Mobil analitikada kohort təhlili: bu nədir, metrikalar və aparılma mərhələləri

Kohort təhlili nədir?

Kohort təhlili — istifadəçiləri ilk hədəf hadisənin (məsələn, tətbiqin quraşdırılması və ya qeydiyyat) vaxtına görə qruplara (kohortlara) ayıran analitika metodudur. DAU və ya MAU kimi ümumi metrikalardan fərqli olaraq, kohortlar eyni qrupun davranışını həftələr və aylar boyu izləməyə, saxlama və itki trendlərini aşkar etməyə imkan verir.

Metodun əsas üstünlüyü — köhnə istifadəçilərin yenilərin problemlərini gizlətdiyi böyümə illüziyasının aradan qaldırılmasıdır. Amplitude Blog (2024) məlumatlarına görə, kohort təhlilini tətbiq edən şirkətlər ilk 90 gündə istifadəçi itkisini 20–30% azaldır.

Kohort təhlilini UA-kampaniyalarının effektivliyini qiymətləndirmək, tətbiqin müxtəlif versiyalarının davranışını müqayisə etmək və istifadəçi cəlbində investisiya gəlirliliyini hesablamaq üçün tətbiq edin.

Kohort təhlilinin əsas metrikaları

Retention Rate

Retention Rate — quraşdırmadan N gün sonra tətbiqə qayıdan kohort istifadəçilərinin faizi. Bu məhsul keyfiyyətinin əsas metrikasıdır: istifadəçilər qayıtmırsa, problem onboardingdə, dəyərdə və ya tətbiqin sabitliyindədir. Statista (2025) məlumatlarına görə, mobil tətbiqlər üçün orta Day-1 Retention 25–30%, Day-7 — 10–15%, Day-30 — 5–7% təşkil edir.

Kohortunuzun Retentionunu kateqoriya üzrə benchmarklarla müqayisə edin və hansı məhsul dəyişikliklərinin qayıdışları artırdığını təhlil edin.

LTV — Lifetime Value

LTV (Lifetime Value) — müşahidə dövründə kohortun bütün istifadəçilərindən əldə edilən ümumi gəlir. Metrika reklam kampaniyalarının gəlirliliyini qiymətləndirmək və UA büdcələrinin miqyaslanması barədə qərarlar qəbul etmək üçün kritik əhəmiyyət daşıyır. Adjust Benchmarks (2024) hesabatına görə, oyunçuluqda istifadəçinin median LTV-si $3.50, e-ticarətdə — $1.80, kommunal proqramlarda — $0.40 təşkil edir.

Kohortun LTV-sini Day-30, Day-90 və Day-180 üzrə hesablayaraq cəlb edilmiş istifadəçilərin uzunmüddətli dəyərini anlayın.

Churn Rate

Churn Rate — tətbiqdən istifadəni dayandırmış kohort istifadəçilərinin payı. İlk günlərdə yüksək Churn onboarding problemlərini və ya gözləntilərin uyğunsuzluğunu göstərir. Localytics (2024) məlumatlarına görə, istifadəçilərin 25%-i ilk açılışdan sonra tətbiqi tərk edir, 90-cı günə isə 5%-dən azı qalır.

Churn Rate-i həftəlik izləyin — kohortda 5% artım dərhal sorğular və ya sessiya yazıları vasitəsilə itki səbəblərinin təhlilini tələb edir.

Zaman dövrlərinə görə kohort növləri

Günlük kohortlar

Günlük kohortlar — tətbiqi eyni gündə quraşdıran istifadəçilər. Ən detallı kəsişmə olub, anomaliyaları görməyə imkan verir: müəyyən tarixdə Retentionun kəskin düşməsi texniki nasazlıq və ya problemli kreativ kampaniyanı göstərə bilər. Günlük kohortlar dəyişikliklərin gündəlik edildiyi əməliyyat monitorinqi və A/B testləri üçün istifadə olunur.

Həftəlik kohortlar

Həftəlik kohortlar — tətbiqi eyni təqvim həftəsində quraşdıran istifadəçilər. Günlük dalğalanmaları hamarlaşdıran daha sabit məlumatlar. Müntəzəm hesabat və reklam kanallarının effektivliyini müqayisə etmək üçün uyğundur — həftəlik addım həftəsonu konversiyanın fərqli ola biləcəyi gün effektini aradan qaldırır.

Aylıq kohortlar

Aylıq kohortlar — tətbiqi eyni ayda quraşdıran istifadəçilər. Uzunmüddətli trendlərin, mövsümiliyin təhlili və LTV-nin 6–12 ay horizontunda hesablanması üçün optimaldır. Məhsulun inkişafı ilə bağlı strateji qərarlar üçün məhsul idarəetmə səviyyəsində istifadə olunur.

Kohort təhlilini necə aparmaq olar

Kohort təhlili dörd mərhələdən ibarətdir: məlumat toplama, kohortlara qruplaşdırma, dövrlər üzrə metrikaların hesablanması və vizuallaşdırma. İlk addımda hədəf hadisəni müəyyənləşdirin — adətən bu install, signup və ya first_purchase olur. Bir dövrdə bu hadisəni həyata keçirən bütün istifadəçilər bir kohorta düşür.

İkinci addımda vaxt addımını təyin edin: gün, həftə və ya ay. Hər bir sonrakı dövr üçün (Day-1, Day-2, Day-3…) qayıdan istifadəçilərin payını hesablayın. Nəticələr kohort cədvəlinə yığılır, burada hər sətir kohort, hər sütun dövr, xana isə metrika dəyəridir.

Üçüncü addımda məlumatları kalibrləyin: ölçüsü 100 istifadəçidən az olan kohortları xaric edin və mövsümiliyi nəzərə alın. Mixpanel (2024) məlumatlarına görə, həcmi 50 istifadəçidən az olan kohortlar 20%-dən çox xəta ilə statistik əhəmiyyətsiz nəticələr verir. Dördüncü addımda məlumatları kohort cədvəli və ya istilik xəritəsi şəklində vizuallaşdırın — sətirlər (kohortlar) və sütunlar (dövrlər) saxlama trendlərini maraqlı tərəflər üçün aydın edir.

Düzgün şərh üçün həmişə eyni ölçülü kohortları müqayisə edin: 50 000 istifadəçidən ibarət kohortu 500 istifadəçili kohortla müqayisə etmək yolverilməzdir. Metrikaları kohortun ilkin ölçüsünün faizi kimi normallaşdırın, mütləq rəqəmlər kimi deyil — bu, qeyri-bərabər qrupları müqayisə etməyə imkan verir. Həmçinin yenilik effektini nəzərə alın: böyük marketinq tədbirindən sonra tətbiqi quraşdıran istifadəçilər üzvi quraşdırmalardan fərqli davrana bilər.

Kohort təhlili üçün alətlər

Kohort təhlili alətləri analitik platformalara daxil olan və fərdi SQL həllərinə bölünür. Amplitude və Mixpanel sorğu yazmağı tələb etməyən, Retention və LTV-nin avtomatik hesablanması ilə hazır kohort hesabatları təklif edir. Firebase Analytics quraşdırma tarixinə görə günlər, həftələr və aylar üzrə bölgü ilə əsas kohortlar təqdim edir.

Fərdi kohortlar üçün BigQuery və ya Redshift-də SQL sorğularından istifadə edin — bu, metrikalar və dövrlər üzərində tam nəzarət verir. Amplitude (2024) məlumatlarına görə, fərdi SQL kohortlarından istifadə edən komandalar standart hesabatlarla müqayisədə 35% daha çox davranış içgörüsü kəşf edir. BI alətləri (Tableau, Looker, Google Data Studio) müntəzəm monitorinq üçün interaktiv kohort dashboardları qurmağa imkan verir.

Alətin seçimi komandadakı analitikanın yetkinliyindən asılıdır. Başlanğıcda Firebase Analytics və ya Amplitude-un daxili kohortları kifayətdir — onlar kohort təhlilində ehtiyacların 80%-ni qarşılayır. Komanda böyüdükcə BigQuery-də SQL kohortlarına keçin: bu, qeyri-standart metrikaların (məsələn, quraşdırma deyil, ilk alış tarixinə görə kohortlar) müəyyənləşdirilməsində çeviklik verir və ML əsaslı prediktiv LTV modelləri qurmağa imkan verir. Vizuallaşdırma üçün birbaşa BigQuery-yə əlavə xərc olmadan qoşulan Looker Studio-dan istifadə edin.

SQL-də kohort təhlili nümunəsi

Günlük kohortların müstəqil hesablanması üçün sessiyaları quraşdırma tarixinə görə qruplaşdıran SQL sorğusundan istifadə edin. Aşağıda BigQuery üçün hər kohort daxilində günlər üzrə aktiv istifadəçilərin sayını qaytaran sorğu verilmişdir.

SELECT
  install_date AS cohort_date,
  DATE_DIFF(session_date, install_date, DAY) AS day_number,
  COUNT(DISTINCT user_id) AS active_users
FROM user_sessions
WHERE install_date BETWEEN '2025-01-01' AND '2025-03-31'
GROUP BY cohort_date, day_number
ORDER BY cohort_date, day_number;

Sorğunu icra etdikdən sonra Google Sheets və ya BI alətində yekun cədvəl qurun. Hər sətir kohort tarixi, hər sütun gün nömrəsidir (Day-1, Day-2 və s.). Aktiv istifadəçilərin faizi N günündəki active_users-in Day-0-dakı (quraşdırma günü) active_users-a nisbəti kimi hesablanır.

Kohortlarla işləyərkən tipik səhvlər

Birinci səhv — kiçik ölçülü kohortlarla işləmək. Kohortda 100-dən az istifadəçi varsa, hər bir itki və ya qayıdış faizi əhəmiyyətli dərəcədə təhrif edir. Etibarlı nəticələr üçün minimum kohort ölçüsü 500 istifadəçidir.

İkinci səhv — mövsümiliyə məhəl qoymamaq. Yeni il ərəfəsində tətbiqi quraşdıran kohort yanvarın ortasındakı kohortdan fərqli davranacaq. Həmişə eyni mövsümün kohortlarını müqayisə edin və ya məlumat normalizasiyasından istifadə edin. Mixpanel (2024) məlumatlarına görə, mövsümi dalğalanmalar Day-1 Retention üçün 30–40%-ə çata bilər.

Üçüncü səhv — kohort və kəsişmə təhlilini qarışdırmaq. Kohort təhlili bir qrupu zamanla izləyir, müxtəlif qrupları eyni anda müqayisə etmir. Bir kohort üzrə təkrar ölçmələrdən istifadə edin, əks halda Retention artımı haqqında yalançı nəticələr əldə edəcəksiniz.