed up and how they were acquired. Real-world cases show how companies use this approach to discover patterns that single-dimensional analysis might miss. Each code sample in video should include no more than 10 lines of code.

La segmentation de cohortes multi-dimensionnelle permet de regrouper les utilisateurs selon plusieurs attributs, tels que le mois d'inscription et le canal d'acquisition. Alors que l'analyse de cohortes traditionnelle se concentre sur un seul facteur – comme la date d'inscription – la segmentation multi-dimensionnelle permet de répondre à des questions plus complexes. Par exemple, il est possible d'observer si les utilisateurs issus d'une campagne marketing spécifique à un certain mois se comportent différemment de ceux provenant d'un autre canal ou d'une autre région. Cette approche est précieuse pour les entreprises car elle met en évidence des schémas et tendances invisibles lors d'une analyse à une seule dimension. En segmentant les cohortes selon plusieurs facteurs, il devient possible d'adapter les stratégies marketing, d'améliorer la rétention client et d'allouer les ressources de manière plus efficace.

import pandas as pd

# Sample data
data = {
    "user_id": [1, 2, 3, 4, 5, 6],
    "signup_date": [
        "2023-01-15", "2023-01-15", "2023-02-10",
        "2023-02-15", "2023-01-25", "2023-02-18"
    ],
    "acquisition_channel": [
        "Email", "Email", "Social", "Ad", "Ad", "Social"
    ]
}

df = pd.DataFrame(data)
df["signup_month"] = pd.to_datetime(df["signup_date"]).dt.to_period("M")

# Multi-dimensional cohort segmentation by signup_month and acquisition_channel
cohorts = df.groupby(["signup_month", "acquisition_channel"])["user_id"].nunique().reset_index()
cohorts = cohorts.rename(columns={"user_id": "num_users"})

print(cohorts)

En segmentant les cohortes à l'aide de `signup_month` et `acquisition_channel`, il est possible de détecter des tendances cachées qu'une analyse mono-dimensionnelle pourrait ignorer. Par exemple, il se peut que les utilisateurs acquis via **« Email »** en janvier soient plus engagés ou présentent une meilleure rétention que ceux acquis via **« Ad »** au même mois. Ce niveau de détail permet de prendre des décisions fondées sur les données concernant l'investissement du budget marketing, la personnalisation de l'expérience d'intégration et l'identification des canaux générant les clients les plus précieux. **La segmentation multi-dimensionnelle** constitue un outil puissant pour révéler des insights favorisant la croissance de l'entreprise.


import unittest
import user_code
import ast
import re   
import importlib
import csv
import unittest
import importlib
import pandas as pd

class TestTask(unittest.TestCase):
    def setUp(self):
        self.expected = pd.DataFrame({
            'signup_month': [pd.Period('2023-01'), pd.Period('2023-01'), pd.Period('2023-01'), pd.Period('2023-02'), pd.Period('2023-02'), pd.Period('2023-02')],
            'acquisition_channel': ['Ad', 'Email', 'Social', 'Ad', 'Email', 'Social'],
            'num_users': [1, 1, 1, 1, 1, 1]
        })
        # Sort for comparison
        self.expected = self.expected.sort_values(['signup_month', 'acquisition_channel']).reset_index(drop=True)

    def test_cohorts_exists_and_type(self):
        import user_code
        importlib.reload(user_code)
        cohorts = getattr(user_code, 'cohorts', None)
        _dynamic_test(
            self,
            cohorts is not None and isinstance(cohorts, pd.DataFrame),
            "The 'cohorts' DataFrame exists and is a pandas DataFrame.",
            "The 'cohorts' DataFrame is missing or not a pandas DataFrame."
        )

    def test_cohorts_columns(self):
        import user_code
        importlib.reload(user_code)
        cohorts = getattr(user_code, 'cohorts', None)
        expected_cols = ['signup_month', 'acquisition_channel', 'num_users']
        _dynamic_test(
            self,
            cohorts is not None and list(cohorts.columns) == expected_cols,
            f"The 'cohorts' DataFrame has correct columns: {expected_cols}.",
            f"The 'cohorts' DataFrame columns are incorrect. Got: {list(cohorts.columns)}"
        )

    def test_cohorts_values(self):
        import user_code
        importlib.reload(user_code)
        cohorts = getattr(user_code, 'cohorts', None)
        # Sort both DataFrames for comparison
        if cohorts is not None:
            cohorts_sorted = cohorts.sort_values(['signup_month', 'acquisition_channel']).reset_index(drop=True)
            # Compare values
            same_shape = cohorts_sorted.shape == self.expected.shape
            same_cols = list(cohorts_sorted.columns) == list(self.expected.columns)
            same_values = cohorts_sorted.equals(self.expected)
            _dynamic_test(
                self,
                same_shape and same_cols and same_values,
                "The 'cohorts' DataFrame has the correct grouped values.",
                f"The grouped values in 'cohorts' are incorrect.\\nExpected:\\n{self.expected}\\nGot:\\n{cohorts_sorted}"
            )
        else:
            _dynamic_test(
                self,
                False,
                "The 'cohorts' DataFrame has the correct grouped values.",
                "The 'cohorts' DataFrame is missing."
            )

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

Maîtriser les techniques d'analyse de cohortes avec Python. Ce cours couvre la structuration des données de cohortes, la segmentation avancée, l'analyse de la rétention et des insights business exploitables, avec des exercices pratiques dans chaque section.

Apprenez à structurer, prétraiter et préparer les données pour une analyse avancée des cohortes, y compris l'attribution des cohortes et l'ingénierie des caractéristiques.

Plongez dans des stratégies de segmentation avancées et des calculs de métriques de rétention pour découvrir des analyses plus approfondies à partir des données de cohortes.

Visualiser les données de cohortes et extraire des informations commerciales exploitables en utilisant des techniques avancées de visualisation et d'interprétation.

Segmentation de Cohortes Multidimensionnelle

Solution