前言

還記得去年電信業 499 之亂嗎? 因為中華電信率先推出499元吃到飽，引發手機用戶的板塊大挪移，造成當年所有電信業者EPS大跌。當同業提供的服務大同小異，沒有特色時，客戶的忠誠度是非常低的，價格可能是他們唯一的考量，因此，如何做好客戶關係管理(CRM)就變得非常重要，金融業(銀行、證券...)也是如此，所以，這些行業的行銷人員常常把 Acquisition、Retention、Churn Rate 掛在嘴邊，深怕一個事件造成大量客戶的流失。

客戶的經營有三個階段：

1. 贏得新客戶(Acquisition)
2. 留住客戶的心(Retention)
3. 客戶流失(Churn)

幾年前聽過一場演講，講者提到：

贏得一個新客戶(Acquisition)的成本是留住舊客戶(Retention)成本的 5 倍。

因此，與其不斷的拓展新客源，更重要的是留住舊客戶的心，不要造成客戶流失。所以，我們就來討論一個相關的分析方法 -- 『同類群組分析』(Cohort Analysis)。

同類群組分析(Cohort Analysis)

何謂同類群組(Cohort)? 簡單的說，就是一群人在特定的時間內有共同的事件發生，例如，在遊戲推廣期間，玩家何時開始玩遊戲，知道第一次玩遊戲的時間點後，接著我們就會問：

1. 黏著度：他們有持續玩嗎? 有沒有變成重度玩家?
2. 流失率：試完之後，就不再玩了，或者註冊之後，就未登入過。

同類群組分析(Cohort Analysis)就可以回答上述兩個問題，以下表為例：

圖片來源：How to Use Cohort Analysis to Improve Customer Retention

上表透露的資訊：

1. 第2欄：每天的新客戶人數。
2. 第4~13欄：客戶存活的天數及其比率，乘以第二欄就是每一天存活的人數。也可以改成週/月統計。
3. 最後一列：每一天的平均留存率，可以知道留存率的趨勢。

另外，還可以使用不同的視角作同類群組分析(Cohort Analysis)，例如，第一欄改為通路，例如手機、Web、實體通路，如下表：

圖片來源：The Definitive Guide to Effective Cohort Analysis

依據上述表格，就很容易進一步計算各通路的『客戶終身價值』(Lifetime Value, LTV)及購買人數的漏斗(Purchase Funnel)。

圖. 客戶終身價值(Lifetime Value, LTV)

圖. 購買人數的漏斗(Purchase Funnel)，圖片來源：The Definitive Guide to Effective Cohort Analysis

有了這些寶貴的資訊後，就可以對症下藥，例如客戶存活的天數過短，就必須加強使用者體驗，給予較多的獎勵，例如寶物，若新客戶人數逐漸減少必須加強廣告或增加促銷活動。

實作

既然這些表這麼有用，如何實作呢? 接下來我們就利用上一篇的資料，產生　Cohort Analysis 表格。

1. 載入資料

import pandas as pd
import numpy as np
import os
import datetime as dt

df = pd.read_csv("./data.csv",converters={'CustomerID':str})
df['InvoiceDate']=df.InvoiceDate.astype(np.str).str.slice(0,10) 
df.InvoiceDate=pd.to_datetime(df.InvoiceDate)

2. 將日期轉成當月第1天(BillMonth)，以便作月統計

def monthly(x):
    return dt.datetime(x.year, x.month, 1)
df['BillMonth'] = df['InvoiceDate'].apply(monthly)

3. 找出每一個客戶第一次購買日期(CohortMonth)

g = df.groupby('CustomerID')['BillMonth']
df['CohortMonth'] = g.transform('min')
df.head()

4. 計算每一筆交易購買日期與第一次購買日期之差

def get_int(df, column):
    year = df[column].dt.year
    month = df[column].dt.month
    return year, month

billYear, billMonth = get_int(df, 'BillMonth')
cohortYear, cohortMonth = get_int(df, 'CohortMonth')
diffYear = billYear - cohortYear
diffMonth = billMonth - cohortMonth
df['Month_Index'] = diffYear * 12 + diffMonth + 1

5. 產生 Cohort Analysis 表格

g = df.groupby(['CohortMonth', 'Month_Index'])
cohortData = g['CustomerID'].apply(pd.Series.nunique).reset_index()
cohortCounts = cohortData.pivot(index = 'CohortMonth', columns = 'Month_Index', values = 'CustomerID')
cohortSizes = cohortCounts.iloc[:, 0]
retention = cohortCounts.divide(cohortSizes, axis = 0) * 100
retention.round(2)

6. 作圖

%matplotlib inline
import matplotlib.pyplot as plt
import seaborn as sns

month_list = ["Dec", "Jan", "Feb", "Mar", "Ap", "May", "Jun", "Jul", "Aug", "Sep", "Oct", "Nov", "Dec"]
plt.figure(figsize = (20,10))
plt.title('Retention by Monthly Cohorts')
sns.heatmap(retention.round(2), annot = True, cmap = "Blues", vmax = list(retention.max().sort_values(ascending = False))[1]+3, fmt = '.1f', linewidth = 0.3, yticklabels=month_list)
plt.show()

** 以上程式參考『RFM analysis for Customer Segmentation』

結語

Google Analytics 在 2015 年也開始提供此份報表，供使用者分析網站的流量，參考這裡，所以，同類群組分析(Cohort Analysis)的威力可見一般，它的用途如下：

• 促銷活動的效能評估
• 在客戶生命週期的各個階段配置行銷預算
• 何時終止試用或優惠，以最大化價值.
• 改變定價、升級的影響
• 決定何時終止試用或優惠

以上參考自甚麼是世代分析？。

相關程式碼放在這裡 的 Day04 Cohort Analysis 目錄。