mcpField
C
cohort-analysis

cohort-analysis

github.com/phuryn数据与数据库27.5k2.9k 次安装2 周前更新
代码仓库

关于 cohort-analysis

cohort-analysis 是面向产品和数据团队的分析技能，用于比较不同用户群组的留存、参与度和功能采用情况，并结合可视化提出后续研究建议。

主要功能

  1. 01留存与参与度趋势分析
  2. 02群组及功能采用对比
  3. 03异常与流失检测
  4. 04热图、图表和仪表板
  5. 05可复用的 Python 分析脚本
  6. 06后续研究建议

适用场景

  1. 01比较不同注册群组的留存
  2. 02发现流失异常的群组
  3. 03追踪功能采用变化
  4. 04据分析结果规划访谈或实验

安装

复制下面的命令，在终端中运行。

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

安装后在 Claude Code 中输入/cohort-analysis确认已加载。

详细介绍

群组分析与留存探索器

用途

按群组分析用户参与度和留存模式，以识别用户行为、功能采用情况和长期参与度的趋势。结合定量洞察与定性研究建议。

工作原理

步骤 1：读取并验证数据
  • 接受包含用户群组信息的 CSV、Excel 或 JSON 数据文件
  • 验证数据结构：群组标识符、时间段、参与度指标
  • 检查缺失值和数据质量问题
  • 汇总关键统计数据（群组规模、日期范围、可用指标）
步骤 2：生成定量分析
  • 计算群组留存率和参与度趋势
  • 识别留存曲线、流失模式和异常
  • 计算各群组的功能采用率
  • 计算月环比或期间环比变化
  • 如有需要，使用 pandas 和 numpy 生成 Python 分析脚本
步骤 3：创建可视化
  • 生成留存热力图（群组与时间段）
  • 创建展示群组变化情况的折线图
  • 构建功能采用情况对比图
  • 可视化流失节点和参与度趋势
  • 输出为交互式图表或静态图片
步骤 4：识别洞察与模式
  • 发现一个或多个显著模式：
    • 特定群组的早期流失
    • 后期参与度变化
    • 功能采用集群
    • 季节性或时间趋势
  • 突出令人意外的发现和偏差
  • 比较群组表现以建立基准
步骤 5：建议后续研究
  • 推荐定性研究方法：
    • 针对流失用户开展访谈
    • 面向活跃群组开展功能使用调查
    • 回放关键交互模式的会话
    • 对比高留存与低留存群组，开展成功与失败分析
  • 设计后续定量研究
  • 建议 A/B 测试或功能实验

使用示例

示例 1：上传 CSV 数据

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"

示例 2：描述数据格式

"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."

示例 3：功能采用分析

Upload feature_usage.xlsx with cohort adoption data.

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

核心能力

  • 数据读取：导入 CSV、Excel、JSON、SQL 查询结果
  • 留存分析：计算并可视化随时间变化的留存率
  • 群组比较：比较不同群组的指标
  • 异常检测：标记异常模式或流失情况
  • Python 脚本：生成可复用的分析代码，用于持续分析
  • 可视化：创建热力图、图表和交互式仪表板
  • 研究设计：建议有针对性的后续研究和访谈方法
  • 统计摘要：提供定量指标和相关性分析

最佳实践提示

  1. 包含时间维度：提供多个时间段的数据
  2. 明确群组定义：清楚说明群组划分方式（注册月份、功能发布日期等）
  3. 提供背景信息：说明期间内的产品变更、发布或事件
  4. 包含多项指标：包括留存、参与度、功能使用情况、收入等
  5. 提供充足数据：至少包含 3-4 个群组，以便识别有意义的模式
  6. 指定输出内容：要求提供可视化、Python 脚本或研究建议

输出格式

你将收到：

  • 数据摘要：群组概览和数据质量评估
  • 定量发现：关键指标、留存率和趋势分析
  • 可视化：展示留存曲线和采用模式的图表
  • 模式识别：从数据中提炼的 2-3 项重要洞察
  • 研究建议：具体的定性和定量后续研究建议
  • 分析脚本（如有需要）：用于可复现分析的 Python 代码
  • 后续步骤：根据发现确定优先级的行动
延伸阅读

评论

支持 Markdown