用途
Cohort Analysis 用于按用户队列分析参与度和留存模式，识别用户行为趋势、功能采用情况和长期参与度变化，并结合定量分析与定性研究建议。
主要能力
- 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
- 队列对比：比较不同队列组的指标
- 异常检测：标记异常模式或流失点
- Python 脚本：生成可复用的分析代码
- 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
使用方式
第一步：读取并验证数据。接受包含用户队列信息的 CSV、Excel 或 JSON 数据文件，验证数据结构（队列标识、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（队列规模、日期范围、可用指标）。
第二步：生成定量分析。计算队列留存率和参与度趋势，识别留存曲线、流失模式和异常，计算各队列的功能采用率，计算月度或周期性变化，如需要可生成使用 pandas 和 numpy 的 Python 分析脚本。
第三步：创建可视化。生成留存热力图（队列 vs 时间段）、展示队列进展的折线图、功能采用对比图，可视化流失点和参与度趋势，输出为交互式图表或静态图片。
第四步：识别洞察与模式。发现一个或多个显著模式（特定队列的早期流失、后期参与度变化、功能采用集群、季节性/时间性趋势），突出意外发现和偏差，对比队列表现以建立基线。
第五步：建议后续研究。推荐定性研究方法（对流失用户的定向访谈、对活跃队列的功能使用调查、关键交互模式的会话回放、高留存与低留存队列的赢/输分析），设计后续定量研究，建议 A/B 测试或功能实验。
适用场景
- 上传 cohort_engagement.csv（列包含 cohort_month、weeks_active、user_id、feature_x_usage、engagement_score），分析留存模式并找出 Q4 2025 队列表现不如 Q3 的原因。
- 描述数据格式：拥有 2025 年 1 月至 12 月的月度用户队列，每行显示队列日期、用户 ID、购买频率和支持工单，分析哪些队列长期留存最好。
- 上传 feature_usage.xlsx 队列采用数据，对比新功能在各队列的采用曲线，找出采用最快的队列及模式。
使用建议
- 包含时间维度：提供跨多个时间段的数据
- 明确定义队列：明确队列分组（注册月份、功能发布日等）
- 提供背景：说明期间的产品变更、发布或事件
- 多指标：包含留存、参与度、功能使用、收入等
- 充足数据：至少 3-4 个队列才能识别有意义的模式
- 指定输出：要求可视化、Python 脚本或研究建议
输出格式
将获得：数据摘要（队列概览与数据质量评估）、定量发现（关键指标、留存率和趋势分析）、可视化（留存曲线、采用模式图表）、模式识别（2-3 个显著洞察）、研究建议（具体的定性和定量后续研究）、分析脚本（如要求则提供可复现分析的 Python 代码）、后续步骤（基于发现的优先行动）。
限制
关于收费、价格、平台支持范围等信息，资料暂未提供。