Aprenda Visualizando Matrizes de Retenção de Coorte | Visualização de Coorte e Insights de Negócios

Deslize para mostrar o menu

Matrizes de retenção de coortes são uma ferramenta poderosa para visualizar como grupos de usuários – conhecidos como coortes – retornam e interagem com seu produto ou serviço ao longo do tempo. Ao organizar a atividade dos usuários em uma matriz, é possível identificar facilmente padrões de retenção e churn, tornando viável descobrir quais coortes são mais leais, quando os usuários tendem a abandonar e como mudanças no seu negócio impactam o comportamento dos clientes. Matrizes de retenção são especialmente relevantes em análises porque fornecem uma visão clara e acionável das tendências de engajamento dos usuários, auxiliando na tomada de decisões informadas sobre desenvolvimento de produto, marketing e estratégias de sucesso do cliente.


              12345678910111213141516171819202122232425262728293031323334
            
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns

# Example: Simulated cohort data
np.random.seed(42)
cohorts = ["2023-01", "2023-02", "2023-03", "2023-04"]
periods = ["Month 0", "Month 1", "Month 2", "Month 3", "Month 4"]

# Simulating retention rates (as percentages)
data = [
    [100, 60, 40, 30, 20],
    [100, 55, 35, 25, 15],
    [100, 50, 30, 20, 10],
    [100, 65, 45, 30, 20],
]

retention_matrix = pd.DataFrame(data, index=cohorts, columns=periods)

plt.figure(figsize=(8, 5))
sns.heatmap(
    retention_matrix,
    annot=True,
    fmt=".0f",
    cmap="YlGnBu",
    linewidths=.5,
    cbar_kws={"label": "Retention (%)"}
)
plt.title("Cohort Retention Matrix Heatmap")
plt.ylabel("Cohort (Signup Month)")
plt.xlabel("Period Since Signup")
plt.tight_layout()
plt.show()

Para interpretar uma matriz de retenção, comece analisando os valores ao longo da linha de cada coorte. A primeira coluna (geralmente rotulada como "Month 0") mostra o número inicial de usuários em cada coorte – normalmente 100%, já que todos os usuários estão presentes no momento do cadastro. À medida que você avança para a direita na linha, cada coluna exibe a porcentagem daquela coorte que permanece ativa nos períodos subsequentes.

Células mais escuras no mapa de calor indicam maior retenção, enquanto células mais claras indicam menor retenção. Ao observar a velocidade com que os valores de retenção diminuem nas colunas, é possível identificar a rapidez com que os usuários estão abandonando. Por exemplo, se houver uma queda acentuada de Month 0 para Month 1, isso sugere que uma parcela significativa dos usuários não retorna após a primeira experiência.

A comparação entre diferentes linhas de coortes pode revelar se coortes mais recentes estão retendo melhor (ou pior) do que as anteriores. Se a retenção melhorar para coortes recentes, isso pode indicar mudanças de produto ou esforços de marketing bem-sucedidos. Por outro lado, uma queda na retenção pode apontar problemas que exigem atenção.

Sempre observe tanto os valores absolutos de retenção quanto as tendências ao longo do tempo e entre coortes. Isso permite identificar quando e onde concentrar as estratégias de melhoria de retenção.

Tudo estava claro?

Obrigado pelo seu feedback!

Seção 3. Capítulo 1

Pergunte à IA

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

Seção 3. Capítulo 1