学ぶコホート分析のための特徴量エンジニアリング

メニューを表示するにはスワイプしてください

特徴量エンジニアリングは、生データから新しい変数を作成し、分析、モデリング、またはセグメンテーションを向上させるプロセス。コホート分析において、効果的な特徴量エンジニアリングは、ユーザー行動の時間的変化に関するより深い洞察を引き出すのに役立つ。代表的な特徴量には、ユーザーライフタイム（ユーザーがアクティブであった期間）、アクティビティ回数（特定のアクションをユーザーが実行した回数）、リセンシー（ユーザーが最後にアクティブだった時期）が含まれる。これらの特徴量により、ユーザーをより意味のある形でグループ化でき、リテンション、エンゲージメント、チャーンのパターンを明らかにすることが可能。こうした特徴量を設計することで、単純なコホート割り当てを超え、より豊かで実用的なコホートを構築できる。


              12345678910111213141516171819202122232425262728
            
import pandas as pd

# Sample user activity data
data = {
    "user_id": [1, 1, 1, 2, 2, 3, 3, 3, 3],
    "activity_date": [
        "2024-01-01", "2024-01-10", "2024-02-01",
        "2024-01-05", "2024-02-20",
        "2024-01-03", "2024-01-10", "2024-01-20", "2024-03-01"
    ]
}
df = pd.DataFrame(data)
df["activity_date"] = pd.to_datetime(df["activity_date"])

# Calculate user lifetime (days between first and last activity)
user_lifetime = df.groupby("user_id")["activity_date"].agg(["min", "max"])
user_lifetime["user_lifetime_days"] = (user_lifetime["max"] - user_lifetime["min"]).dt.days

# Calculate activity count per user
activity_counts = df.groupby("user_id").size().rename("activity_count")

# Calculate recency (days since last activity, assuming analysis date is 2024-03-15)
analysis_date = pd.to_datetime("2024-03-15")
recency = df.groupby("user_id")["activity_date"].max().apply(lambda x: (analysis_date - x).days).rename("recency_days")

# Combine features into a single DataFrame
features = pd.concat([user_lifetime["user_lifetime_days"], activity_counts, recency], axis=1)
print(features)

コードサンプルで作成された特徴量、ユーザーライフタイム、アクティビティ回数、リセンシーは、コホートのセグメンテーションと分析において強力なツール。ユーザーがどれだけ長くアクティブであるか、どれだけ頻繁に利用しているか、どれだけ最近利用したかを測定することで、コホート間の意味のある違いを特定できる。たとえば、ライフタイムが長くアクティビティ回数が多いユーザーは高いエンゲージメントを持つコホートに属し、リセンシー値が高いユーザーはチャーンリスクが高い可能性がある。これらの特徴量により、単純な時間ベースのグループ分けを超え、より多次元的なセグメンテーションが可能となり、行動パターンの深い理解や、よりターゲットを絞ったビジネス戦略の立案を支援する。

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 1. 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 1. 章 2