Học Data (SQL, Python) Qua Case: Cohort vs. Rolling Retention

Learning by Doing Challenges & Case Studies – Học Data Thực Chiến Qua Cases – Bạn/Công ty có nhu cầu học phân tích dữ liệu thực chiến thì inbox mình TẠI ĐÂY nhé.

Tables & Sample Data thực hành cho 07 challenges: Tài liệu premium dành cho các bạn học viên DA BootCamp.

• e-Wallet muốn đo lường sâu hơn sự gắn bó của users bằng cách tính cả hai loại Cohort Retention:
  • Retention On: Users có hoạt động vào ngày thứ 1 (D1), ngày thứ 7 (D7), và ngày thứ 30 (D30) sau khi đăng ký?
  • Range Retention: Users có hoạt động ít nhất một lần trong tuần đầu tiên (W1: từ D1 đến D7) và trong tháng đầu tiên (M1: từ D1 đến D30) sau khi đăng ký?
• Bạn cần biết:
  • Cohort Retention: Đo lường tỷ lệ users trong một nhóm (cohort) theo tuần đăng ký còn hoạt động theo thời gian.
  • Retention On (D1, D7, D30): Đo lường hoạt động vào đúng ngày thứ N sau đăng ký. Chỉ số này nhạy cảm, giúp phát hiện chính xác thời điểm users có xu hướng quay lại hoặc rời bỏ.
  • Range Retention (W1, M1): Đo lường hoạt động ít nhất x lần trong một khoảng thời gian. Chỉ số này cho thấy mức độ tương tác tổng quát hơn. So sánh “Retention On” và “Range Retention” cho thấy sự khác biệt giữa việc quay lại vào một ngày cụ thể và việc duy trì hoạt động nói chung.
  • Drop-off: Điểm users ngừng hoạt động. So sánh D1, D7, D30 (On) và W1, M1 (Range) để hiểu rõ hơn về điểm rơi này.
  • Acquisition Channel: Kênh thu hút users (Google Ads, TikTok, Referral, Organic).

Code phân tích & Insight cho challenge 01: Tài liệu premium dành cho các bạn học viên DA BootCamp.

• e-Wallet cần theo dõi “sức khỏe” của tập users hàng tháng:
  • Users Start (us): Users hoạt động ở tháng trước. Đây là cơ sở để tính tỷ lệ.
  • New Users (nu): Users đăng ký và hoạt động trong tháng hiện tại.
  • Retained Users (retained_users): Users hoạt động tháng này và tháng trước.
  • Returning Users (ru): Users hoạt động tháng này, không hoạt động tháng trước, nhưng đã từng hoạt động trước đó. (ru = ue – nu – retained_users).
  • Churned Users (cu): Users hoạt động tháng trước nhưng không hoạt động tháng này. (cu = us – retained_users).
  • Users End (ue): Tổng users hoạt động trong tháng này. (ue = nu + retained_users + ru).
• Bạn cần biết:
  • Rolling Retention: Theo dõi sự biến động của tập users hoạt động qua từng tháng. Nó mô tả dòng chảy: users từ tháng trước (us) có thể tiếp tục hoạt động (retained) hoặc rời bỏ (cu). Đồng thời, tập users hoạt động tháng này (ue) được bổ sung bởi users mới (nu) và users quay lại (ru).
  • Net User Growth: Số lượng users hoạt động tăng/giảm ròng trong tháng (nu + ru – cu)
  • Tỷ lệ tăng trưởng ròng (net_growth_rate) = net_user_growth / us * 100.
  • Tỷ lệ rời bỏ (churn_rate) = cu / us * 100.
  • Tỷ lệ giữ chân (retention_rate) = retained_users / us * 100.

Code phân tích & Insight cho challenge 02: Tài liệu premium dành cho các bạn học viên DA BootCamp.

• e-Wallet cần biết loại khuyến mãi nào giúp giữ chân users mới tốt nhất vào ngày thứ 7 (D7) và trong cả tuần đầu tiên (W1).
• Bạn cần biết:
  • Regular Promotion:
    • Là một ưu đãi độc lập, không gắn với một chủ đề hay dịp đặc biệt nào. Users nhìn nhận nó đơn giản là một chương trình giảm giá/ưu đãi định kỳ hoặc đột xuất.
  • Event Promotion:
    • Là một phần của một chiến dịch/sự kiện lớn hơn có chủ đề rõ ràng (Tết, Sinh nhật e-Wallet, Black Friday,…). Users nhìn nhận nó không chỉ là một ưu đãi, mà là một phần thưởng hoặc lợi ích đặc biệt gắn liền với không khí của sự kiện đó.
  • VD: “Tuần này hoàn 20k khi thanh toán hóa đơn điện.” Hoặc “Mừng Tết Giáp Thìn – Lì xì 20k hoàn tiền khi thanh toán hóa đơn điện trong tuần lễ Tết!”
  • Cùng một giá trị cốt lõi (hoàn 20k), nhưng khi đặt vào bối cảnh sự kiện, khuyến mãi theo event sẽ được “khoác thêm chiếc áo mới” về mặt tâm lý, truyền thông và tính khẩn cấp. Điều này thường dẫn đến tác động mạnh mẽ hơn lên hành vi của users so với khi nó chỉ là một khuyến mãi thông thường.

Code phân tích & Insight cho challenge 03: Tài liệu premium dành cho các bạn học viên DA BootCamp.

• e-Wallet muốn hiểu sự khác biệt về mức độ retention giữa các nhóm users khác nhau. Phân tích này sẽ tự động phân khúc users thành các nhóm (High-Value, Medium-Value, Low-Value, Inactive) dựa trên hành vi giao dịch thực tế trong 30 ngày đầu tiên sau khi đăng ký (xét về tần suất, giá trị trung bình, và khoảng cách trung bình giữa các giao dịch).
• Bạn cần biết:
  • Segmentation (30-day behavior): Phân khúc users dựa trên:
    • trans_count_30d: Số lượng giao dịch trong 30 ngày đầu (> n giao dịch)
    • avg_amount_30d: Giá trị giao dịch trung bình trong 30 ngày đầu. (> m amount)
    • avg_days_between_30d: Khoảng cách ngày trung bình giữa các giao dịch trong 30 ngày đầu (đo độ đều đặn).
    • High/Medium/Low-Value/Inactive: Các phân khúc users được xác định bởi logic nghiệp vụ.

Code phân tích & Insight cho challenge 04: Tài liệu premium dành cho các bạn học viên DA BootCamp.

• e-Wallet muốn đo lường mức độ gia tăng trực tiếp trong hành vi giao dịch của users ngay trong thời gian diễn ra sự kiện so với khoảng thời gian ngay trước đó (baseline). Đồng thời, e-Wallet muốn biết tỷ lệ users không hoạt động trước sự kiện đã được “đánh thức” (tái kích hoạt) bởi chính sự kiện đó.
• Bạn cần biết:
  • Event Period: Khoảng thời gian cụ thể diễn ra sự kiện (từ start_date đến end_date).
  • Baseline Period: Một khoảng thời gian ngay trước Event Period (vd: 30 ngày trước) dùng làm cơ sở so sánh mức hoạt động thông thường.
  • Activity Uplift (%): Phần trăm gia tăng của chỉ số hoạt động trung bình hàng ngày trong Event Period so với Baseline Period.
  • Reactivation Rate (Event) (%): Tỷ lệ phần trăm người dùng không hoạt động trong Baseline Period nhưng có hoạt động trong Event Period.

Code phân tích & Insight cho challenge 05: Tài liệu premium dành cho các bạn học viên DA BootCamp.