Analiza kohortowa w analityce mobilnej: co to jest, metryki i etapy przeprowadzania

Co to jest analiza kohortowa?

Analiza kohortowa — to metoda analityki, która dzieli użytkowników na grupy (kohorty) według czasu wykonania pierwszego zdarzenia docelowego, na przykład instalacji aplikacji lub rejestracji. W przeciwieństwie do zagregowanych metryk, takich jak DAU czy MAU, kohorty pozwalają śledzić zachowanie tej samej grupy przez tygodnie i miesiące, identyfikując trendy utrzymania i odpływu.

Główną zaletą tej metody jest eliminacja iluzji wzrostu, gdy starzy użytkownicy maskują problemy nowych. Według danych Amplitude Blog (2024), firmy, które wdrożyły analizę kohortową, zmniejszają odpływ użytkowników o 20–30% w pierwszych 90 dniach.

Stosuj analizę kohortową do oceny skuteczności kampanii UA, porównywania zachowania różnych wersji aplikacji oraz obliczania zwrotu z inwestycji w pozyskiwanie użytkowników.

Kluczowe metryki analizy kohortowej

Retention Rate

Retention Rate — procent użytkowników kohorty, którzy powrócili do aplikacji po N dniach od instalacji. To główna metryka jakości produktu: jeśli użytkownicy nie wracają, problem leży w onboardingu, wartości lub stabilności aplikacji. Według danych Statista (2025), średni Day-1 Retention dla aplikacji mobilnych wynosi 25–30%, Day-7 — 10–15%, Day-30 — 5–7%.

Porównuj Retention swojej kohorty z benchmarkami w kategorii i analizuj, jakie zmiany produktowe zwiększyły powroty.

LTV — Lifetime Value

LTV (Lifetime Value) — łączny przychód od wszystkich użytkowników kohorty w okresie obserwacji. Metryka jest kluczowa do oceny zwrotu z kampanii reklamowych i podejmowania decyzji o skalowaniu budżetów UA. Według raportu Adjust Benchmarks (2024), mediana LTV użytkownika w gamingu wynosi $3.50, w e-commerce — $1.80, w narzędziach — $0.40.

Obliczaj LTV kohorty na Day-30, Day-90 i Day-180, aby zrozumieć długoterminową wartość pozyskanych użytkowników.

Churn Rate

Churn Rate — odsetek użytkowników kohorty, którzy przestali korzystać z aplikacji. Wysoki Churn w pierwszych dniach sygnalizuje problemy z onboardingiem lub niedopasowaniem oczekiwań. Według danych Localytics (2024), 25% użytkowników porzuca aplikację po pierwszym otwarciu, a do 90. dnia pozostaje mniej niż 5%.

Kontroluj Churn Rate tygodniowo — wzrost o 5% w kohorcie wymaga natychmiastowej analizy przyczyn odpływu poprzez ankiety lub nagrywanie sesji.

Rodzaje kohort według okresów czasu

Kohorty dzienne

Kohorty dzienne — użytkownicy, którzy zainstalowali aplikację tego samego dnia. Najbardziej szczegółowy przekrój, pozwalający zauważyć anomalie: gwałtowny spadek Retention w konkretnej dacie może wskazywać na awarię techniczną lub problematyczną kampanię kreatywną. Kohorty dzienne są używane do bieżącego monitorowania i testów A/B, gdy zmiany są wprowadzane codziennie.

Kohorty tygodniowe

Kohorty tygodniowe — użytkownicy, którzy zainstalowali aplikację w tym samym tygodniu kalendarzowym. Bardziej stabilne dane, wygładzające dzienne wahania. Nadają się do regularnych raportów i porównywania skuteczności kanałów reklamowych — krok tygodniowy niweluje efekt dnia tygodnia, gdy w weekendy konwersja może się różnić.

Kohorty miesięczne

Kohorty miesięczne — użytkownicy, którzy zainstalowali aplikację w tym samym miesiącu. Optymalne do analizy długoterminowych trendów, sezonowości i obliczania LTV w horyzoncie 6–12 miesięcy. Stosowane na poziomie zarządzania produktem do strategicznych decyzji dotyczących rozwoju produktu.

Jak przeprowadzać analizę kohortową

Analiza kohortowa składa się z czterech etapów: zbieranie danych, grupowanie w kohorty, obliczanie metryk według okresów i wizualizacja. W pierwszym kroku określ zdarzenie docelowe — zazwyczaj jest to install, signup lub first_purchase. Wszyscy użytkownicy, którzy wykonali je w jednym okresie, trafiają do jednej kohorty.

W drugim kroku ustaw krok czasowy: dzień, tydzień lub miesiąc. Dla każdego kolejnego okresu (Day-1, Day-2, Day-3…) oblicz odsetek użytkowników, którzy powrócili. Wyniki są zestawiane w tabeli kohortowej, gdzie każdy wiersz to kohorta, każda kolumna to okres, a komórka to wartość metryki.

W trzecim kroku kalibruj dane: wyklucz kohorty liczące mniej niż 100 użytkowników i uwzględnij sezonowość. Według danych Mixpanel (2024), kohorty o wielkości poniżej 50 użytkowników dają statystycznie nieistotne wyniki z błędem przekraczającym 20%. W czwartym kroku wizualizuj dane w postaci tabeli kohortowej lub mapy ciepła — wiersze (kohorty) i kolumny (okresy) sprawiają, że trendy utrzymania są czytelne dla interesariuszy.

Dla prawidłowej interpretacji zawsze porównuj kohorty tej samej wielkości: niedopuszczalne jest porównywanie kohorty 50 000 użytkowników z kohortą 500. Normalizuj metryki jako procent początkowego rozmiaru kohorty, a nie jako liczby bezwzględne — pozwala to porównywać nierówne grupy. Uwzględnij także efekt nowości: użytkownicy, którzy zainstalowali aplikację po dużym wydarzeniu marketingowym, mogą zachowywać się inaczej niż instalacje organiczne.

Narzędzia do analizy kohortowej

Narzędzia analizy kohortowej dzielą się na wbudowane w platformy analityczne i niestandardowe rozwiązania SQL. Amplitude i Mixpanel oferują gotowe raporty kohortowe z automatycznym obliczaniem Retention i LTV, niewymagające pisania zapytań. Firebase Analytics udostępnia podstawowe kohorty według daty instalacji z podziałem na dni, tygodnie i miesiące.

Do niestandardowych kohort używaj zapytań SQL w BigQuery lub Redshift — daje to pełną kontrolę nad metrykami i okresami. Według danych Amplitude (2024), zespoły korzystające z niestandardowych kohort SQL odkrywają o 35% więcej insightów behawioralnych niż przy standardowych raportach. Narzędzia BI (Tableau, Looker, Google Data Studio) pozwalają budować interaktywne dashboardy kohort do regularnego monitorowania.

Wybór narzędzia zależy od dojrzałości analityki w zespole. Na początek wystarczy Firebase Analytics lub wbudowane kohorty Amplitude — pokrywają 80% potrzeb w zakresie analizy kohortowej. W miarę rozwoju zespołu przechodź na kohorty SQL w BigQuery: daje to elastyczność w definiowaniu niestandardowych metryk (np. kohorty według daty pierwszego zakupu, a nie instalacji) i pozwala budować predykcyjne modele LTV oparte na ML. Do wizualizacji używaj Looker Studio, które łączy się bezpośrednio z BigQuery bez dodatkowych kosztów.

Przykład analizy kohortowej w SQL

Do samodzielnego obliczania kohort dziennych użyj zapytania SQL grupującego sesje według daty instalacji. Poniżej znajduje się zapytanie dla BigQuery, które zwraca liczbę aktywnych użytkowników według dni w obrębie każdej 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 wykonaniu zapytania zbuduj tabelę przestawną w Google Sheets lub narzędziu BI. Każdy wiersz to data kohorty, każda kolumna to numer dnia (Day-1, Day-2 itd.). Procent aktywnych użytkowników oblicza się jako stosunek active_users w dniu N do active_users w Day-0 (dzień instalacji).

Typowe błędy przy pracy z kohortami

Pierwszy błąd — praca z kohortami małego rozmiaru. Jeśli kohorta zawiera mniej niż 100 użytkowników, każdy odpływ lub powrót jednej osoby znacząco zniekształca procent. Minimalny rozmiar kohorty dla wiarygodnych wniosków to 500 użytkowników.

Drugi błąd — ignorowanie sezonowości. Kohorta, która zainstalowała aplikację przed Nowym Rokiem, będzie zachowywać się inaczej niż kohorta z połowy stycznia. Zawsze porównuj kohorty z tego samego sezonu lub stosuj normalizację danych. Według danych Mixpanel (2024), wahania sezonowe mogą sięgać 30–40% dla Day-1 Retention.

Trzeci błąd — pomylenie analizy kohortowej z przekrojową. Analiza kohortowa śledzi jedną grupę w czasie, a nie porównuje różne grupy w jednym momencie. Używaj powtarzalnych pomiarów w obrębie jednej kohorty, w przeciwnym razie otrzymasz fałszywe wnioski dotyczące wzrostu Retention.