mcpField
C
cohort-analysis

cohort-analysis

github.com/phurynデータ・データベース27.5k2.9k 回インストール2 週間前に更新
リポジトリ

cohort-analysis について

cohort-analysisは、プロダクトやデータの担当者向けに、ユーザーコホート別の継続率、エンゲージメント、機能採用を分析するスキルです。定量分析と可視化に加え、追加調査も提案します。

主な機能

  1. 01継続率とエンゲージメントの傾向分析
  2. 02コホート別・機能採用の比較
  3. 03異常や離脱の検出
  4. 04ヒートマップ、チャート、ダッシュボード
  5. 05再利用可能なPython分析スクリプト
  6. 06追加調査の提案

活用シーン

  1. 01登録コホート間の継続率比較
  2. 02離脱が目立つコホートの特定
  3. 03機能採用の時系列追跡
  4. 04分析結果に基づくインタビューや実験の計画

インストール

コマンドをコピーしてターミナルで実行します。

$npx skills add https://github.com/phuryn/pm-skills --skill cohort-analysis

インストール後、Claude Code で/cohort-analysisを入力して読み込まれたか確認します。

詳細

コホート分析とリテンションの調査

目的

コホートごとのユーザーエンゲージメントとリテンションのパターンを分析し、ユーザー行動、機能の採用、長期的なエンゲージメントの傾向を特定します。定量的な分析結果と定性的な調査の提案を組み合わせます。

仕組み

ステップ 1：データの読み込みと検証
  • ユーザーのコホート情報を含む CSV、Excel、または JSON ファイルを受け入れます
  • データ構造を検証します：コホート識別子、期間、エンゲージメント指標
  • 欠損値とデータ品質の問題を確認します
  • 主要な統計情報を要約します（コホートの規模、日付範囲、利用可能な指標）
ステップ 2：定量分析の実施
  • コホートのリテンション率とエンゲージメントの傾向を計算します
  • リテンション曲線、離脱パターン、異常を特定します
  • コホート間の機能採用率を算出します
  • 前月比または期間ごとの変化を計算します
  • 必要に応じて、pandas と numpy を使った Python 分析スクリプトを生成します
ステップ 3：可視化の作成
  • リテンションヒートマップ（コホート対期間）を生成します
  • コホートの推移を示す折れ線グラフを作成します
  • 機能採用率の比較グラフを作成します
  • 離脱ポイントとエンゲージメントの傾向を可視化します
  • インタラクティブなグラフまたは静止画像として出力します
ステップ 4：分析結果とパターンの特定
  • 1 つ以上の重要なパターンを見つけます：
    • 特定のコホートにおける早期の離脱
    • 後期段階でのエンゲージメントの変化
    • 機能採用のクラスター
    • 季節的または時間的な傾向
  • 意外な発見や逸脱を強調します
  • コホートのパフォーマンスを比較してベースラインを設定します
ステップ 5：追加調査の提案
  • 定性的な調査方法を提案します：
    • 離脱するユーザーを対象にしたインタビュー
    • エンゲージメントの高いコホートを対象にした機能利用アンケート
    • 主要なインタラクションパターンのセッションリプレイ
    • リテンション率の高いコホートと低いコホートの勝因・敗因分析
  • 追加の定量調査を設計します
  • A/B テストや機能実験を提案します

使用例

例 1：CSV データのアップロード

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"

例 2：データ形式の説明

"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."

例 3：機能採用分析

Upload feature_usage.xlsx with cohort adoption data.

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

主な機能

  • データの読み込み：CSV、Excel、JSON、SQL クエリの結果をインポートします
  • リテンション分析：時間の経過に伴うリテンション率を計算し、可視化します
  • コホート比較：コホートグループ間で指標を比較します
  • 異常検出：通常と異なるパターンや離脱を検出します
  • Python スクリプト：継続的な分析に再利用できる分析コードを生成します
  • 可視化：ヒートマップ、グラフ、インタラクティブなダッシュボードを作成します
  • 調査設計：対象を絞った追加調査やインタビューの方法を提案します
  • 統計的な要約：定量的な指標と相関分析を提示します

最良の結果を得るためのヒント

  1. 時間軸を含める：複数の期間にわたるデータを提供します
  2. コホートを明確に定義する：コホートのグループ分け（登録月、機能のリリース日など）を明示します
  3. 背景情報を提供する：対象期間中の製品の変更、リリース、イベントについて説明します
  4. 複数の指標を含める：リテンション、エンゲージメント、機能の利用状況、収益などを含めます
  5. 十分なデータを用意する：意味のあるパターンを特定するには、少なくとも 3～4 個のコホートが必要です
  6. 具体的な出力を依頼する：可視化、Python スクリプト、調査の提案などを依頼します

出力形式

以下の内容が得られます：

  • データの概要：コホートの概要とデータ品質の評価
  • 定量的な分析結果：主要な指標、リテンション率、傾向分析
  • 可視化：リテンション曲線や採用パターンを示すグラフ
  • パターンの特定：データから得られた 2～3 件の重要な分析結果
  • 調査の提案：具体的な定性・定量的な追加調査
  • 分析スクリプト（必要に応じて）：再現可能な分析のための Python コード
  • 次のステップ：分析結果に基づいて優先順位を付けたアクション
さらに詳しく

コメント

Markdown 対応