---
Super ! Nous avons assigné les cohortes et calculé le décalage mensuel pour les métriques. Maintenant, nous allons apprendre à calculer les métriques commerciales pour ces cohortes de clients. Nous commencerons par utiliser le tableau des comptes de cohortes de notre leçon précédente pour calculer la rétention des clients. Ensuite, nous calculerons la quantité d'achat moyenne.
La rétention mesure combien de clients de chaque cohorte sont revenus dans les mois suivants.
Nous utiliserons le dataframe appelé cohort_counts que nous avons créé dans la leçon précédente. Notre première étape consiste à sélectionner la première colonne qui est le nombre total de clients dans la cohorte.
Ensuite, nous allons calculer le ratio de combien de ces clients sont revenus dans les mois suivants, ce qui est le taux de rétention.
Un mot de prudence, vous verrez que la rétention du premier mois - par définition - sera de 100 % pour toutes les cohortes. Cela est dû au fait que le nombre de clients actifs au cours du premier mois est en réalité la taille de la cohorte.
Nous allons sélectionner la première colonne du tableau et la stocker sous le nom de cohort_sizes.
Ensuite, nous utiliserons la fonction divide() sur le dataframe cohort_counts et passerons cohort_sizes. Nous définissons le paramètre axis à zéro pour nous assurer que nous divisons le long de l'axe des lignes.
Enfin, nous arrondissons le ratio à 3 chiffres et le multiplions par 100 pour le faire ressembler à un pourcentage.
Avec ces simples commandes, nous avons terminé le calcul de la métrique de rétention. Jetons un œil à cela.
Comme vous pouvez le voir, la première colonne a un taux de rétention de 100 % pour toutes les cohortes, comme prévu. Nous pouvons maintenant comparer le taux de rétention au fil du temps et entre les cohortes pour évaluer la santé des habitudes d'achat de nos clients.
Jetons un œil à un autre exemple.
Reculons un peu et retournons à notre ensemble de données en ligne d'origine. Nous allons vous montrer comment calculer d'autres métriques pour ces cohortes.
Ce sont presque les mêmes lignes de code que vous avez vues dans la diapositive précédente où nous avons créé les customer_counts. Ce qui est différent, c'est que dans ce cas, nous allons calculer la quantité moyenne.
Tout d'abord, nous créons un objet groupby() avec CohortMonth et CohortIndex et le stockons sous le nom de grouping.
Ensuite, nous appelons cet objet, sélectionnons la colonne Quantity et calculons la moyenne. Puis nous stockons les résultats sous le nom de cohort_data.
Ensuite, nous réinitialisons l'index avant d'appeler la fonction pivot pour pouvoir accéder aux colonnes maintenant stockées en tant qu'indices.
Enfin, nous créons un tableau croisé dynamique en passant CohortMonth au paramètre index, CohortIndex au paramètre columns, et Quantity au paramètre values.
Arrondissons à 1 chiffre et voyons ce que nous obtenons.
C'est parti ! Vous êtes maintenant entièrement équipé pour manipuler les données transactionnelles des clients et tirer des insights puissants.
Maintenant, vous allez pratiquer ce que vous avez appris jusqu'à présent et construire de nouvelles analyses avec des métriques supplémentaires !