cohort-analysis

Name: cohort-analysis
Author: killvxk

108stars16forks

How to install cohort-analysis?

killvxk/pm-skills-zh/cohort-analysis

$npx -y skills add killvxk/pm-skills-zh --skill cohort-analysis

Installs into the current project.

Summary

对用户参与度数据执行同期群分析——留存曲线、功能采用趋势及分层洞察。适用于按同期群分析用户留存、研究功能随时间的采用情况、调查流失规律，或识别参与度趋势。

Files · 1

View on GitHub

SKILL.md

1	# 同期群分析与留存探查
2
3	## 用途
4	通过同期群分析用户参与度和留存规律，识别用户行为、功能采用及长期参与度的趋势。将定量洞察与定性研究建议相结合。
5
6	## 工作原理
7
8	### 第一步：读取并验证数据
9	- 接受包含用户同期群信息的 CSV、Excel 或 JSON 数据文件
10	- 验证数据结构：同期群标识符、时间周期、参与度指标
11	- 检查缺失值和数据质量问题
12	- 汇总关键统计信息（同期群规模、日期范围、可用指标）
13
14	### 第二步：生成定量分析
15	- 计算同期群留存率和参与度趋势
16	- 识别留存曲线、流失节点和异常值
17	- 计算各同期群的功能采用率
18	- 计算环比或周期性变化
19	- 如有需要，使用 pandas 和 numpy 生成 Python 分析脚本
20
21	### 第三步：创建可视化图表
22	- 生成留存热力图（同期群 vs. 时间周期）
23	- 创建展示同期群走势的折线图
24	- 构建功能采用率对比图
25	- 可视化流失节点和参与度趋势
26	- 输出为交互式图表或静态图片
27
28	### 第四步：识别洞察与规律
29	- 发现一个或多个显著规律：
30	- 特定同期群的早期高流失
31	- 后期参与度变化
32	- 功能采用的聚类特征
33	- 季节性或时间性趋势
34	- 突出意外发现和偏差
35	- 与基准线进行同期群绩效对比
36
37	### 第五步：建议后续研究方向
38	- 推荐定性研究方法：
39	- 与流失用户进行针对性访谈
40	- 对高活跃同期群开展功能使用调研
41	- 回放关键交互模式的会话录屏
42	- 对高留存 vs. 低留存同期群进行赢/输分析
43	- 设计后续定量研究
44	- 建议 A/B 测试或功能实验
45
46	## 使用示例
47
48	示例一：上传 CSV 数据
49	```
50	上传 cohort_engagement.csv，包含以下字段：cohort_month、weeks_active、
51	user_id、feature_x_usage、engagement_score
52
53	需求："分析留存规律，并找出 Q4 2025 同期群为何相比 Q3 表现欠佳"
54	```
55
56	示例二：描述数据格式
57	```
58	"我有 2025 年 1—12 月的月度用户同期群。每行包含：
59	同期群日期、用户 ID、购买频次和客服工单数量。
60	分析哪些同期群的长期留存率最高。"
61	```
62
63	示例三：功能采用分析
64	```
65	上传包含同期群采用数据的 feature_usage.xlsx。
66
67	需求："对比各同期群新功能的采用曲线。
68	哪些同期群采用速度最快？有什么规律？"
69	```
70
71	## 核心能力
72
73	- 数据读取：导入 CSV、Excel、JSON、SQL 查询结果
74	- 留存分析：计算并可视化随时间变化的留存率
75	- 同期群对比：跨同期群对比各项指标
76	- 异常检测：标记异常规律或流失节点
77	- Python 脚本：生成可复用的分析代码，支持持续分析
78	- 可视化：创建热力图、图表和交互式数据看板
79	- 研究设计：建议针对性的后续研究和访谈方案
80	- 统计摘要：提供定量指标和相关性分析
81
82	## 最佳实践建议
83
84	1. 包含时间维度：提供跨多个时间周期的数据
85	2. 明确定义同期群：清楚说明同期群的划分依据（注册月份、功能上线日期等）
86	3. 提供背景信息：说明该时期内的产品变更、上线内容或重要事件
87	4. 多维指标：包括留存率、参与度、功能使用情况、营收等
88	5. 充足数据量：至少 3—4 个同期群，才能发现有意义的规律
89	6. 明确输出要求：注明需要可视化图表、Python 脚本还是研究建议
90
91	## 输出格式
92
93	你将收到：
94	- 数据摘要：同期群概览和数据质量评估
95	- 定量发现：关键指标、留存率及趋势分析
96	- 可视化图表：展示留存曲线和采用规律的图表
97	- 规律识别：从数据中提炼的 2—3 个重要洞察
98	- 研究建议：具体的定性与定量后续研究方向
99	- 分析脚本（如有需要）：可复现分析的 Python 代码
100	- 后续行动：基于发现的优先级行动清单
101
102	---
103
104	### 延伸阅读
105
106	- [Cohort Analysis 101: How to Reduce Churn and Make Better Product Decisions](https://www.productcompass.pm/p/cohort-analysis)
107	- [The Product Analytics Playbook: AARRR, HEART, Cohorts & Funnels for PMs](https://www.productcompass.pm/p/the-product-analytics-playbook-aarrr)
108	- [Are You Tracking the Right Metrics?](https://www.productcompass.pm/p/are-you-tracking-the-right-metrics)

People who liked this also viewed

6 picks

Type

cohort-analysis

108stars16forks

View on GitHub

How to install cohort-analysis?

killvxk/pm-skills-zh/cohort-analysis

$npx -y skills add killvxk/pm-skills-zh --skill cohort-analysis

Installs into the current project.

Summary

Files · 1

View on GitHub

SKILL.md

1	# 同期群分析与留存探查
2
3	## 用途
4	通过同期群分析用户参与度和留存规律，识别用户行为、功能采用及长期参与度的趋势。将定量洞察与定性研究建议相结合。
5
6	## 工作原理
7
8	### 第一步：读取并验证数据
9	- 接受包含用户同期群信息的 CSV、Excel 或 JSON 数据文件
10	- 验证数据结构：同期群标识符、时间周期、参与度指标
11	- 检查缺失值和数据质量问题
12	- 汇总关键统计信息（同期群规模、日期范围、可用指标）
13
14	### 第二步：生成定量分析
15	- 计算同期群留存率和参与度趋势
16	- 识别留存曲线、流失节点和异常值
17	- 计算各同期群的功能采用率
18	- 计算环比或周期性变化
19	- 如有需要，使用 pandas 和 numpy 生成 Python 分析脚本
20
21	### 第三步：创建可视化图表
22	- 生成留存热力图（同期群 vs. 时间周期）
23	- 创建展示同期群走势的折线图
24	- 构建功能采用率对比图
25	- 可视化流失节点和参与度趋势
26	- 输出为交互式图表或静态图片
27
28	### 第四步：识别洞察与规律
29	- 发现一个或多个显著规律：
30	- 特定同期群的早期高流失
31	- 后期参与度变化
32	- 功能采用的聚类特征
33	- 季节性或时间性趋势
34	- 突出意外发现和偏差
35	- 与基准线进行同期群绩效对比
36
37	### 第五步：建议后续研究方向
38	- 推荐定性研究方法：
39	- 与流失用户进行针对性访谈
40	- 对高活跃同期群开展功能使用调研
41	- 回放关键交互模式的会话录屏
42	- 对高留存 vs. 低留存同期群进行赢/输分析
43	- 设计后续定量研究
44	- 建议 A/B 测试或功能实验
45
46	## 使用示例
47
48	示例一：上传 CSV 数据
49	```
50	上传 cohort_engagement.csv，包含以下字段：cohort_month、weeks_active、
51	user_id、feature_x_usage、engagement_score
52
53	需求："分析留存规律，并找出 Q4 2025 同期群为何相比 Q3 表现欠佳"
54	```
55
56	示例二：描述数据格式
57	```
58	"我有 2025 年 1—12 月的月度用户同期群。每行包含：
59	同期群日期、用户 ID、购买频次和客服工单数量。
60	分析哪些同期群的长期留存率最高。"
61	```
62
63	示例三：功能采用分析
64	```
65	上传包含同期群采用数据的 feature_usage.xlsx。
66
67	需求："对比各同期群新功能的采用曲线。
68	哪些同期群采用速度最快？有什么规律？"
69	```
70
71	## 核心能力
72
73	- 数据读取：导入 CSV、Excel、JSON、SQL 查询结果
74	- 留存分析：计算并可视化随时间变化的留存率
75	- 同期群对比：跨同期群对比各项指标
76	- 异常检测：标记异常规律或流失节点
77	- Python 脚本：生成可复用的分析代码，支持持续分析
78	- 可视化：创建热力图、图表和交互式数据看板
79	- 研究设计：建议针对性的后续研究和访谈方案
80	- 统计摘要：提供定量指标和相关性分析
81
82	## 最佳实践建议
83
84	1. 包含时间维度：提供跨多个时间周期的数据
85	2. 明确定义同期群：清楚说明同期群的划分依据（注册月份、功能上线日期等）
86	3. 提供背景信息：说明该时期内的产品变更、上线内容或重要事件
87	4. 多维指标：包括留存率、参与度、功能使用情况、营收等
88	5. 充足数据量：至少 3—4 个同期群，才能发现有意义的规律
89	6. 明确输出要求：注明需要可视化图表、Python 脚本还是研究建议
90
91	## 输出格式
92
93	你将收到：
94	- 数据摘要：同期群概览和数据质量评估
95	- 定量发现：关键指标、留存率及趋势分析
96	- 可视化图表：展示留存曲线和采用规律的图表
97	- 规律识别：从数据中提炼的 2—3 个重要洞察
98	- 研究建议：具体的定性与定量后续研究方向
99	- 分析脚本（如有需要）：可复现分析的 Python 代码
100	- 后续行动：基于发现的优先级行动清单
101
102	---
103
104	### 延伸阅读
105
106	- [Cohort Analysis 101: How to Reduce Churn and Make Better Product Decisions](https://www.productcompass.pm/p/cohort-analysis)
107	- [The Product Analytics Playbook: AARRR, HEART, Cohorts & Funnels for PMs](https://www.productcompass.pm/p/the-product-analytics-playbook-aarrr)
108	- [Are You Tracking the Right Metrics?](https://www.productcompass.pm/p/are-you-tracking-the-right-metrics)

People who liked this also viewed

6 picks

Type