Analisis Kohort dalam Analitik Mobile: apa itu, metrik, dan tahapan pelaksanaan

Apa itu analisis kohort?

Analisis Kohort — adalah metode analitik yang membagi pengguna ke dalam kelompok (kohort) berdasarkan waktu terjadinya peristiwa target pertama, misalnya instalasi aplikasi atau pendaftaran. Berbeda dengan metrik agregat seperti DAU atau MAU, kohort memungkinkan pelacakan perilaku kelompok yang sama selama berminggu-minggu dan berbulan-bulan, mengungkapkan tren retensi dan churn.

Keuntungan utama metode ini — menghilangkan ilusi pertumbuhan, ketika pengguna lama menyembunyikan masalah pengguna baru. Menurut data Amplitude Blog (2024), perusahaan yang menerapkan analisis kohort mengurangi churn pengguna sebesar 20–30% dalam 90 hari pertama.

Terapkan analisis kohort untuk mengevaluasi efektivitas kampanye UA, membandingkan perilaku berbagai versi aplikasi, dan menghitung pengembalian investasi dalam akuisisi pengguna.

Metrik utama analisis kohort

Retention Rate

Retention Rate — persentase pengguna kohort yang kembali ke aplikasi N hari setelah instalasi. Ini adalah metrik utama kualitas produk: jika pengguna tidak kembali, masalahnya ada pada onboarding, nilai, atau stabilitas aplikasi. Menurut data Statista (2025), rata-rata Day-1 Retention untuk aplikasi mobile adalah 25–30%, Day-7 — 10–15%, Day-30 — 5–7%.

Bandingkan Retention kohort Anda dengan tolok ukur per kategori dan analisis perubahan produk mana yang meningkatkan tingkat pengembalian.

LTV — Lifetime Value

LTV (Lifetime Value) — total pendapatan dari semua pengguna kohort selama periode pengamatan. Metrik ini sangat penting untuk mengevaluasi pengembalian kampanye iklan dan mengambil keputusan tentang penskalaan anggaran UA. Menurut laporan Adjust Benchmarks (2024), median LTV pengguna di game adalah $3.50, di e-commerce — $1.80, di utilitas — $0.40.

Hitung LTV kohort pada Day-30, Day-90, dan Day-180 untuk memahami nilai jangka panjang pengguna yang diperoleh.

Churn Rate

Churn Rate — proporsi pengguna kohort yang berhenti menggunakan aplikasi. Churn tinggi di hari-hari pertama menandakan masalah dengan onboarding atau ketidaksesuaian harapan. Menurut data Localytics (2024), 25% pengguna meninggalkan aplikasi setelah pembukaan pertama, dan pada hari ke-90 tersisa kurang dari 5%.

Kontrol Churn Rate mingguan — peningkatan 5% dalam kohort memerlukan analisis segera penyebab churn melalui survei atau perekaman sesi.

Jenis kohort berdasarkan periode waktu

Kohort Harian

Kohort Harian — pengguna yang menginstal aplikasi pada hari yang sama. Potongan paling detail yang memungkinkan pengamatan anomali: penurunan tajam Retention pada tanggal tertentu dapat menunjukkan kegagalan teknis atau kampanye kreatif yang bermasalah. Kohort harian digunakan untuk pemantauan operasional dan pengujian A/B ketika perubahan dilakukan setiap hari.

Kohort Mingguan

Kohort Mingguan — pengguna yang menginstal aplikasi dalam minggu kalender yang sama. Data yang lebih stabil, menghaluskan fluktuasi harian. Cocok untuk pelaporan rutin dan perbandingan efektivitas saluran iklan — langkah mingguan menetralkan efek hari dalam seminggu, ketika konversi di akhir pekan mungkin berbeda.

Kohort Bulanan

Kohort Bulanan — pengguna yang menginstal aplikasi dalam bulan yang sama. Optimal untuk analisis tren jangka panjang, musiman, dan perhitungan LTV dalam cakrawala 6–12 bulan. Digunakan di tingkat manajemen produk untuk keputusan strategis tentang pengembangan produk.

Cara melakukan analisis kohort

Analisis Kohort terdiri dari empat tahap: pengumpulan data, pengelompokan ke dalam kohort, perhitungan metrik berdasarkan periode, dan visualisasi. Pada langkah pertama, tentukan peristiwa target — biasanya install, signup, atau first_purchase. Semua pengguna yang melakukannya dalam satu periode masuk ke dalam satu kohort.

Pada langkah kedua, atur langkah waktu: hari, minggu, atau bulan. Untuk setiap periode berikutnya (Day-1, Day-2, Day-3…) hitung proporsi pengguna yang kembali. Hasilnya dirangkum dalam tabel kohort, di mana setiap baris adalah kohort, setiap kolom adalah periode, dan sel adalah nilai metrik.

Pada langkah ketiga, kalibrasi data: kecualikan kohort dengan ukuran kurang dari 100 pengguna dan pertimbangkan musiman. Menurut data Mixpanel (2024), kohort dengan volume kurang dari 50 pengguna memberikan hasil yang tidak signifikan secara statistik dengan kesalahan lebih dari 20%. Pada langkah keempat, visualisasikan data dalam bentuk tabel kohort atau peta panas — baris (kohort) dan kolom (periode) membuat tren retensi mudah dipahami oleh pemangku kepentingan.

Untuk interpretasi yang benar, selalu bandingkan kohort dengan ukuran yang sama: tidak boleh membandingkan kohort 50.000 pengguna dengan kohort 500. Normalisasi metrik sebagai persentase dari ukuran awal kohort, bukan sebagai angka absolut — ini memungkinkan perbandingan kelompok yang tidak setara. Pertimbangkan juga efek kebaruan: pengguna yang menginstal aplikasi setelah acara pemasaran besar mungkin berperilaku berbeda dari instalasi organik.

Alat untuk analisis kohort

Alat analisis kohort dibagi menjadi yang terintegrasi dalam platform analitik dan solusi SQL kustom. Amplitude dan Mixpanel menawarkan laporan kohort siap pakai dengan perhitungan otomatis Retention dan LTV, tanpa perlu menulis kueri. Firebase Analytics menyediakan kohort dasar berdasarkan tanggal instalasi dengan perincian per hari, minggu, dan bulan.

Untuk kohort kustom, gunakan kueri SQL di BigQuery atau Redshift — ini memberikan kendali penuh atas metrik dan periode. Menurut data Amplitude (2024), tim yang menggunakan kohort SQL kustom menemukan 35% lebih banyak wawasan perilaku dibandingkan dengan laporan standar. Alat BI (Tableau, Looker, Google Data Studio) memungkinkan pembangunan dasbor kohort interaktif untuk pemantauan rutin.

Pemilihan alat tergantung pada kematangan analitik dalam tim. Pada awalnya, Firebase Analytics atau kohort bawaan Amplitude sudah cukup — mereka mencakup 80% kebutuhan analisis kohort. Seiring pertumbuhan tim, beralihlah ke kohort SQL di BigQuery: ini memberikan fleksibilitas dalam mendefinisikan metrik non-standar (misalnya, kohort berdasarkan tanggal pembelian pertama, bukan instalasi) dan memungkinkan pembangunan model LTV prediktif berbasis ML. Untuk visualisasi, gunakan Looker Studio yang terhubung langsung ke BigQuery tanpa biaya tambahan.

Contoh analisis kohort dalam SQL

Untuk perhitungan mandiri kohort harian, gunakan kueri SQL yang mengelompokkan sesi berdasarkan tanggal instalasi. Di bawah ini adalah kueri untuk BigQuery yang mengembalikan jumlah pengguna aktif per hari dalam setiap kohort.

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;

Setelah menjalankan kueri, buat tabel pivot di Google Sheets atau alat BI. Setiap baris adalah tanggal kohort, setiap kolom adalah nomor hari (Day-1, Day-2, dst.). Persentase pengguna aktif dihitung sebagai rasio active_users pada hari N terhadap active_users pada Day-0 (hari instalasi).

Kesalahan umum saat bekerja dengan kohort

Kesalahan pertama — bekerja dengan kohort berukuran kecil. Jika kohort berisi kurang dari 100 pengguna, setiap churn atau kembalinya satu orang secara signifikan mendistorsi persentase. Ukuran minimum kohort untuk kesimpulan yang andal adalah 500 pengguna.

Kesalahan kedua — mengabaikan musiman. Kohort yang menginstal aplikasi sebelum Tahun Baru akan berperilaku berbeda dari kohort pertengahan Januari. Selalu bandingkan kohort dari musim yang sama atau gunakan normalisasi data. Menurut data Mixpanel (2024), fluktuasi musiman dapat mencapai 30–40% untuk Day-1 Retention.

Kesalahan ketiga — kebingungan antara analisis kohort dan analisis cross-sectional. Analisis kohort melacak satu kelompok dari waktu ke waktu, bukan membandingkan kelompok yang berbeda pada satu waktu. Gunakan pengukuran berulang dalam satu kohort, jika tidak, Anda akan mendapatkan kesimpulan palsu tentang pertumbuhan Retention.