Mobil Analitikte Kohort Analizi: Nedir, Metrikler ve Uygulama Aşamaları

Kohort Analizi Nedir?

Kohort Analizi, kullanıcıları ilk hedef olaylarını (uygulamayı yükleme veya kaydolma gibi) gerçekleştirdikleri zamana göre gruplara (kohortlar) ayıran bir analitik yöntemidir. DAU veya MAU gibi toplu metriklerin aksine, kohortlar aynı grubun davranışını haftalar ve aylar boyunca izlemenize olanak tanıyarak elde tutma ve kayıp eğilimlerini ortaya çıkarır.

Bu yöntemin temel avantajı, eski kullanıcıların yenilerin sorunlarını maskelemesiyle oluşan büyüme yanılsamasını ortadan kaldırmasıdır. Amplitude Blog (2024)'e göre, kohort analizini benimseyen şirketler ilk 90 günde kullanıcı kaybını %20–30 oranında azaltır.

UA kampanyalarının etkinliğini değerlendirmek, uygulamanın farklı sürümlerinin davranışını karşılaştırmak ve kullanıcı ediniminde yatırım getirisini hesaplamak için kohort analizini uygulayın.

Kohort Analizinin Temel Metrikleri

Retention Rate

Retention Rate, yüklemeden N gün sonra uygulamaya geri dönen bir kohorttaki kullanıcıların yüzdesidir. Bu, ürün kalitesinin birincil metriğidir: kullanıcılar geri dönmezse, sorunlar onboarding'de, değer önerisinde veya uygulama kararlılığındadır. Statista (2025)'e göre, mobil uygulamalar için ortalama Day-1 Retention %25–30, Day-7 — %10–15, Day-30 — %5–7'dir.

Kohortunuzun Retention'ını kategori referans değerleriyle karşılaştırın ve hangi ürün değişikliklerinin geri dönüşleri artırdığını analiz edin.

LTV — Lifetime Value

LTV (Lifetime Value), gözlem süresi boyunca bir kohorttaki tüm kullanıcılardan elde edilen toplam gelirdir. Bu metrik, reklam kampanyalarının ROI'sini değerlendirmek ve UA bütçelerini ölçeklendirme kararları almak için kritiktir. Adjust Benchmarks (2024) raporuna göre, oyun sektöründe kullanıcı başına medyan LTV $3,50, e-ticarette — $1,80 ve yardımcı programlarda — $0,40'tır.

Edinilen kullanıcıların uzun vadeli değerini anlamak için Day-30, Day-90 ve Day-180'de kohort LTV'sini hesaplayın.

Churn Rate

Churn Rate, uygulamayı kullanmayı bırakan bir kohorttaki kullanıcıların yüzdesidir. İlk günlerde yüksek Churn, onboarding sorunlarına veya beklenti uyumsuzluğuna işaret eder. Localytics (2024)'e göre, kullanıcıların %25'i ilk açılıştan sonra uygulamayı terk eder ve 90. günde %5'ten azı kalır.

Churn Rate'i haftalık olarak izleyin — bir kohortta %5'lik bir artış, anketler veya oturum kayıtları yoluyla kayıp nedenlerinin acil olarak analiz edilmesini gerektirir.

Zaman Dilimine Göre Kohort Türleri

Günlük Kohortlar

Günlük Kohortlar, uygulamayı aynı gün yükleyen kullanıcılardır. En ayrıntılı düzeydir ve anormallikleri tespit etmeye olanak tanır: belirli bir tarihteki ani Retention düşüşü, teknik bir arızaya veya sorunlu bir yaratıcı kampanyaya işaret edebilir. Günlük kohortlar, değişikliklerin günlük olarak yapıldığı durumlarda operasyonel izleme ve A/B testleri için kullanılır.

Haftalık Kohortlar

Haftalık Kohortlar, uygulamayı aynı takvim haftasında yükleyen kullanıcılardır. Günlük dalgalanmaları yumuşatarak daha istikrarlı veriler sağlarlar. Haftalık raporlama ve reklam kanalı performansını karşılaştırmak için uygundurlar — haftalık adım, hafta sonlarında dönüşümün farklılık gösterebileceği hafta içi gün etkisini nötralize eder.

Aylık Kohortlar

Aylık Kohortlar, uygulamayı aynı ayda yükleyen kullanıcılardır. Uzun vadeli eğilimleri, mevsimselliği analiz etmek ve 6–12 aylık bir ufukta LTV hesaplamak için idealdir. Ürün geliştirme konusunda stratejik kararlar için ürün yönetimi düzeyinde kullanılırlar.

Kohort Analizi Nasıl Yapılır

Kohort Analizi dört aşamadan oluşur: veri toplama, kohortlara gruplama, döneme göre metrik hesaplama ve görselleştirme. İlk olarak, hedef olayı tanımlayın — genellikle yükleme, kaydolma veya ilk satın alma. Aynı dönemde bunu gerçekleştiren tüm kullanıcılar aynı kohorta aittir.

İkinci olarak, zaman aralığını belirleyin: gün, hafta veya ay. Sonraki her dönem (Day-1, Day-2, Day-3...) için geri dönen kullanıcıların yüzdesini hesaplayın. Sonuçlar, her satırın bir kohort, her sütunun bir dönem ve her hücrenin bir metrik değeri olduğu bir kohort tablosunda derlenir.

Üçüncü olarak, verileri kalibre edin: 100'den az kullanıcısı olan kohortları hariç tutun ve mevsimselliği hesaba katın. Mixpanel (2024)'e göre, 50'den az kullanıcısı olan kohortlar, %20'yi aşan hata payıyla istatistiksel olarak anlamsız sonuçlar verir. Dördüncü olarak, verileri bir kohort tablosu veya ısı haritası olarak görselleştirin — satırlar (kohortlar) ve sütunlar (dönemler), paydaşlar için elde tutma eğilimlerini netleştirir.

Doğru yorumlama için her zaman aynı boyuttaki kohortları karşılaştırın: 50.000 kullanıcılı bir kohortu 500 kullanıcılı bir kohortla karşılaştırmak kabul edilemez. Metrikleri mutlak sayılar olarak değil, kohortun ilk boyutunun yüzdesi olarak normalleştirin — bu, eşit olmayan boyutlardaki grupları karşılaştırmaya olanak tanır. Ayrıca yenilik etkisini de göz önünde bulundurun: büyük bir pazarlama etkinliğinden sonra uygulamayı yükleyen kullanıcılar, organik yüklemelerden farklı davranabilir.

Kohort Analizi Araçları

Kohort Analizi Araçları, analitik platformlara entegre olanlar ve özel SQL çözümleri olarak ikiye ayrılır. Amplitude ve Mixpanel, sorgu yazmaya gerek kalmadan otomatik Retention ve LTV hesaplamasıyla hazır kohort raporları sunar. Firebase Analytics, günlere, haftalara ve aylara bölünmüş yükleme tarihine göre temel kohortlar sağlar.

Özel kohortlar için BigQuery veya Redshift'te SQL sorguları kullanın — bu, metrikler ve dönemler üzerinde tam kontrol sağlar. Amplitude (2024)'e göre, özel SQL kohortları kullanan ekipler, standart raporlara kıyasla %35 daha fazla davranışsal içgörü keşfeder. BI araçları (Tableau, Looker, Google Data Studio), düzenli izleme için etkileşimli kohort panoları oluşturmayı sağlar.

Araç seçimi, ekibin analitik olgunluğuna bağlıdır. Başlangıçta Firebase Analytics veya Amplitude'un entegre kohortları yeterlidir — kohort analizi ihtiyaçlarının %80'ini karşılarlar. Ekip büyüdükçe BigQuery'deki SQL kohortlarına geçin: bu, standart olmayan metrikleri (örneğin, yükleme tarihi yerine ilk satın alma tarihine göre kohortlar) tanımlamada esneklik sağlar ve ML kullanarak tahmine dayalı LTV modelleri oluşturmaya olanak tanır. Görselleştirme için, ek ücret ödemeden doğrudan BigQuery'ye bağlanan Looker Studio'yu kullanın.

SQL'de Kohort Analizi Örneği

Günlük kohortları kendiniz hesaplamak için oturumları yükleme tarihine göre gruplayan bir SQL sorgusu kullanın. Aşağıda, her kohort içinde güne göre aktif kullanıcı sayısını döndüren BigQuery için bir sorgu bulunmaktadır.

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;

Sorguyu çalıştırdıktan sonra Google Sheets veya bir BI aracında bir özet tablosu oluşturun. Her satır bir kohort tarihi, her sütun gün numarasıdır (Day-1, Day-2, vb.). Aktif kullanıcıların yüzdesi, N. gündeki active_users'ın Day-0'daki (yükleme günü) active_users'a oranı olarak hesaplanır.

Kohort Analizinde Sık Yapılan Hatalar

İlk hata, küçük kohortlarla çalışmaktır. Bir kohort 100'den az kullanıcı içeriyorsa, her bir kişinin kaybı veya geri dönüşü yüzdeyi önemli ölçüde bozar. Güvenilir sonuçlar için minimum kohort boyutu 500 kullanıcıdır.

İkinci hata, mevsimselliği görmezden gelmektir. Yeni Yıl'dan önce uygulamayı yükleyen bir kohort, Ocak ortasındaki bir kohorttan farklı davranacaktır. Her zaman aynı mevsimin kohortlarını karşılaştırın veya veri normalleştirmesi kullanın. Mixpanel (2024)'e göre, Day-1 Retention için mevsimsel dalgalanmalar %30–40'a ulaşabilir.

Üçüncü hata, kohort analizini kesitsel analizle karıştırmaktır. Kohort analizi, farklı grupları tek bir noktada karşılaştırmak yerine, bir grubu zaman içinde izler. Aynı kohortta tekrarlanan ölçümler kullanın, aksi takdirde Retention büyümesi hakkında yanlış sonuçlar alırsınız.