Вивчайте Візуалізація Матриць Утримання Когорт | Візуалізація когорт та бізнес-інсайти

Свайпніть щоб показати меню

Матриці утримання когорт — це потужний інструмент для візуалізації того, як групи користувачів — так звані когорти — повертаються та взаємодіють із вашим продуктом або сервісом з часом. Організовуючи активність користувачів у вигляді матриці, можна легко виявити закономірності в утриманні та відтоку, що дозволяє визначити, які когорти є найбільш лояльними, коли користувачі схильні залишати продукт, а також як зміни у вашому бізнесі впливають на поведінку клієнтів. Матриці утримання особливо важливі в аналітиці, оскільки вони надають чіткий, практичний огляд тенденцій залучення користувачів, допомагаючи приймати обґрунтовані рішення щодо розвитку продукту, маркетингу та стратегій успіху клієнтів.


              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()

Щоб інтерпретувати матрицю утримання, почніть з аналізу значень у рядках кожної когорти. Перший стовпець (зазвичай позначений як "Month 0") показує базову кількість користувачів у кожній когорті — зазвичай це 100%, оскільки всі користувачі присутні під час реєстрації. Рухаючись праворуч по рядку, кожен стовпець відображає відсоток цієї когорти, що залишився активним у наступні періоди.

Темніші клітинки на тепловій карті вказують на вище утримання, а світліші клітинки — на нижче утримання. Аналізуючи, як швидко зменшуються значення утримання по стовпцях, можна визначити, з якою швидкістю користувачі залишають продукт. Наприклад, якщо спостерігається різке падіння з Month 0 до Month 1, це свідчить про те, що значна частина користувачів не повертається після першого досвіду.

Порівняння різних рядків когорт дозволяє з'ясувати, чи новіші когорти утримуються краще (або гірше), ніж попередні. Якщо утримання покращується для останніх когорт, це може свідчити про успішні зміни продукту або маркетингові зусилля. Навпаки, зниження утримання може вказувати на проблеми, які потребують уваги.

Завжди звертайте увагу як на абсолютні значення утримання, так і на тенденції у часі та між когортами. Це дозволяє визначити, коли і де слід зосередити стратегії покращення утримання.

Яке з наведених тверджень найкраще описує, як інтерпретувати теплову карту матриці утримання когорт?

Виберіть правильну відповідь

Матриці утримання корисні лише для візуалізації загальної кількості користувачів, а не тенденцій з часом.

Найтемніші клітини показують, де найбільше користувачів відмовилися, а порівняння стовпців дозволяє визначити, які місяці реєстрації мали найвищі показники відтоку.

Кожен рядок представляє когорту, а рух праворуч по рядку показує, як змінюється утримання цієї когорти з часом.

Стовпці показують різні когорти, а рядки — це часові періоди; світліші клітини завжди означають вище утримання.

Все було зрозуміло?

Дякуємо за ваш відгук!

Секція 3. Розділ 1

Запитати АІ

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

Секція 3. Розділ 1