Kohortelemzés a mobil analitikában: mi ez, mutatók és elvégzésének szakaszai

Mi az a kohortelemzés?

Kohortelemzés — olyan analitikai módszer, amely a felhasználókat az első célzott esemény (például alkalmazás telepítése vagy regisztráció) időpontja szerint csoportokra (kohortokra) osztja. Az olyan aggregált mutatókkal ellentétben, mint a DAU vagy MAU, a kohortok lehetővé teszik ugyanazon csoport viselkedésének heteken és hónapokon át történő nyomon követését, feltárva a megtartási és lemorzsolódási trendeket.

A módszer fő előnye — a növekedési illúzió megszüntetése, amikor a régi felhasználók elrejtik az új felhasználók problémáit. Az Amplitude Blog (2024) adatai szerint a kohortelemzést bevezető vállalatok 20–30%-kal csökkentik a felhasználói lemorzsolódást az első 90 napban.

Alkalmazza a kohortelemzést az UA-kampányok hatékonyságának értékeléséhez, az alkalmazás különböző verzióinak viselkedésének összehasonlításához és a felhasználói megszerzésbe történő befektetés megtérülésének kiszámításához.

A kohortelemzés legfontosabb mutatói

Retention Rate

Retention Rate — a kohort azon felhasználóinak százaléka, akik N nappal a telepítés után visszatértek az alkalmazásba. Ez a termékminőség fő mutatója: ha a felhasználók nem térnek vissza, a probléma az onboardingban, az értékben vagy az alkalmazás stabilitásában rejlik. A Statista (2025) adatai szerint a mobilalkalmazások átlagos Day-1 Retention-je 25–30%, Day-7 — 10–15%, Day-30 — 5–7%.

Hasonlítsa össze kohortja Retention-jét a kategória szerinti benchmarkokkal, és elemezze, mely termékváltoztatások növelték a visszatéréseket.

LTV — Lifetime Value

LTV (Lifetime Value) — a kohort összes felhasználójától származó teljes bevétel a megfigyelési időszak alatt. A mutató kritikus fontosságú a reklámkampányok megtérülésének értékeléséhez és az UA-költségvetések skálázásával kapcsolatos döntések meghozatalához. Az Adjust Benchmarks (2024) jelentése szerint a felhasználók medián LTV-je a játékokban $3.50, az e-kereskedelemben — $1.80, a segédprogramokban — $0.40.

Számítsa ki a kohort LTV-jét a Day-30, Day-90 és Day-180 időpontokban, hogy megértse a megszerzett felhasználók hosszú távú értékét.

Churn Rate

Churn Rate — a kohort azon felhasználóinak aránya, akik abbahagyták az alkalmazás használatát. A magas Churn az első napokban onboarding-problémákra vagy az elvárások eltérésére utal. A Localytics (2024) adatai szerint a felhasználók 25%-a hagyja el az alkalmazást az első megnyitás után, és a 90. napra kevesebb mint 5% marad.

Ellenőrizze a Churn Rate-et hetente — egy 5%-os növekedés a kohortban azonnali elemzést igényel a lemorzsolódás okairól felmérések vagy munkamenet-rögzítések révén.

Kohortok típusai időszakok szerint

Napi kohortok

Napi kohortok — felhasználók, akik ugyanazon a napon telepítették az alkalmazást. A legrészletesebb metszet, amely lehetővé teszi az anomáliák észlelését: a Retention hirtelen csökkenése egy adott dátumon technikai hibára vagy problémás kreatív kampányra utalhat. A napi kohortokat operatív megfigyelésre és A/B-tesztekre használják, amikor a változtatásokat naponta végzik.

Heti kohortok

Heti kohortok — felhasználók, akik ugyanabban a naptári héten telepítették az alkalmazást. Stabilabb adatok, amelyek kisimítják a napi ingadozásokat. Rendszeres jelentéskészítéshez és a hirdetési csatornák hatékonyságának összehasonlításához alkalmasak — a heti lépés semlegesíti a hét napjának hatását.

Havi kohortok

Havi kohortok — felhasználók, akik ugyanabban a hónapban telepítették az alkalmazást. Optimálisak a hosszú távú trendek, a szezonalitás elemzéséhez és az LTV 6–12 hónapos horizonton történő kiszámításához. Termékmenedzsment szinten használják stratégiai döntésekhez a termékfejlesztésről.

Hogyan végezzünk kohortelemzést

Kohortelemzés négy szakaszból áll: adatgyűjtés, kohortokba csoportosítás, mutatók kiszámítása időszakonként és vizualizáció. Az első lépésben határozza meg a célzott eseményt — általában ez install, signup vagy first_purchase. Minden felhasználó, aki egy időszakban végrehajtotta, egy kohortba kerül.

A második lépésben állítsa be az időbeli lépést: nap, hét vagy hónap. Minden következő időszakra (Day-1, Day-2, Day-3…) számítsa ki a visszatérő felhasználók arányát. Az eredményeket egy kohort táblában foglalja össze, ahol minden sor egy kohort, minden oszlop egy időszak, a cella pedig a mutató értéke.

A harmadik lépésben kalibrálja az adatokat: zárja ki a 100 felhasználónál kisebb kohortokat, és vegye figyelembe a szezonalitást. A Mixpanel (2024) adatai szerint az 50 felhasználónál kisebb volumenű kohortok statisztikailag jelentéktelen eredményeket adnak 20%-ot meghaladó hibával. A negyedik lépésben vizualizálja az adatokat kohort tábla vagy hőtérkép formájában — a sorok (kohortok) és oszlopok (időszakok) átláthatóvá teszik a megtartási trendeket az érdekelt felek számára.

A helyes értelmezéshez mindig azonos méretű kohortokat hasonlítson össze: nem megengedett egy 50 000 felhasználós kohortot egy 500 felhasználós kohortal összehasonlítani. Normalizálja a mutatókat a kohort kezdeti méretének százalékában, ne abszolút számokként — ez lehetővé teszi az egyenlőtlen csoportok összehasonlítását. Vegye figyelembe az újdonsági hatást is: azok a felhasználók, akik egy nagy marketingesemény után telepítették az alkalmazást, másképp viselkedhetnek, mint az organikus telepítők.

Eszközök a kohortelemzéshez

A kohortelemzés eszközei az analitikai platformokba épített és egyedi SQL-megoldásokra oszlanak. Az Amplitude és a Mixpanel kész kohortjelentéseket kínál a Retention és LTV automatikus kiszámításával, amelyekhez nem szükséges lekérdezések írása. A Firebase Analytics alapvető kohortokat biztosít a telepítés dátuma szerint, napokra, hetekre és hónapokra bontva.

Egyedi kohortokhoz használjon SQL-lekérdezéseket a BigQuery-ben vagy Redshift-ben — ez teljes ellenőrzést biztosít a mutatók és időszakok felett. Az Amplitude (2024) adatai szerint az egyedi SQL-kohortokat használó csapatok 35%-kal több viselkedési betekintést fedeznek fel, mint a szabványos jelentésekkel. A BI-eszközök (Tableau, Looker, Google Data Studio) lehetővé teszik interaktív kohort-irányítópultok létrehozását a rendszeres megfigyeléshez.

Az eszköz kiválasztása a csapat analitikai érettségétől függ. Kezdetben a Firebase Analytics vagy az Amplitude beépített kohortjai elegendőek — ezek a kohortelemzési igények 80%-át fedezik. A csapat növekedésével váltson SQL-kohortokra a BigQuery-ben: ez rugalmasságot biztosít a nem szabványos mutatók meghatározásában (pl. kohortok az első vásárlás dátuma szerint, nem a telepítés szerint), és lehetővé teszi ML-alapú prediktív LTV-modellek építését. A vizualizációhoz használja a Looker Studio-t, amely közvetlenül csatlakozik a BigQuery-hez többletköltségek nélkül.

Példa kohortelemzésre SQL-ben

A napi kohortok önálló kiszámításához használjon SQL-lekérdezést, amely a munkameneteket a telepítés dátuma szerint csoportosítja. Az alábbiakban egy lekérdezés található a BigQuery-hez, amely az aktív felhasználók számát adja vissza napok szerint az egyes kohortokon belül.

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;

A lekérdezés végrehajtása után készítsen kimutatástáblát a Google Sheets-ben vagy egy BI-eszközben. Minden sor a kohort dátuma, minden oszlop a nap száma (Day-1, Day-2 stb.). Az aktív felhasználók százalékos aránya az N. napi active_users és a Day-0 (telepítés napja) active_users arányaként számítható ki.

Gyakori hibák a kohortokkal való munka során

Első hiba — kis méretű kohortokkal való munka. Ha egy kohort kevesebb mint 100 felhasználót tartalmaz, minden egyes lemorzsolódás vagy visszatérés jelentősen torzítja a százalékot. A megbízható következtetésekhez szükséges minimális kohortméret 500 felhasználó.

Második hiba — a szezonalitás figyelmen kívül hagyása. Az a kohort, amelyik Szilveszter előtt telepítette az alkalmazást, másképp fog viselkedni, mint egy január közepi kohort. Mindig azonos évszak kohortjait hasonlítsa össze, vagy használjon adatnormalizálást. A Mixpanel (2024) adatai szerint a szezonális ingadozások elérhetik a 30–40%-ot a Day-1 Retention esetében.

Harmadik hiba — a kohort- és keresztmetszeti elemzés összekeverése. A kohortelemzés egy csoportot követ az idő múlásával, nem pedig különböző csoportokat hasonlít össze egy pillanatban. Használjon ismételt méréseket egy kohorton belül, különben hamis következtetéseket von le a Retention növekedéséről.