Из Википедии, бесплатной энциклопедии
Перейти к навигации Перейти к поиску
Для когортного анализа в статистике и эпидемиологии см. Когортное исследование .

Когортный анализ - это разновидность поведенческой аналитики, которая разбивает данные в наборе данных на связанные группы перед анализом. Эти 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), вместо того, чтобы слепо разрезать всех клиентов без учета естественного цикла, который проходит клиент». [3] Наблюдая за этими временными закономерностями, компания может адаптировать свои услуги к этим конкретным группам. Хотя когортный анализ иногда ассоциируется с когортным исследованием, они разные и не должны рассматриваться как одно и то же. Когортный анализ - это, в частности, анализ когорт в отношении больших данных и бизнес-аналитики , в то время как в когортном исследовании данные разбиваются на похожие группы.

Примеры [ править ]

Цель бизнес-аналитики - анализировать и представлять полезную информацию. [4] Большие недифференцированные наборы данных могут включать в себя различные типы пользователей и периоды времени. Когортный анализ анализирует пользователей каждой когорты отдельно. В когортном анализе «каждая новая группа [когорта] предоставляет возможность начать с новой группы пользователей» [5], позволяя компании просматривать только те данные, которые имеют отношение к текущему запросу, и действовать в соответствии с ними.

Например, в электронной коммерции клиенты, которые зарегистрировались в течение последних двух недель и совершили покупку, могут составлять когорту. Что касается программного обеспечения, то пользователи, которые зарегистрировались после определенного обновления или используют определенные функции платформы, могут составлять когорту.

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 бы увидеть, что небольшое отставание во времени загрузки привело к значительной потере доходов от продвинутых игроков, в то время как новые подписчики даже не заметили отставания. Если бы компания просто посмотрела свои общие отчеты о доходах по всем клиентам, 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. [цитата необходима ]

Глубокая действенная когортная аналитика [ править ]

"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 информация может не иметь практического применения; информация может быть просто недействительной метрикой тщеславия. Компании полезно знать, сколько людей находится на ее сайте, но сам по себе этот показатель бесполезен. Чтобы оно было действенным, ему необходимо связать «повторяемое действие с [] наблюдаемым результатом». [6]

Выполнение когортного анализа [ править ]

Когортный анализ состоит из четырех основных этапов: [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, 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 проведен с использованием визуализации данных, которая позволила игровой компании понять, что их доходы падают из-за того, что их более высокооплачиваемые продвинутые пользователи не использовали систему по мере увеличения времени задержки. 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 тестирования .' '' Убедитесь, что результаты имеют смысл.

См. Также [ править ]

Ссылки [ править ]

  1. ^ Behrooz Omidvar-Tehrani; Сихем Амер-Яхья; Лакс VS Лакшманан. Когортное представление и исследование . Турин, Италия: Конференция IEEE по науке о данных и расширенной аналитике (DSAA) 2018.
  2. ^ Давэй Цзян; Цинчао Кай; Ганг Чен; HV Jagadish; 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. ^ Aukeman, 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 [ править ]

  • «Когортный анализ с помощью Google Analytics» . Обсуждение аналитики . Джастин Катрони.
  • «Упростите получение полезной информации: автоматизируйте когортный анализ с помощью Analytics & Tableau» . Блог Google Analytics .
  • Гленн, Норвал Д. (2005). Когортный анализ. Количественные приложения в социальных науках vol. 07-005 (2-е изд.). Публикация Sage.
  • Уилсон, Фред. «Когортный анализ» . AVC .
  • ПОРТЕР, ДЖОШУА. «КОГОРТНЫЙ АНАЛИЗ - ИЗМЕРЕНИЕ ВОВЛЕЧЕННОСТИ ВО ВРЕМЕНИ» . 52 недели UX .
  • «Вводное руководство по когортному анализу» . Блог Insights . Canopy Labs. Архивировано из оригинала на 2016-04-04 . Проверено 30 октября 2015 .