Kohortová analýza v mobilní analytice: co to je, metriky a fáze provádění

Co je kohortová analýza?

Kohortová analýza — je metoda analytiky, která rozděluje uživatele do skupin (kohort) podle času provedení první cílové události, například instalace aplikace nebo registrace. Na rozdíl od agregovaných metrik jako DAU nebo MAU, kohorty umožňují sledovat chování stejné skupiny v průběhu týdnů a měsíců a odhalovat trendy retence a odlivu.

Hlavní výhoda metody — odstranění iluze růstu, kdy staří uživatelé skrývají problémy nových. Podle údajů Amplitude Blog (2024) společnosti, které zavedly kohortovou analýzu, snižují odliv uživatelů o 20–30% v prvních 90 dnech.

Aplikujte kohortovou analýzu pro hodnocení efektivity UA kampaní, porovnání chování různých verzí aplikace a výpočet návratnosti investic do získávání uživatelů.

Klíčové metriky kohortové analýzy

Retention Rate

Retention Rate — procento uživatelů kohorty, kteří se vrátili do aplikace N dní po instalaci. To je hlavní metrika kvality produktu: pokud se uživatelé nevracejí, problémy jsou v onboardingu, hodnotě nebo stabilitě aplikace. Podle údajů Statista (2025) je průměrný Day-1 Retention pro mobilní aplikace 25–30%, Day-7 — 10–15%, Day-30 — 5–7%.

Porovnejte Retention své kohorty s benchmarky podle kategorie a analyzujte, které změny produktu zvýšily návraty.

LTV — Lifetime Value

LTV (Lifetime Value) — celkový příjem od všech uživatelů kohorty za období pozorování. Metrika je klíčová pro hodnocení návratnosti reklamních kampaní a rozhodování o škálování UA rozpočtů. Podle zprávy Adjust Benchmarks (2024) je medián LTV na uživatele v hazardních hrách $3.50, v e-commerce — $1.80, v nástrojích — $0.40.

Vypočítejte LTV kohorty na Day-30, Day-90 a Day-180 pro pochopení dlouhodobé hodnoty získaných uživatelů.

Churn Rate

Churn Rate — podíl uživatelů kohorty, kteří přestali používat aplikaci. Vysoký Churn v prvních dnech signalizuje problémy s onboardingem nebo nesoulad očekávání. Podle údajů Localytics (2024) 25% uživatelů opouští aplikaci po prvním otevření a do 90. dne zůstává méně než 5%.

Kontrolujte Churn Rate týdně — nárůst o 5% v kohortě vyžaduje okamžitou analýzu příčin odlivu prostřednictvím průzkumů nebo záznamů relací.

Typy kohort podle časových období

Denní kohorty

Denní kohorty — uživatelé, kteří nainstalovali aplikaci ve stejný den. Nejpodrobnější průřez umožňující postřehnout anomálie: náhlý pokles Retention v konkrétním datu může naznačovat technickou poruchu nebo problematickou kreativní kampaň. Denní kohorty se používají pro operativní monitorování a A/B testy, kdy se změny provádějí denně.

Týdenní kohorty

Týdenní kohorty — uživatelé, kteří nainstalovali aplikaci ve stejném kalendářním týdnu. Stabilnější data vyhlazující denní výkyvy. Vhodné pro pravidelné reportování a porovnání efektivity reklamních kanálů — týdenní krok neutralizuje efekt dne v týdnu.

Měsíční kohorty

Měsíční kohorty — uživatelé, kteří nainstalovali aplikaci ve stejném měsíci. Optimální pro analýzu dlouhodobých trendů, sezónnosti a výpočet LTV na horizontu 6–12 měsíců. Používají se na úrovni produktového managementu pro strategická rozhodnutí o vývoji produktu.

Jak provádět kohortovou analýzu

Kohortová analýza se skládá ze čtyř fází: sběr dat, seskupení do kohort, výpočet metrik podle období a vizualizace. V prvním kroku určete cílovou událost — obvykle je to install, signup nebo first_purchase. Všichni uživatelé, kteří ji provedli v jednom období, spadají do jedné kohorty.

Ve druhém kroku nastavte časový krok: den, týden nebo měsíc. Pro každé následující období (Day-1, Day-2, Day-3…) vypočítejte podíl uživatelů, kteří se vrátili. Výsledky jsou shrnuty v kohortové tabulce, kde každý řádek je kohorta, každý sloupec je období a buňka je hodnota metriky.

Ve třetím kroku kalibrujte data: vylučte kohorty s méně než 100 uživateli a zohledněte sezónnost. Podle údajů Mixpanel (2024), kohorty s objemem menším než 50 uživatelů poskytují statisticky nevýznamné výsledky s chybou přes 20%. Ve čtvrtém kroku vizualizujte data ve formě kohortové tabulky nebo tepelné mapy — řádky (kohorty) a sloupce (období) činí trendy retence srozumitelnými pro zainteresované strany.

Pro správnou interpretaci vždy porovnávejte kohorty stejné velikosti: není přípustné srovnávat kohortu 50 000 uživatelů s kohortou 500. Normalizujte metriky jako procento počáteční velikosti kohorty, nikoli jako absolutní čísla — to umožňuje porovnání nestejných skupin. Zohledněte také efekt novosti: uživatelé, kteří nainstalovali aplikaci po velké marketingové události, se mohou chovat jinak než organické instalace.

Nástroje pro kohortovou analýzu

Nástroje pro kohortovou analýzu se dělí na vestavěné do analytických platforem a vlastní SQL řešení. Amplitude a Mixpanel nabízejí hotové kohortové reporty s automatickým výpočtem Retention a LTV, které nevyžadují psaní dotazů. Firebase Analytics poskytuje základní kohorty podle data instalace s rozdělením na dny, týdny a měsíce.

Pro vlastní kohorty použijte SQL dotazy v BigQuery nebo Redshift — to dává plnou kontrolu nad metrikami a obdobími. Podle údajů Amplitude (2024), týmy používající vlastní SQL kohorty objevují o 35% více behaviorálních insightů než při standardních reportech. BI nástroje (Tableau, Looker, Google Data Studio) umožňují vytvářet interaktivní dashboardy kohort pro pravidelné monitorování.

Výběr nástroje závisí na vyspělosti analytiky v týmu. Na začátku stačí Firebase Analytics nebo vestavěné kohorty Amplitude — pokrývají 80% potřeb v kohortové analýze. S růstem týmu přejděte na SQL kohorty v BigQuery: to dává flexibilitu v definování nestandardních metrik (např. kohorty podle data prvního nákupu, nikoli instalace) a umožňuje vytvářet prediktivní LTV modely založené na ML. Pro vizualizaci použijte Looker Studio, které se připojuje přímo k BigQuery bez dodatečných nákladů.

Příklad kohortové analýzy v SQL

Pro samostatný výpočet denních kohort použijte SQL dotaz, který seskupuje relace podle data instalace. Níže je dotaz pro BigQuery, který vrací počet aktivních uživatelů podle dnů v rámci každé kohorty.

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;

Po provedení dotazu vytvořte kontingenční tabulku v Google Sheets nebo BI nástroji. Každý řádek je datum kohorty, každý sloupec je číslo dne (Day-1, Day-2 atd.). Procento aktivních uživatelů se vypočítá jako poměr active_users v den N k active_users v Day-0 (den instalace).

Typické chyby při práci s kohortami

První chyba — práce s malými kohortami. Pokud kohorta obsahuje méně než 100 uživatelů, každý odchod nebo návrat jedné osoby výrazně zkresluje procento. Minimální velikost kohorty pro spolehlivé závěry je 500 uživatelů.

Druhá chyba — ignorování sezónnosti. Kohorta, která nainstalovala aplikaci před Novým rokem, se bude chovat jinak než kohorta z poloviny ledna. Vždy porovnávejte kohorty ze stejného období nebo použijte normalizaci dat. Podle údajů Mixpanel (2024) mohou sezónní výkyvy dosahovat 30–40% pro Day-1 Retention.

Třetí chyba — záměna kohortové a průřezové analýzy. Kohortová analýza sleduje jednu skupinu v čase, neporovnává různé skupiny v jednom okamžiku. Používejte opakovaná měření v rámci jedné kohorty, jinak získáte falešné závěry o růstu Retention.