Cohort Analysis：留存分析Excel版

最新推荐文章于 2023-12-12 14:51:21 发布
原创 最新推荐文章于 2023-12-12 14:51:21 发布 · 1k 阅读 · 0 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#数据分析

本文介绍了如何在Excel中利用MINIFS函数找出首次付款日期，然后通过拼接方式获取该日期的月份。接着，展示了如何插入并配置透视表，以及启用数据模型来增强分析功能。

源数据如图

  1. 采用公式minifs取首次付款日期

=MINIFS(B:B,A:A,A2)

结果如图

2. 取得日期的月份

可以采用拼接字方式，例如：=YEAR(B2)&"-"&MONTH(B2)

结果如图

3. 插入透视表

记得勾选将此数据添加到数据模型

透视表配置，如图

最终结果如图

基于用户的产品分析之Cohort Analysis（群组分析，留存分析）
foxirensheng的博客
01-21 1567
在产品正式上线后，我们需要对产品的客群对象进行分析，此时产品的群组分析会给予我们找到一定的方向。 核心的维度：产品 ->客群,时间->聚类周期现象 首先读取数据集： import numpy as np import pandas as pd df = pd.read_excel('./Online Retail.xlsx') 查看数据前五列/info #%% df.head() #%% df.info() 通过结果，我们可以看到数据有8个字段，其中，Description列和C
Excel 利用同期群分析计算新用户留存率
我的博客
03-23 2814
业务分析方法中常用的有同期群分析，本文使用Excel和MySQL，结合同期群计算新注册用户的留存率，并放在实际的应用场景中进行分析。
Cohort Analysis
muturiyue的博客
07-27 2302
Cohort Analysis，是时下互联网行业的新宠，在市场已不再为虚假繁荣的数据买账时，我们必须提供新的“有效数据”来说服市场。更常见的，这个分析方法会被用来分析：用户留存情况，以及用户粘性。所以，一定记住了，不是Coherent Analysis（粘性分析），而是Cohort Analysis——一撮人分析法。 虚假繁荣是什么？之前大家只关心流量、下载量、注册量，但就像花钱能买僵尸粉一样，
保姆级教学：手把手教你如何实现同期群分析
weixin_40679090的博客
04-27 2624
不再依赖BI产品，教你如何用ESP实现同期群分析
Cohort analysis
ttdata
07-21 2746
99% 创业常识｜简单好用的 Cohort Analysis，认清公司真相 2016-05-11 19:52 上周五我们发出了新栏目「99% 创业常识」的第一篇：《CAC、LTV、PBP》，反响相当热烈。但是，由于小编鬼使神差地没有设置留言功能，我们并不知道各位看官的阅读感受和建议，这次你们可以任性地评论了。 重要的话再说一遍：做这个栏目的想法源于与创业者的日常交流，我们发现
同期群分析（Cohort Analysis）
weixin_30732825的博客
09-01 1070
什么是同期群？ 将相同时间段内具有共同行为特征的用户划分为同一个群体，其被称为同期群。“共同行为特征”是指在某个时间段内的行为相似。最常见的是按不同时间的新增用户来划分，然后分析留存率。当然也可以按其他行为来划分用户，譬如“在2017年6月第一次购买”，“在2017年10月第二周对产品的使用频率开始降低”等。 什么是同期群分析？ 同期群分析就是对比不同同期群之...
pandas练习_同期群分析(Cohort Analysis)
weixin_41227546的博客
05-28 688
1. 同期群分析理论回顾 参考 https://www.jianshu.com/p/145a13355fa1 2. 构造练习数据(Excel) 我们设计一份数据, 2019年期间某店铺的成交订单明细, 包含以下4个字段: 这里使用Excel中的rand函数, 来构造随机数据, 具体操作略(用户id需要重复) 最终, 获取10万条随机的数据 3. 数据处理思路 生成每月新增用户明细 生成每个月份的用户明细 将上面生成的数据按用户id关联生成总表 总表按月份聚合 调整格式 4. 用pandas实现整.
mysql怎么分组计算逾期率_Tableau分享第一篇：如何计算分组留存率（Cohort Analysis)！...
weixin_30739265的博客
02-02 724
衡量一款产品是否健康，用户的留存率是一个关键的指标，常见的有7日留存率，14天留存率，30天留存率，60天留存率等等。今天Tay哥先讲一下如何用Tableau做Cohort Analysis ，中文一般译为分组留存率。上面提到的留存率，可以通过分组留存率进一步计算出来。如何做分组留存率？分组留存率计算起来比较简单，对用户进行分组，先维度分，再粒度分。什么是维度？以Tableau自带的超市数据为例，...
微软Power BI 创建AARRR报表之三：留存流失分析
简书博客搬家测试账号
04-10 3231
作者：天善智能社区专家 PivotModel刘凯数据化运营过程中的三个关键词，是开源、节流、保活跃。在之前的两篇AARRR博文中，我们分别就新增用户、提升用户活跃度来进行展开。在本篇博文中，我们重点“节流”，也就是AARRR中的留存和流失分析。什么是留存（Retention）和流失（Churn）？一般而言，留存(Retention)就是使用了一段时间的产品后，仍然留下来的...
cohort:保留、流失和卸载同类群组的简单示例
06-25
在IT行业中，尤其是在数据分析和用户行为研究领域，"cohort analysis"（同类群组分析）是一种重要的工具。它用于跟踪一组具有共同特征或行为的用户群体（被称为“cohort”），观察他们在特定时间内的行为模式，如...
Cohort Analysis是什么
cjl的博客
12-12 850
Cohort Analysis 可以翻译成 群体分析 或 分组分析，其实是一种通过细分来研究数据的方法。如下表就是一个从每日新增维度细分的 Cohort Analysis 表格。第一列是分组的维度，下表以用户新增的日期作为细分的维度；第二列是对应的新增用户数；其余列为对应分组下的用户留存率；
R语言数据分析笔记——Cohort 存留分析
简书博客搬家测试账号
04-27 1671
杜雨，EasyCharts团队成员，R语言中文社区专栏作者兴趣方向为：Excel商务图表，R语言数据可视化，地理信息数据可视化。个人公众号：数据小魔方（微信ID：datamofang） ，“数据小魔方”创始人。 推荐课程：体系全面，最具调性！R语言可视化&商务图表实战课程相信经常做数据分析的同学都听说过Cohort 分析，特别是互联网运营中，用于分析客户存留等场景...
SQL-计算留存率cohort
weixin_47198715的博客
05-24 1928
计算留存率cohort，以及不同时间维度下的留存率（日留存cohort，周留存cohort，月留存cohort)
Excel数据分析案例四——留存预测
Momoko_Hanyu的博客
09-09 3125
Excel数据分析案例四——留存预测 题目：一个社交APP，它的新增用户次日留存率、七日留存率、30日留存率分别是52%、25%、14%，请模拟出如果每天新增6万用户量，那么第三十天，它的日活跃用户回答道多少？请用Excel分析 ...
用Excel、SQL、Python做数据分析有何不同？
zhuxiao5的博客
12-12 7256
作者简介HeoiJin：立志透过数据看清世界的产品策划，专注爬虫、数据分析、产品策划领域。万物皆营销 | 资本永不眠 | 数据恒真理优快云：https://me.youkuaiyun.com/we...
用户增长——Cohort Analysis 留存分析（三）
素质云笔记
07-09 6151
转载于:Cohort Analysis：用户在哪一步离开了我们的产品？ 数据是会骗人的，尤其是平均数据（真实世界会有用户每个月下单2.5次吗？很可能是两个分别下单1次和4次的客户而已），一个中等的平均的用户画像其实完全是用数据创造出来的虚幻的形象。而一个漂亮的平均数所创造出来的这种虚幻景象，往往会给我们的决策造成误导。但是事实上，数据并不会说谎，只是分析数据的人没有做到精准分析而导致对数据呈现的错误解读！因此，Cohort Analysis的分析方法应运而生。 文章目录一、什么是Cohort Analys
Cohort Analysis组群分析(1)
12-07 2259
1. 总体数据按30天（月）呈周期性趋势， (1) last day 是操作行为的峰值：存入最高，消费最高；存入比消费高； (2) 前6日左右是一个峰值日：存入峰值； (3) 前20日左右是一个风之日：存入峰值，消费峰值；消费比存入高；
“早知道这些我的公司就不会死”系列（二）：Cohort Analysis
四纪启悟 · 数据科学
06-05 1634
“早知道这些我的公司就不会死”系列（二）：Cohort Analysis 42章经_曲凯 • 2016-05-11 • 深度报道 你不能监测的东西，也无从改善。 编者按：本文作者曲凯，文章首发自微信号：42 章经 （ID：MyFortyTwo）  一）公司的经营数据真的像你想的一样好吗？ A和B两家公司都是做化妆品电商的平台，他们几乎在同一时间启动公司，在各自的公
如何进行cohort analysis
最新发布
11-26
<think> 我们参考了上述引用中关于群组分析（Cohort Analysis）的内容，尤其是引用[2]、[3]、[4]中提到的分析步骤和代码示例。群组分析的核心是将用户划分为具有共同特征的群组（如同期注册、首次购买等），然后跟踪这些群组在一段时间内的行为（如留存率、活跃度等）。以下是进行群组分析的一般步骤和Python实现方法： ### 1. 数据准备 首先，需要准备包含以下字段的数据集： - **用户ID**：唯一标识用户。 - **行为时间**：用户发生行为（如注册、购买）的时间戳。 - **行为类型**（可选）：如注册、购买等，用于确定群组的划分依据。 ### 2. 定义群组 通常，我们将用户按首次发生关键行为的时间划分群组（如按首次注册的月份）。例如： - 将每个用户分配到其首次注册的月份（群组月份）。 - 计算每个用户后续每个月的活跃情况（相对于首次注册月份的时间间隔）。 ### 3. 计算群组指标 常见的指标是留存率（Retention Rate），即某个群组在后续时间点仍然活跃的用户比例。 ### 4. 数据透视表 将数据转换为群组分析矩阵，行表示群组（如注册月份），列表示时间间隔（如第1个月、第2个月等），值表示留存率或活跃用户数。 ### Python实现示例 以下代码基于引用[4]中的示例，使用pandas进行群组分析： ```python import pandas as pd import numpy as np # 假设df包含以下列：CustomerID（用户ID），OrderDate（订单日期） # 步骤1：创建群组月份（CohortMonth），即每个用户首次购买的月份 df['OrderDate'] = pd.to_datetime(df['OrderDate']) df['OrderMonth'] = df['OrderDate'].dt.to_period('M') # 按用户分组，找到每个用户的首次购买月份（即群组月份） df_cohort = df.groupby('CustomerID')['OrderMonth'].min().reset_index() df_cohort.rename(columns={'OrderMonth':'CohortMonth'}, inplace=True) # 合并回原始数据，这样每条记录都有该用户所在的群组月份 df = pd.merge(df, df_cohort, on='CustomerID') # 步骤2：计算每个订单相对于群组月份的时间间隔（月数） df['CohortIndex'] = (df['OrderMonth'] - df['CohortMonth']).apply(lambda x: x.n) # 步骤3：按群组月份和时间间隔分组，统计唯一用户数 cohort_data = df.groupby(['CohortMonth', 'CohortIndex'])['CustomerID'].nunique().reset_index() # 步骤4：创建数据透视表（群组分析矩阵） cohort_counts = cohort_data.pivot_table(index='CohortMonth', columns='CohortIndex', values='CustomerID') # 步骤5：计算留存率（用每个群组的第一个月的用户数作为分母） cohort_sizes = cohort_counts.iloc[:,0] retention = cohort_counts.divide(cohort_sizes, axis=0) # 按行除，即每个群组除以自己的群组大小 retention = retention.round(3) * 100 # 转换为百分比 # 输出留存率矩阵 print(retention) ``` ### 结果解释 - 行索引：群组月份（如2019-01表示2019年1月首次购买的用户群）。 - 列索引：时间间隔（0表示群组月份当月，1表示下个月，依此类推）。 - 值：留存率（百分比），例如，0列都是100%，因为用户在自己的群组月份都是活跃的。 ### 可视化 可以使用热图（Heatmap）来直观展示留存率矩阵： ```python import seaborn as sns import matplotlib.pyplot as plt plt.figure(figsize=(12, 8)) sns.heatmap(retention, annot=True, fmt='.1f', cmap='Blues', vmin=0, vmax=100) plt.title('Monthly Cohorts: User Retention') plt.ylabel('Cohort Month') plt.xlabel('Months Since First Purchase') plt.show() ``` ### 注意事项 - 群组分析不仅限于时间维度，还可以根据用户的行为特征（如首次购买的商品类别）划分群组。 - 留存率是常用指标，但也可以使用其他指标，如平均订单金额、购买频率等。 §§相关问题§§ 1. 群组分析中，如何选择划分群组的依据？ 2. 除了留存率，群组分析还可以分析哪些指标？ 3. 如何解释群组分析矩阵中的异常值？ </think> ### 群组分析（Cohort Analysis）方法详解 群组分析是通过将用户划分为具有共同特征的群体（如同期注册、相同行为路径等），追踪其随时间变化的指标（如留存率、转化率等）的分析方法。以下是基于引用内容的完整实施步骤： --- #### **1. 定义群组（Cohort）** 根据业务目标选择划分维度： - **时间型群组**：按用户首次行为时间划分 示例：`2023年6月注册用户`、`2023Q1首次购买用户`（引用[3]） - **行为型群组**：按关键行为特征划分 示例：`通过渠道B注册的用户`、`首单金额>500元的用户`（引用[5]） --- #### **2. 数据处理与计算** 使用Python实现核心计算（引用[4]）： ```python import pandas as pd # 步骤1：计算每个用户的首次行为时间 df['首次行为日期'] = df.groupby('用户ID')['行为日期'].transform('min') df['群组月份'] = df['首次行为日期'].dt.to_period('M') # 步骤2：计算时间间隔（群组索引） df['时间间隔'] = (df['行为日期'].dt.to_period('M') - df['群组月份']).apply(lambda x: x.n) # 步骤3：按群组和时间间隔聚合 cohort_data = df.groupby(['群组月份', '时间间隔'])['用户ID'].nunique().reset_index() # 步骤4：生成透视表 retention_matrix = cohort_data.pivot_table( index='群组月份', columns='时间间隔', values='用户ID', aggfunc='sum' ) ``` --- #### **3. 关键指标计算** - **留存率公式**： $$留存率 = \frac{当前活跃用户数}{群组初始用户数} \times 100\%$$ 示例代码： ```python initial_users = retention_matrix.iloc[:, 0] # 群组首月用户数 retention_rate = retention_matrix.div(initial_users, axis=0) * 100 ``` - **其他常用指标**： - 人均收入（ARPU） - 行为转化率 - 复购率（引用[5]） --- #### **4. 可视化分析** - **热力图展示留存率**： ```python import seaborn as sns plt.figure(figsize=(12,8)) sns.heatmap(retention_rate, annot=True, fmt=".1f", cmap="YlGnBu") plt.title("月度群组留存率分析", fontsize=14) ``` - **折线图对比群组**： ![](https://example.com/cohort-chart.png) *不同渠道群组的留存趋势对比（引用[5]）* --- #### **5. 分析决策应用** - **识别优质群组**：高留存群组（如渠道A用户）增加资源投入（引用[5]） - **产品迭代验证**：对比改版前后新用户留存率变化（引用[5]） - **异常诊断**：特定群组指标骤降时定位问题（如渠道B用户留存差） --- ### 常见工具推荐 1. **Python库**： - `pandas`（数据处理） - `matplotlib/seaborn`（可视化） 2. **BI工具**： - Tableau（内置群组分析模块） - Google Analytics（同期群报告） > **注意事项**：群组规模需>100用户以保证统计显著性，时间周期选择需匹配业务场景（周/月/季）。
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

wo.austin

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值