---
¡Genial! Hemos asignado los cohortes y calculado el desfase mensual para las métricas. Ahora aprenderemos a calcular métricas comerciales para estos cohortes de clientes. Comenzaremos utilizando la tabla de conteos de cohortes de nuestra lección anterior para calcular la retención de clientes. Luego calcularemos la cantidad promedio de compras.
La retención mide cuántos clientes de cada cohorte han regresado en los meses siguientes.
Usaremos el dataframe llamado cohort_counts que creamos en la lección anterior. Nuestro primer paso es seleccionar la primera columna que es el número total de clientes en la cohorte.
A continuación, calcularemos la proporción de cuántos de estos clientes regresaron en los meses siguientes, que es la tasa de retención.
Una palabra de precaución, verás que la retención del primer mes - por definición - será del 100% para todas las cohortes. Esto se debe a que el número de clientes activos en el primer mes es en realidad el tamaño de la cohorte.
Seleccionaremos la primera columna de la tabla y la almacenaremos como cohort_sizes.
Luego usaremos la función divide() en el dataframe cohort_counts y pasaremos cohort_sizes. Establecemos el parámetro axis en cero para asegurarnos de que dividimos a lo largo del eje de filas.
Finalmente, redondeamos la proporción a 3 dígitos y la multiplicamos por 100 para que se vea como un porcentaje.
Con estos simples comandos, hemos completado el cálculo de la métrica de retención. Echemos un vistazo a ello.
Como puedes ver, la primera columna tiene una tasa de retención del 100% para todas las cohortes, como se esperaba. Ahora podemos comparar la tasa de retención a lo largo del tiempo y entre cohortes para evaluar la salud de los hábitos de compra de nuestros clientes.
Echemos un vistazo a otro ejemplo.
Retrocedamos un poco y volvamos a nuestro conjunto de datos en línea original. Te mostraremos cómo calcular otras métricas para estos cohortes.
Estas son líneas de código casi idénticas a las que has visto en la diapositiva anterior donde creamos los customer_counts. Lo que es diferente es que en este caso, calcularemos la cantidad promedio.
Primero, creamos un objeto groupby() con CohortMonth y CohortIndex y lo almacenamos como grouping.
Luego, llamamos a este objeto, seleccionamos la columna Quantity y calculamos el promedio. Luego almacenamos los resultados como cohort_data.
Después, restablecemos el índice antes de llamar a la función pivot para poder acceder a las columnas ahora almacenadas como índices.
Finalmente, creamos una tabla dinámica pasando CohortMonth al parámetro de índice, CohortIndex al parámetro de columnas y Quantity al parámetro de valores.
Redondeémoslo a 1 dígito y veamos qué obtenemos.
¡Aquí vamos! Ahora estás completamente equipado para manipular datos transaccionales de clientes y obtener información valiosa.
Ahora practicarás lo que has aprendido hasta ahora y construirás nuevos análisis con métricas adicionales!