/analyze-cohorts

/analyze-cohorts -- 코호트 분석

코호트별 사용자 리텐션 및 참여 패턴을 분석합니다. 데이터를 업로드하거나 필요한 내용을 설명하면 리텐션 곡선, 기능 도입 트렌드, 실행 가능한 인사이트를 제공합니다.

실행 예시

/analyze-cohorts [사용자 활동 데이터 CSV 업로드]
/analyze-cohorts Monthly retention for users who signed up in Jan-Jun, grouped by acquisition channel
/analyze-cohorts Help me set up a cohort analysis for our onboarding redesign

워크플로

Step 1: 데이터 수집 또는 분석 정의

두 가지 경로:

• 데이터 있음: 사용자가 사용자 수준의 데이터가 포함된 CSV/스프레드시트 업로드 (user_id, signup_date, activity_date, event_type 등)
• 데이터 없음: 사용자가 필요한 분석을 설명 → SQL 쿼리 및 분석 프레임워크 생성

Step 2: 코호트 정의

다음을 확인합니다:

• 코호트를 정의하는 것은 무엇인가요? (가입 주/월, 획득 채널, 플랜 등급, 처음 사용한 기능)
• 리텐션 이벤트는 무엇인가요? (로그인, 핵심 행동, 모든 활동, 구매)
• 시간 단위는 무엇인가요? (일별, 주별, 월별)
• 시간 범위는 어떻게 되나요?

Step 3: 분석

cohort-analysis 스킬을 적용합니다:

데이터가 제공된 경우:

• Python(pandas)을 사용하여 코호트 테이블 처리
• 코호트별, 기간별 리텐션율 계산
• 리텐션 곡선 생성
• 패턴 식별: 개선/악화 코호트, 계절 효과, 이상값
• 코호트 간 기능 도입 비교

분석을 설명하는 경우:

• 코호트 분석 프레임워크 설계
• 데이터 추출을 위한 SQL 쿼리 생성
• 분석을 위한 템플릿 스프레드시트 작성
• 지표 및 시각화 접근법 정의

Step 4: 보고서 작성

## 코호트 분석: [설명]

**날짜**: [오늘]
**코호트 정의**: [예: 가입 월]
**리텐션 이벤트**: [예: 프로젝트 완료]
**단위**: [주별/월별]

### 리텐션 테이블
| 코호트 | 크기 | 1주차 | 2주차 | 3주차 | ... | 12주차 |
|--------|------|-------|-------|-------|-----|--------|

### 핵심 발견
1. **[발견]** — [뒷받침하는 데이터]
2. ...

### 코호트 비교
- **가장 성과가 좋은 코호트**: [어느 것, 이유]
- **가장 성과가 낮은 코호트**: [어느 것, 이유]
- **트렌드**: [시간에 따라 개선/악화/안정]

### 리텐션 벤치마크
| 기간 | 우리 비율 | 업계 벤치마크 | 격차 |
|------|---------|------------|-----|

### 권고 사항
1. [발견을 바탕으로 조사하거나 변경할 내용]
2. ...

### 후속 쿼리
[더 깊이 조사를 위한 SQL 쿼리]

데이터가 제공된 경우, 마크다운 보고서와 CSV/스프레드시트 모두로 저장합니다.

Step 5: 다음 단계 제안

• "다른 차원으로 더 세분화해 드릴까요?"
• "이 리텐션 임계값을 기반으로 지표 알림을 설정해 드릴까요?"
• "가장 낮은 코호트의 리텐션을 개선하기 위한 실험을 설계해 드릴까요?"

참고 사항

• 코호트 분석의 품질은 리텐션 이벤트 정의에 달려 있으므로 단순 "로그인"이 아닌 의미 있는 행동을 권장
• 초기 코호트는 창업 사용자 편향으로 다르게 보일 수 있으므로 비교 시 이를 명시
• Python 스크립트로 리텐션을 계산한 경우, 새 데이터로 재실행할 수 있도록 스크립트 저장
• 계절 효과가 트렌드로 오해될 수 있으므로 코호트 차이가 달력에 의한 것일 수 있는 경우 표시