---
Ótimo! Atribuímos as coortes e calculamos o deslocamento mensal para as métricas. Agora vamos aprender como calcular métricas de negócios para essas coortes de clientes. Começaremos usando a tabela de contagem de coortes da nossa lição anterior para calcular a retenção de clientes. Em seguida, calcularemos a quantidade média de compras.
A retenção mede quantos clientes de cada coorte retornaram nos meses subsequentes.
Usaremos o dataframe chamado cohort_counts que criamos na lição anterior. Nosso primeiro passo é selecionar a primeira coluna, que é o número total de clientes na coorte.
Em seguida, calcularemos a proporção de quantos desses clientes retornaram nos meses subsequentes, que é a taxa de retenção.
Uma palavra de cautela, você verá que a retenção do primeiro mês - por definição - será de 100% para todas as coortes. Isso ocorre porque o número de clientes ativos no primeiro mês é, na verdade, o tamanho da coorte.
Selecionaremos a primeira coluna da tabela e a armazenaremos como cohort_sizes.
Depois, usaremos a função divide() no dataframe cohort_counts e passaremos cohort_sizes. Definimos o parâmetro axis como zero para garantir que dividimos ao longo do eixo das linhas.
Finalmente, arredondamos a proporção para 3 dígitos e multiplicamos por 100 para que pareça uma porcentagem.
Com esses comandos simples, completamos o cálculo da métrica de retenção. Vamos dar uma olhada nisso.
Como você pode ver, a primeira coluna tem uma taxa de retenção de 100% para todas as coortes, como esperado. Agora podemos comparar a taxa de retenção ao longo do tempo e entre as coortes para avaliar a saúde dos hábitos de compra dos nossos clientes.
Vamos dar uma olhada em outro exemplo.
Vamos dar um passo atrás e voltar ao nosso conjunto de dados online original. Vamos mostrar como calcular outras métricas para essas coortes.
Essas são linhas de código quase idênticas às que você viu no slide anterior, onde criamos os customer_counts. O que é diferente é que, neste caso, calcularemos a quantidade média.
Primeiro, criamos um objeto groupby() com CohortMonth e CohortIndex e o armazenamos como grouping.
Em seguida, chamamos esse objeto, selecionamos a coluna Quantity e calculamos a média. Depois, armazenamos os resultados como cohort_data.
Então, redefinimos o índice antes de chamar a função pivot para poder acessar as colunas agora armazenadas como índices.
Finalmente, criamos uma tabela dinâmica passando CohortMonth para o parâmetro index, CohortIndex para o parâmetro columns e Quantity para o parâmetro values.
Vamos arredondar para 1 dígito e ver o que obtemos.
Aqui vamos nós! Agora você está totalmente equipado para manipular dados transacionais de clientes e extrair insights poderosos.
Agora você vai praticar o que aprendeu até agora e construir novas análises com métricas adicionais!