---
Super! Wir haben die Kohorten zugewiesen und den monatlichen Offset für die Metriken berechnet. Jetzt lernen wir, wie man Geschäftsmetriken für diese Kundenkohorten berechnet. Wir beginnen mit der Verwendung der Kohortenanzahltabelle aus unserer vorherigen Lektion, um die Kundenbindung zu berechnen. Dann berechnen wir die durchschnittliche Kaufmenge.
Die Bindung misst, wie viele Kunden aus jeder Kohorte in den folgenden Monaten zurückgekehrt sind.
Wir verwenden das DataFrame namens cohort_counts, das wir in der vorherigen Lektion erstellt haben. Unser erster Schritt besteht darin, die erste Spalte auszuwählen, die die Gesamtzahl der Kunden in der Kohorte ist.
Als nächstes berechnen wir das Verhältnis, wie viele dieser Kunden in den folgenden Monaten zurückgekommen sind, was die Bindungsrate ist.
Ein Wort der Warnung: Sie werden sehen, dass die Bindung im ersten Monat - per Definition - für alle Kohorten 100% beträgt. Das liegt daran, dass die Anzahl der aktiven Kunden im ersten Monat tatsächlich der Größe der Kohorte entspricht.
Wir wählen die erste Spalte aus der Tabelle aus und speichern sie als cohort_sizes.
Dann verwenden wir die divide()-Funktion auf dem cohort_counts DataFrame und übergeben die cohort_sizes. Wir setzen den Achsenparameter auf null, um sicherzustellen, dass wir entlang der Zeilenachse dividieren.
Schließlich runden wir das Verhältnis auf 3 Dezimalstellen und multiplizieren es mit 100, um es wie einen Prozentsatz aussehen zu lassen.
Mit diesen einfachen Befehlen haben wir die Berechnung der Bindungsmetrik abgeschlossen. Lassen Sie uns einen Blick darauf werfen.
Wie Sie sehen können, hat die erste Spalte eine Bindungsrate von 100% für alle Kohorten, wie erwartet. Wir können jetzt die Bindungsrate im Zeitverlauf und über die Kohorten hinweg vergleichen, um die Gesundheit der Einkaufsgewohnheiten unserer Kunden zu bewerten.
Lassen Sie uns ein weiteres Beispiel ansehen.
Lassen Sie uns einen Schritt zurücktreten und zu unserem ursprünglichen Online-Datensatz zurückkehren. Wir zeigen Ihnen, wie Sie andere Metriken für diese Kohorten berechnen.
Dies sind fast identische Codezeilen, die Sie in der vorherigen Folie gesehen haben, als wir die customer_counts erstellt haben. Der Unterschied besteht darin, dass wir in diesem Fall die durchschnittliche Menge berechnen werden.
Zuerst erstellen wir ein groupby()-Objekt mit CohortMonth und CohortIndex und speichern es als grouping.
Dann rufen wir dieses Objekt auf, wählen die Spalte Quantity aus und berechnen den Durchschnitt. Dann speichern wir die Ergebnisse als cohort_data.
Dann setzen wir den Index zurück, bevor wir die Pivot-Funktion aufrufen, um auf die jetzt als Indizes gespeicherten Spalten zugreifen zu können.
Schließlich erstellen wir eine Pivot-Tabelle, indem wir CohortMonth an den Indexparameter, CohortIndex an den Spaltenparameter und die Quantity an den Werteparameter übergeben.
Lassen Sie uns auf 1 Dezimalstelle runden und sehen, was wir bekommen.
Los geht's! Sie sind jetzt vollständig ausgestattet, um transaktionale Kundendaten zu manipulieren und wertvolle Erkenntnisse zu gewinnen.
Jetzt werden Sie das, was Sie bisher gelernt haben, üben und neue Analysen mit zusätzlichen Metriken erstellen!