코호트는 말 그대로 다양한 성별, 연령 등 (공통의 특성이나 유사한 행동을 가진) 사람들의 집단을 의미합니다.
코호트 분석: 시간 경과에 따른 유사한 그룹의 변화를 비교합니다.
제품은 개발 및 테스트하면서 계속 반복되므로 제품 출시 첫 주에 가입하는 사용자와 나중에 가입하는 사용자가 서로 다른 경험을 하게 됩니다. 예를 들어, 각 사용자는 무료 평가판부터 유료 사용까지, 그리고 최종적으로 사용을 중단하는 수명 주기를 거치게 됩니다. 동시에, 이 기간 동안 귀하는 비즈니스 모델을 지속적으로 조정하고 있습니다. 따라서 제품 출시 후 첫 달에 '게를 먹는' 사용자는 4개월 후에 가입하는 사용자와 다른 온보딩 경험을 갖게 될 것입니다. 이것이 이탈률에 어떤 영향을 미치나요? 우리는 이를 알아보기 위해 코호트 분석을 사용했습니다.
각 사용자 그룹은 코호트를 형성하고 전체 평가판 과정에 참여합니다. 다양한 집단을 비교함으로써 주요 지표에 대한 전반적인 성과가 향상되고 있는지 확인할 수 있습니다.
다양한 달에 획득한 사용자, 다양한 채널의 신규 사용자, 다양한 특성을 가진 사용자(예: 매일 WeChat에서 최소 10명의 친구와 소통하는 WeChat 사용자)와 같은 사용자 분석 수준과 결합됩니다.
코호트 분석, 서로 다른 특성을 가진 이러한 그룹을 비교 분석하여 시간 차원에서 행동의 차이를 발견합니다.
따라서 코호트 분석은 주로 다음 두 가지 점에 사용됩니다.
제품 반복 최적화의 효과를 확인하기 위해 서로 다른 코호트 그룹의 동일한 경험 주기의 데이터 지표를 비교합니다.
다양한 경험 주기를 비교합니다( 동일한 코호트 그룹의 기간) 데이터 지표를 통해 장기적인 경험 문제 발견
코호트 분석을 수행할 때 크게 두 가지 프로세스로 나눌 수 있습니다. 코호트 그룹 결정 그룹화 논리 및 키 결정입니다. 코호트 분석의 데이터 지표 .
행동 특성이 비슷한 그룹
같은 기간의 그룹
예:
고객 확보 월별(주별 또는 일별 그룹화)
고객 확보 채널별
사용자가 웹사이트를 방문한 횟수, 구매 횟수 등 사용자가 완료한 특정 작업에 따라 분류됩니다.
핵심 데이터 지표는 보유, 수익, 자체 전파 계수 등과 같은 시간 차원을 기반으로 해야 합니다.
다음은 유지율을 지표로 사용한 사례입니다.
다음은 전자상거래 회사의 운영 데이터입니다. 이 데이터를 Python을 사용한 코호트 분석에 활용하겠습니다.
코호트 분석 사례에 대한 자세한 설명:
데이터는 전자상거래 사용자의 결제 로그이며 로그 필드에는 민감하지 않은 날짜, 결제 금액 및 사용자 ID가 포함됩니다.
import pandas as pd df = pd.read_csv('日志.csv', encoding="gb18030") df.head()
그룹 논리:
로그에 더 많은 분류 필드(예: 채널, 성별, 연령 등)가 포함된 경우에만 그룹화됩니다. , 더 많은 종류의 그룹화 논리를 고려할 수 있습니다.
주요 데이터 지표:
이 데이터에는 분석할 수 있는 데이터 지표가 3개 이상 있습니다:
유지율
1인당 결제 금액
1인당 구매 수
월별로 그룹화하기 때문에 먼저 날짜를 월 단위로 다시 샘플링해야 합니다.
df['购买月份'] = pd.to_datetime(df.日期).dt.to_period("M") df.head()
매월 각 사용자의 총 지불액 계산:
order = df.groupby(["uid", "购买月份"], as_index=False).agg( 月付费总额=("付费金额","sum"), 月付费次数=("uid","count"), ) order.head()
각 사용자 계산 첫 구매 월을 동일한 기간으로 그룹화하여 원본 데이터에 매핑:
order["首单月份"] = order.groupby("uid")['购买月份'].transform("min") order.head()
각 구매 기록 시점과 첫 구매 시점 간의 월 차이를 계산하고 월 차이 라벨 재설정:
order["标签"] = (order.购买月份-order.首单月份).apply(lambda x:"同期群人数" if x.n==0 else f"+{x.n}月") order.head()
두 달 모두 기간 유형을 빼면 객체 유형의 열이 얻어지며 이 열의 각 요소 유형은 pandas._libs.tslibs.offsets.MonthEnd
MonthEnd 유형에는 n 속성이 있고 가능합니다. 특정 차이 정수를 반환합니다.
앞서 분석할 수 있는 데이터 지표가 3개 이상 있다고 말씀드렸습니다.
유지율
1인당 결제 금액
1인당 구매 수
通过数据透视表可以一次性计算所需的数据:
cohort_number = order.pivot_table(index="首单月份", columns="标签", values="uid", aggfunc="count", fill_value=0).rename_axis(columns="留存率") cohort_number
注意:rename_axis(columns=None)用于删除列标签的轴名称。rename_axis(columns=“留存率”)则设置轴名称为留存率。
将 本月新增 列移动到第一列:
cohort_number.insert(0, "同期群人数", cohort_number.pop("同期群人数")) cohort_number
具体过程是先通过pop删除该列,然后插入到0位置,并命名为指定的列名。
在本次的分析中,留存率的具体计算方式为:+N月留存率=+N月付款用户数/首月付款用户数
cohort_number.iloc[:, 1:] = cohort_number.iloc[:, 1:].divide(cohort_number.本月新增, axis=0) cohort_number
以百分比形式显示,并设置颜色:
out1 = (cohort_number.style .format("{:.2%}", subset=cohort_number.columns[1:]) .bar(subset="同期群人数", color="green") .background_gradient("Reds", subset=cohort_number.columns[1:], high=1, axis=None) ) out1
至此计算完毕。
要从从人均付款金额角度考虑,需要考虑同期群基期这个整体。具体计算方式是先计算各月的付款总额,然后除以基期的总人数:
cohort_amount = order.pivot_table(index="首单月份", columns="标签", values="月付费总额", aggfunc="sum", fill_value=0).rename_axis(columns="人均付款金额") cohort_amount.insert(0, "首月人均付费", cohort_amount.pop("同期群人数")) cohort_amount.insert(0, "同期群人数", cohort_number.同期群人数) cohort_amount.iloc[:, 1:] = cohort_amount.iloc[:, 1:].divide(cohort_amount.同期群人数, axis=0) out2 = (cohort_amount.style .format("{:.2f}", subset=cohort_amount.columns[1:]) .background_gradient("Reds", subset=cohort_amount.columns[1:], axis=None) .bar(subset="同期群人数", color="green") ) out2
可以看到,12月份的同期群首月新用户人均消费为703.43元,然后逐月递减,到+4月后这些用户人均消费仅11.41元。而随着版本的迭代发展,新增用户的首月消费并没有较大提升,且接下来的消费趋势反而不如12月份。由此可见产品的发展受到了一定的瓶颈,需要思考增长营收的出路了。
一般来说, 通过同期群分析可以比较好指导我们后续更深入细致的数据分析,为产品优化提供参考。
依然按照上面一样的套路:
cohort_count = order.pivot_table(index="首单月份", columns="标签", values="月付费次数", aggfunc="sum", fill_value=0).rename_axis(columns="人均购买次数") cohort_count.insert(0, "首月人均频次", cohort_count.pop("同期群人数")) cohort_count.insert(0, "同期群人数", cohort_number.同期群人数) cohort_count.iloc[:, 1:] = cohort_count.iloc[:, 1:].divide(cohort_count.同期群人数, axis=0) out3 = (cohort_count.style .format("{:.2f}", subset=cohort_count.columns[1:]) .background_gradient("Reds", subset=cohort_count.columns[1:], axis=None) .bar(subset="同期群人数", color="green") ) out3
可以得到类似上述一致的结论。
下面我们看看每个月的总体消费情况:
order.groupby("购买月份").agg( 付费人数=("uid", "count"), 人均付款金额=("月付费总额", "mean"), 月付费总额=("月付费总额", "sum") )
可以看到总体付费人数和付费金额都在逐月下降。
对于Styler类型,我们可以调用render方法转化为网页源代码,通过以下方式即可将其导入到一个网页文件中:
with open("out.html", "w") as f: f.write(out1.render()) f.write(out2.render()) f.write(out3.render())
如果你的电脑安装了谷歌游览器,还可以安装dataframe_image,将这个表格导出为图片。
安装:pip install dataframe_image
import dataframe_image as dfi dfi.export(obj=out1, filename='留存率.jpg') dfi.export(obj=out2, filename='人均付款金额.jpg') dfi.export(obj=out3, filename='人均购买次数.jpg')
dfi.export的参数:
obj : 被导出的Datafream对象
filename : 文件保存位置
fontsize : 字体大小
max_rows : 最大行数
max_cols : 最大列数
table_conversion : 使用谷歌游览器或原生’matplotlib’, 只要写非’chrome’的值就会使用原生’matplotlib’
chrome_path : 指定谷歌游览器位置
import pandas as pd import dataframe_image as dfi df = pd.read_csv('日志.csv', encoding="gb18030") df['购买月份'] = pd.to_datetime(df.日期).dt.to_period("M") order = df.groupby(["uid", "购买月份"], as_index=False).agg( 月付费总额=("付费金额", "sum"), 月付费次数=("uid", "count"), ) order["首单月份"] = order.groupby("uid")['购买月份'].transform("min") order["标签"] = ( order.购买月份-order.首单月份).apply(lambda x: "同期群人数" if x.n == 0 else f"+{x.n}月") cohort_number = order.pivot_table(index="首单月份", columns="标签", values="uid", aggfunc="count", fill_value=0).rename_axis(columns="留存率") cohort_number.insert(0, "同期群人数", cohort_number.pop("同期群人数")) cohort_number.iloc[:, 1:] = cohort_number.iloc[:,1:].divide(cohort_number.同期群人数, axis=0) out1 = (cohort_number.style .format("{:.2%}", subset=cohort_number.columns[1:]) .bar(subset="同期群人数", color="green") .background_gradient("Reds", subset=cohort_number.columns[1:], high=1, axis=None) ) cohort_amount = order.pivot_table(index="首单月份", columns="标签", values="月付费总额", aggfunc="sum", fill_value=0).rename_axis(columns="人均付款金额") cohort_amount.insert(0, "首月人均付费", cohort_amount.pop("同期群人数")) cohort_amount.insert(0, "同期群人数", cohort_number.同期群人数) cohort_amount.iloc[:, 1:] = cohort_amount.iloc[:, 1:].divide(cohort_amount.同期群人数, axis=0) out2 = (cohort_amount.style .format("{:.2f}", subset=cohort_amount.columns[1:]) .background_gradient("Reds", subset=cohort_amount.columns[1:], axis=None) .bar(subset="同期群人数", color="green") ) cohort_count = order.pivot_table(index="首单月份", columns="标签", values="月付费次数", aggfunc="sum", fill_value=0).rename_axis(columns="人均购买次数") cohort_count.insert(0, "首月人均频次", cohort_count.pop("同期群人数")) cohort_count.insert(0, "同期群人数", cohort_number.同期群人数) cohort_count.iloc[:, 1:] = cohort_count.iloc[:, 1:].divide(cohort_count.同期群人数, axis=0) out3 = (cohort_count.style .format("{:.2f}", subset=cohort_count.columns[1:]) .background_gradient("Reds", subset=cohort_count.columns[1:], axis=None) .bar(subset="同期群人数", color="green") ) outs = [out1, out2, out3] with open("out.html", "w") as f: for out in outs: f.write(out.render()) display(out) dfi.export(obj=out1, filename='留存率.jpg') dfi.export(obj=out2, filename='人均付款金额.jpg') dfi.export(obj=out3, filename='人均购买次数.jpg')
위 내용은 코호트 분석에 Python을 적용하는 방법의 상세 내용입니다. 자세한 내용은 PHP 중국어 웹사이트의 기타 관련 기사를 참조하세요!