Кохортен анализ в мобилната аналитика: какво е, метрики и етапи на провеждане

Какво е кохортен анализ?

Кохортен анализ — метод на аналитика, който разделя потребителите на групи (кохорти) според времето на първото целево събитие, например инсталиране на приложението или регистрация. За разлика от агрегираните метрики като DAU или MAU, кохортите позволяват проследяване на поведението на една и съща група в продължение на седмици и месеци, разкривайки тенденции на задържане и отлив.

Основното предимство на метода — премахване на илюзията за растеж, когато старите потребители скриват проблемите на новите. По данни на Amplitude Blog (2024), компаниите, внедрили кохортен анализ, намаляват отлива на потребители с 20–30% в първите 90 дни.

Прилагайте кохортен анализ за оценка на ефективността на UA кампании, сравняване на поведението на различни версии на приложението и изчисляване на възвръщаемостта на инвестициите в привличане на потребители.

Ключови метрики на кохортния анализ

Retention Rate

Retention Rate — процент на потребителите от кохортата, върнали се в приложението N дни след инсталиране. Това е основната метрика за качество на продукта: ако потребителите не се връщат, проблемите са в онбординга, стойността или стабилността на приложението. По данни на Statista (2025), средният Day-1 Retention за мобилни приложения е 25–30%, Day-7 — 10–15%, Day-30 — 5–7%.

Сравнявайте Retention на своята кохорта с бенчмаркове по категория и анализирайте кои продуктови промени са увеличили връщанията.

LTV — Lifetime Value

LTV (Lifetime Value) — общ приход от всички потребители на кохортата за периода на наблюдение. Метриката е критична за оценка на възвръщаемостта на рекламните кампании и вземане на решения за мащабиране на UA бюджети. Според доклада на Adjust Benchmarks (2024), медианният LTV на потребител в хазарта е $3.50, в електронната търговия — $1.80, в помощните програми — $0.40.

Изчислявайте LTV на кохортата на Day-30, Day-90 и Day-180, за да разберете дългосрочната стойност на привлечените потребители.

Churn Rate

Churn Rate — дял на потребителите от кохортата, престанали да използват приложението. Високият Churn в първите дни сигнализира за проблеми с онбординга или несъответствие на очакванията. По данни на Localytics (2024), 25% от потребителите напускат приложението след първото отваряне, а до 90-ия ден остават по-малко от 5%.

Контролирайте Churn Rate седмично — увеличение от 5% в кохортата изисква незабавен анализ на причините за отлив чрез анкети или записване на сесии.

Видове кохорти по времеви периоди

Дневни кохорти

Дневни кохорти — потребители, инсталирали приложението в един и същи ден. Най-подробният срез, позволяващ забелязване на аномалии: рязък спад на Retention в конкретна дата може да показва техническа повреда или проблемна креативна кампания. Дневните кохорти се използват за оперативно наблюдение и A/B тестове, когато промените се въвеждат ежедневно.

Седмични кохорти

Седмични кохорти — потребители, инсталирали приложението в една и съща календарна седмица. По-стабилни данни, изглаждащи дневните колебания. Подходящи за редовно отчитане и сравняване на ефективността на рекламните канали — седмичната стъпка неутрализира ефекта на деня от седмицата.

Месечни кохорти

Месечни кохорти — потребители, инсталирали приложението в един и същи месец. Оптимални за анализ на дългосрочни тенденции, сезонност и изчисляване на LTV в хоризонт от 6–12 месеца. Използват се на ниво продуктов мениджмънт за стратегически решения относно развитието на продукта.

Как се провежда кохортен анализ

Кохортен анализ се състои от четири етапа: събиране на данни, групиране в кохорти, изчисляване на метрики по периоди и визуализация. В първата стъпка определете целевото събитие — обикновено това е install, signup или first_purchase. Всички потребители, извършили го в един период, попадат в една кохорта.

Във втората стъпка задайте времевата стъпка: ден, седмица или месец. За всеки следващ период (Day-1, Day-2, Day-3…) изчислете дела на върналите се потребители. Резултатите се обобщават в кохортна таблица, където всеки ред е кохорта, всяка колона е период, а клетката е стойност на метриката.

В третата стъпка калибрирайте данните: изключете кохорти с по-малко от 100 потребители и вземете предвид сезонността. По данни на Mixpanel (2024), кохорти с обем под 50 потребители дават статистически незначими резултати с грешка над 20%. В четвъртата стъпка визуализирайте данните под формата на кохортна таблица или топлинна карта — редовете (кохорти) и колоните (периоди) правят тенденциите на задържане разбираеми за заинтересованите страни.

За коректно тълкуване винаги сравнявайте кохорти с еднакъв размер: недопустимо е да сравнявате кохорта от 50 000 потребители с кохорта от 500. Нормализирайте метриките като процент от първоначалния размер на кохортата, а не като абсолютни числа — това позволява сравняване на неравни групи. Вземете предвид и ефекта на новостта: потребителите, инсталирали приложението след голямо маркетингово събитие, могат да се държат различно от органичните инсталации.

Инструменти за кохортен анализ

Инструментите за кохортен анализ се делят на вградени в аналитичните платформи и персонализирани SQL решения. Amplitude и Mixpanel предлагат готови кохортни отчети с автоматично изчисляване на Retention и LTV, без необходимост от писане на заявки. Firebase Analytics предоставя основни кохорти по дата на инсталиране с разбивка по дни, седмици и месеци.

За персонализирани кохорти използвайте SQL заявки в BigQuery или Redshift — това дава пълен контрол върху метриките и периодите. По данни на Amplitude (2024), екипите, използващи персонализирани SQL кохорти, откриват 35% повече поведенчески прозрения в сравнение със стандартните отчети. BI инструментите (Tableau, Looker, Google Data Studio) позволяват изграждане на интерактивни кохортни табла за редовно наблюдение.

Изборът на инструмент зависи от зрелостта на аналитиката в екипа. В началото са достатъчни Firebase Analytics или вградените кохорти на Amplitude — те покриват 80% от нуждите в кохортния анализ. С разрастването на екипа преминете към SQL кохорти в BigQuery: това дава гъвкавост при дефиниране на нестандартни метрики (например кохорти по дата на първа покупка, а не инсталиране) и позволява изграждане на предсказващи LTV модели, базирани на ML. За визуализация използвайте Looker Studio, което се свързва директно с BigQuery без допълнителни разходи.

Пример за кохортен анализ в SQL

За самостоятелно изчисляване на дневни кохорти използвайте SQL заявка, която групира сесиите по дата на инсталиране. По-долу е заявка за BigQuery, която връща броя на активните потребители по дни във всяка кохорта.

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;

След изпълнение на заявката изградете обобщена таблица в Google Sheets или BI инструмент. Всеки ред е дата на кохортата, всяка колона е номер на деня (Day-1, Day-2 и т.н.). Процентът на активните потребители се изчислява като отношение на active_users в ден N към active_users в Day-0 (ден на инсталиране).

Типични грешки при работа с кохорти

Първа грешка — работа с кохорти с малък размер. Ако кохортата съдържа по-малко от 100 потребители, всеки отлив или връщане на един човек значително изкривява процента. Минималният размер на кохортата за достоверни заключения е 500 потребители.

Втора грешка — игнориране на сезонността. Кохорта, инсталирала приложението преди Нова година, ще се държи различно от кохорта от средата на януари. Винаги сравнявайте кохорти от един и същи сезон или използвайте нормализация на данните. По данни на Mixpanel (2024), сезонните колебания могат да достигнат 30–40% за Day-1 Retention.

Трета грешка — объркване между кохортен и напречен анализ. Кохортният анализ проследява една група във времето, а не сравнява различни групи в един момент. Използвайте повторни измервания в рамките на една кохорта, в противен случай ще получите фалшиви заключения за растежа на Retention.