I. Hesap Makinesi Girişi
Kullanıcı Yaşam Döngüsü Tutma Analizi Hesap Makinesi, kullanıcıları kayıta göre gruplandırmak ve sonraki yaşam döngüsü günlerinde/aylarında tutma durumlarını analiz etmek için özel olarak tasarlanmış bir araçtır. Bu araç her zaman kayıt tarihini (veya kayıt ayını) gruplandırma etiketi olarak kullanır ve ilk sipariş veya ilk satın alma gibi davranışları gruplandırma temeli olarak kullanmaz. Kayıt ayına veya kayıt tarihine göre gruplandırarak, kayıttan sonra çeşitli offset ay ve günlerde farklı kohortların tutma sayılarını ve tutma oranlarını takip eder, tutma matrisleri ve ortalama tutma trend grafikleri oluşturur, farklı dönemlerde kazanılan kullanıcıların tutma performansını anlamanıza yardımcı olur ve kazanım ve tutma stratejileri formüle etmek için veri desteği sağlar.
Temel Özellikler
- Doğal ay tutma matrisi：Kayıt ayına göre gruplandırma; her offset ay için tutulan kullanıcı sayılarını gösterir (mevcut ay, 1 ay sonra, 2 ay sonra… en fazla 12 ay), ters üçgen tutma matrisi oluşturur
- Doğal gün tutma matrisi：Kayıt tarihine göre gruplandırma; her offset günü için tutulan kullanıcı sayılarını gösterir (aynı gün, gün 1… gün 30) (son 30 kayıt tarihi), kayıttan sonraki ilk ay tutma detaylarını gözlemlemeyi kolaylaştırır
- Ortalama tutma trend grafiği：Her offset ay için ortalama tutulan kullanıcı sayılarını ve tutma oranlarını toplar, tutma dönüş noktalarını belirlemeyi kolaylaştırmak için trend eğrisi oluşturur
- Birleşik gruplandırma standardı：Tüm analiz kayıtı kohort başlangıç noktası olarak kullanır, ilk sipariş gibi başka gruplandırma mantığını içermez
Kullanım Senaryoları
- Farklı kayıt dönemlerinden kullanıcılar arasındaki uzun vadeli tutma farklılıklarını değerlendirme, yüksek kaliteli kazanım kanallarını belirleme
- Tutma dönüş noktalarını belirleme (örneğin, hangi ay veya günde kayıp artar), hedeflenmiş operasyonel stratejiler formüle etme
- Operasyonel kampanyalar veya ürün güncellemeleri öncesi ve sonrasında yeni kayıtlı kullanıcıların tutma değişikliklerini karşılaştırma
- Kullanıcı yaşam döngüsü tutma trendlerini gözlemleme, kazanım ve tutma stratejileri için veri temeli sağlama
Uygulanabilir Müşteriler
Bu hesap makinesi, kullanıcı yaşam döngüsü tutmasını analiz etmesi gereken ve kullanıcı kayıt tarihleri ve davranış tarihleri bulunan tüm endüstrilere ve senaryolara uygulanır ve özellikle aşağıdaki müşteri türleri için uygundur:
- Yiyecek ve İçecek Endüstrisi：Restoranlar, fast food işletmeleri, kafeler, bubble tea mağazaları, vb. Kayıta göre gruplandırarak kullanıcı tutmasını analiz etme, yiyecek kalitesi ve hizmet deneyiminin tutma üzerindeki etkisini değerlendirme
- E-ticaret Platformları：B2C e-ticaret, C2C platformlar, dikey e-ticaret, vb. Kayıta göre gruplandırarak kullanıcı tutmasını takip etme, yeni kullanıcı yönlendirme ve yeniden satın alma stratejilerini optimize etme
- Perakende Endüstrisi：Süpermarketler, bakkallar, özel mağazalar, marka perakendesi, vb. Kayıta göre gruplandırarak kullanıcı tutma alışkanlıklarını anlama, üye pazarlama ve promosyon stratejileri formüle etme
- Yaşam Tarzı Hizmetleri：Güzellik salonları, fitness kulüpleri, araba yıkama hizmetleri, ev hizmetleri, vb. Kayıta göre gruplandırarak hizmet kullanım tutmasını analiz etme, hizmet kalitesinin tutma üzerindeki etkisini değerlendirme
- Online Eğitim：Online kurs platformları, eğitim kurumları, vb. Kayıta göre gruplandırarak öğrenci tutmasını takip etme, kurs içeriği ve öğrenme deneyimini optimize etme
- Abonelik Hizmetleri：Video platformları, müzik platformları, okuma platformları, vb. Kayıta göre gruplandırarak abone tutmasını analiz etme, hizmet kalitesi ve kullanıcı memnuniyetini değerlendirme
- Diğer B2C İşletmeler：Kullanıcı kaydı ve davranış kayıtlarını içeren ve kayda göre yaşam döngüsü tutmasını analiz etmek isteyen bireysel tüketicilere yönelik herhangi bir işletme bu aracı kullanabilir
Önkoşullar：İşletmeniz kullanıcı ID, olay tarihi (sipariş tarihi, giriş tarihi ve diğer davranış oluşum tarihleri gibi) ve kayıt tarihi verilerini sağlayabilir; ve işletmeniz kullanıcıların kayıt gününde aktivite olup olmadığını ayırt edebilir (bu araç yalnızca kayıt gününde işlem/aktivite olan kullanıcıları sayar).
II. Algoritma Girişi
2.1 Temel Kavramlar
Gruplandırma Etiketi: Kayıt
- Kohort gruplandırma etiketi：Kayıt tarihi veya kayıt ayı. Kullanıcılar kayıt tarihlerinin tarihine veya ayına atanır, kohortlar oluşturur.
- İlk sipariş kullanmama：Bu araç ilk sipariş veya ilk satın almayı gruplandırma temeli olarak kullanmaz; yalnızca kayıt etiket olarak kullanılır.
Tutma ve Offset
- Aynı gün / mevcut ay：Kayıt gününün kendisi veya kayıt tarihinin düştüğü takvim ayı.
- Gün N / N ay sonra：Kayıt tarihine göre gün veya ay cinsinden offset.
- Tutuldu：Belirli bir offset gününde veya ayında, kullanıcının o gün veya ayda en az bir olay kaydı (sipariş, giriş gibi) vardır.
Kullanıcı Kapsamı
- Yalnızca kayıt gününde işlem (aktivite) olan kullanıcıları sayma：Bir kullanıcının kayıt gününde olay kaydı yoksa, o kullanıcı bu analize katılmaz.
- Bu, her kohort için tutarlı bir "başlangıç noktası" sağlar, farklı kayıt dönemlerinde tutma performansının yatay karşılaştırmasını kolaylaştırır.
2.2 Hesaplama Mantığı
Adım 1: Veri Ön İşleme
Sistem veriler üzerinde aşağıdaki işlemleri gerçekleştirir:
- Tarih ayrıştırma：Kayıt tarihi ve olay tarihi dizelerini tarih nesnelerine ayrıştırma
- Geçersiz verileri filtreleme：Eksik veya geçersiz kullanıcı ID, kayıt tarihi veya olay tarihi olan kayıtları hariç tutma
- Geçersiz aralıkları hariç tutma：Olay tarihinin kayıt tarihinden önce olduğu kayıtları hariç tutma
Adım 2: "Kayıt Gününde İşlem" Olan Kullanıcıları Belirleme
Her kullanıcı için:
- Olay tarihi = kayıt tarihi olan bir kayıt olup olmadığını kontrol etme
- Varsa, kullanıcıyı "kayıt gününde işlem var" olarak işaretleme ve sonraki analize dahil etme; aksi halde hariç tutma
Adım 3: Offset Ayı / Offset Günü Hesaplama
- Takvim ayı：Kayıt ayı
join_month (YYYY-MM), olay ayı event_month (YYYY-MM). Offset ayı = iki ay arasındaki ay farkı (0 = mevcut ay, 1 = 1 ay sonra, …).
- Takvim günü：Kayıt tarihi ve olay tarihi, offset günleri için gün farkına göre hesaplanır (0 = aynı gün, 1 = gün 1, …). Günlük tablo yalnızca 0–30 gün için sütunları tutar ve yalnızca son 30 kayıt tarihini gösterir.
Adım 4: Tutma Matrisi Oluşturma
- Aylık tablo：Satırlar = kayıt ayı, sütunlar = mevcut ay, 1 ay sonra, …, en fazla 12 ay sonra; hücreler = o kohortta o offset ayında hala aktivite olan benzersiz kullanıcı sayısı.
- Günlük tablo：Satırlar = kayıt tarihi (son 30 satır), sütunlar = aynı gün, gün 1, …, gün 30; hücreler = o kohortta o offset gününde aktivite olan benzersiz kullanıcı sayısı.
Adım 5: Ortalama Tutma Trend Grafiği
Offset ayına göre toplama: her offset ayı için, tüm kohortlar genelinde tutulan kullanıcı sayılarının ortalamasını (veya tutma oranını) hesaplama, "ortalama tutma trendi" eğrisi oluşturma.
Adım 6: Sonuç Görüntüleme
- Kullanıcı yaşam döngüsü tutma trendi (aylık)：Kayıt ayına göre gruplandırma, her offset ayı için tutulan kullanıcı sayılarını gösterme; yalnızca kayıt gününde işlem olan kullanıcıları sayma
- Kullanıcı yaşam döngüsü tutma trendi (günlük)：Kayıt tarihine göre gruplandırma, her offset günü için tutulan kullanıcı sayılarını gösterme (0–30 gün); yalnızca kayıt gününde işlem olan kullanıcıları sayma, son 30 satır
- Ortalama tutma trendi：Her offset ayı için ortalama tutulan kullanıcı sayısı/tutma oranı eğrisi
2.3 Veri Filtreleme Kuralları
- Veri bütünlüğü：Eksik ana alanlar (kullanıcı ID, kayıt tarihi, olay tarihi) olan kayıtlar otomatik olarak hariç tutulur
- Tarih ayrıştırma：Sistem yaygın tarih formatlarını otomatik olarak tanır; ayrıştırılamayan tarihler hariç tutulur
- Kullanıcı kapsamı：Yalnızca kayıt gününde işlem olan kullanıcıları sayma; kayıt gününde aktivite olmayan kullanıcılar analize katılmaz
- Günlük tablo：Yalnızca son 30 kayıt tarihini gösterme, 0–30 gün için offset sütunları; aylık tablo en fazla 12 offset ayı
III. Talimatlar ve Notlar
3.1 Veri Hazırlığı
Gerekli Alanlar
Verileri içe aktarmadan önce, veri dosyanızın aşağıdaki üç alanı içerdiğinden emin olun:
- Kullanıcı ID (
user_id)
- Açıklama: Kullanıcıları benzersiz olarak tanımlayan alan (kullanıcı ID veya telefon numarası, ikisi de kabul edilebilir)
- Format gereksinimleri: Metin veya sayı, ikisi de kabul edilebilir
- Örnekler:
U001, 12345, 13800138000
- Olay Tarihi (
event_date)
- Açıklama: Kullanıcı davranışının gerçekleştiği tarih (sipariş tarihi, giriş tarihi gibi)
- Format gereksinimleri: Birden fazla tarih formatını destekler (
YYYY-MM-DD, YYYY/MM/DD, MM/DD/YYYY, vb.)
- Notlar: Sistem yaygın tarih formatlarını otomatik olarak tanır; ayrıştırma doğruluğunu sağlamak için standart tarih formatlarının kullanılması önerilir
- Kayıt Tarihi (
register_date)
- Açıklama: Kullanıcı kayıt tarihi (gruplandırma etiketi olarak kullanılır), format 2025-01-01 veya 2025/1/1 gibi
- Format gereksinimleri: Olay tarihi ile aynı format
- Önemli: Bu alan sağlanmalıdır; bu alan eksik olan kullanıcılar analizden hariç tutulur; bu araç yalnızca kayıtı gruplandırma temeli olarak kullanır, ilk sipariş vb. kullanmaz
Veri Format Gereksinimleri
- Dosya formatı：CSV ve Excel (.xlsx) formatlarını destekler
- Kodlama：UTF-8 kodlamasının kullanılması önerilir
- Veri hacmi：Hesaplama verimliliğini sağlamak için analiz başına veri hacminin 1 milyon kaydı aşmaması önerilir
- Veri aralığı：Farklı kayıt dönemlerinde tutma performansını gözlemlemek için yeterli geçmiş verilerin dahil edilmesi önerilir; aylık tablo en fazla 12 offset ayı, günlük tablo son 30 kayıt tarihini gösterir
3.2 Alan Eşleme
Verileri yükledikten sonra, sistem veri dosyanızdaki sütunları aşağıdaki alanlara eşlemenizi isteyecektir:
- Kullanıcı ID sütunu → Kullanıcıların benzersiz tanımlayıcılarını içeren sütunu seçin
- Olay tarihi sütunu → Kullanıcı davranış tarihlerini (sipariş tarihi veya davranış tarihi) içeren sütunu seçin
- Kayıt tarihi sütunu → Kullanıcı kayıt tarihlerini içeren sütunu seçin (gruplandırma etiketi)
3.3 Veri Filtreleme (İsteğe Bağlı)
Sistem olay tarihlerinin filtrelenmesini destekler:
- Tarih aralığı filtreleme：Analiz için zaman aralığını belirtebilirsiniz, yalnızca belirtilen zaman dilimindeki verileri analiz eder
- Kullanım önerisi：Veri hacmi büyükse, hesaplama hızını artırmak için önce son 1–2 yılın verilerine filtreleme yapılması önerilir
3.4 Sonuç Yorumlama
Gösterge Açıklaması
- Kullanıcı yaşam döngüsü tutma trendi (aylık)：Kayıt ayına göre gruplandırılan kullanıcıların her offset ayında tutulan kullanıcı sayılarını yansıtır, farklı kazanım dönemlerinde uzun vadeli tutma farklılıklarını gözlemlemeyi kolaylaştırır. Tutulan kullanıcı sayıları genel olarak offset ayı arttıkça azalır, tutma dönüş noktalarını belirlemeye olanak tanır
- Kullanıcı yaşam döngüsü tutma trendi (günlük)：Kayıt tarihine göre gruplandırılan kullanıcıların her offset gününde (0–30 gün) tutulan kullanıcı sayılarını yansıtır, kayıttan sonraki ilk ayın günlük tutma detaylarını gözlemlemeyi kolaylaştırır
- Ortalama tutma trendi：Her offset ayı için genel ortalama tutma seviyesini yansıtır; eğrideki dik düşüşler genellikle kaybın yoğunlaştığı noktalara karşılık gelir, bu operasyonel ritmi optimize etmek için kullanılabilir
Tutma Matrisi Analizi
- Aynı satırda karşılaştırma：Aynı kayıt ayı/tarihinden kullanıcılar için, tutulan kullanıcı sayıları genel olarak offset ayı/günü arttıkça azalır; bir sütun anormal dalgalanmalar gösteriyorsa, iş aktiviteleriyle birlikte araştırılabilir
- Satırlar arası karşılaştırma：Farklı kayıt dönemlerinden kohortlar arasında, aynı offset ayı/gününde tutulan kullanıcı sayılarını karşılaştırabilir, farklı dönemlerde kazanım kalitesi veya operasyonel etkinlik farklılıklarını değerlendirebilirsiniz
Trend Analizi
- Yükselen trend：Ortalama tutma oranı yükselen trend gösterdiğinde, kullanıcı tutma etkinliğinin iyileştiğini ve kazanım veya tutma stratejilerinin etkili olduğunu gösterir
- Düşen trend：Ortalama tutma oranı düşen trend gösterdiğinde, ürün deneyimi, hizmet kalitesi veya operasyonel stratejilere dikkat edilmeli ve zamanında ayarlamalar yapılmalıdır
- Belirgin dönüş noktası：Belirli bir offset ayından sonra tutma oranı önemli ölçüde düşerse, o aşama için kullanıcı katılımını veya fayda tasarımını güçlendirebilirsiniz
3.5 Önemli Notlar
⚠️ Önemli Notlar
- Gruplandırma etiketi yalnızca kayıt：
- Tüm kohortlar kayıt tarihi/kayıt ayına göre bölünür; bu araç ilk sipariş, ilk ödeme vb. gruplandırma temeli olarak kullanmaz
- Öneri：Doğru gruplandırma için "kayıt tarihi" alanının kullanıcının kayıt zamanını doğru yansıttığından emin olun
- Yalnızca kayıt gününde işlem olan kullanıcıları sayma：
- Sistem yalnızca kayıt gününde en az bir olay kaydı olan kullanıcıları sayar; kayıt gününde aktivite olmayan kullanıcılar hariç tutulur
- Bir kullanıcının kayıt gününde aktivite yoksa, daha sonra tutma olsa bile analize dahil edilmez
- Öneri：Olay tarihi ve kayıt tarihinin aynı standardı kullandığından emin olun (örneğin, ikisi de sipariş tarihleri veya ikisi de giriş tarihleri), ve veriler "kayıt gününde aktivite olup olmadığını" ayırt edebilir
- Olay tarihi ve kayıt tarihi：
- Olay tarihinin kayıt tarihinden önce olduğu kayıtlar hariç tutulur
- Öneri：Yüklemeden önce veri bütünlüğünü kontrol edin, kayıt tarihi ve olay tarihi formatlarının doğru ve mantıksal olarak makul olduğundan emin olun
- Günlük tablo ve aylık tablo kapsamı：
- Günlük tablo yalnızca son 30 kayıt tarihini, 0–30 gün için offset sütunlarını gösterir; aylık tablo en fazla 12 offset ayı
- Daha uzun vadeli trendler için ortalama tutma trend grafiği ve iş ihtiyaçları birleştirilebilir, kapsamlı değerlendirme için
💡 Kullanım Önerileri
- Veri kalitesi kontrolü：
- Yüklemeden önce veri bütünlüğünü kontrol edin, kullanıcı ID, kayıt tarihi ve olay tarihi alanlarının eksik olmadığından emin olun
- Tarih formatlarının doğru olduğunu doğrulayın, tarih ayrıştırma hatalarını önlemek için
- Kayıt tarihi ve olay tarihi arasındaki mantıksal ilişkinin doğru olduğundan emin olun (olay tarihi kayıt tarihinden önce olmamalıdır)
- Analiz zaman aralığı：
- Farklı kayıt dönemlerinde tutma performansını gözlemlemek için yeterli geçmiş verilerin (en az birkaç ay) dahil edilmesi önerilir
- Veri hacmi büyükse, önce son 1–2 yıla filtreleyin, ardından gerektiğinde aralığı genişletin
- Sonuç doğrulama：
- Farklı kayıt dönemlerinde tutma matrislerini karşılaştırarak anormal dalgalanmaları belirleyin
- İş aktivitelerinin zamanlamasıyla birlikte, tutma oranı değişikliklerinin nedenlerini analiz edin
- "Yalnızca kayıt gününde işlem olan kullanıcıları sayma" kuralının iş beklentilerini karşıladığını doğrulayın
- Strateji optimizasyonu：
- Belirli bir offset ayından sonra tutma oranı önemli ölçüde düşerse, o aşama için kullanıcı katılımını veya fayda tasarımını güçlendirin
- Farklı kayıt dönemlerinde tutma farklılıkları büyükse, kazanım kanalları ve operasyonel stratejilerdeki farklılıkları değerlendirin, kazanım ve tutma yatırımlarını optimize edin
3.6 Sık Sorulan Sorular
Q1: Verilerimdeki bazı kullanıcılar neden sayılmıyor?
C: Olası nedenler şunları içerir:
- Kullanıcının kayıt tarihi alanı eksik
- Kullanıcının kayıt gününde olay kaydı yok (bu araç yalnızca kayıt gününde işlem olan kullanıcıları sayar)
- Kullanıcının kayıt tarihi veya olay tarihi formatı ayrıştırılamaz
- Olay tarihinin kayıt tarihinden önce olduğu kayıtlar hariç tutulur
Q2: Neden "kayıt gününde işlem" gerekli?
C: Net bir kohort başlangıç noktası tanımlamak ve "kayıt oldu ama hiç aktivite olmadı" kullanıcılarını karıştırmaktan kaçınmak için, bu tutma standartlarının tutarlılığını etkiler. Yalnızca kayıt gününde aktivite olan kullanıcıları saymak, tüm kohortların tutma performansı için aynı başlangıç noktasında karşılaştırılmasını sağlar.
Q3: "Tutuldu" nasıl tanımlanır?
C: Belirli bir offset gününde veya ayında, kullanıcının en az bir olay kaydı olduğu sürece, o gün/ayda tutuldu kabul edilir. Aynı kullanıcının aynı offset günü/ayında birden fazla kaydı yalnızca bir kez sayılır.
Q4: Günlük tablo neden yalnızca 0–30 günü gösteriyor?
C: Kayıttan sonraki ilk ay tutmasına odaklanmak ve görüntülemeyi kolaylaştırmak için matris boyutunu kontrol etmek için. Daha uzun vadeli trendler için aylık tablo ve ortalama tutma trend grafiğine bakın.
Q5: Bu araç "ilk sipariş"i gruplandırma temeli olarak kullanıyor mu?
A: Hayır. Bu araç yalnızca kayıt tarihi/kayıt ayını kohort etiketi olarak kullanır ve ilk sipariş, ilk satın alma veya başka bir davranışa dayanmaz. Tüm kohortlar kayda göre bölünür.
Q6: Kullanıcı yaşam döngüsü tutmasını nasıl iyileştirirsiniz?
C: Aşağıdaki yönlerden başlamanız önerilir:
- Kayıt ve ilk deneyimi optimize edin, kayıt gününde davranış dönüşümünü iyileştirin
- Tutma dönüş noktalarına karşılık gelen aşamalarda kullanıcı katılımını güçlendirin, faydalar veya aktivite bilgileri gönderin
- Yüksek tutma kohortlarının özelliklerini analiz edin, kazanım kanallarını ve operasyonel stratejileri optimize edin
- Aylık ve günlük matrisleri ortalama tutma trendiyle birleştirin, ana kayıp noktalarını belirleyin ve hedeflenmiş stratejiler formüle edin
IV. Özet
Kullanıcı Yaşam Döngüsü Tutma Analizi Hesap Makinesi, kayıta dayalı tutma matrisleri ve ortalama tutma trendleri aracılığıyla kullanıcı yaşam döngüsü tutmasını analiz etmenize yardımcı olur. Bu araç yalnızca kayıtı kohort etiketi olarak kullanır ve yalnızca kayıt gününde işlem olan kullanıcıları sayar, kohortlar arası karşılaştırmayı kolaylaştırır. Bu aracı doğru kullanarak şunları yapabilirsiniz:
- Farklı kayıt dönemlerinden kullanıcılar arasındaki tutma farklılıklarını hızlıca belirleyin, kazanım ve tutma etkinliğini değerlendirin
- Offset ay/günlerle tutma oranı değişikliklerinin modellerini keşfedin, kayıp dönüş noktalarını belirleyin
- Farklı dönemlerden kohortların tutma performansını karşılaştırın, kazanım ve tutma stratejilerini zamanında ayarlayın
- Kullanıcı yaşam döngüsü operasyonel stratejileri formüle etmek için veri desteği sağlayın
Herhangi bir sorunuz varsa veya teknik destek gerekiyorsa, lütfen sistem yöneticisine başvurun.