Maison

Skill

Gestion de base de données

cohort-analysis

phuryn/pm-skills

Analysez l'engagement et les modèles de rétention des utilisateurs par cohorte afin d'identifier les tendances dans le comportement des utilisateurs, l'adoption des fonctionnalités et l'engagement à long terme.

...Développer tout

Heure mise à jour 29 septembre 2026

# python # csv # pandas # cohort analysis # feature adoption # retention analysis # user engagement

Analyse de Cohorte et Explorateur de Rétention

Objectif

Analyser l'engagement et les modèles de rétention des utilisateurs par cohorte afin d'identifier les tendances dans le comportement des utilisateurs, l'adoption des fonctionnalités et l'engagement à long terme. Combiner les insights quantitatifs avec des recommandations de recherche qualitative.

Fonctionnement

Étape 1 : Lire et Valider Vos Données

Accepter les fichiers de données CSV, Excel ou JSON contenant les informations sur les cohortes d'utilisateurs
Vérifier la structure des données : identifiant de la cohorte, périodes de temps, indicateurs d'engagement
Vérifier l'absence de valeurs manquantes et les problèmes de qualité des données
Résumer les statistiques clés (tailles des cohortes, plages de dates, indicateurs disponibles)

Étape 2 : Générer une Analyse Quantitative

Calculer les taux de rétention des cohortes et les tendances d'engagement
Identifier les courbes de rétention, les modèles d'attrition et les anomalies
Calculer les taux d'adoption des fonctionnalités au sein des cohortes
Calculer les changements mois sur mois ou période sur période
Générer des scripts d'analyse Python en utilisant pandas et numpy si demandé

Étape 3 : Créer des Visualisations

Générer des cartes thermiques de rétention (cohortes vs. périodes de temps)
Créer des graphiques linéaires montrant la progression des cohortes
Construire des graphiques de comparaison pour l'adoption des fonctionnalités
Visualiser les points d'attrition et les tendances d'engagement
Produire des graphiques interactifs ou des images statiques

Étape 4 : Identifier les Insights et les Modèles

Repérer un ou plusieurs modèles significatifs :
- Attrition précoce dans des cohortes spécifiques
- Changements d'engagement en fin de cycle
- Groupes d'adoption des fonctionnalités
- Tendances saisonnières ou temporelles
Mettre en évidence les résultats surprenants et les écarts
Comparer la performance des cohortes pour établir des références

Étape 5 : Suggérer des Recherches Complémentaires

Recommander des méthodes de recherche qualitative :
- Entretiens ciblés avec les utilisateurs en attrition
- Enquêtes sur l'utilisation des fonctionnalités auprès des cohortes engagées
- Replays de sessions des principaux modèles d'interaction
- Analyse des gains/pertes pour les cohortes à haute et basse rétention
Concevoir des études quantitatives complémentaires
Suggérer des tests A/B ou des expérimentations de fonctionnalités

Exemples d'Utilisation

Exemple 1 : Télécharger des Données CSV

Télécharger cohort_engagement.csv avec les colonnes : cohort_month, weeks_active,
user_id, feature_x_usage, engagement_score

Demande : "Analyser les modèles de rétention et identifier pourquoi les cohortes du T4 2025
sous-performent par rapport au T3"

Exemple 2 : Décrire le Format des Données

"J'ai des cohortes d'utilisateurs mensuelles de janvier à décembre 2025. Chaque ligne montre :
date de la cohorte, ID utilisateur, fréquence d'achat et tickets de support.
Analyser quelles cohortes montrent la meilleure rétention à long terme."

Exemple 3 : Analyse de l'Adoption des Fonctionnalités

Télécharger feature_usage.xlsx avec les données d'adoption par cohorte.

Demande : "Comparer les courbes d'adoption de notre nouvelle fonctionnalité entre les cohortes.
Quelles cohortes ont adopté le plus rapidement ? Y a-t-il des modèles ?"

Capacités Clés

Lecture de Données : Importer CSV, Excel, JSON, résultats de requêtes SQL
Analyse de Rétention : Calculer et visualiser les taux de rétention dans le temps
Comparaison de Cohortes : Comparer les indicateurs entre les groupes de cohortes
Détection d'Anomalies : Signaler les modèles inhabituels ou les baisses soudaines
Scripts Python : Générer du code d'analyse réutilisable pour une analyse continue
Visualisations : Créer des cartes thermiques, des graphiques et des tableaux de bord interactifs
Conception de Recherche : Suggérer des études complémentaires ciblées et des approches d'interview
Résumé Statistique : Fournir des indicateurs quantitatifs et une analyse de corrélation

Conseils pour de Meilleurs Résultats

Inclure la dimension temporelle : Fournir des données sur plusieurs périodes de temps
Définir clairement la cohorte : Rendre explicite le regroupement par cohorte (mois d'inscription, date de lancement de fonctionnalité, etc.)
Fournir du contexte : Expliquer les changements de produit, les lancements ou les événements survenus pendant la période
Multiples indicateurs : Inclure la rétention, l'engagement, l'utilisation des fonctionnalités, les revenus, etc.
Données suffisantes : Au moins 3 à 4 cohortes pour une identification significative des modèles
Demander une sortie spécifique : Demander des visualisations, des scripts Python ou des recommandations de recherche

Format de Sortie

Vous recevrez :

Résumé des Données : Aperçu des cohortes et évaluation de la qualité des données
Résultats Quantitatifs : Indicateurs clés, taux de rétention et analyse des tendances
Visualisations : Graphiques montrant les courbes de rétention et les modèles d'adoption
Identification des Modèles : 2 à 3 insights significatifs tirés des données
Recommandations de Recherche : Suites qualitatives et quantitatives spécifiques
Scripts d'Analyse (si demandé) : Code Python pour une analyse reproductible
Prochaines Étapes : Actions priorisées basées sur les résultats

Lectures Complémentaires

Analyse de Cohorte 101 : Comment Réduire l'Attrition et Prendre de Meilleures Décisions Produit
Le Guide d'Analyse Produit : AARRR, HEART, Cohortes et Entonnoirs pour les Chefs de Produit
Suivez-vous les Bonnes Métriques ?

Voir sur GitHub

---
name: cohort-analysis
description: Analyze user engagement and retention patterns by cohort to identify trends in user behavior, feature adoption, and long-term engagement.
---

# Cohort Analysis & Retention Explorer

## Purpose
Analyze user engagement and retention patterns by cohort to identify trends in user behavior, feature adoption, and long-term engagement. Combine quantitative insights with qualitative research recommendations.

## How It Works

### Step 1: Read and Validate Your Data
- Accept CSV, Excel, or JSON data files with user cohort information
- Verify data structure: cohort identifier, time periods, engagement metrics
- Check for missing values and data quality issues
- Summarize key statistics (cohort sizes, date ranges, metrics available)

### Step 2: Generate Quantitative Analysis
- Calculate cohort retention rates and engagement trends
- Identify retention curves, drop-off patterns, and anomalies
- Compute feature adoption rates across cohorts
- Calculate month-over-month or period-over-period changes
- Generate Python analysis scripts using pandas and numpy if requested

### Step 3: Create Visualizations
- Generate retention heatmaps (cohorts vs. time periods)
- Create line charts showing cohort progression
- Build comparison charts for feature adoption
- Visualize drop-off points and engagement trends
- Output as interactive charts or static images

### Step 4: Identify Insights & Patterns
- Spot one or more significant patterns:
  - Early churn in specific cohorts
  - Late-stage engagement changes
  - Feature adoption clusters
  - Seasonal or temporal trends
- Highlight surprising findings and deviations
- Compare cohort performance to establish baselines

### Step 5: Suggest Follow-Up Research
- Recommend qualitative research methods:
  - Targeted user interviews with churning users
  - Feature usage surveys with engaged cohorts
  - Session replays of key interaction patterns
  - Win/loss analysis for high vs. low retention cohorts
- Design follow-up quantitative studies
- Suggest A/B tests or feature experiments

## Usage Examples

**Example 1: Upload CSV Data**
```
Upload cohort_engagement.csv with columns: cohort_month, weeks_active,
user_id, feature_x_usage, engagement_score

Request: "Analyze retention patterns and identify why Q4 2025 cohorts
underperform compared to Q3"
```

**Example 2: Describe Data Format**
```
"I have monthly user cohorts from Jan-Dec 2025. Each row shows:
cohort date, user ID, purchase frequency, and support tickets.
Analyze which cohorts show best long-term retention."
```

**Example 3: Feature Adoption Analysis**
```
Upload feature_usage.xlsx with cohort adoption data.

Request: "Compare adoption curves for our new feature across cohorts.
Which cohorts adopted fastest? Any patterns?"
```

## Key Capabilities

- **Data Reading**: Import CSV, Excel, JSON, SQL query results
- **Retention Analysis**: Calculate and visualize retention rates over time
- **Cohort Comparison**: Compare metrics across cohort groups
- **Anomaly Detection**: Flag unusual patterns or drop-offs
- **Python Scripts**: Generate reusable analysis code for ongoing analysis
- **Visualizations**: Create heatmaps, charts, and interactive dashboards
- **Research Design**: Suggest targeted follow-up studies and interview approaches
- **Statistical Summary**: Provide quantitative metrics and correlation analysis

## Tips for Best Results

1. **Include time dimension**: Provide data across multiple time periods
2. **Define cohort clearly**: Make cohort grouping explicit (signup month, feature launch date, etc.)
3. **Provide context**: Explain product changes, launches, or events during the period
4. **Multiple metrics**: Include retention, engagement, feature usage, revenue, etc.
5. **Sufficient data**: At least 3-4 cohorts for meaningful pattern identification
6. **Request specific output**: Ask for visualizations, Python scripts, or research recommendations

## Output Format

You'll receive:
- **Data Summary**: Cohort overview and data quality assessment
- **Quantitative Findings**: Key metrics, retention rates, and trend analysis
- **Visualizations**: Charts showing retention curves, adoption patterns
- **Pattern Identification**: 2-3 significant insights from the data
- **Research Recommendations**: Specific qualitative and quantitative follow-ups
- **Analysis Scripts** (if requested): Python code for reproducible analysis
- **Next Steps**: Prioritized actions based on findings

---

### Further Reading

- [Cohort Analysis 101: How to Reduce Churn and Make Better Product Decisions](https://www.productcompass.pm/p/cohort-analysis)
- [The Product Analytics Playbook: AARRR, HEART, Cohorts & Funnels for PMs](https://www.productcompass.pm/p/the-product-analytics-playbook-aarrr)
- [Are You Tracking the Right Metrics?](https://www.productcompass.pm/p/are-you-tracking-the-right-metrics)