Когортный анализ в мобильной аналитике: что это, метрики и этапы проведения

Что такое когортный анализ?

Когортный анализ — это метод аналитики, разделяющий пользователей на группы (когорты) по времени совершения первого целевого события, например установки приложения или регистрации. В отличие от агрегированных метрик вроде DAU или MAU, когорты позволяют отслеживать поведение одной и той же группы на протяжении недель и месяцев, выявляя тренды удержания и оттока.

Основное преимущество метода — устранение иллюзии роста, когда старые пользователи скрывают проблемы новых. По данным Amplitude Blog (2024), компании, внедрившие когортный анализ, сокращают отток пользователей на 20–30% в первые 90 дней.

Применяйте когортный анализ для оценки эффективности UA-кампаний, сравнения поведения разных версий приложения и расчёта окупаемости инвестиций в привлечение пользователей.

Ключевые метрики когортного анализа

Retention Rate

Retention Rate — процент пользователей когорты, вернувшихся в приложение через N дней после установки. Это главная метрика качества продукта: если пользователи не возвращаются, проблемы лежат в онбординге, ценности или стабильности приложения. По данным Statista (2025), средний Day-1 Retention для мобильных приложений составляет 25–30 %, Day-7 — 10–15 %, Day-30 — 5–7 %.

Сравнивайте Retention своей когорты с бенчмарками по категории и анализируйте, какие продуктовые изменения увеличили возвраты.

LTV — Lifetime Value

LTV (Lifetime Value) — суммарный доход от всех пользователей когорты за период наблюдения. Метрика критична для оценки окупаемости рекламных кампаний и принятия решений о масштабировании UA-бюджетов. Согласно отчёту Adjust Benchmarks (2024), медианный LTV пользователя в гемблинге составляет $3.50, в e-commerce — $1.80, в утилитах — $0.40.

Рассчитывайте LTV когорты на Day-30, Day-90 и Day-180 для понимания долгосрочной ценности привлечённых пользователей.

Churn Rate

Churn Rate — доля пользователей когорты, переставших использовать приложение. Высокий Churn в первые дни сигнализирует о проблемах с онбордингом или несоответствием ожиданий. По данным Localytics (2024), 25 % пользователей покидают приложение после первого открытия, а к 90-му дню остаётся менее 5 %.

Контролируйте Churn Rate понедельно — рост на 5 % в когорте требует немедленного анализа причин оттока через опросы или запись сессий.

Типы когорт по временным периодам

Дневные когорты

Дневные когорты — пользователи, установившие приложение в один день. Самый детальный срез, позволяющий заметить аномалии: резкое падение Retention в конкретную дату может указывать на технический сбой или проблемную креативную кампанию. Дневные когорты используются для оперативного мониторинга и A/B-тестов, когда изменения вносятся ежедневно.

Недельные когорты

Недельные когорты — пользователи, установившие приложение в одну календарную неделю. Более стабильные данные, сглаживающие дневные колебания. Подходят для регулярной отчётности и сравнения эффективности рекламных каналов — недельный шаг нивелирует эффект дня недели, когда в выходные конверсия может отличаться.

Месячные когорты

Месячные когорты — пользователи, установившие приложение в один месяц. Оптимальны для анализа долгосрочных трендов, сезонности и расчёта LTV на горизонте 6–12 месяцев. Используются на уровне продукт-менеджмента для стратегических решений о развитии продукта.

Как проводить когортный анализ

Когортный анализ состоит из четырёх этапов: сбор данных, группировка в когорты, расчёт метрик по периодам и визуализация. На первом шаге определите целевое событие — обычно это install, signup или first_purchase. Все пользователи, совершившие его в один период, попадают в одну когорту.

На втором шаге задайте временной шаг: день, неделя или месяц. Для каждого последующего периода (Day-1, Day-2, Day-3…) рассчитайте долю вернувшихся пользователей. Результаты сводятся в когортную таблицу, где каждая строка — когорта, каждый столбец — период, а ячейка — значение метрики.

На третьем шаге калибруйте данные: исключите когорты с размером менее 100 пользователей и учитывайте сезонность. По данным Mixpanel (2024), когорты объёмом менее 50 пользователей дают статистически незначимые результаты с погрешностью более 20 %. На четвёртом шаге визуализируйте данные в виде когортной таблицы или тепловой карты — строки (когорты) и столбцы (периоды) делают тренды удержания наглядными для стейкхолдеров.

Для корректной интерпретации всегда сравнивайте когорты одного размера: недопустимо сравнивать когорту из 50 000 пользователей с когортой из 500. Нормируйте метрики как процент от начального размера когорты, а не как абсолютные числа — это позволяет сравнивать неравные по объёму группы. Учитывайте также эффект новизны: пользователи, установившие приложение после крупного маркетингового события, могут вести себя иначе, чем органические установки.

Инструменты для когортного анализа

Инструменты когортного анализа делятся на встроенные в аналитические платформы и кастомные SQL-решения. Amplitude и Mixpanel предлагают готовые когортные отчёты с автоматическим расчётом Retention и LTV, не требующие написания запросов. Firebase Analytics предоставляет базовые когорты по дате установки с разбивкой по дням, неделям и месяцам.

Для кастомных когорт используйте SQL-запросы в BigQuery или Redshift — это даёт полный контроль над метриками и периодами. По данным Amplitude (2024), команды, использующие кастомные SQL-когорты, обнаруживают на 35 % больше поведенческих инсайтов, чем при стандартных отчётах. BI-инструменты (Tableau, Looker, Google Data Studio) позволяют строить интерактивные дашборды когорт для регулярного мониторинга.

Выбор инструмента зависит от зрелости аналитики в команде. На старте достаточно Firebase Analytics или встроенных когорт Amplitude — они покрывают 80 % потребностей в когортном анализе. По мере роста команды переходите на SQL-когорты в BigQuery: это даёт гибкость в определении нестандартных метрик (например, когорты по дате первой покупки, а не установки) и позволяет строить предиктивные модели LTV на основе ML. Для визуализации используйте Looker Studio, которое подключается напрямую к BigQuery без дополнительных затрат.

Пример когортного анализа на SQL

Для самостоятельного расчёта дневных когорт используйте SQL-запрос, группирующий сессии по дате установки. Ниже приведён запрос для BigQuery, который возвращает количество активных пользователей по дням внутри каждой когорты.

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;

После выполнения запроса постройте сводную таблицу в Google Sheets или BI-инструменте. Каждая строка — дата когорты, каждый столбец — номер дня (Day-1, Day-2 и т. д.). Процент активных пользователей рассчитывается как отношение active_users в день N к active_users в Day-0 (день установки).

Типичные ошибки при работе с когортами

Первая ошибка — работа с когортами малого размера. Если когорта содержит менее 100 пользователей, каждый отток или возврат одного человека существенно искажает процент. Минимальный размер когорты для достоверных выводов — 500 пользователей.

Вторая ошибка — игнорирование сезонности. Когорта, установившая приложение перед Новым годом, будет вести себя иначе, чем когорта середины января. Всегда сравнивайте когорты одного сезона или используйте аномализацию данных. По данным Mixpanel (2024), сезонные колебания могут достигать 30–40 % для Day-1 Retention.

Третья ошибка — путаница между когортным и кросс-секционным анализом. Когортный анализ отслеживает одну группу во времени, а не сравнивает разные группы в один момент. Используйте именно повторные замеры по одной когорте, иначе вы получите ложные выводы о росте Retention.