Lära Kohortanalys | Segmentering och Beteendeanalys

Svep för att visa menyn

Kohortanalys är en kraftfull teknik inom produktanalys som gör det möjligt att jämföra grupper av användare som delar en gemensam startpunkt – till exempel deras registreringsmånad eller första köptillfälle. Föreställ dig att du driver en app och vill förstå hur användare som gick med i januari beter sig över tid jämfört med de som gick med i februari. Istället för att slå samman alla användare, låter kohortanalys dig följa varje grupps kvarhållning och engagemang när de går igenom sin livscykel.

Tänk på en kohort som en avgångsklass i skolan: alla elever som började samma år upplever sin resa tillsammans, och du kan observera hur många som finns kvar vid varje milstolpe. Inom produktanalys innebär detta att du kan se om användare från vissa månader stannar längre, engagerar sig mer eller faller bort i olika takt.

Till exempel kan du märka att användare som registrerade sig i februari har högre kvarhållning vecka 4 än de från januari. Detta kan tyda på lyckade produktförändringar, säsongseffekter eller skillnader i förvärvskanaler. Genom att dela upp användare i kohorter får du en tydligare bild av hur produktuppdateringar, marknadsföringskampanjer eller externa händelser påverkar specifika grupper över tid.

Definition

En kohort är en grupp användare som delar en gemensam egenskap, såsom registreringsmånad.


              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)

Att tolka resultaten från kohortanalys kan ge värdefulla insikter för din produktstrategi. Om du ser att nyare kohorter har bättre retention kan det tyda på att dina senaste funktioner eller förbättringar i onboarding fungerar. Omvänt kan ett plötsligt tapp i retention för en specifik kohort peka på problem med en ny release eller förändringar i marknadsföringen.

Kohortanalys hjälper dig att gå bortom ytliga mätvärden och förstå den verkliga effekten av produktförändringar på användarbeteende. Genom att följa varje kohorts resa kan du identifiera vilka strategier som driver långsiktigt engagemang och retention, samt var du kan behöva justera din strategi för att behålla användarna.

Var allt tydligt?

Tack för dina kommentarer!

Avsnitt 3. Kapitel 2

Fråga AI

Fråga vad du vill eller prova någon av de föreslagna frågorna för att starta vårt samtal

Avsnitt 3. Kapitel 2