学ぶコホート分析 | セグメンテーションと行動分析

メニューを表示するにはスワイプしてください

コホート分析は、共通の開始時点（例：サインアップ月や初回購入日）を持つユーザーグループを比較できる、プロダクトアナリティクスにおける強力な手法です。たとえば、アプリを運営していて、1月に参加したユーザーと2月に参加したユーザーの行動を時間の経過とともに比較したい場合、コホート分析を使えば、すべてのユーザーを平均化するのではなく、それぞれのグループのリテンションやエンゲージメントをライフサイクルの中で追跡できます。

コホートは、同じ年に入学した学校の卒業クラスのようなものです。同じ年にスタートした生徒たちは一緒に旅をし、各マイルストーンでどれだけ残っているかを観察できます。プロダクトアナリティクスでは、特定の月のユーザーがより長く利用を続けるか、より多くエンゲージするか、あるいは異なる割合で離脱するかを確認できます。

例えば、2月にサインアップしたユーザーの4週目リテンションが1月のユーザーより高いことに気づくかもしれません。これは、プロダクトの変更が成功したことや、季節要因、獲得チャネルの違いなどを示している可能性があります。ユーザーをコホートに分けることで、プロダクトのアップデートやマーケティングキャンペーン、外部イベントが特定のグループにどのような影響を与えているかを、より明確に把握できます。

定義

コホートとは、サインアップ月など共通の特徴を持つユーザーグループ。


              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)

コホート分析の結果を解釈することで、プロダクト戦略にとって貴重なインサイトを得ることができます。もし最近のコホートでリテンションが向上している場合、最新の機能やオンボーディングの改善が効果を発揮している可能性があります。一方、特定のコホートでリテンションが急激に低下している場合は、新しいリリースやマーケティング施策の変更に問題があることを示しているかもしれません。

コホート分析は、表面的な指標を超えて、プロダクトの変更がユーザー行動に与える本当の影響を理解するのに役立ちます。各コホートの動きを追跡することで、長期的なエンゲージメントやリテンションを促進する戦略や、ユーザーを継続的に惹きつけるために調整が必要なポイントを特定できます。

すべて明確でしたか？

フィードバックありがとうございます！

セクション 3. 章 2

AIに質問する

何でも質問するか、提案された質問の1つを試してチャットを始めてください

セクション 3. 章 2