学ぶリテンションおよびチャーン指標の計算 | 高度なコホートセグメンテーションとリテンションメトリクス

メニューを表示するにはスワイプしてください

リテンションおよびチャーン指標は、コホート分析において不可欠なツールであり、製品がユーザーをどれだけ長期間維持できているか、またどこでユーザーを失っているかを測定するのに役立ちます。リテンション率は、特定の期間後にコホート内でアクティブなままのユーザーの割合を定量化します。チャーン率はその補数であり、エンゲージメントを停止したユーザーの割合を示します。サバイバル率は、各期間までユーザーがアクティブであり続ける確率を追跡し、ユーザーの継続性を可視化します。

計算式：

リテンション率（期間 n）：
Retention Rate = (Number of users active in period n) / (Number of users in cohort at period 0);
チャーン率（期間 n）：
Churn Rate = 1 - Retention Rate (at period n);
サバイバル率（期間 n）：
Survival Rate = (Number of users still active at period n) / (Number of users in cohort at period 0).

これらの指標は、リテンションカーブやサバイバルプロットを用いて可視化されることが多く、急激な離脱や安定した期間などのパターンを素早く把握するのに役立ちます。複数のコホートや期間にわたってこれらの率を追跡することで、効果的なエンゲージメント戦略や改善が必要な領域を特定できます。


              123456789101112131415161718192021222324252627282930313233343536373839404142434445464748495051525354555657585960616263646566
            
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt

# Example cohort data: each row is a user, columns are activity in each month (1 = active, 0 = inactive)
data = {
    "user_id": [1, 2, 3, 4, 5, 6, 7, 8, 9, 10],
    "cohort_month": ["2023-01"] * 5 + ["2023-02"] * 5,
    "month_0": [1, 1, 1, 1, 1, 1, 1, 1, 1, 1],  # All users active at signup
    "month_1": [1, 0, 1, 1, 0, 1, 1, 0, 1, 1],
    "month_2": [1, 0, 0, 1, 0, 1, 0, 0, 1, 0],
    "month_3": [0, 0, 0, 1, 0, 1, 0, 0, 0, 0],
}

df = pd.DataFrame(data)

# Calculating retention, churn, and survival rates for each cohort
results = []
for cohort, group in df.groupby("cohort_month"):
    cohort_size = len(group)
    retention = []
    churn = []
    survival = []
    users_remaining = cohort_size

    for month in ["month_0", "month_1", "month_2", "month_3"]:
        active = group[month].sum()
        retention_rate = active / cohort_size
        retention.append(retention_rate)
        churn.append(1 - retention_rate)
        survival.append(users_remaining / cohort_size)
        users_remaining = active  # Update for next period

    results.append({
        "cohort_month": cohort,
        "retention": retention,
        "churn": churn,
        "survival": survival,
    })

# Converting results to DataFrame for plotting
metrics_df = pd.DataFrame(results)
months = ["month_0", "month_1", "month_2", "month_3"]

# Plot retention curves
plt.figure(figsize=(10, 5))
for idx, row in metrics_df.iterrows():
    plt.plot(months, row["retention"], marker="o", label=f"Cohort {row['cohort_month']}")
plt.title("Cohort Retention Curves")
plt.xlabel("Months Since Signup")
plt.ylabel("Retention Rate")
plt.legend()
plt.show()

# Plot survival curves
plt.figure(figsize=(10, 5))
for idx, row in metrics_df.iterrows():
    plt.plot(months, row["survival"], marker="o", label=f"Cohort {row['cohort_month']}")
plt.title("Cohort Survival Curves")
plt.xlabel("Months Since Signup")
plt.ylabel("Survival Rate")
plt.legend()
plt.show()

# Printing calculated metrics
print(metrics_df[["cohort_month", "retention", "churn", "survival"]])

このコードは、Pythonのpandasおよびmatplotlibを用いて、ユーザーコホートのリテンション率、チャーン率、サバイバル率を計算し可視化する方法を示しています。

目的は、ユーザーグループ（コホート）が時間の経過とともにどのように行動するかを分析し、製品へのエンゲージメントや継続性に注目することです。

データ構造：

データは、各行がユーザーを表すDataFrameとして構成；
列には、ユーザーID、コホート月（ユーザーが参加した月）、各月のアクティビティを示すバイナリ指標（1 = アクティブ、0 = 非アクティブ）が含まれます。

計算ロジック：
各コホートについて、コードは次を実行：

各月のリテンション率を、元のコホートサイズに対してアクティブなユーザーの割合として計算；
チャーン率をリテンション率の補数（1 - リテンション率）として算出；
サバイバル率を、各期間までユーザーがアクティブであり続ける確率として追跡し、各月ごとに残存ユーザー数を更新。

可視化：

matplotlibを用いて、各コホートのリテンションカーブおよびサバイバルカーブをプロット；
これらのプロットにより、ユーザーがどれだけ早く離脱（チャーン）するか、またはどれだけ継続（リテンション／サバイバル）するかをコホートや期間ごとに視覚的に比較でき、ユーザーエンゲージメントの傾向やパターンを明らかにします。

リテンション率およびチャーン率の解釈は、適切なビジネス判断を下すために不可欠です。高いリテンション率は、ユーザーが製品に継続的な価値を見出していることを示し、強いエンゲージメントやプロダクトマーケットフィットを示唆します。一方で、高いチャーン率は、ユーザーのニーズが満たされていない、オンボーディングの不備、競合による圧力などの問題を示している可能性があります。サバイバルカーブは、コホートがどれだけ早く減少しているかを可視化するのに役立ち、急激な減少はユーザーが興味を失うタイミングを明らかにします。

これらの指標を定期的に追跡することで、時間や異なるコホート間の傾向を特定できます。例えば、新機能のリリースとリテンション率の上昇が同時に発生した場合、その方向へのさらなる投資が有効かもしれません。一方、特定のアップデート後にチャーンが急増した場合、製品改善や追加のユーザーサポートが必要であることを示唆します。最終的に、これらの指標は仮説検証、ユーザージャーニーの最適化、リソース配分の効率化を可能にします。

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 2. 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 2. 章 2