Кохортна анализа у мобилној аналитици: шта је то, метрике и фазе спровођења

Шта је кохортна анализа?

Кохортна анализа — метод аналитике који дели кориснике у групе (кохорте) према времену извршења првог циљног догађаја, на пример инсталације апликације или регистрације. За разлику од агрегираних метрика попут DAU или MAU, кохорте омогућавају праћење понашања исте групе током недеља и месеци, откривајући трендове задржавања и одлива.

Главна предност метода — елиминација илузије раста, када стари корисници скривају проблеме нових. Према подацима Amplitude Blog (2024), компаније које су увеле кохортну анализу смањују одлив корисника за 20–30% у првих 90 дана.

Примењујте кохортну анализу за процену ефикасности UA кампања, поређење понашања различитих верзија апликације и израчунавање исплативости инвестиција у привлачење корисника.

Кључне метрике кохортне анализе

Retention Rate

Retention Rate — проценат корисника кохорте који су се вратили у апликацију N дана након инсталације. Ово је главна метрика квалитета производа: ако се корисници не враћају, проблеми леже у онбордингу, вредности или стабилности апликације. Према подацима Statista (2025), просечан Day-1 Retention за мобилне апликације износи 25–30%, Day-7 — 10–15%, Day-30 — 5–7%.

Упоредите Retention своје кохорте са бенчмарковима по категорији и анализирајте која побољшања производа су повећала повратак.

LTV — Lifetime Value

LTV (Lifetime Value) — укупан приход од свих корисника кохорте током периода посматрања. Метрика је кључна за процену исплативости рекламних кампања и доношење одлука о скалирању UA буџета. Према извештају Adjust Benchmarks (2024), медијан LTV корисника у играма износи $3.50, у e-commerce — $1.80, у алатима — $0.40.

Израчунавајте LTV кохорте на Day-30, Day-90 и Day-180 ради разумевања дугорочне вредности привучених корисника.

Churn Rate

Churn Rate — удео корисника кохорте који су престали да користе апликацију. Висок Churn у првим данима указује на проблеме са онбордингом или неусклађеност очекивања. Према подацима Localytics (2024), 25% корисника напушта апликацију након првог отварања, а до 90. дана остаје мање од 5%.

Контролишите Churn Rate недељно — пораст од 5% у кохорти захтева хитну анализу узрока одлива кроз анкете или снимање сесија.

Врсте кохорти по временским периодима

Дневне кохорте

Дневне кохорте — корисници који су инсталирали апликацију истог дана. Најдеталнији пресек који омогућава уочавање аномалија: нагли пад Retention-а одређеног датума може указивати на технички квар или проблематичну креативну кампању. Дневне кохорте се користе за оперативно праћење и A/B тестове када се промене уносе дневно.

Недељне кохорте

Недељне кохорте — корисници који су инсталирали апликацију у истој календарској недељи. Стабилнији подаци који изглађују дневне флуктуације. Погодне за редовно извештавање и поређење ефикасности рекламних канала — недељни корак неутралише ефекат дана у недељи.

Месечне кохорте

Месечне кохорте — корисници који су инсталирали апликацију истог месеца. Оптималне за анализу дугорочних трендова, сезонских варијација и израчунавање LTV-а на хоризонту од 6–12 месеци. Користе се на нивоу менаџмента производа за стратешке одлуке о развоју производа.

Како спроводити кохортну анализу

Кохортна анализа се састоји од четири фазе: прикупљање података, груписање у кохорте, израчунавање метрика по периодима и визуелизација. У првом кораку одредите циљни догађај — обично је то install, signup или first_purchase. Сви корисници који су га извршили у једном периоду улазе у једну кохорту.

У другом кораку поставите временски корак: дан, недеља или месец. За сваки наредни период (Day-1, Day-2, Day-3…) израчунајте удео корисника који су се вратили. Резултати се обједињују у кохортној табели, где је сваки ред кохорта, свака колона период, а ћелија вредност метрике.

У трећем кораку калибришите податке: искључите кохорте са мање од 100 корисника и узмите у обзир сезонске варијације. Према подацима Mixpanel (2024), кохорте са мање од 50 корисника дају статистички незначајне резултате са грешком већом од 20%. У четвртом кораку визуелизујте податке у облику кохортне табеле или топлотне мапе — редови (кохорте) и колоне (периоди) чине трендове задржавања јасним за заинтересоване стране.

За коректно тумачење увек упоређујте кохорте исте величине: недопустиво је поредити кохорту од 50 000 корисника са кохортом од 500. Нормализујте метрике као проценат од почетне величине кохорте, не као апсолутне бројеве — то омогућава поређење неједнаких група. Узмите у обзир и ефекат новине: корисници који су инсталирали апликацију након великог маркетиншког догађаја могу се понашати другачије од органских инсталација.

Алати за кохортну анализу

Алати за кохортну анализу се деле на уграђене у аналитичке платформе и прилагођена SQL решења. Amplitude и Mixpanel нуде готове кохортне извештаје са аутоматским израчунавањем Retention-а и LTV-а, без потребе за писањем упита. Firebase Analytics пружа основне кохорте по датуму инсталације са поделом на дане, недеље и месеце.

За прилагођене кохорте користите SQL упите у BigQuery или Redshift-у — то даје потпуну контролу над метрикама и периодима. Према подацима Amplitude (2024), тимови који користе прилагођене SQL кохорте откривају 35% више увидâ у понашање него са стандардним извештајима. BI алати (Tableau, Looker, Google Data Studio) омогућавају изградњу интерактивних кохортних контролних табли за редовно праћење.

Избор алата зависи од зрелости аналитике у тиму. На почетку су довољни Firebase Analytics или уграђене кохорте Amplitude-а — оне покривају 80% потреба у кохортној анализи. Како тим расте, пређите на SQL кохорте у BigQuery-у: то даје флексибилност у дефинисању нестандардних метрика (нпр. кохорте по датуму прве куповине, а не инсталације) и омогућава изградњу предиктивних LTV модела заснованих на ML. За визуелизацију користите Looker Studio, које се директно повезује са BigQuery-ом без додатних трошкова.

Пример кохортне анализе у SQL-у

За самостално израчунавање дневних кохорти користите SQL упит који групише сесије по датуму инсталације. Испод је упит за BigQuery који враћа број активних корисника по данима у оквиру сваке кохорте.

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;

Након извршења упита направите збирну табелу у Google Sheets-у или BI алату. Сваки ред је датум кохорте, свака колона је број дана (Day-1, Day-2 итд.). Проценат активних корисника се израчунава као однос active_users у дану N према active_users у Day-0 (дан инсталације).

Типичне грешке при раду са кохортама

Прва грешка — рад са кохортама мале величине. Ако кохорта садржи мање од 100 корисника, сваки одлазак или повратак једне особе значајно изобличује проценат. Минимална величина кохорте за поуздане закључке је 500 корисника.

Друга грешка — игнорисање сезонских варијација. Кохорта која је инсталирала апликацију пред Нову годину понашаће се другачије од кохорте средине јануара. Увек упоређујте кохорте исте сезоне или користите нормализацију података. Према подацима Mixpanel (2024), сезонске флуктуације могу достићи 30–40% за Day-1 Retention.

Трећа грешка — мешање кохортне и попречне анализе. Кохортна анализа прати једну групу кроз време, а не пореди различите групе у једном тренутку. Користите поновљена мерења у оквиру једне кохорте, у супротном ћете добити лажне закључке о расту Retention-а.