Kohortanalys inom mobilanalys: vad är det, mätvärden och utförandesteg

Vad är kohortanalys?

Kohortanalys — är en analysmetod som delar in användare i grupper (kohorter) baserat på tidpunkten för den första målhändelsen, till exempel appinstallation eller registrering. Till skillnad från aggregerade mätvärden som DAU eller MAU, gör kohorter det möjligt att följa samma grupps beteende under veckor och månader och avslöja trender inom retention och bortfall.

Metodens främsta fördel — eliminering av tillväxtillusionen, när gamla användare döljer nya användares problem. Enligt data från Amplitude Blog (2024) minskar företag som implementerat kohortanalys användarbortfallet med 20–30% under de första 90 dagarna.

Applicera kohortanalys för att utvärdera effektiviteten av UA-kampanjer, jämföra beteendet hos olika appversioner och beräkna avkastning på investering i användaranskaffning.

Nyckelmätvärden för kohortanalys

Retention Rate

Retention Rate — procentandel av kohortens användare som återvände till appen N dagar efter installation. Detta är det främsta mätvärdet för produktkvalitet: om användare inte återvänder ligger problemen i onboarding, värde eller appens stabilitet. Enligt data från Statista (2025) är genomsnittlig Day-1 Retention för mobilappar 25–30%, Day-7 — 10–15%, Day-30 — 5–7%.

Jämför din kohorts Retention med riktmärken per kategori och analysera vilka produktförändringar som ökade återkomster.

LTV — Lifetime Value

LTV (Lifetime Value) — totala intäkter från alla kohortens användare under observationsperioden. Mätvärdet är avgörande för att utvärdera avkastningen på reklamkampanjer och fatta beslut om skalning av UA-budgetar. Enligt Adjust Benchmarks (2024)-rapporten är median-LTV per användare inom spel $3.50, inom e-handel — $1.80, inom verktyg — $0.40.

Beräkna kohortens LTV vid Day-30, Day-90 och Day-180 för att förstå det långsiktiga värdet av anskaffade användare.

Churn Rate

Churn Rate — andel av kohortens användare som slutat använda appen. Hög Churn under de första dagarna signalerar problem med onboarding eller bristande överensstämmelse med förväntningar. Enligt data från Localytics (2024) lämnar 25% av användarna appen efter första öppnandet, och efter 90 dagar återstår mindre än 5%.

Kontrollera Churn Rate veckovis — en ökning på 5% i kohorten kräver omedelbar analys av orsakerna till bortfall genom enkäter eller sessioninspelning.

Typer av kohorter efter tidsperiod

Dagliga kohorter

Dagliga kohorter — användare som installerade appen samma dag. Den mest detaljerade tvärsnittet som gör det möjligt att upptäcka avvikelser: en plötslig minskning av Retention på ett specifikt datum kan indikera ett tekniskt fel eller en problematisk kreativ kampanj. Dagliga kohorter används för operativ övervakning och A/B-tester när ändringar görs dagligen.

Veckokohorter

Veckokohorter — användare som installerade appen samma kalendervecka. Stabilare data som jämnar ut dagliga fluktuationer. Lämpliga för regelbunden rapportering och jämförelse av reklamkanalers effektivitet — veckosteget neutraliserar veckodagseffekten.

Månadskohorter

Månadskohorter — användare som installerade appen samma månad. Optimala för analys av långsiktiga trender, säsongsvariationer och beräkning av LTV på en horisont av 6–12 månader. Används på produktledningsnivå för strategiska beslut om produktutveckling.

Hur man utför kohortanalys

Kohortanalys består av fyra steg: datainsamling, gruppering i kohorter, beräkning av mätvärden per period och visualisering. I första steget, bestäm målhändelsen — vanligtvis är det install, signup eller first_purchase. Alla användare som utförde den under en period hamnar i samma kohort.

I andra steget, ställ in tidssteget: dag, vecka eller månad. För varje efterföljande period (Day-1, Day-2, Day-3…) beräkna andelen återvändande användare. Resultaten sammanfattas i en kohorttabell, där varje rad är en kohort, varje kolumn är en period och cellen är mätvärdet.

I tredje steget, kalibrera data: uteslut kohorter med färre än 100 användare och ta hänsyn till säsongsvariationer. Enligt data från Mixpanel (2024) ger kohorter med färre än 50 användare statistiskt insignifikanta resultat med ett fel på över 20%. I fjärde steget, visualisera data i form av en kohorttabell eller värmekarta — rader (kohorter) och kolumner (perioder) gör retentionstrender begripliga för intressenter.

För korrekt tolkning, jämför alltid kohorter av samma storlek: det är inte tillåtet att jämföra en kohort på 50 000 användare med en kohort på 500. Normalisera mätvärden som en procentandel av kohortens ursprungliga storlek, inte som absoluta tal — detta möjliggör jämförelse av olikstora grupper. Ta även hänsyn till nymodighetseffekten: användare som installerade appen efter en stor marknadsföringshändelse kan bete sig annorlunda än organiska installationer.

Verktyg för kohortanalys

Verktyg för kohortanalys delas in i inbyggda i analysplattformar och anpassade SQL-lösningar. Amplitude och Mixpanel erbjuder färdiga kohortrapporter med automatisk beräkning av Retention och LTV, som inte kräver att man skriver frågor. Firebase Analytics tillhandahåller grundläggande kohorter efter installationsdatum med uppdelning per dag, vecka och månad.

För anpassade kohorter, använd SQL-frågor i BigQuery eller Redshift — detta ger full kontroll över mätvärden och perioder. Enligt data från Amplitude (2024) upptäcker team som använder anpassade SQL-kohorter 35% fler beteendeinsikter än med standardrapporter. BI-verktyg (Tableau, Looker, Google Data Studio) gör det möjligt att bygga interaktiva kohortdashboardar för regelbunden övervakning.

Valet av verktyg beror på analysmognaden i teamet. I början räcker Firebase Analytics eller inbyggda kohorter i Amplitude — de täcker 80% av behoven inom kohortanalys. När teamet växer, övergå till SQL-kohorter i BigQuery: detta ger flexibilitet i att definiera icke-standardiserade mätvärden (t.ex. kohorter efter datum för första köp, inte installation) och gör det möjligt att bygga prediktiva LTV-modeller baserade på ML. För visualisering, använd Looker Studio som ansluter direkt till BigQuery utan extra kostnad.

Exempel på kohortanalys i SQL

För självständig beräkning av dagliga kohorter, använd en SQL-fråga som grupperar sessioner efter installationsdatum. Nedan är en fråga för BigQuery som returnerar antalet aktiva användare per dag inom varje 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;

Efter att ha utfört frågan, skapa en pivottabell i Google Sheets eller ett BI-verktyg. Varje rad är kohortens datum, varje kolumn är dagnummer (Day-1, Day-2 osv.). Procentandelen aktiva användare beräknas som förhållandet mellan active_users på dag N och active_users på Day-0 (installationsdagen).

Vanliga misstag vid arbete med kohorter

Första misstaget — arbete med små kohorter. Om en kohort innehåller färre än 100 användare, snedvrider varje bortfall eller återkomst av en person avsevärt procentsatsen. Minsta kohortstorlek för tillförlitliga slutsatser är 500 användare.

Andra misstaget — ignorering av säsongsvariationer. En kohort som installerade appen före nyår kommer att bete sig annorlunda än en kohort från mitten av januari. Jämför alltid kohorter från samma säsong eller använd datanormalisering. Enligt data från Mixpanel (2024) kan säsongsvariationer nå 30–40% för Day-1 Retention.

Tredje misstaget — förväxling mellan kohort- och tvärsnittsanalys. Kohortanalys följer en grupp över tid, jämför inte olika grupper vid en tidpunkt. Använd upprepade mätningar inom en kohort, annars får du falska slutsatser om tillväxten av Retention.