মোবাইল অ্যানালিটিক্সে কোহোর্ট বিশ্লেষণ: এটি কী, মেট্রিক্স এবং পরিচালনার ধাপ

কোহোর্ট বিশ্লেষণ কী?

কোহোর্ট বিশ্লেষণ একটি বিশ্লেষণ পদ্ধতি যা ব্যবহারকারীদের তাদের প্রথম লক্ষ্য ইভেন্ট (যেমন অ্যাপ ইনস্টল বা রেজিস্ট্রেশন) সম্পাদনের সময় অনুসারে গ্রুপে (কোহোর্ট) ভাগ করে। DAU বা MAU-এর মতো সমষ্টিগত মেট্রিক্সের বিপরীতে, কোহোর্ট আপনাকে সপ্তাহ এবং মাস ধরে একই গ্রুপের আচরণ ট্র্যাক করতে দেয়, ধারণ এবং চার্ন প্রবণতা প্রকাশ করে।

এই পদ্ধতির প্রধান সুবিধা হল বৃদ্ধির বিভ্রম দূর করা, যেখানে পুরোনো ব্যবহারকারীরা নতুনদের সমস্যা লুকিয়ে রাখে। Amplitude Blog (2024) অনুসারে, যে কোম্পানিগুলি কোহোর্ট বিশ্লেষণ গ্রহণ করেছে তারা প্রথম 90 দিনে ব্যবহারকারী চার্ন 20–30% কমায়।

UA ক্যাম্পেইনের কার্যকারিতা মূল্যায়ন, অ্যাপের বিভিন্ন সংস্করণের আচরণ তুলনা এবং ব্যবহারকারী অধিগ্রহণে বিনিয়োগের উপর রিটার্ন গণনা করতে কোহোর্ট বিশ্লেষণ প্রয়োগ করুন।

কোহোর্ট বিশ্লেষণের মূল মেট্রিক্স

Retention Rate

Retention Rate হল কোহোর্টের সেই ব্যবহারকারীদের শতাংশ যারা ইনস্টলের N দিন পরে অ্যাপে ফিরে এসেছে। এটি পণ্যের গুণমানের প্রধান মেট্রিক: যদি ব্যবহারকারীরা ফিরে না আসে, তাহলে সমস্যা অনবোর্ডিং, মূল্য প্রস্তাব বা অ্যাপ স্থিতিশীলতায় রয়েছে। Statista (2025) অনুসারে, মোবাইল অ্যাপের গড় Day-1 Retention 25–30%, Day-7 — 10–15%, Day-30 — 5–7%।

আপনার কোহোর্টের Retention ক্যাটাগরি বেঞ্চমার্কের সাথে তুলনা করুন এবং বিশ্লেষণ করুন কোন পণ্য পরিবর্তনগুলি ফেরত বাড়িয়েছে।

LTV — Lifetime Value

LTV (Lifetime Value) হল পর্যবেক্ষণ সময়কালে কোহোর্টের সকল ব্যবহারকারীর থেকে মোট রাজস্ব। এই মেট্রিক বিজ্ঞাপন ক্যাম্পেইনের ROI মূল্যায়ন এবং UA বাজেট স্কেল করার সিদ্ধান্ত নেওয়ার জন্য গুরুত্বপূর্ণ। Adjust Benchmarks (2024) রিপোর্ট অনুসারে, গেমিং-এ প্রতি ব্যবহারকারী গড় LTV $3.50, ই-কমার্সে — $1.80, এবং ইউটিলিটিতে — $0.40।

Day-30, Day-90 এবং Day-180-এ কোহোর্ট LTV গণনা করুন অধিগ্রহণকৃত ব্যবহারকারীদের দীর্ঘমেয়াদী মূল্য বোঝার জন্য।

Churn Rate

Churn Rate হল কোহোর্টের সেই ব্যবহারকারীদের শতাংশ যারা অ্যাপ ব্যবহার বন্ধ করে দিয়েছে। শুরুর দিকে উচ্চ Churn অনবোর্ডিং সমস্যা বা প্রত্যাশার অমিল নির্দেশ করে। Localytics (2024) অনুসারে, 25% ব্যবহারকারী প্রথম খোলার পর অ্যাপ ছেড়ে দেয় এবং 90তম দিনে 5% এর কম থাকে।

সাপ্তাহিক Churn Rate পর্যবেক্ষণ করুন — কোহোর্টে 5% বৃদ্ধি জরিপ বা সেশন রেকর্ডিং এর মাধ্যমে তাৎক্ষণিক চার্ন কারণ বিশ্লেষণ প্রয়োজন।

সময়কাল অনুসারে কোহোর্টের প্রকার

দৈনিক কোহোর্ট

দৈনিক কোহোর্ট হল ব্যবহারকারী যারা একই দিনে অ্যাপ ইনস্টল করেছে। এটি সবচেয়ে বিস্তারিত স্তর, যা অসঙ্গতি সনাক্ত করতে দেয়: একটি নির্দিষ্ট তারিখে Retention-এ হঠাৎ পতন প্রযুক্তিগত ত্রুটি বা সমস্যাজনক ক্রিয়েটিভ ক্যাম্পেইন নির্দেশ করতে পারে। দৈনিক কোহোর্ট অপারেশনাল মনিটরিং এবং A/B পরীক্ষার জন্য ব্যবহৃত হয় যখন প্রতিদিন পরিবর্তন করা হয়।

সাপ্তাহিক কোহোর্ট

সাপ্তাহিক কোহোর্ট হল ব্যবহারকারী যারা একই ক্যালেন্ডার সপ্তাহে অ্যাপ ইনস্টল করেছে। এগুলি আরও স্থিতিশীল ডেটা প্রদান করে, দৈনিক ওঠানামা মসৃণ করে। এগুলি নিয়মিত রিপোর্টিং এবং বিজ্ঞাপন চ্যানেল কর্মক্ষমতা তুলনার জন্য উপযুক্ত — সাপ্তাহিক ধাপ সপ্তাহের দিনের প্রভাবকে নিরপেক্ষ করে, যেখানে সপ্তাহান্তে রূপান্তর ভিন্ন হতে পারে।

মাসিক কোহোর্ট

মাসিক কোহোর্ট হল ব্যবহারকারী যারা একই মাসে অ্যাপ ইনস্টল করেছে। এগুলি দীর্ঘমেয়াদী প্রবণতা, মৌসুমীতা এবং 6–12 মাসের দিগন্তে LTV গণনার জন্য সর্বোত্তম। এগুলি পণ্য ব্যবস্থাপনা স্তরে পণ্য উন্নয়ন সম্পর্কে কৌশলগত সিদ্ধান্তের জন্য ব্যবহৃত হয়।

কোহোর্ট বিশ্লেষণ কীভাবে পরিচালনা করবেন

কোহোর্ট বিশ্লেষণ চারটি ধাপ নিয়ে গঠিত: ডেটা সংগ্রহ, কোহোর্টে গ্রুপিং, সময়কাল অনুসারে মেট্রিক্স গণনা এবং ভিজুয়ালাইজেশন। প্রথমে, লক্ষ্য ইভেন্ট নির্ধারণ করুন — সাধারণত ইনস্টল, সাইনআপ বা first_purchase। যারা একই সময়ে এটি করেছে তারা একই কোহোর্টে পড়ে।

দ্বিতীয়ত, সময় ব্যবধান নির্ধারণ করুন: দিন, সপ্তাহ বা মাস। প্রতিটি পরবর্তী সময়ের (Day-1, Day-2, Day-3...) জন্য, ফিরে আসা ব্যবহারকারীদের শতাংশ গণনা করুন। ফলাফলগুলি একটি কোহোর্ট টেবিলে সংকলিত হয়, যেখানে প্রতিটি সারি একটি কোহোর্ট, প্রতিটি কলাম একটি সময়কাল এবং প্রতিটি কোষ একটি মেট্রিক মান।

তৃতীয়ত, ডেটা ক্যালিব্রেট করুন: 100 এর কম ব্যবহারকারীর কোহোর্ট বাদ দিন এবং মৌসুমীতা বিবেচনা করুন। Mixpanel (2024) অনুসারে, 50 এর কম ব্যবহারকারীর কোহোর্ট 20% এর বেশি ত্রুটির মার্জিন সহ পরিসংখ্যানগতভাবে গুরুত্বহীন ফলাফল দেয়। চতুর্থত, ডেটা একটি কোহোর্ট টেবিল বা হিট ম্যাপ হিসাবে ভিজুয়ালাইজ করুন — সারি (কোহোর্ট) এবং কলাম (সময়কাল) স্টেকহোল্ডারদের জন্য ধারণ প্রবণতা স্পষ্ট করে।

সঠিক ব্যাখ্যার জন্য, সর্বদা একই আকারের কোহোর্ট তুলনা করুন: 50,000 ব্যবহারকারীর কোহোর্টকে 500 ব্যবহারকারীর কোহোর্টের সাথে তুলনা করা অগ্রহণযোগ্য। মেট্রিক্সকে কোহোর্টের প্রাথমিক আকারের শতাংশ হিসাবে স্বাভাবিক করুন, পরম সংখ্যা হিসাবে নয় — এটি অসম আকারের গ্রুপ তুলনা করতে দেয়। অভিনবত্ব প্রভাবও বিবেচনা করুন: বড় মার্কেটিং ইভেন্টের পরে অ্যাপ ইনস্টল করা ব্যবহারকারীরা জৈবিক ইনস্টল থেকে ভিন্ন আচরণ করতে পারে।

কোহোর্ট বিশ্লেষণের টুল

কোহোর্ট বিশ্লেষণ টুল বিশ্লেষণ প্ল্যাটফর্মে তৈরি এবং কাস্টম SQL সমাধানে বিভক্ত। Amplitude এবং Mixpanel স্বয়ংক্রিয় Retention এবং LTV গণনা সহ রেডি-মেড কোহোর্ট রিপোর্ট অফার করে, যাতে কোয়েরি লেখার প্রয়োজন নেই। Firebase Analytics ইনস্টল তারিখ অনুসারে দিন, সপ্তাহ এবং মাসে বিভক্ত বেসিক কোহোর্ট প্রদান করে।

কাস্টম কোহোর্টের জন্য, BigQuery বা Redshift-এ SQL কোয়েরি ব্যবহার করুন — এটি মেট্রিক্স এবং সময়কালের উপর সম্পূর্ণ নিয়ন্ত্রণ দেয়। Amplitude (2024) অনুসারে, কাস্টম SQL কোহোর্ট ব্যবহারকারী দলগুলি স্ট্যান্ডার্ড রিপোর্টের তুলনায় 35% বেশি আচরণগত অন্তর্দৃষ্টি আবিষ্কার করে। BI টুল (Tableau, Looker, Google Data Studio) নিয়মিত পর্যবেক্ষণের জন্য ইন্টারেক্টিভ কোহোর্ট ড্যাশবোর্ড তৈরি করতে দেয়।

টুল নির্বাচন দলের বিশ্লেষণ পরিপক্কতার উপর নির্ভর করে। শুরুতে, Firebase Analytics বা Amplitude-এ তৈরি কোহোর্ট যথেষ্ট — এগুলি কোহোর্ট বিশ্লেষণের 80% প্রয়োজন পূরণ করে। দল বড় হওয়ার সাথে সাথে BigQuery-তে SQL কোহোর্টে স্যুইচ করুন: এটি অ-মানক মেট্রিক্স (যেমন, ইনস্টল তারিখের পরিবর্তে প্রথম ক্রয় তারিখ অনুসারে কোহোর্ট) নির্ধারণে নমনীয়তা দেয় এবং ML ব্যবহার করে ভবিষ্যদ্বাণীমূলক LTV মডেল তৈরি করতে দেয়। ভিজুয়ালাইজেশনের জন্য, Looker Studio ব্যবহার করুন যা অতিরিক্ত খরচ ছাড়াই সরাসরি BigQuery-তে সংযোগ করে।

SQL-এ কোহোর্ট বিশ্লেষণের উদাহরণ

দৈনিক কোহোর্ট নিজে গণনা করতে, একটি SQL কোয়েরি ব্যবহার করুন যা ইনস্টল তারিখ অনুসারে সেশন গ্রুপ করে। নীচে BigQuery-এর জন্য একটি কোয়েরি যা প্রতিটি কোহোর্টের মধ্যে দিন অনুসারে সক্রিয় ব্যবহারকারীর সংখ্যা ফেরত দেয়।

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;

কোয়েরি চালানোর পরে, Google Sheets বা BI টুলে একটি সারাংশ টেবিল তৈরি করুন। প্রতিটি সারি একটি কোহোর্ট তারিখ, প্রতিটি কলাম দিন নম্বর (Day-1, Day-2, ইত্যাদি)। সক্রিয় ব্যবহারকারীদের শতাংশ Day-0 (ইনস্টল দিন) এ active_users-এর সাথে দিন N-এ active_users-এর অনুপাত হিসাবে গণনা করা হয়।

কোহোর্ট নিয়ে সাধারণ ভুল

প্রথম ভুল ছোট কোহোর্ট নিয়ে কাজ করা। যদি একটি কোহোর্টে 100 এর কম ব্যবহারকারী থাকে, তাহলে প্রতিটি ব্যক্তির চার্ন বা ফেরত শতাংশকে উল্লেখযোগ্যভাবে বিকৃত করে। নির্ভরযোগ্য সিদ্ধান্তের জন্য ন্যূনতম কোহোর্ট আকার 500 ব্যবহারকারী।

দ্বিতীয় ভুল মৌসুমীতা উপেক্ষা করা। নববর্ষের আগে অ্যাপ ইনস্টল করা কোহোর্ট জানুয়ারির মাঝামাঝি কোহোর্ট থেকে ভিন্ন আচরণ করবে। সর্বদা একই মৌসুমের কোহোর্ট তুলনা করুন বা ডেটা স্বাভাবিকীকরণ ব্যবহার করুন। Mixpanel (2024) অনুসারে, Day-1 Retention-এর জন্য মৌসুমী ওঠানামা 30–40% পর্যন্ত পৌঁছাতে পারে।

তৃতীয় ভুল কোহোর্ট এবং ক্রস-সেকশনাল বিশ্লেষণের মধ্যে বিভ্রান্তি। কোহোর্ট বিশ্লেষণ সময়ের সাথে একটি গ্রুপ ট্র্যাক করে, এক সময়ে বিভিন্ন গ্রুপ তুলনা করে না। একই কোহোর্টে পুনরাবৃত্তি পরিমাপ ব্যবহার করুন, অন্যথায় আপনি Retention বৃদ্ধি সম্পর্কে ভুল সিদ্ধান্ত পাবেন।