मोबाइल एनालिटिक्स में कोहोर्ट विश्लेषण: यह क्या है, मेट्रिक्स और संचालन के चरण

कोहोर्ट विश्लेषण क्या है?

कोहोर्ट विश्लेषण एक एनालिटिक्स विधि है जो उपयोगकर्ताओं को उनकी पहली लक्ष्य घटना (जैसे ऐप इंस्टॉल करना या रजिस्टर करना) के समय के आधार पर समूहों (कोहोर्ट) में विभाजित करती है। DAU या MAU जैसी कुल मेट्रिक्स के विपरीत, कोहोर्ट आपको हफ्तों और महीनों तक एक ही समूह के व्यवहार को ट्रैक करने की अनुमति देते हैं, जिससे Retention और चर्न रुझान का पता चलता है।

इस विधि का मुख्य लाभ विकास के भ्रम को समाप्त करना है, जहाँ पुराने उपयोगकर्ता नए लोगों की समस्याओं को छिपा देते हैं। Amplitude Blog (2024) के अनुसार, जिन कंपनियों ने कोहोर्ट विश्लेषण अपनाया, वे पहले 90 दिनों में उपयोगकर्ता चर्न को 20–30% तक कम करती हैं।

UA अभियानों की प्रभावशीलता का मूल्यांकन करने, ऐप के विभिन्न संस्करणों के व्यवहार की तुलना करने और उपयोगकर्ता अधिग्रहण में निवेश पर वापसी की गणना करने के लिए कोहोर्ट विश्लेषण लागू करें।

कोहोर्ट विश्लेषण के प्रमुख मेट्रिक्स

Retention Rate

Retention Rate कोहोर्ट के उन उपयोगकर्ताओं का प्रतिशत है जो इंस्टॉल करने के N दिनों बाद ऐप पर लौटे। यह उत्पाद गुणवत्ता का प्रमुख मेट्रिक है: यदि उपयोगकर्ता वापस नहीं आते हैं, तो समस्याएँ ऑनबोर्डिंग, मूल्य प्रस्ताव या ऐप स्थिरता में हैं। Statista (2025) के अनुसार, मोबाइल ऐप के लिए औसत Day-1 Retention 25–30%, Day-7 — 10–15%, Day-30 — 5–7% है।

अपने कोहोर्ट के Retention की तुलना श्रेणी बेंचमार्क से करें और विश्लेषण करें कि किन उत्पाद परिवर्तनों ने वापसी बढ़ाई।

LTV — Lifetime Value

LTV (Lifetime Value) अवलोकन अवधि में कोहोर्ट के सभी उपयोगकर्ताओं से कुल राजस्व है। यह मेट्रिक विज्ञापन अभियानों के ROI का मूल्यांकन करने और UA बजट बढ़ाने के निर्णय लेने के लिए महत्वपूर्ण है। Adjust Benchmarks (2024) रिपोर्ट के अनुसार, गेमिंग में प्रति उपयोगकर्ता औसत LTV $3.50, ई-कॉमर्स में — $1.80, और उपयोगिताओं में — $0.40 है।

अधिग्रहित उपयोगकर्ताओं के दीर्घकालिक मूल्य को समझने के लिए Day-30, Day-90 और Day-180 पर कोहोर्ट LTV की गणना करें।

Churn Rate

Churn Rate कोहोर्ट के उन उपयोगकर्ताओं का प्रतिशत है जिन्होंने ऐप का उपयोग बंद कर दिया। शुरुआती दिनों में उच्च Churn ऑनबोर्डिंग समस्याओं या अपेक्षाओं के बेमेल होने का संकेत देता है। Localytics (2024) के अनुसार, 25% उपयोगकर्ता पहली बार खोलने के बाद ऐप छोड़ देते हैं, और 90वें दिन तक 5% से कम रह जाते हैं।

साप्ताहिक रूप से Churn Rate की निगरानी करें — कोहोर्ट में 5% की वृद्धि के लिए सर्वेक्षण या सत्र रिकॉर्डिंग के माध्यम से चर्न कारणों के तत्काल विश्लेषण की आवश्यकता होती है।

समय अवधि के अनुसार कोहोर्ट के प्रकार

दैनिक कोहोर्ट

दैनिक कोहोर्ट वे उपयोगकर्ता हैं जिन्होंने एक ही दिन ऐप इंस्टॉल किया। यह सबसे विस्तृत स्तर है, जो विसंगतियों का पता लगाने की अनुमति देता है: किसी विशिष्ट तिथि पर Retention में अचानक गिरावट तकनीकी विफलता या समस्याग्रस्त क्रिएटिव अभियान का संकेत दे सकती है। दैनिक कोहोर्ट का उपयोग परिचालन निगरानी और A/B परीक्षणों के लिए किया जाता है जब प्रतिदिन परिवर्तन किए जाते हैं।

साप्ताहिक कोहोर्ट

साप्ताहिक कोहोर्ट वे उपयोगकर्ता हैं जिन्होंने एक ही कैलेंडर सप्ताह में ऐप इंस्टॉल किया। ये अधिक स्थिर डेटा प्रदान करते हैं, दैनिक उतार-चढ़ाव को समतल करते हैं। ये नियमित रिपोर्टिंग और विज्ञापन चैनल प्रदर्शन की तुलना के लिए उपयुक्त हैं — साप्ताहिक चरण सप्ताह के दिन के प्रभाव को बेअसर करता है, जहाँ सप्ताहांत पर रूपांतरण भिन्न हो सकता है।

मासिक कोहोर्ट

मासिक कोहोर्ट वे उपयोगकर्ता हैं जिन्होंने एक ही महीने में ऐप इंस्टॉल किया। ये दीर्घकालिक रुझानों, मौसमी और 6–12 महीने के क्षितिज पर LTV की गणना के लिए इष्टतम हैं। इनका उपयोग उत्पाद प्रबंधन स्तर पर उत्पाद विकास के बारे में रणनीतिक निर्णयों के लिए किया जाता है।

कोहोर्ट विश्लेषण कैसे करें

कोहोर्ट विश्लेषण में चार चरण होते हैं: डेटा संग्रह, कोहोर्ट में समूहीकरण, अवधि के अनुसार मेट्रिक्स की गणना और विज़ुअलाइज़ेशन। पहले, लक्ष्य घटना को परिभाषित करें — आमतौर पर इंस्टॉल, साइनअप या first_purchase। वे सभी उपयोगकर्ता जिन्होंने इसे एक अवधि में किया, एक ही कोहोर्ट में आते हैं।

दूसरे, समय अंतराल निर्धारित करें: दिन, सप्ताह या महीना। प्रत्येक बाद की अवधि (Day-1, Day-2, Day-3...) के लिए, लौटने वाले उपयोगकर्ताओं का प्रतिशत गणना करें। परिणाम एक कोहोर्ट तालिका में संकलित किए जाते हैं, जहाँ प्रत्येक पंक्ति एक कोहोर्ट है, प्रत्येक कॉलम एक अवधि है, और प्रत्येक कोशिका एक मेट्रिक मान है।

तीसरे, डेटा को कैलिब्रेट करें: 100 से कम उपयोगकर्ताओं वाले कोहोर्ट को बाहर करें और मौसमी को ध्यान में रखें। Mixpanel (2024) के अनुसार, 50 से कम उपयोगकर्ताओं वाले कोहोर्ट 20% से अधिक त्रुटि मार्जिन के साथ सांख्यिकीय रूप से महत्वहीन परिणाम देते हैं। चौथे, डेटा को कोहोर्ट तालिका या हीट मैप के रूप में विज़ुअलाइज़ करें — पंक्तियाँ (कोहोर्ट) और कॉलम (अवधि) हितधारकों के लिए Retention रुझानों को स्पष्ट बनाते हैं।

सही व्याख्या के लिए, हमेशा एक ही आकार के कोहोर्ट की तुलना करें: 50,000 उपयोगकर्ताओं के कोहोर्ट की तुलना 500 उपयोगकर्ताओं के कोहोर्ट से करना अस्वीकार्य है। मेट्रिक्स को कोहोर्ट के प्रारंभिक आकार के प्रतिशत के रूप में सामान्य करें, न कि निरपेक्ष संख्याओं के रूप में — यह असमान आकार के समूहों की तुलना करने की अनुमति देता है। नवीनता प्रभाव पर भी विचार करें: बड़े मार्केटिंग इवेंट के बाद ऐप इंस्टॉल करने वाले उपयोगकर्ता ऑर्गेनिक इंस्टॉल से भिन्न व्यवहार कर सकते हैं।

कोहोर्ट विश्लेषण के उपकरण

कोहोर्ट विश्लेषण उपकरण एनालिटिक्स प्लेटफ़ॉर्म में निर्मित और कस्टम SQL समाधानों में विभाजित हैं। Amplitude और Mixpanel स्वचालित Retention और LTV गणना के साथ तैयार कोहोर्ट रिपोर्ट प्रदान करते हैं, जिनमें क्वेरी लिखने की आवश्यकता नहीं होती है। Firebase Analytics इंस्टॉल तिथि के अनुसार दिनों, हफ्तों और महीनों में विभाजित बुनियादी कोहोर्ट प्रदान करता है।

कस्टम कोहोर्ट के लिए, BigQuery या Redshift में SQL क्वेरी का उपयोग करें — यह मेट्रिक्स और अवधियों पर पूर्ण नियंत्रण देता है। Amplitude (2024) के अनुसार, कस्टम SQL कोहोर्ट का उपयोग करने वाली टीमें मानक रिपोर्ट की तुलना में 35% अधिक व्यवहारिक अंतर्दृष्टि खोजती हैं। BI उपकरण (Tableau, Looker, Google Data Studio) नियमित निगरानी के लिए इंटरैक्टिव कोहोर्ट डैशबोर्ड बनाने की अनुमति देते हैं।

उपकरण का चुनाव टीम की एनालिटिक्स परिपक्वता पर निर्भर करता है। शुरुआत में, Firebase Analytics या Amplitude में निर्मित कोहोर्ट पर्याप्त हैं — वे कोहोर्ट विश्लेषण की 80% आवश्यकताओं को पूरा करते हैं। जैसे-जैसे टीम बढ़ती है, BigQuery में SQL कोहोर्ट पर स्विच करें: यह गैर-मानक मेट्रिक्स (उदाहरण के लिए, इंस्टॉल तिथि के बजाय पहली खरीद तिथि द्वारा कोहोर्ट) को परिभाषित करने में लचीलापन प्रदान करता है और ML का उपयोग करके पूर्वानुमानित LTV मॉडल बनाने की अनुमति देता है। विज़ुअलाइज़ेशन के लिए, Looker Studio का उपयोग करें जो बिना अतिरिक्त लागत के सीधे BigQuery से जुड़ता है।

SQL में कोहोर्ट विश्लेषण का उदाहरण

दैनिक कोहोर्ट की गणना स्वयं करने के लिए, एक SQL क्वेरी का उपयोग करें जो इंस्टॉल तिथि के अनुसार सत्रों को समूहित करती है। नीचे BigQuery के लिए एक क्वेरी है जो प्रत्येक कोहोर्ट के भीतर दिन के अनुसार सक्रिय उपयोगकर्ताओं की संख्या लौटाती है।

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;

क्वेरी चलाने के बाद, Google Sheets या BI उपकरण में एक सारांश तालिका बनाएँ। प्रत्येक पंक्ति एक कोहोर्ट तिथि है, प्रत्येक कॉलम दिन संख्या (Day-1, Day-2, आदि) है। सक्रिय उपयोगकर्ताओं का प्रतिशत Day-0 (इंस्टॉल दिन) पर active_users के लिए दिन N पर active_users के अनुपात के रूप में गणना की जाती है।

कोहोर्ट के साथ सामान्य गलतियाँ

पहली गलती छोटे कोहोर्ट के साथ काम करना है। यदि कोहोर्ट में 100 से कम उपयोगकर्ता हैं, तो प्रत्येक व्यक्ति का चर्न या वापसी प्रतिशत को महत्वपूर्ण रूप से विकृत करता है। विश्वसनीय निष्कर्षों के लिए न्यूनतम कोहोर्ट आकार 500 उपयोगकर्ता है।

दूसरी गलती मौसमी को अनदेखा करना है। नए साल से पहले ऐप इंस्टॉल करने वाला कोहोर्ट जनवरी के मध्य के कोहोर्ट से अलग व्यवहार करेगा। हमेशा एक ही मौसम के कोहोर्ट की तुलना करें या डेटा सामान्यीकरण का उपयोग करें। Mixpanel (2024) के अनुसार, Day-1 Retention के लिए मौसमी उतार-चढ़ाव 30–40% तक पहुँच सकते हैं।

तीसरी गलती कोहोर्ट और क्रॉस-सेक्शनल विश्लेषण के बीच भ्रम है। कोहोर्ट विश्लेषण समय के साथ एक समूह को ट्रैक करता है, न कि एक समय में विभिन्न समूहों की तुलना करता है। एक ही कोहोर्ट पर बार-बार माप का उपयोग करें, अन्यथा आपको Retention वृद्धि के बारे में गलत निष्कर्ष मिलेंगे।