Analyse de cohorte et rétention clients
Analyse de cohorte complète pour mesurer et comprendre la rétention clients avec identification du moment aha.
Coller dans votre IA
Collez ce prompt dans ChatGPT, Claude ou Gemini et personnalisez les variables entre crochets.
Je veux réaliser une analyse de cohorte pour [PRODUIT/SERVICE] avec les données suivantes : [DESCRIPTION_DONNEES] (dates d'inscription, connexions, achats, churns sur [PERIODE]). Type de cohortes : [TYPE_COHORTE] (ex : mois d'acquisition, canal d'acquisition, plan souscrit, segment géographique) Métrique de rétention : [METRIQUE] (ex : connexions actives, transactions, MRR conservé) Réalise l'analyse de cohorte complète : 1. Construis la matrice de rétention par cohorte mensuelle sur [N_MOIS] mois 2. Calcule le taux de rétention à J+7, J+30, J+90, J+180 et J+365 3. Identifie les cohortes les plus performantes et les facteurs explicatifs 4. Calcule le taux de churn mensuel et annuel par cohorte 5. Projette la valeur vie client (LTV) à partir des courbes de rétention 6. Compare les cohortes selon [DIMENSION_COMPARAISON] (ex : canal d'acquisition, plan) 7. Identifie le "moment aha" : à quel stade les utilisateurs retenus divergent des churners 8. Propose 3 actions pour améliorer la rétention à [PHASE_CRITIQUE] jours Fournis le code SQL ou Python pour construire la matrice.
Pourquoi ce prompt fonctionne
Ce prompt est puissant car il intègre l'identification du moment aha, concept clé pour améliorer l'onboarding, en plus des métriques classiques de rétention. Il lie l'analyse descriptive à l'action concrète.
Cas d'usage
Résultat attendu
Matrice de cohorte, taux de rétention par période, LTV projetée, identification du moment aha et plan d'action rétention.
Formez-vous en profondeur
Découvrez le skill complet sur Prompt Guide pour maîtriser cette technique de A à Z.
Voir sur Prompt GuideTermes du glossaire
📬 Recevez de nouveaux prompts chaque semaine
Rejoignez notre newsletter et ne manquez aucun prompt.
Prompts similaires
Détection d'anomalies dans les données
Détecte les anomalies et valeurs aberrantes dans un dataset avec plusieurs méthodes statistiques et scoring de sévérité.
Analyse du funnel de conversion
Analyse exhaustive d'un funnel de conversion avec identification des points de friction et recommandations de tests A/B.
Conception d'un pipeline ETL simple
Conçoit un pipeline ETL complet avec gestion des erreurs, monitoring et code Python pour l'intégration de données multi-sources.
Analyse des métriques web analytics
Analyse complète des métriques web analytics pour comprendre les comportements visiteurs et identifier les axes d'optimisation.