Pagsusuri ng Cohort sa Mobile Analytics: ano ito, mga sukatan, at mga yugto ng pagsasagawa

Ano ang pagsusuri ng cohort?

Pagsusuri ng Cohort — ay isang paraan ng analytics na naghahati sa mga user sa mga grupo (cohort) batay sa oras ng unang target na kaganapan, halimbawa pag-install ng app o pagpaparehistro. Hindi tulad ng mga pinagsama-samang sukatan tulad ng DAU o MAU, pinapayagan ng mga cohort na subaybayan ang pag-uugali ng parehong grupo sa loob ng mga linggo at buwan, na inilalantad ang mga uso sa pagpapanatili at pag-alis.

Ang pangunahing bentahe ng pamamaraan — pag-aalis ng ilusyon ng paglago, kapag ang mga lumang user ay nagtatago ng mga problema ng mga bago. Ayon sa datos ng Amplitude Blog (2024), ang mga kumpanyang nagpatupad ng pagsusuri ng cohort ay nagbabawas ng pag-alis ng user ng 20–30% sa unang 90 araw.

Ilapat ang pagsusuri ng cohort upang suriin ang pagiging epektibo ng mga kampanya ng UA, ihambing ang pag-uugali ng iba't ibang bersyon ng app, at kalkulahin ang return on investment sa pagkuha ng user.

Mga pangunahing sukatan ng pagsusuri ng cohort

Retention Rate

Retention Rate — porsyento ng mga user ng cohort na bumalik sa app N araw pagkatapos ng pag-install. Ito ang pangunahing sukatan ng kalidad ng produkto: kung hindi bumalik ang mga user, ang problema ay nasa onboarding, halaga, o katatagan ng app. Ayon sa datos ng Statista (2025), ang average na Day-1 Retention para sa mga mobile app ay 25–30%, Day-7 — 10–15%, Day-30 — 5–7%.

Ikumpara ang Retention ng iyong cohort sa mga benchmark ayon sa kategorya at suriin kung aling mga pagbabago sa produkto ang nagpataas ng pagbabalik.

LTV — Lifetime Value

LTV (Lifetime Value) — kabuuang kita mula sa lahat ng user ng cohort sa panahon ng pagmamasid. Ang sukatan ay kritikal para sa pagsusuri ng kita ng mga kampanya sa advertising at paggawa ng desisyon tungkol sa pag-scale ng mga badyet ng UA. Ayon sa ulat ng Adjust Benchmarks (2024), ang median na LTV bawat user sa paglalaro ay $3.50, sa e-commerce — $1.80, sa mga utility — $0.40.

Kalkulahin ang LTV ng cohort sa Day-30, Day-90, at Day-180 upang maunawaan ang pangmatagalang halaga ng mga naakit na user.

Churn Rate

Churn Rate — bahagi ng mga user ng cohort na huminto sa paggamit ng app. Ang mataas na Churn sa mga unang araw ay nagpapahiwatig ng mga problema sa onboarding o hindi pagkakatugma ng mga inaasahan. Ayon sa datos ng Localytics (2024), 25% ng mga user ay umaalis sa app pagkatapos ng unang pagbukas, at sa ika-90 araw ay nananatili ang mas mababa sa 5%.

Kontrolin ang Churn Rate linggu-linggo — ang pagtaas ng 5% sa cohort ay nangangailangan ng agarang pagsusuri ng mga dahilan ng pag-alis sa pamamagitan ng mga survey o pag-record ng session.

Mga uri ng cohort ayon sa yugto ng panahon

Araw-araw na cohort

Araw-araw na cohort — mga user na nag-install ng app sa parehong araw. Ang pinakadetalyadong hiwa na nagpapahintulot na mapansin ang mga anomalya: ang biglaang pagbaba ng Retention sa isang partikular na petsa ay maaaring magpahiwatig ng teknikal na pagkabigo o problematikong kampanyang malikhain. Ang araw-araw na cohort ay ginagamit para sa operational monitoring at A/B test kapag ang mga pagbabago ay ginagawa araw-araw.

Lingguhang cohort

Lingguhang cohort — mga user na nag-install ng app sa parehong linggo ng kalendaryo. Mas matatag na datos na nagpapakinis ng araw-araw na pagbabagu-bago. Angkop para sa regular na pag-uulat at paghahambing ng bisa ng mga channel ng advertising — ang lingguhang hakbang ay nagpapawalang-bisa sa epekto ng araw ng linggo, kung saan maaaring magkaiba ang conversion sa katapusan ng linggo.

Buwanang cohort

Buwanang cohort — mga user na nag-install ng app sa parehong buwan. Pinakamainam para sa pagsusuri ng pangmatagalang uso, pana-panahon, at pagkalkula ng LTV sa horizon na 6–12 buwan. Ginagamit sa antas ng pamamahala ng produkto para sa mga estratehikong desisyon tungkol sa pagpapaunlad ng produkto.

Paano magsagawa ng pagsusuri ng cohort

Pagsusuri ng Cohort ay binubuo ng apat na yugto: pangongolekta ng datos, pagpapangkat sa mga cohort, pagkalkula ng mga sukatan ayon sa panahon, at visualization. Sa unang hakbang, tukuyin ang target na kaganapan — karaniwan ito ay install, signup, o first_purchase. Lahat ng user na nagsagawa nito sa isang panahon ay napapasok sa isang cohort.

Sa ikalawang hakbang, itakda ang hakbang ng oras: araw, linggo, o buwan. Para sa bawat susunod na panahon (Day-1, Day-2, Day-3…) kalkulahin ang bahagi ng mga user na bumalik. Ang mga resulta ay ibuod sa talaan ng cohort, kung saan ang bawat hilera ay isang cohort, bawat kolum ay isang panahon, at ang cell ay halaga ng sukatan.

Sa ikatlong hakbang, i-calibrate ang datos: ibukod ang mga cohort na may mas mababa sa 100 user at isaalang-alang ang pana-panahon. Ayon sa datos ng Mixpanel (2024), ang mga cohort na may volume na mas mababa sa 50 user ay nagbibigay ng hindi makabuluhang resulta ng istatistika na may error na higit sa 20%. Sa ikaapat na hakbang, i-visualize ang datos sa anyo ng talaan ng cohort o heat map — ang mga hilera (cohort) at kolum (panahon) ay ginagawang nauunawaan ang mga uso sa pagpapanatili para sa mga stakeholder.

Para sa tamang interpretasyon, palaging ihambing ang mga cohort na may parehong laki: hindi pinapayagan na ihambing ang isang cohort na 50,000 user sa isang cohort na 500. I-normalize ang mga sukatan bilang porsyento ng paunang laki ng cohort, hindi bilang ganap na mga numero — pinapayagan nito ang paghahambing ng mga hindi pantay na grupo. Isaalang-alang din ang epekto ng bago: ang mga user na nag-install ng app pagkatapos ng malaking kaganapan sa marketing ay maaaring kumilos nang iba kaysa sa mga organic na pag-install.

Mga kasangkapan para sa pagsusuri ng cohort

Mga kasangkapan sa pagsusuri ng cohort ay nahahati sa mga naka-integrate sa analytics platform at kustom na solusyon sa SQL. Ang Amplitude at Mixpanel ay nag-aalok ng handa nang ulat ng cohort na may awtomatikong pagkalkula ng Retention at LTV, hindi nangangailangan ng pagsulat ng query. Ang Firebase Analytics ay nagbibigay ng mga pangunahing cohort ayon sa petsa ng pag-install na may paghahati ayon sa araw, linggo, at buwan.

Para sa mga kustom na cohort, gumamit ng SQL query sa BigQuery o Redshift — nagbibigay ito ng ganap na kontrol sa mga sukatan at panahon. Ayon sa datos ng Amplitude (2024), ang mga pangkat na gumagamit ng kustom na SQL cohort ay natutuklasan ng 35% mas maraming insight sa pag-uugali kaysa sa karaniwang ulat. Ang mga kasangkapan ng BI (Tableau, Looker, Google Data Studio) ay nagpapahintulot na bumuo ng mga interactive na dashboard ng cohort para sa regular na pagsubaybay.

Ang pagpili ng kasangkapan ay nakadepende sa kapanahunan ng analytics sa pangkat. Sa simula, sapat na ang Firebase Analytics o mga naka-integrate na cohort ng Amplitude — sinasaklaw nila ang 80% ng mga pangangailangan sa pagsusuri ng cohort. Habang lumalaki ang pangkat, lumipat sa mga SQL cohort sa BigQuery: nagbibigay ito ng kakayahang umangkop sa pagtukoy ng hindi pamantayang sukatan (hal., cohort ayon sa petsa ng unang pagbili, hindi pag-install) at nagpapahintulot na bumuo ng mga modelong prediktibo ng LTV batay sa ML. Para sa visualization, gamitin ang Looker Studio na direktang kumokonekta sa BigQuery nang walang karagdagang gastos.

Halimbawa ng pagsusuri ng cohort sa SQL

Para sa malayang pagkalkula ng araw-araw na cohort, gumamit ng SQL query na nagpapangkat ng mga session ayon sa petsa ng pag-install. Nasa ibaba ang query para sa BigQuery na nagbabalik ng bilang ng mga aktibong user ayon sa araw sa loob ng bawat cohort.

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;

Pagkatapos isagawa ang query, bumuo ng pivot table sa Google Sheets o BI tool. Ang bawat hilera ay petsa ng cohort, bawat kolum ay numero ng araw (Day-1, Day-2 atbp.). Ang porsyento ng mga aktibong user ay kinakalkula bilang ratio ng active_users sa araw N sa active_users sa Day-0 (araw ng pag-install).

Mga karaniwang pagkakamali sa pagtatrabaho sa mga cohort

Unang pagkakamali — pagtatrabaho sa maliliit na cohort. Kung ang isang cohort ay naglalaman ng mas mababa sa 100 user, ang bawat pag-alis o pagbabalik ng isang tao ay makabuluhang pumipihit sa porsyento. Ang pinakamababang laki ng cohort para sa mapagkakatiwalaang konklusyon ay 500 user.

Ikalawang pagkakamali — hindi pagpansin sa pana-panahon. Ang cohort na nag-install ng app bago ang Bagong Taon ay kikilos nang iba kaysa sa cohort ng kalagitnaan ng Enero. Palaging ihambing ang mga cohort ng parehong panahon o gumamit ng normalisasyon ng datos. Ayon sa datos ng Mixpanel (2024), ang pana-panahong pagbabagu-bago ay maaaring umabot ng 30–40% para sa Day-1 Retention.

Ikatlong pagkakamali — pagkalito sa pagitan ng pagsusuri ng cohort at cross-sectional analysis. Ang pagsusuri ng cohort ay sumusubaybay sa isang grupo sa paglipas ng panahon, hindi naghahambing ng iba't ibang grupo sa isang sandali. Gumamit ng paulit-ulit na pagsukat sa loob ng isang cohort, kung hindi, makakakuha ka ng maling konklusyon tungkol sa paglago ng Retention.