เทคนิคที่ 070 · PYTHON / JAVASCRIPT

ตารางความร้อนการคงอยู่Cohort Retention Heatmap

แยกผลของรุ่นออกจากผลของเวลา

4
ขั้นสูงควรรู้ก่อน · เข้าใจแนวคิดกลุ่มรุ่นและอัตราการคงอยู่
ลองเล่น

01ภาพรวมของกราฟนี้

Cohort heatmap จัดข้อมูลเป็นตารางที่แถวคือกลุ่มที่เริ่มพร้อมกันและคอลัมน์คือจำนวนเดือนนับจากเริ่ม การจัดแบบนี้แยกสองเรื่องที่มักปนกันออกจากกัน คือผลของ "รุ่น" กับผลของ "อายุ" ซึ่งกราฟเส้นรวมทั้งหมดไว้ด้วยกันจนวิเคราะห์ไม่ได้

เปรียบเทียบให้เห็นภาพ

เหมือนตารางที่ติดตามนักเรียนแต่ละรุ่นว่าเหลือกี่คนในปีที่ 1 2 3 โดยจัดให้ปีการศึกษาของแต่ละรุ่นตรงกัน แทนที่จะดูตามปีปฏิทิน

ใช้ที่ไหนบ้าง — อัตราการคงอยู่ของผู้ใช้แยกตามเดือนที่สมัคร การใช้งานซ้ำของลูกค้าแยกตามรุ่น หรือการคงอยู่ของพนักงานแยกตามปีที่เข้าทำงาน

สร้างอย่างไร

  1. ขั้นที่ 1แบ่งสมาชิกเป็นรุ่นตามช่วงที่เริ่ม
  2. ขั้นที่ 2นับว่าแต่ละรุ่นเหลือกี่คนในแต่ละเดือนหลังเริ่ม
  3. ขั้นที่ 3จัดเป็นตารางที่แถวคือรุ่นและคอลัมน์คืออายุ
  4. ขั้นที่ 4ระบายสีตามอัตราการคงอยู่

ตัวอย่างคลาสสิก · Cohort analysis ในการวิเคราะห์การเติบโตของผลิตภัณฑ์

ทีมผลิตภัณฑ์ใช้ตารางรุ่นเป็นเครื่องมือหลักเพราะมันตอบคำถามที่ตัวเลขผู้ใช้รวมตอบไม่ได้ คือ "การปรับปรุงที่เราทำไปได้ผลไหม" การเทียบรุ่นก่อนและหลังการปรับปรุงที่อายุเท่ากันเป็นการเปรียบเทียบที่เป็นธรรมกว่าการดูตัวเลขรวมที่ปนผลของการได้ผู้ใช้ใหม่เข้าไปด้วย

Wikipedia · Cohort analysis ↗

02อธิบายภาษาคนเข้าใจง่าย ๆ

ถ้าดูจำนวนผู้ใช้ที่ยังใช้งานตามเดือนปฏิทิน เราจะแยกไม่ออกเลยว่าตัวเลขที่ตกลงมาจากการที่ผู้ใช้เก่าเลิกใช้ หรือมาจากการที่เดือนนั้นได้ผู้ใช้ใหม่น้อย

ตารางรุ่นแก้ด้วยการเปลี่ยนแกน แทนที่คอลัมน์จะเป็นเดือนปฏิทิน ก็เปลี่ยนเป็น "เดือนที่เท่าไรนับจากวันที่สมัคร" ทำให้ทุกรุ่นเริ่มต้นที่คอลัมน์เดียวกัน

ทันทีที่จัดแบบนี้ รูปแบบสองชั้นก็แยกออกจากกัน อ่านตามแถวคือดูว่ารุ่นหนึ่งค่อย ๆ หายไปอย่างไร ส่วนอ่านตามคอลัมน์คือเทียบว่ารุ่นไหนอยู่ทนกว่ากันที่อายุเท่ากัน

ข้อค้นพบที่กราฟนี้ให้บ่อยที่สุดคือการเปรียบเทียบที่เป็นธรรม เพราะมันเทียบรุ่นที่อายุเท่ากัน ไม่ใช่เทียบรุ่นเก่าที่ผ่านมานานกับรุ่นใหม่ที่เพิ่งเริ่ม

มุมขวาล่างของตารางจะว่างเสมอ เพราะรุ่นใหม่ยังไม่ผ่านเวลามาพอ ซึ่งเป็นเรื่องปกติ ไม่ใช่ข้อมูลขาด แต่ต้องเขียนบอกเพราะคนมักเข้าใจผิด

03ข้อมูลที่ต้องใช้

รูปทรงของข้อมูลเมทริกซ์สองทาง
จำนวนมิติที่เข้ารหัสได้3 มิติ
จำนวนแถวที่เหมาะ6–18 รุ่น × 6–12 เดือนขั้นต่ำ 12 แถว
เส้นฐานศูนย์ไม่เกี่ยวข้องค่าเข้ารหัสด้วยความเข้มของสี ไม่ใช่ความยาว

คอลัมน์ที่ต้องเตรียม

คอลัมน์ทำหน้าที่ชนิดเข้ารหัสด้วยจำนวนค่าที่เหมาะหมายเหตุ
cohortรุ่นมีลำดับy4–24 รุ่นมักเป็นเดือนที่สมัคร เรียงจากเก่าไปใหม่
monthเดือนที่เท่าไรนับจากเริ่มมีลำดับx0 ถึง 12★ ไม่ใช่เดือนปฏิทิน แต่คืออายุของรุ่น
retentionอัตราการคงอยู่ตัวเลขต่อเนื่องcolor0 ถึง 100มักเป็นเปอร์เซ็นต์เทียบกับเดือนที่ศูนย์

ต้องเตรียมข้อมูลอย่างไรก่อนวาด

  1. แบ่งสมาชิกเป็นรุ่นตามช่วงที่เริ่ม
  2. คำนวณอัตราการคงอยู่เทียบกับเดือนที่ศูนย์ของรุ่นนั้นเอง
  3. ระบุขนาดของแต่ละรุ่นไว้ข้างชื่อแถว

ค่าที่หายไป — ช่องมุมขวาล่างที่ว่างเพราะรุ่นใหม่ยังไม่ถึงเวลา ต้องแสดงเป็นช่องว่างที่ต่างจากศูนย์ชัดเจนและเขียนอธิบาย

สเกลของแกน — เฉดเดียวอ่อนไปเข้ม และควรตรึงช่วงสีไว้ที่ 0 ถึง 100% เพื่อให้เทียบข้ามตารางได้

กราฟจะเริ่มพังเมื่อไร

เกิน 24 รุ่นหรือ 18 เดือน ช่องจะเล็กจนอ่านตัวเลขไม่ได้

หน้าตาไฟล์ที่ต้องเตรียม

cohort,month,retention
2025-01,0,100
2025-01,1,67.8
…

04อ่านแล้วเห็นอะไร

สิ่งที่เห็นได้จากภาพ

  • รุ่นไหนอยู่ทนกว่าเมื่อเทียบที่อายุเท่ากัน
  • เดือนที่คนหลุดมากที่สุดของทุกรุ่น
  • แนวโน้มว่ารุ่นใหม่ดีขึ้นหรือแย่ลงกว่ารุ่นเก่า
  • คอลัมน์ที่ค่าตกทุกรุ่นพร้อมกัน ซึ่งมักเป็นเหตุการณ์ภายนอก

สิ่งที่กราฟนี้ตอบไม่ได้

  • ไม่บอกว่าทำไมคนถึงหลุด
  • ไม่บอกว่าคนที่หลุดไปแล้วกลับมาใหม่หรือไม่ เว้นแต่จะนิยามการคงอยู่ให้ครอบคลุม

อ่านตามลำดับนี้

  1. อ่านตามแถวเพื่อดูว่ารุ่นหนึ่งหายไปอย่างไร
  2. อ่านตามคอลัมน์เพื่อเทียบรุ่นที่อายุเท่ากัน
  3. มองหาแนวทแยงที่สีต่างจากรอบข้าง ซึ่งคือเหตุการณ์ตามปฏิทิน

คำถามที่ตอบได้

  • รุ่นไหนคุณภาพดีที่สุด
  • คนหลุดมากที่สุดในเดือนที่เท่าไร
  • การปรับปรุงที่ทำไปได้ผลกับรุ่นใหม่ไหม

สัญญาณว่ามีอะไรผิด

  • ช่องว่างมุมขวาล่างถูกเติมเป็นศูนย์ ทำให้ดูเหมือนคนหายหมด
  • ไม่บอกขนาดของแต่ละรุ่น ทำให้รุ่นเล็กที่แกว่งแรงดูน่าเชื่อถือเท่ารุ่นใหญ่

05เหมาะกับการนำเสนอแบบไหน

ผู้ชมที่เหมาะทีมผลิตภัณฑ์และการเติบโตที่ติดตามการคงอยู่ของผู้ใช้
เวลาที่ผู้ชมต้องใช้ต้องเรียนรู้ก่อน
ขนาดเล็กสุดที่ยังอ่านได้480×300 px
รายงานเชิงวิเคราะห์
dashboard ที่อัปเดตตลอด
สิ่งพิมพ์
สื่อสารกับคนทั่วไปต้องอธิบายว่าคอลัมน์คืออายุไม่ใช่เดือนปฏิทินก่อน
มือถือตารางกว้างเกินจอเล็ก

ทำอย่างไรให้คนอ่านได้ข้อสรุปโดยไม่ต้องบรรยาย

  1. เขียนขนาดของแต่ละรุ่นไว้ข้างชื่อแถว
  2. อธิบายว่าคอลัมน์คือจำนวนเดือนนับจากสมัคร ไม่ใช่เดือนปฏิทิน
  3. อธิบายว่าช่องว่างมุมขวาล่างแปลว่ายังไม่ถึงเวลา

รูปแบบชื่อกราฟที่ควรใช้

รุ่น <รุ่น> คงอยู่ <เปอร์เซ็นต์> ที่เดือนที่ <เดือน> ดีกว่ารุ่นก่อนหน้าที่ <เปอร์เซ็นต์>

06เอาไปใช้ต่อ

โค้ดทุกชิ้นอ่านไฟล์ cohort-heatmap-sample.csv ชุดเดียวกับที่ Playground ใช้ และตัวเลขในโค้ดเปลี่ยนตามค่าที่คุณปรับด้านล่าง

# ติดตั้ง: pip install "matplotlib==3.10.*" "pandas==2.*"
# ดาวน์โหลด cohort-heatmap-sample.csv จากหน้านี้ แล้ววางไว้ข้างสคริปต์
import matplotlib
matplotlib.use("Agg")   # รันแบบไม่มีหน้าจอ ถ้ารันในเครื่องตัวเองลบบรรทัดนี้ได้
import matplotlib.pyplot as plt
import pandas as pd
import numpy as np

C1, C2, C3 = "#2a78d6", "#eb6834", "#1baf7a"   # palette ของคลัง เปลี่ยนเป็นสีองค์กรได้
INK, SURFACE = "#0b0b0b", "#fcfcfb"

df = pd.read_csv("cohort-heatmap-sample.csv")
df["month"] = pd.to_numeric(df["month"], errors="coerce")
df["retention"] = pd.to_numeric(df["retention"], errors="coerce")
NOTE = "column"   # ← ค่าจาก Playground

fig, ax = plt.subplots(figsize=(7.6, 4.2), facecolor=SURFACE)
ax.set_facecolor(SURFACE)

pivot = df.pivot(index="cohort", columns="month", values="retention")
im = ax.imshow(pivot, cmap="Blues", vmin=0, vmax=100, aspect="auto")   # ตรึงช่วงสีไว้ 0-100
ax.set_xticks(range(len(pivot.columns)))
ax.set_xticklabels([f"เดือนที่ {c}" for c in pivot.columns], fontsize=8, rotation=30, ha="right")
ax.set_yticks(range(len(pivot.index))); ax.set_yticklabels(pivot.index, fontsize=9)
for i in range(len(pivot.index)):
    for j in range(len(pivot.columns)):
        v = pivot.iloc[i, j]
        if not np.isnan(v):                              # ช่องว่าง = ยังไม่ถึงเวลา ไม่ใช่ศูนย์
            ax.text(j, i, f"{v:.0f}", ha="center", va="center", fontsize=8,
                    color="white" if v > 55 else INK)
ax.set_xlabel("จำนวนเดือนนับจากสมัคร (ไม่ใช่เดือนปฏิทิน)")

ax.spines[["top", "right"]].set_visible(False)   # ลดเส้นที่ไม่ได้ให้ข้อมูล
fig.tight_layout()
fig.savefig("cohort-heatmap.png", dpi=160)
print("เขียน cohort-heatmap.png แล้ว ·", len(df), "แถว")

ติดตั้ง: pip install "matplotlib==3.10.*" "pandas==2.*" · ทดสอบกับเวอร์ชัน 3.10

07ลองเล่นเพื่อเข้าใจ

ข้อมูลตัวอย่าง · 36 แถว · seed 277● คำนวณใหม่ในเบราว์เซอร์ทันทีที่ปรับค่า
อ่านตามคอลัมน์คือเทียบรุ่นที่อายุเท่ากัน
เดือน 0เดือน 1เดือน 2เดือน 3เดือน 4เดือน 5เดือน 6เดือน 72025-012025-022025-032025-042025-052025-062025-072025-08รุ่น 2025-01 · เดือนที่ 0 · 100.0%100รุ่น 2025-01 · เดือนที่ 1 · 67.8%68รุ่น 2025-01 · เดือนที่ 2 · 49.2%49รุ่น 2025-01 · เดือนที่ 3 · 35.9%36รุ่น 2025-01 · เดือนที่ 4 · 28.9%29รุ่น 2025-01 · เดือนที่ 5 · 21.0%21รุ่น 2025-01 · เดือนที่ 6 · 13.9%14รุ่น 2025-01 · เดือนที่ 7 · 9.9%10รุ่น 2025-02 · เดือนที่ 0 · 100.0%100รุ่น 2025-02 · เดือนที่ 1 · 69.3%69รุ่น 2025-02 · เดือนที่ 2 · 49.5%50รุ่น 2025-02 · เดือนที่ 3 · 36.0%36รุ่น 2025-02 · เดือนที่ 4 · 25.5%26รุ่น 2025-02 · เดือนที่ 5 · 17.9%18รุ่น 2025-02 · เดือนที่ 6 · 11.8%12รุ่น 2025-03 · เดือนที่ 0 · 100.0%100รุ่น 2025-03 · เดือนที่ 1 · 72.0%72รุ่น 2025-03 · เดือนที่ 2 · 46.9%47รุ่น 2025-03 · เดือนที่ 3 · 37.4%37รุ่น 2025-03 · เดือนที่ 4 · 22.8%23รุ่น 2025-03 · เดือนที่ 5 · 18.4%18รุ่น 2025-04 · เดือนที่ 0 · 100.0%100รุ่น 2025-04 · เดือนที่ 1 · 62.5%63รุ่น 2025-04 · เดือนที่ 2 · 47.4%47รุ่น 2025-04 · เดือนที่ 3 · 41.0%41รุ่น 2025-04 · เดือนที่ 4 · 25.2%25รุ่น 2025-05 · เดือนที่ 0 · 100.0%100รุ่น 2025-05 · เดือนที่ 1 · 61.7%62รุ่น 2025-05 · เดือนที่ 2 · 44.7%45รุ่น 2025-05 · เดือนที่ 3 · 36.4%36รุ่น 2025-06 · เดือนที่ 0 · 100.0%100รุ่น 2025-06 · เดือนที่ 1 · 74.3%74รุ่น 2025-06 · เดือนที่ 2 · 58.2%58รุ่น 2025-07 · เดือนที่ 0 · 100.0%100รุ่น 2025-07 · เดือนที่ 1 · 62.5%63รุ่น 2025-08 · เดือนที่ 0 · 100.0%100

มุมขวาล่างว่างเพราะรุ่นใหม่ยังไม่ผ่านเวลามาพอ ไม่ใช่เพราะคนหายหมด

จำนวนรุ่น8
คงอยู่เดือนที่ 1 เฉลี่ย67.2%
รุ่นที่อยู่ทนที่สุด2025-04
ดูข้อมูลเป็นตาราง (8 แถว)
cohort heatmap 8 รุ่น 8 เดือน
รุ่นเดือน 0เดือน 1เดือน 2เดือน 3เดือน 4เดือน 5เดือน 6เดือน 7
2025-01100.0%67.8%49.2%35.9%28.9%21.0%13.9%9.9%
2025-02100.0%69.3%49.5%36.0%25.5%17.9%11.8%—
2025-03100.0%72.0%46.9%37.4%22.8%18.4%——
2025-04100.0%62.5%47.4%41.0%25.2%———
2025-05100.0%61.7%44.7%36.4%————
2025-06100.0%74.3%58.2%—————
2025-07100.0%62.5%——————
2025-08100.0%———————

ลองแล้วจะเห็นอะไร

  • สังเกตอะไร: อ่านลงตามคอลัมน์ "เดือนที่ 3" จะเห็นว่ารุ่นไหนดีกว่ากันอย่างเป็นธรรม เพราะเทียบที่อายุเท่ากัน ซึ่งกราฟเส้นรายเดือนปฏิทินทำไม่ได้

ข้อควรระวัง

  1. ★ เติมช่องว่างมุมขวาล่างเป็นศูนย์ ทำให้ดูเหมือนคนหายหมดทั้งที่แค่ยังไม่ถึงเวลา
  2. ไม่อธิบายว่าคอลัมน์คืออายุไม่ใช่เดือนปฏิทิน ซึ่งเป็นความเข้าใจผิดที่พบบ่อยที่สุด
  3. ไม่บอกขนาดของแต่ละรุ่น ทำให้รุ่นเล็กที่แกว่งแรงดูน่าเชื่อถือเท่ารุ่นใหญ่
  4. ปรับช่วงสีตามข้อมูลแทนที่จะตรึงไว้ ทำให้เทียบข้ามตารางไม่ได้

เมื่อไหร่ไม่ควรใช้กราฟนี้

  • ไม่มีแนวคิดเรื่องรุ่นที่เริ่มพร้อมกัน→ใช้แทน: line-chart
  • มีรุ่นเดียว→ใช้แทน: line-chart ของอัตราการคงอยู่
  • สนใจการย้ายระหว่างสถานะ→ใช้แทน: alluvial-diagram

กราฟที่เกี่ยวข้อง

เทคนิคถัดไป · ตารางอันดับพร้อมแท่งในบรรทัด