analyze-cohorts — команда для Claude Code
Команда analyze-cohorts строит когортный анализ по CSV или создаёт SQL-запросы для расчёта retention и трендов вовлечённости.
MIT ★ 28 211 обновлён 2026-10-16
/plugin marketplace add phuryn/pm-skills
/plugin install pm-data-analytics@pm-skillsЧто делает analyze-cohorts
Команда работает в двух режимах. Если передать файл CSV с действиями пользователей (user_id, даты регистрации и событий), Claude Code обработает строки через Python и pandas, посчитает процент удержания и выдаст готовую таблицу когорт с графиками. Когда сырых данных под рукой нет, команда формирует SQL-запрос под вашу схему и шаблон расчёта.
В итоговый отчёт входят сравнение сильных и слабых когорт, сопоставление с отраслевыми бенчмарками, рекомендации и скрипт Python, чтобы пересчитывать отчёт на новых данных. Результаты сохраняются в markdown и CSV.
Качество анализа прямо зависит от события retention. Если выбрать простой вход в систему вместо полезного действия, кривые покажут шум вместо реального удержания.
Какие задачи решает
- рассчитать retention по когортам регистрации из выгрузки CSV
- составить SQL-запрос для выгрузки когортных метрик из базы
- сравнить вовлечённость и принятие новых функций между когортами
- подготовить отчёт с бенчмарками удержания для продуктовой команды
Примеры запросов агенту
- /analyze-cohorts activity_log.csv
- /analyze-cohorts Посчитай помесячный retention для зарегистрированных с января по июнь с разбивкой по каналам привлечения
- /analyze-cohorts Помоги настроить когортный анализ для проверки редизайна онбординга
Как установить analyze-cohorts
1Через маркетплейс плагинов
/plugin marketplace add phuryn/pm-skills/plugin install pm-data-analytics@pm-skills2Вручную: положить файлы
.claude/commands/analyze-cohorts.mdВызов — /analyze-cohorts. Для всех проектов — ~/.claude/commands/
Вручную: положить файлы
~/.codex/prompts/analyze-cohorts.mdВызов — /prompts:analyze-cohorts. В Codex этот формат помечен устаревшим, замена — скиллы
Вручную: положить файлы
.github/prompts/analyze-cohorts.prompt.mdВручную: положить файлы
.gemini/commands/analyze-cohorts.tomlGemini хранит команды в TOML: текст запроса — в поле prompt
Вопросы об analyze-cohorts
Как установить analyze-cohorts в Claude Code?
Выполните по очереди команды: /plugin marketplace add phuryn/pm-skills, затем /plugin install pm-data-analytics@pm-skills. Также можно сохранить файл в .claude/commands/analyze-cohorts.md.
Что делает команда analyze-cohorts?
Она строит матрицы удержания по неделям или месяцам, находит аномалии и сезонные колебания, а также готовит рекомендации по улучшению показателей.
Что нужно для расчёта на готовых данных?
Потребуется таблица CSV со столбцами идентификатора пользователя, даты регистрации и даты события, а также окружение Python с библиотекой pandas для построения отчёта.
Исходный текст
analyze-cohorts.md · MIT
--- description: Perform cohort analysis on user data — retention curves, feature adoption, and engagement trends argument-hint: "<data file or description of what to analyze>" --- # /analyze-cohorts -- Cohort Analysis Analyze user retention and engagement patterns by cohort. Upload your data or describe what you need, and get retention curves, feature adoption trends, and actionable insights. ## Invocation ``` /analyze-cohorts [upload a CSV of user activity data] /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 ``` ## Workflow ### Step 1: Accept Data or Define Analysis Two paths: - **With data**: User uploads a CSV/spreadsheet with user-level data (user_id, signup_date, activity_date, event_type, etc.) - **Without data**: User describes the analysis they need → generate the SQL query and analysis framework ### Step 2: Define Cohorts Ask: - What defines a cohort? (signup week/month, acquisition channel, plan tier, first feature used) - What is the retention event? (login, core action, any activity, purchase) - What time granularity? (daily, weekly, monthly) - What time range? ### Step 3: Analyze Apply the **cohort-analysis** skill: **If data is provided:** - Process the data using Python (pandas) to create cohort tables - Calculate retention rates per cohort per period - Generate retention curves - Identify patterns: improving/declining cohorts, seasonal effects, anomalies - Compare feature adoption across cohorts **If describing an analysis:** - Design the cohort analysis framework - Generate SQL queries to extract the data - Create a template spreadsheet for the analysis - Define the metrics and visualization approach ### Step 4: Generate Report ``` ## 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] ``` If data was provided, save analysis as both markdown report and CSV/spreadsheet. ### Step 5: Offer Next Steps - "Want me to **segment this further** by another dimension?" - "Should I **set up metrics alerts** based on these retention thresholds?" - "Want me to **design experiments** to improve retention for the weakest cohort?" ## Notes - Cohort analysis is only as good as the retention event definition — push for a meaningful action, not just "logged in" - Early cohorts often look different due to founding user bias — note this when comparing - If retention is calculated using a Python script, save the script so the user can re-run with new data - Seasonal effects can masquerade as trends — flag if cohort differences might be calendar-driven
© Paweł Huryn · MIT · phuryn/pm-skills