Когортний аналіз у мобільній аналітиці: що це, метрики та етапи проведення

Що таке когортний аналіз?

Когортний аналіз — це метод аналітики, який розділяє користувачів на групи (когорти) за часом виконання першої цільової події, наприклад встановлення додатку або реєстрації. На відміну від агрегованих метрик на кшталт DAU або MAU, когорти дозволяють відстежувати поведінку однієї й тієї самої групи протягом тижнів і місяців, виявляючи тренди утримання та відтоку.

Основна перевага методу — усунення ілюзії зростання, коли старі користувачі приховують проблеми нових. За даними Amplitude Blog (2024), компанії, які впровадили когортний аналіз, скорочують відтік користувачів на 20–30% у перші 90 днів.

Застосовуйте когортний аналіз для оцінки ефективності UA-кампаній, порівняння поведінки різних версій додатку та розрахунку окупності інвестицій у залучення користувачів.

Ключові метрики когортного аналізу

Retention Rate

Retention Rate — відсоток користувачів когорти, які повернулися в додаток через N днів після встановлення. Це головна метрика якості продукту: якщо користувачі не повертаються, проблеми лежать в онбордингу, цінності або стабільності додатку. За даними Statista (2025), середній Day-1 Retention для мобільних додатків становить 25–30%, Day-7 — 10–15%, Day-30 — 5–7%.

Порівнюйте Retention своєї когорти з бенчмарками по категорії та аналізуйте, які продуктові зміни збільшили повернення.

LTV — Lifetime Value

LTV (Lifetime Value) — сумарний дохід від усіх користувачів когорти за період спостереження. Метрика критична для оцінки окупності рекламних кампаній та прийняття рішень про масштабування UA-бюджетів. Згідно зі звітом Adjust Benchmarks (2024), медіанний LTV користувача в гемблінгу становить $3.50, в e-commerce — $1.80, в утилітах — $0.40.

Розраховуйте LTV когорти на Day-30, Day-90 та Day-180 для розуміння довгострокової цінності залучених користувачів.

Churn Rate

Churn Rate — частка користувачів когорти, які перестали використовувати додаток. Високий Churn у перші дні сигналізує про проблеми з онбордингом або невідповідністю очікувань. За даними Localytics (2024), 25% користувачів залишають додаток після першого відкриття, а до 90-го дня залишається менше 5%.

Контролюйте Churn Rate потижнево — зростання на 5% у когорті потребує негайного аналізу причин відтоку через опитування або запис сесій.

Типи когорт за часовими періодами

Денні когорти

Денні когорти — користувачі, які встановили додаток в один день. Найдетальніший зріз, який дозволяє помітити аномалії: різке падіння Retention у конкретну дату може вказувати на технічний збій або проблемну креативну кампанію. Денні когорти використовуються для оперативного моніторингу та A/B-тестів, коли зміни вносяться щодня.

Тижневі когорти

Тижневі когорти — користувачі, які встановили додаток в один календарний тиждень. Більш стабільні дані, що згладжують денні коливання. Підходять для регулярної звітності та порівняння ефективності рекламних каналів — тижневий крок нівелює ефект дня тижня, коли у вихідні конверсія може відрізнятися.

Місячні когорти

Місячні когорти — користувачі, які встановили додаток в один місяць. Оптимальні для аналізу довгострокових трендів, сезонності та розрахунку LTV на горизонті 6–12 місяців. Використовуються на рівні продукт-менеджменту для стратегічних рішень про розвиток продукту.

Як проводити когортний аналіз

Когортний аналіз складається з чотирьох етапів: збір даних, групування в когорти, розрахунок метрик за періодами та візуалізація. На першому кроці визначте цільову подію — зазвичай це install, signup або first_purchase. Усі користувачі, які виконали її в один період, потрапляють до однієї когорти.

На другому кроці задайте часовий крок: день, тиждень або місяць. Для кожного наступного періоду (Day-1, Day-2, Day-3…) розрахуйте частку користувачів, які повернулися. Результати зводяться в когортну таблицю, де кожен рядок — когорта, кожен стовпець — період, а комірка — значення метрики.

На третьому кроці калібруйте дані: виключіть когорти з розміром менше 100 користувачів та враховуйте сезонність. За даними Mixpanel (2024), когорти об'ємом менше 50 користувачів дають статистично незначущі результати з похибкою більше 20%. На четвертому кроці візуалізуйте дані у вигляді когортної таблиці або теплової карти — рядки (когорти) та стовпці (періоди) роблять тренди утримання наочними для стейкхолдерів.

Для коректної інтерпретації завжди порівнюйте когорти одного розміру: недопустимо порівнювати когорту з 50 000 користувачів з когортою з 500. Нормуйте метрики як відсоток від початкового розміру когорти, а не як абсолютні числа — це дозволяє порівнювати нерівні за об'ємом групи. Враховуйте також ефект новизни: користувачі, які встановили додаток після великої маркетингової події, можуть поводитися інакше, ніж органічні встановлення.

Інструменти для когортного аналізу

Інструменти когортного аналізу поділяються на вбудовані в аналітичні платформи та кастомні SQL-рішення. Amplitude та Mixpanel пропонують готові когортні звіти з автоматичним розрахунком Retention та LTV, які не потребують написання запитів. Firebase Analytics надає базові когорти за датою встановлення з розбивкою по днях, тижнях і місяцях.

Для кастомних когорт використовуйте SQL-запити в BigQuery або Redshift — це дає повний контроль над метриками та періодами. За даними Amplitude (2024), команди, які використовують кастомні SQL-когорти, виявляють на 35% більше поведінкових інсайтів, ніж при стандартних звітах. BI-інструменти (Tableau, Looker, Google Data Studio) дозволяють будувати інтерактивні дашборди когорт для регулярного моніторингу.

Вибір інструменту залежить від зрілості аналітики в команді. На старті достатньо Firebase Analytics або вбудованих когорт Amplitude — вони покривають 80% потреб у когортному аналізі. У міру зростання команди переходьте на SQL-когорти в BigQuery: це дає гнучкість у визначенні нестандартних метрик (наприклад, когорти за датою першої покупки, а не встановлення) та дозволяє будувати предиктивні моделі LTV на основі ML. Для візуалізації використовуйте Looker Studio, яке підключається безпосередньо до BigQuery без додаткових витрат.

Приклад когортного аналізу на SQL

Для самостійного розрахунку денних когорт використовуйте SQL-запит, який групує сесії за датою встановлення. Нижче наведено запит для BigQuery, який повертає кількість активних користувачів по днях всередині кожної когорти.

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;

Після виконання запиту побудуйте зведену таблицю в Google Sheets або BI-інструменті. Кожен рядок — дата когорти, кожен стовпець — номер дня (Day-1, Day-2 і т. д.). Відсоток активних користувачів розраховується як відношення active_users у день N до active_users у Day-0 (день встановлення).

Типові помилки при роботі з когортами

Перша помилка — робота з когортами малого розміру. Якщо когорта містить менше 100 користувачів, кожен відтік або повернення однієї людини суттєво спотворює відсоток. Мінімальний розмір когорти для достовірних висновків — 500 користувачів.

Друга помилка — ігнорування сезонності. Когорта, яка встановила додаток перед Новим роком, поводитиметься інакше, ніж когорта середини січня. Завжди порівнюйте когорти одного сезону або використовуйте нормалізацію даних. За даними Mixpanel (2024), сезонні коливання можуть досягати 30–40% для Day-1 Retention.

Третя помилка — плутанина між когортним та крос-секційним аналізом. Когортний аналіз відстежує одну групу в часі, а не порівнює різні групи в один момент. Використовуйте саме повторні вимірювання по одній когорті, інакше ви отримаєте хибні висновки про зростання Retention.