Aprenda Análise de Coorte | Segmentação e Análise Comportamental

Deslize para mostrar o menu

A análise de coorte é uma técnica poderosa em análise de produtos que permite comparar grupos de usuários que compartilham um ponto de partida comum – como o mês de cadastro ou a data da primeira compra. Imagine que você administra um aplicativo e deseja entender como os usuários que ingressaram em janeiro se comportam ao longo do tempo em comparação com aqueles que ingressaram em fevereiro. Em vez de calcular a média de todos os usuários juntos, a análise de coorte permite acompanhar a retenção e o engajamento de cada grupo à medida que avançam em seu ciclo de vida.

Pense em uma coorte como uma turma de formandos na escola: todos os alunos que começaram no mesmo ano vivenciam a jornada juntos, e é possível observar quantos permanecem em cada etapa. Na análise de produtos, isso significa que você pode ver se usuários de determinados meses permanecem por mais tempo, se engajam mais ou abandonam em taxas diferentes.

Por exemplo, você pode perceber que usuários que se cadastraram em fevereiro apresentam uma retenção maior na quarta semana do que aqueles de janeiro. Isso pode indicar mudanças bem-sucedidas no produto, efeitos sazonais ou diferenças nos canais de aquisição. Ao segmentar os usuários em coortes, é possível obter uma visão mais clara de como atualizações de produto, campanhas de marketing ou eventos externos impactam grupos específicos ao longo do tempo.

Definição

Uma coorte é um grupo de usuários que compartilham uma característica em comum, como o mês de cadastro.


              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)

Interpretar os resultados da análise de coorte pode revelar insights valiosos para a estratégia do produto. Se você perceber que coortes mais recentes apresentam melhor retenção, isso pode indicar que os recursos mais recentes ou melhorias no onboarding estão funcionando. Por outro lado, uma queda repentina na retenção de uma coorte específica pode indicar problemas em um novo lançamento ou mudanças nas táticas de marketing.

A análise de coorte permite ir além das métricas superficiais e compreender o real impacto das mudanças no produto sobre o comportamento dos usuários. Ao acompanhar a jornada de cada coorte, é possível identificar quais estratégias impulsionam o engajamento e a retenção a longo prazo, além de apontar onde pode ser necessário ajustar a abordagem para manter os usuários ativos.

Tudo estava claro?

Obrigado pelo seu feedback!

Seção 3. Capítulo 2

Pergunte à IA

Pergunte o que quiser ou experimente uma das perguntas sugeridas para iniciar nosso bate-papo

Seção 3. Capítulo 2