cohort-analysis

# machine-translated to hi from skills/cohort-analysis/SKILL.md — review: pending. Native fixes welcome via PR.name: cohort-analysisdescription: "रिटेंशन, LTV या व्यवहार पैटर्न के लिए कोहोर्ट विश्लेषण की संरचना बनाएँ। जब कोई कोहोर्ट विश्लेषण चलाने, कोहोर्ट के अनुसार रिटेंशन का विश्लेषण करने, समय के साथ व्यवहार के आधार पर उपयोगकर्ताओं को विभाजित करने या अधिग्रहण अवधि के अनुसार लाइफ़टाइम वैल्यू निकालने को कहे, तब इसका उपयोग करें। कार्यप्रणाली, कोहोर्ट परिभाषाओं, रिटेंशन वक्रों और प्राथमिकता-क्रम वाले हस्तक्षेपों के साथ एक पूरा कोहोर्ट विश्लेषण ढाँचा तैयार करता है।"

कोहोर्ट विश्लेषण स्किल

रिटेंशन वक्र, LTV अनुमान, व्यवहार विभाजन, चर्न के अग्रणी संकेतक और प्राथमिकता-क्रम वाले हस्तक्षेपों को कवर करने वाला एक संरचित कोहोर्ट विश्लेषण तैयार करता है। आउटपुट प्रोडक्ट नेतृत्व के सामने रखने या ग्रोथ और डेटा टीमों के साथ साझा करने के लिए तैयार होता है।

---

आवश्यक इनपुट

शुरू करने से पहले इनमें से जो भी गायब हो, उसे माँगें। संख्याएँ, बेंचमार्क या स्कीमा विवरण न गढ़ें।

अगर उपयोगकर्ता वास्तविक डेटा न दे सके, तो स्पष्ट रूप से चिह्नित प्लेसहोल्डर ([X%], [£X], [N उपयोगकर्ता]) के साथ ढाँचा बनाएँ और बताएँ कि किन खंडों को पूरा करने के लिए वास्तविक डेटा चाहिए।

---

प्रक्रिया

इन चरणों का क्रम से पालन करें:

1. इनपुट की पुष्टि करें — आउटपुट बनाने से पहले किसी भी अस्पष्टता को सामने लाएँ (जैसे परस्पर विरोधी कोहोर्ट परिभाषाएँ, गायब अवलोकन अवधि)।
2. कोहोर्ट परिभाषित करें — प्रवेश घटना, निकास मानदंड और बहिष्करण तय करें ताकि कोहोर्ट परस्पर अनन्य हों।
3. रिटेंशन तालिका बनाएँ — अवधि-दर-अवधि मैट्रिक्स भरें या उसका टेम्पलेट बनाएँ; पठार अवधि पहचानें।
4. LTV प्रक्षेपित करें — सिर्फ़ देखे गए रिटेंशन डेटा का उपयोग करें; डेटा अपर्याप्त हो तो चिह्नित करें।
5. व्यवहार के अनुसार विभाजित करें — परस्पर अनन्य व्यवहार खंड बनाएँ; सक्रियण सीमा पहचानें।
6. चर्न के अग्रणी संकेत सामने लाएँ — लीड टाइम और हस्तक्षेप मैपिंग के साथ अवलोकन योग्य संकेत सूचीबद्ध करें।
7. समय के साथ कोहोर्ट की तुलना करें — आकलन करें कि प्रोडक्ट बदलाव नई कोहोर्ट में दिख रहे हैं या नहीं।
8. सिफ़ारिशों को प्राथमिकता दें — हर सिफ़ारिश को किसी विशिष्ट कोहोर्ट या खंड के निष्कर्ष से जोड़ें।
9. SQL संदर्भ दें — दिया गया हो तो टेम्पलेट क्वेरी को उपयोगकर्ता के वास्तविक स्कीमा के अनुसार ढालें।
10. गुणवत्ता जाँच चलाएँ — आउटपुट सौंपने से पहले चेकलिस्ट के सभी बिंदु सत्यापित करें।

---

आउटपुट टेम्पलेट

निम्न खंड क्रम से तैयार करें। कोई खंड सिर्फ़ तब छोड़ें जब वह स्पष्ट रूप से दायरे से बाहर हो; छोड़ने का उल्लेख करें।

---

कोहोर्ट विश्लेषण: [प्रोडक्ट / फ़ीचर]

विश्लेषण का लक्ष्य: [रिटेंशन / LTV / व्यवहार विभाजन / चर्न पूर्वानुमान] कोहोर्ट परिभाषा: [जैसे अधिग्रहण माह — पहले साइनअप के कैलेंडर माह के अनुसार समूहित उपयोगकर्ता] अवलोकन अवधि: [X महीने / सप्ताह] प्राथमिक मेट्रिक: [मेट्रिक का नाम और परिभाषा] डेटा स्रोत: [उपयोग की गई टेबल या मेट्रिक — न दिए गए हों तो गढ़ें नहीं] तैयारी की तारीख़: [तारीख़]

---

1. कोहोर्ट परिभाषाएँ

कोहोर्ट तर्क:

• प्रवेश घटना: [जैसे पहला साइनअप / पहली खरीद / फ़ीचर सक्रियण]
• निकास / चर्न परिभाषा: [जैसे 30 दिनों तक मुख्य रिटेंशन घटना से मेल खाती कोई गतिविधि नहीं]
• बहिष्करण: [जैसे आंतरिक टेस्ट खाते, 3 दिन से कम डेटा वाले ट्रायल उपयोगकर्ता, [N] से कम उपयोगकर्ताओं वाली कोहोर्ट — एंटी-पैटर्न देखें]

नोट: अगर कोई कोहोर्ट सांख्यिकीय विश्वसनीयता की न्यूनतम आकार सीमा से नीचे है, तो उसे स्पष्ट रूप से चिह्नित करें और रुझान के निष्कर्षों से बाहर रखें।

---

2. रिटेंशन वक्र

कैसे पढ़ें: हर सेल कोहोर्ट का वह प्रतिशत दिखाता है जिसने अवधि N में मुख्य रिटेंशन घटना की। अवधि 0 = परिभाषा से 100%।

रिटेंशन पठार: [किस अवधि पर वक्र समतल होता है? किस % पर समतल होता है? अगर अवलोकन अवधि पठार दिखाने के लिए बहुत छोटी है, तो यह स्पष्ट रूप से बताएँ।]

मुख्य अवलोकन:

• [जैसे सबसे बड़ी एकल-अवधि गिरावट P1 → P2 है, औसतन X pp — यही संबोधित करने लायक प्राथमिक चर्न क्षण है]
• [जैसे [चैनल] से अधिग्रहीत कोहोर्ट P6 पर कुल औसत से X pp अधिक रिटेंशन दिखाती हैं]
• [जैसे P3 पर रिटेंशन X% (सबसे पुरानी कोहोर्ट) से Y% (सबसे नई कोहोर्ट) हुआ — Z pp का बदलाव]

रिटेंशन चार्ट — प्रति कोहोर्ट एक रेखा, x-अक्ष पर अवधि:

{
  "type": "line",
  "title": "Retention by cohort (%)",
  "labels": ["P0", "P1", "P2", "P3", "P6", "P12"],
  "series": [
    { "name": "[Cohort 1]", "data": [100, "[X]", "[X]", "[X]", "[X]", "[X]"] },
    { "name": "[Cohort 2]", "data": [100, "[X]", "[X]", "[X]", "[X]", "[X]"] }
  ]
}

---

3. LTV प्रक्षेपण

राजस्व डेटा उपलब्ध न हो तो यह खंड छोड़ दें। बिना डेटा स्रोत के ARPU का अनुमान न लगाएँ — कमी नोट करें और माँगें।

प्रति अवधि ARPU: [मुद्रा और प्रति सक्रिय उपयोगकर्ता प्रति अवधि राशि — स्रोत: X] उपयोग किया गया रिटेंशन वक्र: [कौन सी कोहोर्ट या मिश्रित औसत, और क्यों]

12M पर मिश्रित LTV: [£X — कौन सी कोहोर्ट और भारांक विधि, बताएँ]

खंड के अनुसार LTV:

---

4. व्यवहार विभाजन

खंड इस आधार पर परिभाषित होते हैं कि उपयोगकर्ताओं ने क्या किया, न कि वे कब आए। खंड विश्लेषित आबादी के भीतर परस्पर अनन्य और सामूहिक रूप से संपूर्ण होने चाहिए।

सक्रियण सीमा ("ajá" क्षण): [पहले X दिनों में की गई कौन सी विशिष्ट क्रिया दीर्घकालिक रिटेंशन की सबसे मज़बूत भविष्यवाणी करती है? इसे डेटा से निकालें — सामान्य उत्तर न मानें।]

---

5. चर्न के अग्रणी संकेतक

ऐसे संकेत जो उपयोगकर्ताओं के चर्न करने से पहले दिखते हैं और पूर्व-निवारक हस्तक्षेप संभव बनाते हैं। सूचीबद्ध सभी संकेत प्रोडक्शन डेटा में अवलोकन योग्य होने चाहिए — जो सिर्फ़ सैद्धांतिक हों उन्हें चिह्नित करें।

डेटा आवश्यकता: सहसंबंध की मज़बूती देखे गए डेटा से आनी चाहिए। उपलब्ध न हो तो [परिकल्पना — अभी सत्यापित नहीं] चिह्नित करें और पुष्टि के लिए A/B टेस्ट या सर्वाइवल विश्लेषण सुझाएँ।

---

6. कोहोर्ट तुलना: समय के साथ रुझान

आकलन करें कि प्रोडक्ट बदलाव नई कोहोर्ट के रिटेंशन नतीजों में दिखते हैं या नहीं।

निर्णय: [क्या हाल की कोहोर्ट बेहतर कर रही हैं या बदतर? इस अवधि में क्या शिप हुआ जो बदलाव समझा सके? अगर कोई कारणात्मक व्याख्या उपलब्ध नहीं, तो यही कहें — गढ़ें नहीं।]

---

7. सिफ़ारिशें

हर सिफ़ारिश को ऊपर के खंडों की किसी विशिष्ट कोहोर्ट, खंड या संकेत का संदर्भ देना चाहिए। ऐसी सामान्य सलाह जो किसी भी प्रोडक्ट पर लागू हो सके, हटा दें।

अगर उपलब्ध डेटा से अपेक्षित प्रभाव का अनुमान नहीं लगाया जा सकता, तो यही कहें — प्रतिशत बढ़त न गढ़ें।

---

8. SQL संदर्भ

दिया गया हो तो इस टेम्पलेट को उपयोगकर्ता के वास्तविक स्कीमा के अनुसार ढालें। प्लेसहोल्डर टेबल और कॉलम नाम बदलें — ऐसी क्वेरी न दें जो उपयोगकर्ता चला न सके।

-- Retention cohort query
-- Replace: users, events, created_at, event_date, user_id, event_type, [start_date], [key_retention_event]
SELECT
  DATE_TRUNC('month', u.created_at)    AS cohort_month,
  DATE_TRUNC('month', e.event_date)    AS activity_month,
  DATEDIFF('month', u.created_at, e.event_date) AS period,
  COUNT(DISTINCT e.user_id)            AS retained_users,
  COUNT(DISTINCT c.user_id)            AS cohort_size,
  ROUND(
    COUNT(DISTINCT e.user_id) * 100.0
    / NULLIF(COUNT(DISTINCT c.user_id), 0), 1
  )                                    AS retention_rate
FROM users u
JOIN (
  SELECT user_id, DATE_TRUNC('month', created_at) AS cohort_month
  FROM users
  WHERE created_at >= '[start_date]'
) c ON u.user_id = c.user_id
   AND DATE_TRUNC('month', u.created_at) = c.cohort_month
JOIN events e
  ON u.user_id = e.user_id
 AND e.event_type = '[key_retention_event]'
GROUP BY 1, 2, 3
ORDER BY 1, 3;

अपने स्टैक के लिए ढालें: BigQuery DATE_DIFF उपयोग करता है; Redshift DATEDIFF; Snowflake DATEDIFF या TIMESTAMPDIFF। चलाने से पहले डायलेक्ट की पुष्टि करें।

---

स्कोरिंग रूब्रिक (0–40)

इस स्किल का कोई भी आउटपुट सौंपने से पहले स्कोर करें; 32+ शिप-गुणवत्ता है।

गुणवत्ता जाँच

आउटपुट सौंपने से पहले सभी जाँचें चलाएँ। दिए गए डेटा के आधार पर सत्यापन योग्य रूप से सच न हो तो किसी जाँच को पास न मानें।

• परस्पर अनन्यता: कोई उपयोगकर्ता दो कोहोर्ट में नहीं आ सकता — प्रवेश घटना और तारीख़ सीमाएँ असंदिग्ध हैं
• रिटेंशन पठार: वक्र में स्पष्ट पठार दिखता है, या विश्लेषण स्पष्ट रूप से कहता है कि अवधि उसकी पुष्टि के लिए बहुत छोटी है
• LTV का आधार: LTV प्रक्षेपण देखे गए रिटेंशन और देखे गए ARPU का उपयोग करते हैं — मानी गई संख्याओं का नहीं
• व्यवहार खंड: परस्पर अनन्य और सामूहिक रूप से संपूर्ण — दायरे का हर उपयोगकर्ता ठीक एक खंड में आता है
• न्यूनतम कोहोर्ट आकार: विश्वसनीयता सीमा से नीचे की हर कोहोर्ट चिह्नित और रुझान निष्कर्षों से बाहर
• चर्न संकेत: सूचीबद्ध सभी अग्रणी संकेतक प्रोडक्शन डेटा में अवलोकन योग्य हैं, या स्पष्ट रूप से परिकल्पना चिह्नित
• सिफ़ारिशें जुड़ी हैं: हर सिफ़ारिश किसी विशिष्ट निष्कर्ष का संदर्भ देती है — कोई हवा में तैरती ग्रोथ सलाह नहीं
• SQL ढाला गया: स्कीमा दिया गया हो तो क्वेरी उपयोगकर्ता के वास्तविक टेबल/कॉलम नाम उपयोग करती है

---

एंटी-पैटर्न

इन विफलता तरीकों से बचें — ये ऐसा विश्लेषण पैदा करते हैं जो कठोर दिखता है पर जिस पर भरोसा या कार्रवाई नहीं की जा सकती।

---

ट्रिगर वाक्य

यह स्किल इन जैसे वाक्यों पर सक्रिय होती है:

• "[प्रोडक्ट] के लिए कोहोर्ट विश्लेषण चलाओ"
• "अधिग्रहण माह के अनुसार रिटेंशन का विश्लेषण करो"
• "[चैनल] बनाम [चैनल] के उपयोगकर्ताओं का LTV क्या है?"
• "इससे एक कोहोर्ट रिटेंशन मॉडल बनाओ

उदाहरण ट्रिगर वाक्य

• "कोहोर्ट विश्लेषण चलाओ।"
• "कोहोर्ट के अनुसार रिटेंशन का विश्लेषण करो।"
• "अधिग्रहण अवधि के अनुसार लाइफ़टाइम वैल्यू निकालो।"

इस स्किल को अपने ब्राउज़र में चलाएँ: https://mohitagw15856.github.io/pm-claude-skills/skill/cohort-analysis.html