cohort-analysis

/digital-marketing-pro:cohort-analysis

脚本位置。 如果宿主未设置 ${CLAUDE_PLUGIN_ROOT}，脚本位于此插件的 scripts/ 文件夹中，与 skills/ 文件夹并列。请使用 Python 3.10 或更高版本运行：python；如果找不到 python，则使用 python3（macOS 和许多 Linux 系统）。

目的

执行客户群组分析，以了解生命周期模式、留存情况和价值随时间的变化。按获取日期、渠道、行为或价值层级划分客户群组，然后跟踪留存曲线、比较各群组的表现，并确定哪些获客来源带来的客户价值最高。这种分析可以揭示企业随时间获取的客户质量是在提高还是下降、哪些渠道带来长期价值而非一次性交易，以及在哪些方面采取生命周期干预措施（改进引导流程、开展重新互动营销活动、推出忠诚度计划）最能提升留存率和收入。

所需输入

用户必须提供（或系统会提示用户提供）：

• 群组类型：time-based（按获客周、月或季度对客户分组——标准的群组分析，用于展示留存率随时间的变化）、channel-based（按获客来源对客户分组——付费搜索、自然流量、社交媒体、电子邮件、推荐——揭示哪些渠道带来的客户留存最持久）、behavioral（按客户采取的第一个操作分组——例如，购买的产品类别、使用的功能、浏览的内容——找出哪些切入点带来的留存率最高的客户），或 revenue-tier（按首次购买金额对客户分组——低、中、高、企业级——展示初始价值与生命周期留存和扩展之间的关联）
• 时间范围和粒度：分析窗口和群组规模——过去 3 个月的每周群组（分辨率高，最适合快速周期型业务）、过去 12 个月的每月群组（大多数业务的标准做法），或多年分析的每季度群组（最适合长周期 B2B 或订阅业务）。粒度决定群组的定义方式以及衡量留存的时间间隔
• 跟踪指标：要在各群组中衡量哪些结果——retention rate（每个时间间隔仍保持活跃的群组客户百分比）、revenue（累计收入和每个客户每个周期的收入）、LTV（累计生命周期价值及未来价值预测）、engagement（登录频率、功能使用情况、内容消费），或同时使用多项指标，全面了解客户生命周期
• 数据源：客户数据的来源——CRM（交易数据、客户记录、生命周期阶段）、analytics（网站行为、转化事件、会话数据）、product analytics（功能使用情况、激活事件、参与度指标），或按客户标识符合并的多个数据源

流程

1. 加载品牌背景：读取 ~/.claude-marketing/brands/_active-brand.json 获取当前启用的 slug，然后加载 ~/.claude-marketing/brands/{slug}/profile.json。提取业务模式（SaaS、eCommerce、B2B）、典型客户生命周期长度、关键留存指标，以及所在行业的流失定义。检查 ~/.claude-marketing/brands/{slug}/guidelines/_manifest.json 中是否有指南。如果没有品牌，请询问：“先设置品牌？（/digital-marketing-pro:brand-setup）”——或使用默认值继续。
2. 根据所选类型定义群组：将客户群体划分为多个群组。按时间划分：根据客户首次获客的周、月或季度分组（首次购买、创建账户或首次有意义的互动）。按渠道划分：根据首次转化归因的获客来源分组（UTM 来源、推荐路径或 CRM 线索来源字段）。按行为划分：根据首次采取的重要行动分组（首次购买的产品类别、首次启用的功能、首次消费的内容类型）。按收入层级划分：根据首次交易金额分档（根据业务的订单金额分布设定阈值，例如底部 25%、中间 50%、顶部 25%）。
3. 从 CRM 和分析 MCP 中提取客户数据：收集完整的客户数据集——从 CRM MCP 获取获客日期和来源、交易历史及时间戳和金额、从分析 MCP 获取互动事件（登录、功能使用、邮件打开、网站访问）、流失事件（取消、最后活动日期、关闭账户），以及群组划分所需的客户属性。根据客户标识符合并多个来源的数据，并尽可能消除重复项、填补缺失数据。
4. 构建留存矩阵：针对每个群组，计算后续各时间间隔的留存率（第 1 周、第 2 周、第 1 个月、第 2 个月等，与所选粒度相匹配）。留存率定义为在该时间间隔内执行了符合条件的活动（购买、登录、互动事件——具体取决于业务模式）的原始群组客户所占百分比。以三角矩阵呈现，群组为行、时间间隔为列，单元格按颜色编码（绿色表示留存率高于平均值，红色表示低于平均值）。
5. 按群组计算 LTV：针对每个群组，计算各时间间隔的累计客户收入——即该群组客户从获客到该时段累计产生的平均总收入。绘制 LTV 曲线，展示各群组的价值如何随时间累积。如果有获客成本数据，则计算 LTV:CAC 比率，找出回本最快、长期回报最高的群组。
6. 识别留存模式：分析留存矩阵中的结构性模式。留存何时趋于稳定（“留存底线”——流失率接近零之后的时期）？哪些群组的留存表现最佳？它们与低留存群组有何不同（获客渠道、初始行为、获客季节、促销或自然获客）？是否存在关键激活窗口——客户生命周期早期的特定时段，此时未来会留存的客户与会流失的客户开始出现差异？如果行为数据支持，请找出“顿悟时刻”。
7. 计算群组健康指标：针对每个群组，计算：回本期（累计收入超过获客成本所需的月数）、预测 LTV（根据留存曲线和收入趋势推算）、流失率（每个时期的流失比例，包括毛流失率和净流失率）、互动评分（活动频率和深度的综合评分），以及扩张收入率（针对 SaaS——群组中来自追加销售和交叉销售的收入占比）。结合这些指标为群组的整体健康状况排名。
8. 保存群组数据以跟踪趋势：通过 python "${CLAUDE_PLUGIN_ROOT}/scripts/campaign-tracker.py" --brand {slug} --action save-insight --data '{"type":"cohort","insight":"retention/LTV/health summary","context":"cohort-analysis {period}"}' 将群组分析摘要作为洞察持久化，以便进行长期对比——包括留存底线、LTV 曲线形态、群组健康评分和细分备注。（注意：churn-predictor.py 根据行为信号评估流失风险；它不会存储留存矩阵或 LTV 曲线——持久化的群组历史记录保存在 campaign-tracker 洞察中。）支持逐月对比新群组的留存表现是否优于旧群组、渠道质量是否发生变化，以及生命周期干预是否能显著改善留存曲线。

输出

结构化的群组分析，包含：

• 留存矩阵：按群组和时间段排列的网格，展示各时间间隔的留存率百分比；高于平均值的单元格以绿色标记，低于平均值的单元格以红色标记，并在每行显示群组规模（n），以说明统计可靠性
• 留存曲线可视化数据：在同一张图表上绘制各群组的留存曲线，便于直观比较留存轨迹，并突出显示平均留存曲线作为基准参考
• 按群组比较 LTV：各群组的累计 LTV 曲线，展示价值随时间的累积情况；包含当前 LTV、预测的 12 个月 LTV，以及在获客成本数据可用时提供 LTV:CAC 比率
• 表现最佳和最差的群组：按留存率和 LTV 排序的群组列表，列出表现最佳和最差的前 3 个群组，并为各群组提出可能的影响因素，例如获客渠道、季节性因素、促销活动、产品变更或与表现相关的入门引导差异
• 稳定点分析：各群组类型的留存底线，即月流失率降至阈值（通常为 1-2%）以下后的时间间隔，并说明其对回本期规划和客户生命周期估算的影响
• 群组趋势分析：新群组的留存率是否优于旧群组？按月比较各群组相同时间间隔的留存率（例如，比较每个连续群组的第 3 个月留存率），以判断业务在获取持久客户方面是在改善还是退步
• 针对表现不佳群组的干预建议：针对低表现细分群组，提供具体、可执行的留存提升建议，包括定向重新互动活动、入门引导调整、产品体验改进或挽回优惠，并根据表现不佳群组与表现最佳群组之间的差距预测留存率影响
• 按群组 LTV 排列的获客渠道质量排名：按所获客户的平均 LTV 对渠道进行排名，揭示哪些渠道带来长期价值，哪些渠道带来一次性客户或低留存客户；排名不受客户数量影响，可用于指导获客预算分配

使用的 Agent

• analytics-analyst — 群组定义和细分逻辑；计算各时间间隔的留存矩阵；计算 LTV 曲线及每位客户的累计收入；识别留存模式，包括稳定点和关键激活窗口；计算群组健康指标（回本期、预测 LTV、流失率、参与度评分）；分析新旧群组的表现趋势；评估数据质量，并验证群组规模的统计可靠性
• crm-manager — 通过 CRM MCP 提取 CRM 数据，包括客户获取日期、交易历史、生命周期阶段进展和流失事件；使用 CRM 字段按获客来源和价值层级细分客户；交叉参考 CRM 交易数据与分析触点数据，构建统一客户档案以分配群组