Lære Kohortanalyse | Segmentering og atferdsanalyse

Sveip for å vise menyen

Kohortanalyse er en kraftig teknikk innen produktanalyse som lar deg sammenligne grupper av brukere som deler et felles startpunkt – for eksempel registreringsmåned eller dato for første kjøp. Tenk deg at du driver en app og ønsker å forstå hvordan brukere som registrerte seg i januar oppfører seg over tid sammenlignet med de som registrerte seg i februar. I stedet for å beregne gjennomsnittet for alle brukere samlet, lar kohortanalyse deg følge hver gruppes retensjon og engasjement etter hvert som de beveger seg gjennom livssyklusen.

Tenk på en kohort som et avgangskull på skolen: alle elever som startet samme år opplever reisen sammen, og du kan observere hvor mange som er igjen ved hvert milepæl. I produktanalyse betyr dette at du kan se om brukere fra bestemte måneder forblir lenger, engasjerer seg mer, eller faller fra i ulikt tempo.

For eksempel kan du oppdage at brukere som registrerte seg i februar har høyere retensjon i uke 4 enn de fra januar. Dette kan indikere vellykkede produktendringer, sesongmessige effekter eller forskjeller i anskaffelseskanaler. Ved å dele brukerne inn i kohorter får du et tydeligere bilde av hvordan produktoppdateringer, markedsføringskampanjer eller eksterne hendelser påvirker spesifikke grupper over tid.

Definisjon

En kohort er en gruppe brukere som deler en felles egenskap, for eksempel registreringsmåned.


              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)

Å tolke resultatene fra kohortanalyse kan gi verdifulle innsikter for produktstrategien din. Hvis du ser at nyere kohorter har bedre retensjon, kan det bety at de siste funksjonene eller forbedringer i onboarding fungerer. På den annen side kan et plutselig fall i retensjon for en bestemt kohort indikere problemer med en ny lansering eller endringer i markedsføringsstrategien.

Kohortanalyse hjelper deg å gå dypere enn overfladiske måltall og forstå den reelle effekten av produktendringer på brukeradferd. Ved å følge hver kohorts reise kan du identifisere hvilke strategier som gir langsiktig engasjement og retensjon, og hvor du eventuelt må justere tilnærmingen for å få brukerne til å komme tilbake.

Alt var klart?

Takk for tilbakemeldingene dine!

Seksjon 3. Kapittel 2

Spør AI

Spør om hva du vil, eller prøv ett av de foreslåtte spørsmålene for å starte chatten vår

Seksjon 3. Kapittel 2