가중 코호트 수명

Unsplash에 Mathew Schwartz의 사진

증거가 아니라 실험 인 코호트 유지의 합계

영감의 비트는
이 당신이 찾을 수 유지, 사용 집단의 평균 수명 값을 결정에 쓴 것과 짧은 읽기 후속 게시물입니다 여기를 . 거기에서 새로운 코호트에 대한 고객 유지를 추정하여 평생을 얻을 수있는 방법을 제안했습니다. 여기에서는 고객의 평균 수명을 얻기 위해 코호트 유지를 더하는 것이 왜 합리적인지 설명하고 싶습니다. 시각적 인 사람이라면 이전 게시물 을보고 "코호트 유지"가 무엇을 의미하는지 확인하는 것이 좋습니다.

나는 누군가 가 매우 포괄적 인 Eric Stromberg가 작성한 A Spreadsheet for Calculating Subscription Lifetime Value post 에서이 질문을 하는 것을 보았습니다 . 저도 같은 질문을했고, 제가 스스로 대답 할 수 있었기에 궁금해하는 사람들에게 단서를주는 것이 가치가있을 것 같습니다.

T는 그가 설정
이제, 우리는 하나 개의 코호트보고있는 상상과는 12 명이있다. 유지율을 측정하기위한 기준 기간으로 한 달을 사용하겠습니다. 고객이 가입 한 지 1 개월이되었음을 의미하는 경우 Tenure = 1이라고합니다. 간단하게하기 위해 구독 기반 서비스를 실행하고 있으며 이탈 한 고객이 계속 이탈했다고 가정합니다. 이것은 실제 생활에서는 사실이 아닐 수도 있지만 재 구독을위한 새 customer_id를 생성하고 다른 집단에서이를 추적하거나 이메일과 같은 고유 식별자를 사용하여이를 추정하는 등이를 설명하는 방법을 찾을 수 있습니다. 고객이 재 구독 할 가능성. 즉, 코호트 유지의 합계가 평균 수명을 어떻게 반영하는지 보여줄 수 있습니다.

Tenure (maturity) = 1
우리가 그것들을 획득하는 기간, 그것을 기간 1로 간주하자, 12 명의 고객 모두가 적어도 1 개 또는 주문을했기 때문에 보존은 12/12 = 100 %가 될 것입니다. 따라서 코호트의 평균 수명은 1.0 또는 백분율로 표시되는 100 %입니다.

임기 (만기) = 2
이제 인수 후 두 번째 달이되었습니다. 원래 12 명의 고객 중 6 명이 재 구독 했으므로 코호트 유지율은 6/12 = 50 %입니다. 원래 코호트의 수명은 어떻습니까? 두 번째 달에 구매했거나 2 개월의 수명을 입증 한 6 명의 고객 또는 동질 집단의 50 %가 있습니다. 나머지 6 명의 고객은 1 개월 구독을 고수했습니다. 이것은2 (개월) * 50 % (코호트의) + 1 (월) * 50 % = 150 % 또는 정수로 1.5의 코호트 가중 평균 수명 을 제공합니다.

아시다시피이 1.5는 1 개월과 2 개월 동안 보존의 합계에 해당하며 100 % 및 50 %입니다.

임기 (성숙도) = 3 3
개월에 3 명의 고객 만 재 구독했다고 가정 해 보겠습니다. 이로 인해 코호트 유지율은 3/12 = 25 %입니다. 따라서 2 개월 째 고객 6 명 중 3 명은 재 구독하지 않았습니다. 이런 식으로 코호트의 25 %는 평생 3 개월, 25 %는 평생 2 개월, 50 %는 평생 1 개월입니다. 가중치의 합이 100 %가됩니다. 이를 감안할 때 코호트의 가중 평균 수명은 3 (개월) * 25 % + 2 (개월) * 25 % + 1 (월) * 50 % = 175 % 또는 정수로 1.75가됩니다.

아래 그림은 위의 텍스트를 요약 한 것입니다. 빨간색으로 표시된 "고객"은 왼쪽에 화살표 옆에 표시되는 기간 (만기)을 가지며 녹색으로 표시된 항목은 다음 달에 다시 구독합니다.

그림 1 : 그림 2의 범례
그림 2 : 3 개월 동안 유지 된 고객과 유지되지 않은 고객.

3 개월 동안 코호트 유지율을 더하면 100 % + 25 % + 25 % = 175 % 또는 1.75가됩니다.

S는 그것을 umming
그것은 매우 간단하고 우아한 방법처럼 보인다, 나는이 작은 실험의 목적을 제공하고 당신에게 시간이 지남에 따라 집단 유지의 합이 우리에게 나에게 임기 1에서 획득 한 고객의 가중 평균 수명을 제공한다는 증거를했다 희망 실제 데이터와 외삽 데이터에 사용할 수있는 평균 수명에 도달하는 것, 여기에서 제가 이야기 한 주제입니다 .

이 블로그 게시물을 마치면서이 고객 분석 시리즈를 계속 진행하고 싶다는 생각이 들었다는 점을 말씀 드리고 싶습니다. 관심이 있으시다면 박수를 치고 댓글을 달고 팔로우하여 연락을 유지하세요.

LinkedIn 및 Twitter에서도 저를 찾을 수 있습니다.

https://www.linkedin.com/in/areusova/
https://twitter.com/khunreus

Suggested posts

중요하지만 종종 간과되는 데이터 과학 및 분석 기술

중요하지만 종종 간과되는 데이터 과학 및 분석 기술

이제 데이터 과학 및 분석에 들어가는 데 필요한 기술 기술을 배울 수있는 방법이 그 어느 때보 다 많았습니다. 온라인 과정, Kaggle 대회, YouTube 자습서, 스택 오버플로가있는 금광 등이 있습니다. 현장에 침입하려는 사람들은 종종 "X 데이터 작업을 수행하려면 어떤 프로그래밍 기술이 필요한가요?", "어떤 기계 학습 기술을 배워야합니까?", "기술을 구축하려면 어떤 프로젝트를 수행해야합니까?"와 같은 질문을 자주합니다. / 포트폴리오?”.

데이터 포인트가 얼마나 극단적입니까?

특이 치 및 모델 선택

데이터 포인트가 얼마나 극단적입니까?

이상치 및 모델 선택 회귀를 실행할 수있는 것은 하나이지만 올바른 모델과 올바른 데이터를 선택할 수 있다는 것은 또 다른 문제입니다. 곡선의 맨 끝에있는 데이터 포인트가 실수로 여분의 제로 (인간 오류)를 기록한 사람 또는 블랙 스완 이벤트 (드물지만 중요한 이벤트)에서 가져온 것임을 어떻게 알 수 있습니까? 회귀 모델에 유지하면서 여전히 작동하는 예측을 가질 수 있습니까? 이 기사에서 알아 보자.