cohort-analysis

name	cohort-analysis
description	对用户参与度数据执行同期群分析——留存曲线、功能采用趋势及分层洞察。适用于按同期群分析用户留存、研究功能随时间的采用情况、调查流失规律，或识别参与度趋势。

同期群分析与留存探查

用途

通过同期群分析用户参与度和留存规律，识别用户行为、功能采用及长期参与度的趋势。将定量洞察与定性研究建议相结合。

工作原理

第一步：读取并验证数据

• 接受包含用户同期群信息的 CSV、Excel 或 JSON 数据文件
• 验证数据结构：同期群标识符、时间周期、参与度指标
• 检查缺失值和数据质量问题
• 汇总关键统计信息（同期群规模、日期范围、可用指标）

第二步：生成定量分析

• 计算同期群留存率和参与度趋势
• 识别留存曲线、流失节点和异常值
• 计算各同期群的功能采用率
• 计算环比或周期性变化
• 如有需要，使用 pandas 和 numpy 生成 Python 分析脚本

第三步：创建可视化图表

• 生成留存热力图（同期群 vs. 时间周期）
• 创建展示同期群走势的折线图
• 构建功能采用率对比图
• 可视化流失节点和参与度趋势
• 输出为交互式图表或静态图片

第四步：识别洞察与规律

• 发现一个或多个显著规律：
  • 特定同期群的早期高流失
  • 后期参与度变化
  • 功能采用的聚类特征
  • 季节性或时间性趋势
• 突出意外发现和偏差
• 与基准线进行同期群绩效对比

第五步：建议后续研究方向

• 推荐定性研究方法：
  • 与流失用户进行针对性访谈
  • 对高活跃同期群开展功能使用调研
  • 回放关键交互模式的会话录屏
  • 对高留存 vs. 低留存同期群进行赢/输分析
• 设计后续定量研究
• 建议 A/B 测试或功能实验

使用示例

示例一：上传 CSV 数据

上传 cohort_engagement.csv，包含以下字段：cohort_month、weeks_active、
user_id、feature_x_usage、engagement_score

需求："分析留存规律，并找出 Q4 2025 同期群为何相比 Q3 表现欠佳"

示例二：描述数据格式

"我有 2025 年 1—12 月的月度用户同期群。每行包含：
同期群日期、用户 ID、购买频次和客服工单数量。
分析哪些同期群的长期留存率最高。"

示例三：功能采用分析

上传包含同期群采用数据的 feature_usage.xlsx。

需求："对比各同期群新功能的采用曲线。
哪些同期群采用速度最快？有什么规律？"

核心能力

• 数据读取：导入 CSV、Excel、JSON、SQL 查询结果
• 留存分析：计算并可视化随时间变化的留存率
• 同期群对比：跨同期群对比各项指标
• 异常检测：标记异常规律或流失节点
• Python 脚本：生成可复用的分析代码，支持持续分析
• 可视化：创建热力图、图表和交互式数据看板
• 研究设计：建议针对性的后续研究和访谈方案
• 统计摘要：提供定量指标和相关性分析

最佳实践建议

1. 包含时间维度：提供跨多个时间周期的数据
2. 明确定义同期群：清楚说明同期群的划分依据（注册月份、功能上线日期等）
3. 提供背景信息：说明该时期内的产品变更、上线内容或重要事件
4. 多维指标：包括留存率、参与度、功能使用情况、营收等
5. 充足数据量：至少 3—4 个同期群，才能发现有意义的规律
6. 明确输出要求：注明需要可视化图表、Python 脚本还是研究建议

输出格式

你将收到：

• 数据摘要：同期群概览和数据质量评估
• 定量发现：关键指标、留存率及趋势分析
• 可视化图表：展示留存曲线和采用规律的图表
• 规律识别：从数据中提炼的 2—3 个重要洞察
• 研究建议：具体的定性与定量后续研究方向
• 分析脚本（如有需要）：可复现分析的 Python 代码
• 后续行动：基于发现的优先级行动清单

---

延伸阅读

• Cohort Analysis 101: How to Reduce Churn and Make Better Product Decisions
• The Product Analytics Playbook: AARRR, HEART, Cohorts & Funnels for PMs
• Are You Tracking the Right Metrics?