Analiza cohortelor în analitica mobilă: ce este, metrici și etape de realizare

Ce este analiza cohortelor?

Analiza cohortelor — este o metodă de analitică care împarte utilizatorii în grupuri (cohorte) în funcție de momentul primului eveniment țintă, de exemplu instalarea aplicației sau înregistrarea. Spre deosebire de metricele agregate precum DAU sau MAU, cohortele permit urmărirea comportamentului aceluiași grup pe parcursul săptămânilor și lunilor, dezvăluind tendințe de retenție și de pierdere.

Principalul avantaj al metodei — eliminarea iluziei de creștere, atunci când utilizatorii vechi ascund problemele celor noi. Conform datelor Amplitude Blog (2024), companiile care au implementat analiza cohortelor reduc pierderea utilizatorilor cu 20–30% în primele 90 de zile.

Aplicați analiza cohortelor pentru evaluarea eficienței campaniilor UA, compararea comportamentului diferitelor versiuni ale aplicației și calcularea randamentului investițiilor în atragerea utilizatorilor.

Metrici cheie ale analizei cohortelor

Retention Rate

Retention Rate — procentul utilizatorilor cohortei care s-au întors în aplicație la N zile după instalare. Aceasta este metrica principală a calității produsului: dacă utilizatorii nu se întorc, problemele sunt în onboarding, valoare sau stabilitatea aplicației. Conform datelor Statista (2025), media Day-1 Retention pentru aplicațiile mobile este de 25–30%, Day-7 — 10–15%, Day-30 — 5–7%.

Comparați Retentionul cohortei dvs. cu benchmarkurile pe categorie și analizați ce modificări ale produsului au crescut revenirile.

LTV — Lifetime Value

LTV (Lifetime Value) — venitul total de la toți utilizatorii cohortei în perioada de observare. Metrica este critică pentru evaluarea randamentului campaniilor publicitare și luarea deciziilor privind scalarea bugetelor UA. Conform raportului Adjust Benchmarks (2024), LTV-ul median al unui utilizator în jocuri este de $3.50, în e-commerce — $1.80, în utilități — $0.40.

Calculați LTV-ul cohortei la Day-30, Day-90 și Day-180 pentru a înțelege valoarea pe termen lung a utilizatorilor atrași.

Churn Rate

Churn Rate — proporția utilizatorilor cohortei care au încetat să utilizeze aplicația. Un Churn ridicat în primele zile semnalează probleme cu onboardingul sau nepotrivirea așteptărilor. Conform datelor Localytics (2024), 25% dintre utilizatori părăsesc aplicația după prima deschidere, iar până în ziua 90 rămân mai puțin de 5%.

Controlați Churn Rate săptămânal — o creștere de 5% în cohortă necesită o analiză imediată a cauzelor de pierdere prin sondaje sau înregistrarea sesiunilor.

Tipuri de cohorte după perioade de timp

Coorte zilnice

Coorte zilnice — utilizatorii care au instalat aplicația în aceeași zi. Cea mai detaliată secțiune, permițând observarea anomaliilor: o scădere bruscă a Retentionului la o dată specifică poate indica o defecțiune tehnică sau o campanie creativă problematică. Coortele zilnice sunt utilizate pentru monitorizarea operațională și testele A/B atunci când modificările sunt introduse zilnic.

Coorte săptămânale

Coorte săptămânale — utilizatorii care au instalat aplicația în aceeași săptămână calendaristică. Date mai stabile, care netezesc fluctuațiile zilnice. Sunt potrivite pentru raportarea regulată și compararea eficienței canalelor publicitare — pasul săptămânal neutralizează efectul zilei săptămânii, când conversia poate diferi în weekend.

Coorte lunare

Coorte lunare — utilizatorii care au instalat aplicația în aceeași lună. Optime pentru analiza tendințelor pe termen lung, a sezonalității și calcularea LTV la un orizont de 6–12 luni. Sunt utilizate la nivel de management de produs pentru decizii strategice privind dezvoltarea produsului.

Cum se realizează analiza cohortelor

Analiza cohortelor constă în patru etape: colectarea datelor, gruparea în cohorte, calcularea metricilor pe perioade și vizualizarea. În primul pas, stabiliți evenimentul țintă — de obicei install, signup sau first_purchase. Toți utilizatorii care l-au executat într-o perioadă ajung într-o singură cohortă.

În al doilea pas, setați pasul temporal: zi, săptămână sau lună. Pentru fiecare perioadă ulterioară (Day-1, Day-2, Day-3…) calculați proporția utilizatorilor reveniți. Rezultatele sunt centralizate într-un tabel al cohortelor, unde fiecare rând este o cohortă, fiecare coloană este o perioadă, iar celula este valoarea metricii.

În al treilea pas, calibrați datele: excludeți cohortele cu mai puțin de 100 de utilizatori și luați în considerare sezonalitatea. Conform datelor Mixpanel (2024), cohortele cu un volum mai mic de 50 de utilizatori oferă rezultate statistic nesemnificative, cu o eroare de peste 20%. În al patrulea pas, vizualizați datele sub formă de tabel al cohortelor sau hartă termică — rândurile (cohortele) și coloanele (perioadele) fac tendințele de retenție ușor de înțeles pentru părțile interesate.

Pentru o interpretare corectă, comparați întotdeauna cohorte de aceeași dimensiune: nu este permis să comparați o cohortă de 50 000 de utilizatori cu una de 500. Normalizați metricele ca procent din dimensiunea inițială a cohortei, nu ca numere absolute — acest lucru permite compararea grupurilor inegale. Luați în considerare și efectul de noutate: utilizatorii care au instalat aplicația după un eveniment major de marketing se pot comporta diferit față de instalările organice.

Instrumente pentru analiza cohortelor

Instrumentele de analiză a cohortelor se împart în soluții integrate în platformele analitice și soluții SQL personalizate. Amplitude și Mixpanel oferă rapoarte gata făcute cu calcul automat al Retentionului și LTV-ului, care nu necesită scrierea de interogări. Firebase Analytics oferă cohorte de bază după data instalării, cu defalcare pe zile, săptămâni și luni.

Pentru cohorte personalizate, utilizați interogări SQL în BigQuery sau Redshift — acest lucru oferă control complet asupra metricilor și perioadelor. Conform datelor Amplitude (2024), echipele care utilizează cohorte SQL personalizate descoperă cu 35% mai multe insighturi comportamentale decât în cazul rapoartelor standard. Instrumentele BI (Tableau, Looker, Google Data Studio) permit construirea de dashboarduri interactive pentru monitorizarea regulată.

Alegerea instrumentului depinde de maturitatea analiticii în echipă. La început, sunt suficiente Firebase Analytics sau cohortele integrate Amplitude — acestea acoperă 80% din necesitățile analizei cohortelor. Pe măsură ce echipa crește, treceți la cohorte SQL în BigQuery: aceasta oferă flexibilitate în definirea metricilor non-standard (de exemplu, cohorte după data primei achiziții, nu a instalării) și permite construirea de modele predictive LTV bazate pe ML. Pentru vizualizare, utilizați Looker Studio, care se conectează direct la BigQuery fără costuri suplimentare.

Exemplu de analiză a cohortelor în SQL

Pentru calcularea independentă a cohortelor zilnice, utilizați o interogare SQL care grupează sesiunile după data instalării. Mai jos este o interogare pentru BigQuery care returnează numărul de utilizatori activi pe zile în fiecare cohortă.

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;

După executarea interogării, construiți un tabel pivot în Google Sheets sau într-un instrument BI. Fiecare rând este data cohortei, fiecare coloană este numărul zilei (Day-1, Day-2 etc.). Procentul utilizatorilor activi se calculează ca raport dintre active_users în ziua N și active_users în Day-0 (ziua instalării).

Erori tipice la lucrul cu cohorte

Prima eroare — lucrul cu cohorte de dimensiune mică. Dacă o cohortă conține mai puțin de 100 de utilizatori, fiecare pierdere sau revenire a unei persoane denaturează semnificativ procentul. Dimensiunea minimă a cohortei pentru concluzii fiabile este de 500 de utilizatori.

A doua eroare — ignorarea sezonalității. O cohortă care a instalat aplicația înainte de Anul Nou se va comporta diferit față de o cohortă de la jumătatea lunii ianuarie. Comparați întotdeauna cohorte din același sezon sau utilizați normalizarea datelor. Conform datelor Mixpanel (2024), fluctuațiile sezoniere pot atinge 30–40% pentru Day-1 Retention.

A treia eroare — confuzia între analiza cohortelor și analiza transversală. Analiza cohortelor urmărește un singur grup în timp, nu compară grupuri diferite într-un singur moment. Utilizați măsurători repetate în cadrul unei singure cohorte, altfel veți obține concluzii false despre creșterea Retentionului.