pm-data-analytics 中的 Cohort Analysis 技能用留存曲线与特征采纳分析驱动产品决策【免费下载链接】pm-skillsPM Skills Marketplace: 100 agentic skills, commands, and plugins — from discovery to strategy, execution, launch, and growth.项目地址: https://gitcode.com/GitHub_Trending/pm/pm-skills导读本文深入拆解 PM Skills Marketplace 中pm-data-analytics插件的cohort-analysis队列分析技能——一套由 AI 助手驱动的用户留存与参与度分析工作流。你将掌握如何用 CSV/Excel/JSON 数据完成队列留存率计算、留存热力图与特征采纳趋势的可视化、异常模式识别以及如何衔接定性研究与 A/B 实验建议最终形成一份可直接指导产品决策的队列分析报告。配合同插件的/analyze-cohorts命令本文给出了从数据校验到洞察输出的完整实战路径。一、技能定位cohort-analysis 在数据插件中的角色在pm-data-analytics插件 的 3 个技能中cohort-analysis 与ab-test-analysisA/B 测试显著性分析和sql-queries自然语言生成 SQL形成互补SQL 技能负责取数队列分析负责把纵向时间数据转化为留存/采纳洞察A/B 测试技能则负责对队列分析中提出的实验假设做统计验证。三者共享同一前端入口/analyze-cohorts其 命令文档 明确将cohort-analysis 技能作为 Step 3 的核心执行引擎并在最终报告中输出可供/write-query继续深挖的 Follow-Up Queries。技能本身以标准 SKILL.md 格式编写frontmatter 含name与description遵循仓库 CLAUDE.md 规定的技能规范可被 Claude Code、Cowork 等 AI 助手在对话相关时自动加载也兼容 Gemini CLI、Cursor 等其他助手。二、五步工作流从原始数据到可行动洞察cohort-analysis 技能的完整流程分为五个步骤下面逐一展开并补充来自/analyze-cohorts命令文档的细化要求。Step 1读取并校验数据Read and Validate Your Data接受多种输入格式CSV、Excel、JSON以及 SQL 查询结果校验数据结构必须能识别出三类核心要素——队列标识cohort identifier、时间周期time periods、参与度指标engagement metrics质量检查检查缺失值、数据质量问题和异常记录统计摘要汇总队列规模cohort sizes、日期范围、可用指标清单。命令文档进一步规定两种输入路径都支持用户上传带用户级明细的 CSV/表格如user_id, signup_date, activity_date, event_type或者用户仅用自然语言描述分析目标此时技能负责设计分析框架并生成 SQL 查询与模板表格。技能文档给出的示例输入格式如下cohort_engagement.csv包含列cohort_month, weeks_active, user_id, feature_x_usage, engagement_scoreStep 2生成量化分析Generate Quantitative Analysis计算队列留存率与参与度趋势retention rates and engagement trends识别留存曲线retention curves、流失拐点drop-off patterns与异常点计算跨队列的特征采纳率feature adoption rates计算环比/周期变化month-over-month 或 period-over-period changes按需生成pandas numpy 的 Python 分析脚本保证分析可复现。这一步与命令文档中的 Step 3「Analyze」一致用 Pythonpandas构建队列透视表逐队列逐周期计算留存率生成留存曲线并对比不同队列的特征采纳情况。命令文档还给出一个关键提醒留存率计算的优劣取决于留存事件的定义——要推动用户定义有业务意义的动作如完成一个项目而不是登录过这种弱信号。Step 3创建可视化Create Visualizations留存热力图队列 × 时间周期的矩阵热力图线图展示队列随周期的推进变化对比图特征采纳率的跨队列对比流失点可视化直观呈现 drop-off 位置与参与度趋势输出形式交互式图表或静态图片。Step 4识别洞察与模式Identify Insights Patterns技能要求至少找出一个显著模式重点关注四类特定队列的早期流失early churn in specific cohorts后期参与度变化late-stage engagement changes特征采纳聚集feature adoption clusters季节性/时间性趋势seasonal or temporal trends。同时要突出意外发现与偏差并对比各队列表现以建立基线。命令文档补充了两个容易误判的陷阱值得在报告中显式标注创始用户偏差founding user bias早期队列常因创始用户群体而表现特殊跨队列比较时必须注明季节效应伪装成趋势若队列差异可能由日历周期驱动如 Q4 节假日应主动标记防止误读为产品效果。Step 5建议后续研究Suggest Follow-Up Research在量化结论之上技能会给出定性研究方法建议针对流失用户的定向用户访谈针对高参与度队列的特征使用调查关键交互模式的会话回放session replays高留存 vs 低留存队列的赢单/丢单分析win/loss analysis设计后续量化研究并建议A/B 测试或功能实验——这正是衔接ab-test-analysis技能的接口其 ship/extend/stop 判定框架结合 p 值、置信区间与护栏指标可直接用于验证这些实验。三、使用示例三条典型触发路径技能文档提供了三个可直接套用的对话示例示例 1上传 CSV 数据上传 cohort_engagement.csv列cohort_month, weeks_active, user_id, feature_x_usage, engagement_score 请求Analyze retention patterns and identify why Q4 2025 cohorts underperform compared to Q3示例 2纯文字描述数据格式I have monthly user cohorts from Jan-Dec 2025. Each row shows: cohort date, user ID, purchase frequency, and support tickets. Analyze which cohorts show best long-term retention.示例 3特征采纳分析上传 feature_usage.xlsx含队列采纳数据。 请求Compare adoption curves for our new feature across cohorts. Which cohorts adopted fastest? Any patterns?若通过命令入口触发/analyze-cohorts的调用方式与之等价/analyze-cohorts [上传一份用户活跃 CSV] /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在无数据路径下命令文档要求先澄清四个定义问题这也是任何队列分析前必须对齐的建模决策队列定义注册周/月、获客渠道、套餐档位、首次使用的功能留存事件登录、核心动作、任意活跃、购买时间粒度日、周、月时间范围覆盖多长四、输出格式一份可交付的队列分析报告技能文档规定的标准输出包含 7 个部分数据摘要Data Summary、量化发现Quantitative Findings、可视化Visualizations、模式识别2-3 个显著洞察、研究建议Research Recommendations、分析脚本Analysis Scripts按需、下一步行动Next Steps。命令文档进一步给出了可复制的报告模板骨架包含以下关键区块## Cohort Analysis: [Description] **Date**: [today] **Cohort definition**: [e.g., signup month] **Retention event**: [e.g., completed a project] **Granularity**: [weekly/monthly] ### Retention Table | Cohort | Size | Week 1 | Week 2 | Week 3 | ... | Week 12 | |--------|------|--------|--------|--------|-----|---------| ### Key Findings 1. **[Finding]** — [supporting data] 2. ... ### Cohort Comparison - **Best-performing cohort**: [which, why] - **Worst-performing cohort**: [which, why] - **Trend**: [improving/declining/stable over time] ### Retention Benchmarks | Period | Your Rate | Industry Benchmark | Gap | |--------|----------|-------------------|-----| ### Recommendations 1. [What to investigate or change based on findings] 2. ... ### Follow-Up Queries [SQL queries for deeper investigation]其中Retention Benchmarks留存基准对比区块是报告的核心竞争力将自身留存率与行业基准对照、量化差距让留存好/坏的判断有外部参照系。Follow-Up Queries则沉淀为可直接交给sql-queries技能或/write-query命令执行的深层调查 SQL。命令文档还规定若提供了数据分析结果应同时保存为 Markdown 报告和 CSV/电子表格两种格式方便团队协作与二次加工。五、留存率的可复现计算pandas/numpy 脚本要点技能明确按需生成 Python 分析脚本命令文档亦要求若用 Python 脚本计算留存请保存脚本使用户能对新数据重复运行。这类脚本的核心逻辑一般遵循如下结构以下为技能生成脚本的典型形态可作为自查清单import pandas as pd import numpy as np # 1. 读取用户级明细数据 df pd.read_csv(cohort_engagement.csv) # 2. 构建队列键将注册时间对齐到周期起点 df[cohort] df[signup_date].dt.to_period(M) # 月粒度队列 df[period] df[activity_date].dt.to_period(M) # 3. 计算每个队列内每位用户的活跃周期数距注册的偏移 df[period_offset] (df[period] - df[cohort]).apply(lambda x: x.n) # 4. 构建队列透视表行队列列周期偏移值活跃用户数 cohort_table df.groupby([cohort, period_offset])[user_id].nunique().unstack() # 5. 以各队列规模offset0 的行数为基数计算留存率 cohort_size cohort_table[0] retention cohort_table.divide(cohort_size, axis0) # 6. 输出留热力图所需的矩阵行队列列注册后第 N 个周期 print(retention.round(3))要点拆解offset 计算是核心period - cohort得到注册后第 N 个周期这是留存矩阵的行列索引基础基数选择通常取 offset0注册当周期的活跃用户数作为分母也可按业务定义为完成激活事件的用户数可视化retention矩阵直接用seaborn.heatmap或plotly.imshow渲染即为留存热力图线图则按队列逐行绘制retention.T。六、获取最佳结果的关键建议技能文档给出了 6 条实战建议按优先级整理如下必须包含时间维度提供跨多个时间周期的数据单点数据无法构成队列明确队列定义显式说明队列分组方式注册月、功能上线日期等提供业务上下文说明该时段内的产品改动、发布或运营事件——否则无法把留存波动归因于产品动作多指标并行留存、参与度、特征使用、收入等一起纳入避免单一指标误判数据量下限至少 3-4 个队列才能识别出有意义的模式主动指定输出明确要求可视化、Python 脚本或研究建议以获得更高价值交付物。此外命令文档补充了三条工程级注意事项留存事件必须是有意义的动作非登录早期队列要注意创始用户偏差季节效应可能伪装成趋势需主动标记。七、技能能力总览与生态衔接技能文档将能力归纳为八项可作为评估 AI 助手执行质量的清单能力说明Data Reading导入 CSV、Excel、JSON、SQL 查询结果Retention Analysis计算并可视化随时间变化的留存率Cohort Comparison跨队列组对比指标Anomaly Detection标记异常模式与流失点Python Scripts生成可复用的持续分析代码Visualizations热力图、图表与交互式仪表盘Research Design建议定向跟进研究与访谈方法Statistical Summary提供量化指标与相关性分析生态衔接上该技能与同一插件的两个技能形成完整闭环sql-queries负责把 Follow-Up Queries 落地为可执行 SQLab-test-analysis负责验证队列洞察衍生出的实验假设。三者连同三个命令/analyze-cohorts、/write-query、/analyze-test共同构成 pm-data-analytics 插件取数 → 分析 → 验证的数据分析闭环参见 pm-data-analytics/README.md。八、安装与使用前提cohort-analysis 技能随pm-data-analytics插件一起安装。在 Claude Code 中执行claude plugin marketplace add phuryn/pm-skills claude plugin install pm-data-analyticspm-skills在 Claude Cowork 中通过Customize → Browse plugins → Add marketplace from GitHub添加phuryn/pm-skills即可自动安装全部 9 个插件详见仓库根目录 README.md。安装后技能会在对话涉及留存、特征采纳、流失分析等话题时被自动加载也可用/pm-data-analytics:cohort-analysis强制加载命令/analyze-cohorts则提供了一键式工作流入口。其他 AI 助手Gemini CLI、Cursor 等可通过将skills/cohort-analysis/目录复制到对应 skills 目录使用技能部分。使用前提说明本文涉及的留存率计算公式、报告模板结构均来自仓库内 SKILL.md 与 analyze-cohorts.md 的文档化约定Python 脚本为技能所生成脚本的典型结构示意实际生成结果会随输入数据形态而调整。【免费下载链接】pm-skillsPM Skills Marketplace: 100 agentic skills, commands, and plugins — from discovery to strategy, execution, launch, and growth.项目地址: https://gitcode.com/GitHub_Trending/pm/pm-skills创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
pm-data-analytics 中的 Cohort Analysis 技能用留存曲线与特征采纳分析驱动产品决策【免费下载链接】pm-skillsPM Skills Marketplace: 100 agentic skills, commands, and plugins — from discovery to strategy, execution, launch, and growth.项目地址: https://gitcode.com/GitHub_Trending/pm/pm-skills导读本文深入拆解 PM Skills Marketplace 中pm-data-analytics插件的cohort-analysis队列分析技能——一套由 AI 助手驱动的用户留存与参与度分析工作流。你将掌握如何用 CSV/Excel/JSON 数据完成队列留存率计算、留存热力图与特征采纳趋势的可视化、异常模式识别以及如何衔接定性研究与 A/B 实验建议最终形成一份可直接指导产品决策的队列分析报告。配合同插件的/analyze-cohorts命令本文给出了从数据校验到洞察输出的完整实战路径。一、技能定位cohort-analysis 在数据插件中的角色在pm-data-analytics插件 的 3 个技能中cohort-analysis 与ab-test-analysisA/B 测试显著性分析和sql-queries自然语言生成 SQL形成互补SQL 技能负责取数队列分析负责把纵向时间数据转化为留存/采纳洞察A/B 测试技能则负责对队列分析中提出的实验假设做统计验证。三者共享同一前端入口/analyze-cohorts其 命令文档 明确将cohort-analysis 技能作为 Step 3 的核心执行引擎并在最终报告中输出可供/write-query继续深挖的 Follow-Up Queries。技能本身以标准 SKILL.md 格式编写frontmatter 含name与description遵循仓库 CLAUDE.md 规定的技能规范可被 Claude Code、Cowork 等 AI 助手在对话相关时自动加载也兼容 Gemini CLI、Cursor 等其他助手。二、五步工作流从原始数据到可行动洞察cohort-analysis 技能的完整流程分为五个步骤下面逐一展开并补充来自/analyze-cohorts命令文档的细化要求。Step 1读取并校验数据Read and Validate Your Data接受多种输入格式CSV、Excel、JSON以及 SQL 查询结果校验数据结构必须能识别出三类核心要素——队列标识cohort identifier、时间周期time periods、参与度指标engagement metrics质量检查检查缺失值、数据质量问题和异常记录统计摘要汇总队列规模cohort sizes、日期范围、可用指标清单。命令文档进一步规定两种输入路径都支持用户上传带用户级明细的 CSV/表格如user_id, signup_date, activity_date, event_type或者用户仅用自然语言描述分析目标此时技能负责设计分析框架并生成 SQL 查询与模板表格。技能文档给出的示例输入格式如下cohort_engagement.csv包含列cohort_month, weeks_active, user_id, feature_x_usage, engagement_scoreStep 2生成量化分析Generate Quantitative Analysis计算队列留存率与参与度趋势retention rates and engagement trends识别留存曲线retention curves、流失拐点drop-off patterns与异常点计算跨队列的特征采纳率feature adoption rates计算环比/周期变化month-over-month 或 period-over-period changes按需生成pandas numpy 的 Python 分析脚本保证分析可复现。这一步与命令文档中的 Step 3「Analyze」一致用 Pythonpandas构建队列透视表逐队列逐周期计算留存率生成留存曲线并对比不同队列的特征采纳情况。命令文档还给出一个关键提醒留存率计算的优劣取决于留存事件的定义——要推动用户定义有业务意义的动作如完成一个项目而不是登录过这种弱信号。Step 3创建可视化Create Visualizations留存热力图队列 × 时间周期的矩阵热力图线图展示队列随周期的推进变化对比图特征采纳率的跨队列对比流失点可视化直观呈现 drop-off 位置与参与度趋势输出形式交互式图表或静态图片。Step 4识别洞察与模式Identify Insights Patterns技能要求至少找出一个显著模式重点关注四类特定队列的早期流失early churn in specific cohorts后期参与度变化late-stage engagement changes特征采纳聚集feature adoption clusters季节性/时间性趋势seasonal or temporal trends。同时要突出意外发现与偏差并对比各队列表现以建立基线。命令文档补充了两个容易误判的陷阱值得在报告中显式标注创始用户偏差founding user bias早期队列常因创始用户群体而表现特殊跨队列比较时必须注明季节效应伪装成趋势若队列差异可能由日历周期驱动如 Q4 节假日应主动标记防止误读为产品效果。Step 5建议后续研究Suggest Follow-Up Research在量化结论之上技能会给出定性研究方法建议针对流失用户的定向用户访谈针对高参与度队列的特征使用调查关键交互模式的会话回放session replays高留存 vs 低留存队列的赢单/丢单分析win/loss analysis设计后续量化研究并建议A/B 测试或功能实验——这正是衔接ab-test-analysis技能的接口其 ship/extend/stop 判定框架结合 p 值、置信区间与护栏指标可直接用于验证这些实验。三、使用示例三条典型触发路径技能文档提供了三个可直接套用的对话示例示例 1上传 CSV 数据上传 cohort_engagement.csv列cohort_month, weeks_active, user_id, feature_x_usage, engagement_score 请求Analyze retention patterns and identify why Q4 2025 cohorts underperform compared to Q3示例 2纯文字描述数据格式I have monthly user cohorts from Jan-Dec 2025. Each row shows: cohort date, user ID, purchase frequency, and support tickets. Analyze which cohorts show best long-term retention.示例 3特征采纳分析上传 feature_usage.xlsx含队列采纳数据。 请求Compare adoption curves for our new feature across cohorts. Which cohorts adopted fastest? Any patterns?若通过命令入口触发/analyze-cohorts的调用方式与之等价/analyze-cohorts [上传一份用户活跃 CSV] /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在无数据路径下命令文档要求先澄清四个定义问题这也是任何队列分析前必须对齐的建模决策队列定义注册周/月、获客渠道、套餐档位、首次使用的功能留存事件登录、核心动作、任意活跃、购买时间粒度日、周、月时间范围覆盖多长四、输出格式一份可交付的队列分析报告技能文档规定的标准输出包含 7 个部分数据摘要Data Summary、量化发现Quantitative Findings、可视化Visualizations、模式识别2-3 个显著洞察、研究建议Research Recommendations、分析脚本Analysis Scripts按需、下一步行动Next Steps。命令文档进一步给出了可复制的报告模板骨架包含以下关键区块## Cohort Analysis: [Description] **Date**: [today] **Cohort definition**: [e.g., signup month] **Retention event**: [e.g., completed a project] **Granularity**: [weekly/monthly] ### Retention Table | Cohort | Size | Week 1 | Week 2 | Week 3 | ... | Week 12 | |--------|------|--------|--------|--------|-----|---------| ### Key Findings 1. **[Finding]** — [supporting data] 2. ... ### Cohort Comparison - **Best-performing cohort**: [which, why] - **Worst-performing cohort**: [which, why] - **Trend**: [improving/declining/stable over time] ### Retention Benchmarks | Period | Your Rate | Industry Benchmark | Gap | |--------|----------|-------------------|-----| ### Recommendations 1. [What to investigate or change based on findings] 2. ... ### Follow-Up Queries [SQL queries for deeper investigation]其中Retention Benchmarks留存基准对比区块是报告的核心竞争力将自身留存率与行业基准对照、量化差距让留存好/坏的判断有外部参照系。Follow-Up Queries则沉淀为可直接交给sql-queries技能或/write-query命令执行的深层调查 SQL。命令文档还规定若提供了数据分析结果应同时保存为 Markdown 报告和 CSV/电子表格两种格式方便团队协作与二次加工。五、留存率的可复现计算pandas/numpy 脚本要点技能明确按需生成 Python 分析脚本命令文档亦要求若用 Python 脚本计算留存请保存脚本使用户能对新数据重复运行。这类脚本的核心逻辑一般遵循如下结构以下为技能生成脚本的典型形态可作为自查清单import pandas as pd import numpy as np # 1. 读取用户级明细数据 df pd.read_csv(cohort_engagement.csv) # 2. 构建队列键将注册时间对齐到周期起点 df[cohort] df[signup_date].dt.to_period(M) # 月粒度队列 df[period] df[activity_date].dt.to_period(M) # 3. 计算每个队列内每位用户的活跃周期数距注册的偏移 df[period_offset] (df[period] - df[cohort]).apply(lambda x: x.n) # 4. 构建队列透视表行队列列周期偏移值活跃用户数 cohort_table df.groupby([cohort, period_offset])[user_id].nunique().unstack() # 5. 以各队列规模offset0 的行数为基数计算留存率 cohort_size cohort_table[0] retention cohort_table.divide(cohort_size, axis0) # 6. 输出留热力图所需的矩阵行队列列注册后第 N 个周期 print(retention.round(3))要点拆解offset 计算是核心period - cohort得到注册后第 N 个周期这是留存矩阵的行列索引基础基数选择通常取 offset0注册当周期的活跃用户数作为分母也可按业务定义为完成激活事件的用户数可视化retention矩阵直接用seaborn.heatmap或plotly.imshow渲染即为留存热力图线图则按队列逐行绘制retention.T。六、获取最佳结果的关键建议技能文档给出了 6 条实战建议按优先级整理如下必须包含时间维度提供跨多个时间周期的数据单点数据无法构成队列明确队列定义显式说明队列分组方式注册月、功能上线日期等提供业务上下文说明该时段内的产品改动、发布或运营事件——否则无法把留存波动归因于产品动作多指标并行留存、参与度、特征使用、收入等一起纳入避免单一指标误判数据量下限至少 3-4 个队列才能识别出有意义的模式主动指定输出明确要求可视化、Python 脚本或研究建议以获得更高价值交付物。此外命令文档补充了三条工程级注意事项留存事件必须是有意义的动作非登录早期队列要注意创始用户偏差季节效应可能伪装成趋势需主动标记。七、技能能力总览与生态衔接技能文档将能力归纳为八项可作为评估 AI 助手执行质量的清单能力说明Data Reading导入 CSV、Excel、JSON、SQL 查询结果Retention Analysis计算并可视化随时间变化的留存率Cohort Comparison跨队列组对比指标Anomaly Detection标记异常模式与流失点Python Scripts生成可复用的持续分析代码Visualizations热力图、图表与交互式仪表盘Research Design建议定向跟进研究与访谈方法Statistical Summary提供量化指标与相关性分析生态衔接上该技能与同一插件的两个技能形成完整闭环sql-queries负责把 Follow-Up Queries 落地为可执行 SQLab-test-analysis负责验证队列洞察衍生出的实验假设。三者连同三个命令/analyze-cohorts、/write-query、/analyze-test共同构成 pm-data-analytics 插件取数 → 分析 → 验证的数据分析闭环参见 pm-data-analytics/README.md。八、安装与使用前提cohort-analysis 技能随pm-data-analytics插件一起安装。在 Claude Code 中执行claude plugin marketplace add phuryn/pm-skills claude plugin install pm-data-analyticspm-skills在 Claude Cowork 中通过Customize → Browse plugins → Add marketplace from GitHub添加phuryn/pm-skills即可自动安装全部 9 个插件详见仓库根目录 README.md。安装后技能会在对话涉及留存、特征采纳、流失分析等话题时被自动加载也可用/pm-data-analytics:cohort-analysis强制加载命令/analyze-cohorts则提供了一键式工作流入口。其他 AI 助手Gemini CLI、Cursor 等可通过将skills/cohort-analysis/目录复制到对应 skills 目录使用技能部分。使用前提说明本文涉及的留存率计算公式、报告模板结构均来自仓库内 SKILL.md 与 analyze-cohorts.md 的文档化约定Python 脚本为技能所生成脚本的典型结构示意实际生成结果会随输入数据形态而调整。【免费下载链接】pm-skillsPM Skills Marketplace: 100 agentic skills, commands, and plugins — from discovery to strategy, execution, launch, and growth.项目地址: https://gitcode.com/GitHub_Trending/pm/pm-skills创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
