Вивчайте Когортний аналіз | Сегментація та поведінковий аналіз

Свайпніть щоб показати меню

Когортний аналіз — це потужна техніка у продуктовій аналітиці, яка дозволяє порівнювати групи користувачів, що мають спільну відправну точку — наприклад, місяць реєстрації або дату першої покупки. Уявіть, що ви керуєте додатком і хочете зрозуміти, як поводяться користувачі, які приєдналися у січні, з часом у порівнянні з тими, хто приєднався у лютому. Замість того щоб усереднювати всіх користувачів, когортний аналіз дозволяє відстежувати утримання та залученість кожної групи на різних етапах їх життєвого циклу.

Уявіть когорту як випускний клас у школі: всі учні, які почали навчання в один рік, проходять свій шлях разом, і можна спостерігати, скільки з них залишаються на кожному етапі. У продуктовій аналітиці це означає, що ви можете побачити, чи залишаються користувачі з певних місяців довше, чи більше взаємодіють, або ж вибувають з різною швидкістю.

Наприклад, ви можете помітити, що користувачі, які зареєструвалися у лютому, мають вищий рівень утримання на четвертому тижні, ніж ті, хто приєднався у січні. Це може свідчити про успішні зміни у продукті, сезонні ефекти або відмінності у каналах залучення. Розбиваючи користувачів на когорти, ви отримуєте чіткіше уявлення про те, як оновлення продукту, маркетингові кампанії чи зовнішні події впливають на окремі групи з часом.

Визначення

Когорта — це група користувачів, які мають спільну характеристику, наприклад, місяць реєстрації.


              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)

Інтерпретація результатів когортного аналізу може надати цінні інсайти для стратегії розвитку продукту. Якщо ви бачите, що новіші когорти мають кращу утримуваність, це може свідчити про ефективність останніх оновлень функціоналу або покращення процесу онбордингу. Навпаки, раптове зниження утримуваності для певної когорти може вказувати на проблеми з новим релізом або зміною маркетингової стратегії.

Когортний аналіз дозволяє вийти за межі поверхневих метрик і зрозуміти реальний вплив змін у продукті на поведінку користувачів. Відстежуючи шлях кожної когорти, можна визначити, які стратегії сприяють довгостроковій залученості та утриманню, а також де потрібно скоригувати підхід, щоб користувачі поверталися.

Все було зрозуміло?

Дякуємо за ваш відгук!

Секція 3. Розділ 2

Запитати АІ

Запитайте про що завгодно або спробуйте одне із запропонованих запитань, щоб почати наш чат

Секція 3. Розділ 2