WikiDer > Когортный анализ

Cohort analysis
Для когортного анализа в статистике и эпидемиологии см. Когортное исследование.

Когортный анализ это подмножество поведенческая аналитика это требует данные из данного набор данных (например, EMRS, электронная коммерция Платформа, веб приложение, или онлайн-игра) и вместо того, чтобы рассматривать всех пользователей как одно целое, он разбивает их на связанные группы для анализа. Эти связанные группы, или когорты, обычно имеют общие характеристики или опыт в течение определенного периода времени.[1][2] Когортный анализ позволяет компании «четко видеть закономерности на протяжении жизненного цикла клиента (или пользователя), а не слепо разрезать всех клиентов без учета естественного цикла, который проходит клиент».[3] Наблюдая за этими временными закономерностями, компания может адаптировать и адаптировать свои услуги для этих конкретных групп. Хотя когортный анализ иногда ассоциируется с когортное исследование, они разные и не должны рассматриваться как одно и то же. Когортный анализ - это, в частности, анализ когорт в отношении большое количество данных и бизнес-аналитика, тогда как в когортном исследовании данные разбиты на похожие группы.

Примеры

Цель инструмента бизнес-аналитики - анализировать и представлять полезную информацию.[4] Чтобы компания могла действовать на основе такой информации, она должна соответствовать анализируемой ситуации. База данных, содержащая тысячи или даже миллионы записей всех пользовательских данных, затрудняет получение необходимых данных, поскольку эти данные охватывают множество различных категорий и периодов времени. Практичный когортный анализ позволяет перейти к пользователям каждой конкретной когорты, чтобы лучше понять их поведение, например, выписались ли пользователи и сколько они заплатили. В когортном анализе «каждая новая группа [когорта] дает возможность начать с нового набора пользователей»,[5] позволяя компании просматривать только те данные, которые имеют отношение к текущему запросу, и действовать в соответствии с ними.

В электронной коммерции фирму могут интересовать только клиенты, которые зарегистрировались в течение последних двух недель и совершили покупку, что является примером определенной когорты. Разработчик программного обеспечения может заботиться только о данных пользователей, которые зарегистрировались после определенного обновления или используют определенные функции платформы.

Диаграмма когортного анализа - Gaming Example.png

Пример когортного анализа игроков на определенной платформе: опытные игроки, когорта 1, будут больше заботиться о расширенных функциях и времени задержки по сравнению с новыми подписками, когорта 2. После определения этих двух когорт и выполнения анализа игры компании будет представлено визуальное представление данных, относящихся к двум когортам. Тогда можно было увидеть, что небольшое отставание во времени загрузки привело к значительной потере доходов от продвинутых геймеров, в то время как новые пользователи даже не заметили отставания. Если бы компания просто посмотрела свои общие отчеты о доходах для всех клиентов, она не смогла бы увидеть различия между этими двумя когортами. Когортный анализ позволяет компании улавливать закономерности и тенденции и вносить изменения, необходимые для удовлетворения как продвинутых, так и новых игроков.[нужна цитата]

Глубокая действенная когортная аналитика

"Активный показатель - это показатель, который связывает определенные и повторяемые действия с наблюдаемыми результатами [такими как регистрация пользователя или оформление заказа]. Противоположными действенным показателям являются метрики тщеславия (например, количество посещений в Интернете или количество загрузок), которые служат только для документирования текущего состояния продукт, но не дает никаких сведений о том, как мы сюда попали и что делать дальше ".[6] Без действенной аналитики представляемая информация может не иметь практического применения, поскольку единственные точки данных представляют собой тщеславные метрики, которые не приводят к какому-либо конкретному результату. Хотя компании полезно знать, сколько людей находится на ее сайте, эта метрика сама по себе бесполезна. Чтобы оно было действенным, ему необходимо связать «повторяемое действие с [] наблюдаемым результатом».[6]

Проведение когортного анализа

Чтобы правильно провести когортный анализ, можно выделить четыре основных этапа:[7]

  • Определите, на какой вопрос вы хотите ответить. Суть анализа состоит в том, чтобы получить действенную информацию, на основании которой следует действовать, чтобы улучшить бизнес, продукт, пользовательский опыт, текучесть кадров и т. Д. Чтобы это произошло, важно задать правильный вопрос. В приведенном выше игровом примере компания не понимала, почему они теряют доход из-за увеличения времени задержки, несмотря на то, что пользователи все еще регистрировались и играли в игры.
  • Определите показатели, которые помогут вам ответить на вопрос. Для правильного когортного анализа требуется идентификация события, такого как выписка пользователя, и конкретных свойств, например, сколько пользователь заплатил. В игровом примере измеряется готовность клиента покупать игровые кредиты на основе того, сколько времени было на сайте.
  • Определите конкретные релевантные когорты. При создании когорты нужно либо проанализировать всех пользователей и нацелить их на них, либо внести вклад в атрибуты, чтобы найти соответствующие различия между каждым из них, в конечном итоге обнаружить и объяснить их поведение как конкретной когорты. В приведенном выше примере пользователи делятся на «базовых» и «продвинутых», поскольку каждая группа отличается по действиям, чувствительности структуры ценообразования и уровням использования.
  • Проведите когортный анализ. Приведенный выше анализ был выполнен с использованием визуализация данных что позволило игровой компании понять, что их доходы падают из-за того, что их более высокооплачиваемые продвинутые пользователи не использовали систему, поскольку время задержки увеличивалось. Поскольку продвинутые пользователи составляли такую ​​большую часть доходов компании, дополнительные регистрации базовых пользователей не покрывали финансовые потери от потери продвинутых пользователей. Чтобы исправить это, компания сократила время задержки и стала больше ориентироваться на своих опытных пользователей.
  • ‘’’Результаты теста. ’’ ’Убедитесь, что результаты имеют смысл.

Смотрите также

использованная литература

  1. ^ Бехруз Омидвар-Тегерани; Сихем Амер-Яхья; Лакс VS Лакшманан. Представление когорт и исследование. Турин, Италия: Конференция IEEE по науке о данных и расширенной аналитике (DSAA) 2018.
  2. ^ Давэй Цзян; Цинчао Кай; Ганг Чен; Х. В. Джагадиш; Бенг Чин Оои; Киан-Ли Тан; Энтони К. Х. Тунг. Обработка когортных запросов (PDF). Proceedings of the VLDB Endowment, Volume 10, Number 1, October 2016.
  3. ^ Алистер Кролл; Бенджамин Йосковиц (15 апреля 2013 г.). Экономичная аналитика: используйте данные, чтобы ускорить создание лучшего стартапа. Севастополь, Калифорния: О'Рейли. ISBN 978-1449335670.
  4. ^ Океман, Марк. «Когортный анализ - понимание ваших клиентов». edwblog.com.
  5. ^ Балог, Джонатон. «Введение в когортный анализ для стартапов».
  6. ^ а б Маурья, Эш. «3 правила эффективных показателей в экономичном стартапе».
  7. ^ Джеймс Торио; Ришаб Дайал. «Использование когортного анализа для оптимизации клиентского опыта». Журнал UX.

дальнейшее чтение