موبائل اینالیٹکس میں کوہورٹ تجزیہ: یہ کیا ہے، میٹرکس اور مراحل

کوہورٹ تجزیہ کیا ہے؟

کوہورٹ تجزیہ ایک تجزیاتی طریقہ ہے جو صارفین کو ان کے پہلے ہدفی واقعہ (جیسے ایپ انسٹال کرنا یا رجسٹر کرنا) کے وقت کے مطابق گروپوں (کوہورٹ) میں تقسیم کرتا ہے۔ DAU یا MAU جیسے مجموعی میٹرکس کے برعکس، کوہورٹ آپ کو ہفتوں اور مہینوں تک ایک ہی گروپ کے رویے کو ٹریک کرنے کی اجازت دیتے ہیں، جو برقرار رکھنے اور چھوڑنے کے رجحانات کو ظاہر کرتے ہیں۔

اس طریقہ کا بنیادی فائدہ ترقی کے وہم کو ختم کرنا ہے، جہاں پرانے صارفین نئے صارفین کے مسائل کو چھپا دیتے ہیں۔ Amplitude Blog (2024) کے مطابق، جن کمپنیوں نے کوہورٹ تجزیہ اپنایا، وہ پہلے 90 دنوں میں صارفین کے چھوڑنے کی شرح کو 20–30% کم کرتی ہیں۔

کوہورٹ تجزیہ کو UA مہموں کی تاثیر کا جائزہ لینے، ایپ کے مختلف ورژنز کے رویے کا موازنہ کرنے اور صارفین کے حصول میں سرمایہ کاری پر واپسی کا حساب لگانے کے لیے استعمال کریں۔

کوہورٹ تجزیہ کے اہم میٹرکس

Retention Rate

Retention Rate کوہورٹ کے ان صارفین کا فیصد ہے جو انسٹال کرنے کے N دنوں بعد ایپ پر واپس آئے۔ یہ پروڈکٹ کے معیار کا بنیادی میٹرک ہے: اگر صارفین واپس نہیں آتے ہیں، تو مسائل آن بورڈنگ، ویلیو پروپوزیشن یا ایپ کے استحکام میں ہیں۔ Statista (2025) کے مطابق، موبائل ایپس کے لیے اوسط Day-1 Retention 25–30%، Day-7 — 10–15%، Day-30 — 5–7% ہے۔

اپنے کوہورٹ کے Retention کا زمرہ کے معیاروں سے موازنہ کریں اور تجزیہ کریں کہ کن پروڈکٹ تبدیلیوں نے واپسی میں اضافہ کیا۔

LTV — Lifetime Value

LTV (Lifetime Value) مشاہدے کی مدت میں کوہورٹ کے تمام صارفین سے کل آمدنی ہے۔ یہ میٹرک اشتہاری مہموں کے ROI کا جائزہ لینے اور UA بجٹ بڑھانے کے فیصلے کرنے کے لیے اہم ہے۔ Adjust Benchmarks (2024) رپورٹ کے مطابق، گیمنگ میں فی صارف اوسط LTV $3.50، ای کامرس میں — $1.80، اور یوٹیلیٹیز میں — $0.40 ہے۔

حاصل کردہ صارفین کی طویل مدتی قدر کو سمجھنے کے لیے Day-30، Day-90 اور Day-180 پر کوہورٹ LTV کا حساب لگائیں۔

Churn Rate

Churn Rate کوہورٹ کے ان صارفین کا فیصد ہے جنہوں نے ایپ کا استعمال بند کر دیا۔ ابتدائی دنوں میں زیادہ Churn آن بورڈنگ کے مسائل یا توقعات کے عدم مطابقت کی نشاندہی کرتا ہے۔ Localytics (2024) کے مطابق، 25% صارفین پہلی بار کھولنے کے بعد ایپ چھوڑ دیتے ہیں، اور 90ویں دن تک 5% سے کم رہ جاتے ہیں۔

Churn Rate کی ہفتہ وار نگرانی کریں — کوہورٹ میں 5% اضافہ سروے یا سیشن ریکارڈنگ کے ذریعے چھوڑنے کی وجوہات کے فوری تجزیہ کی ضرورت ہے۔

وقتی مدت کے مطابق کوہورٹ کی اقسام

یومیہ کوہورٹ

یومیہ کوہورٹ وہ صارفین ہیں جنہوں نے ایک ہی دن ایپ انسٹال کی۔ یہ سب سے زیادہ تفصیلی سطح ہے، جو بے ضابطگیوں کا پتہ لگانے کی اجازت دیتی ہے: کسی خاص تاریخ پر Retention میں اچانک کمی تکنیکی خرابی یا مسئلہ تخلیقی مہم کی نشاندہی کر سکتی ہے۔ یومیہ کوہورٹ آپریشنل مانیٹرنگ اور A/B ٹیسٹ کے لیے استعمال ہوتے ہیں جب روزانہ تبدیلیاں کی جاتی ہیں۔

ہفتہ وار کوہورٹ

ہفتہ وار کوہورٹ وہ صارفین ہیں جنہوں نے ایک ہی کیلنڈر ہفتہ میں ایپ انسٹال کی۔ یہ زیادہ مستحکم ڈیٹا فراہم کرتے ہیں، روزانہ کے اتار چڑھاؤ کو ہموار کرتے ہیں۔ یہ باقاعدہ رپورٹنگ اور اشتہاری چینل کی کارکردگی کا موازنہ کرنے کے لیے موزوں ہیں — ہفتہ وار مرحلہ ہفتے کے دن کے اثر کو بے اثر کرتا ہے، جہاں ہفتے کے آخر میں تبدیلی مختلف ہو سکتی ہے۔

ماہانہ کوہورٹ

ماہانہ کوہورٹ وہ صارفین ہیں جنہوں نے ایک ہی مہینے میں ایپ انسٹال کی۔ یہ طویل مدتی رجحانات، موسمی اور 6–12 ماہ کے افق پر LTV کے حساب کے لیے بہترین ہیں۔ یہ پروڈکٹ ڈویلپمنٹ کے بارے میں اسٹریٹجک فیصلوں کے لیے پروڈکٹ مینجمنٹ کی سطح پر استعمال ہوتے ہیں۔

کوہورٹ تجزیہ کیسے کریں

کوہورٹ تجزیہ چار مراحل پر مشتمل ہے: ڈیٹا اکٹھا کرنا، کوہورٹ میں گروپ کرنا، مدت کے مطابق میٹرکس کا حساب لگانا اور تصور کرنا۔ پہلے، ہدفی واقعہ کی وضاحت کریں — عام طور پر انسٹال، سائن اپ یا first_purchase۔ وہ تمام صارفین جنہوں نے اسے ایک مدت میں کیا، ایک ہی کوہورٹ میں آتے ہیں۔

دوسرا، وقت کا وقفہ مقرر کریں: دن، ہفتہ یا مہینہ۔ ہر بعد کی مدت (Day-1, Day-2, Day-3...) کے لیے، واپس آنے والے صارفین کا فیصد شمار کریں۔ نتائج ایک کوہورٹ ٹیبل میں مرتب کیے جاتے ہیں، جہاں ہر قطار ایک کوہورٹ ہے، ہر کالم ایک مدت ہے، اور ہر سیل ایک میٹرک قدر ہے۔

تیسرا، ڈیٹا کیلیبریٹ کریں: 100 سے کم صارفین والے کوہورٹ کو خارج کریں اور موسمی کو مدنظر رکھیں۔ Mixpanel (2024) کے مطابق، 50 سے کم صارفین والے کوہورٹ 20% سے زیادہ غلطی کے مارجن کے ساتھ شماریاتی طور پر غیر اہم نتائج دیتے ہیں۔ چوتھا، ڈیٹا کو کوہورٹ ٹیبل یا ہیٹ میپ کے طور پر تصور کریں — قطاریں (کوہورٹ) اور کالم (مدت) اسٹیک ہولڈرز کے لیے برقرار رکھنے کے رجحانات کو واضح کرتے ہیں۔

درست تشریح کے لیے، ہمیشہ ایک ہی سائز کے کوہورٹ کا موازنہ کریں: 50,000 صارفین کے کوہورٹ کا 500 صارفین کے کوہورٹ سے موازنہ کرنا ناقابل قبول ہے۔ میٹرکس کو کوہورٹ کے ابتدائی سائز کے فیصد کے طور پر معمول پر لائیں، مطلق اعداد کے طور پر نہیں — یہ مختلف سائز کے گروپوں کا موازنہ کرنے کی اجازت دیتا ہے۔ نیاپن کے اثر پر بھی غور کریں: بڑے مارکیٹنگ ایونٹ کے بعد ایپ انسٹال کرنے والے صارفین نامیاتی انسٹال سے مختلف رویہ اختیار کر سکتے ہیں۔

کوہورٹ تجزیہ کے اوزار

کوہورٹ تجزیہ کے اوزار تجزیاتی پلیٹ فارمز میں شامل اور اپنی مرضی کے SQL حل میں تقسیم ہوتے ہیں۔ Amplitude اور Mixpanel خودکار Retention اور LTV حساب کے ساتھ تیار کوہورٹ رپورٹس پیش کرتے ہیں، جن میں استفسار لکھنے کی ضرورت نہیں ہوتی۔ Firebase Analytics انسٹال کی تاریخ کے مطابق دنوں، ہفتوں اور مہینوں میں تقسیم بنیادی کوہورٹ فراہم کرتا ہے۔

اپنی مرضی کے کوہورٹ کے لیے، BigQuery یا Redshift میں SQL استفسار استعمال کریں — یہ میٹرکس اور ادوار پر مکمل کنٹرول دیتا ہے۔ Amplitude (2024) کے مطابق، اپنی مرضی کے SQL کوہورٹ استعمال کرنے والی ٹیمیں معیاری رپورٹس کے مقابلے میں 35% زیادہ رویوں کی بصیرت دریافت کرتی ہیں۔ BI ٹولز (Tableau, Looker, Google Data Studio) باقاعدہ نگرانی کے لیے انٹرایکٹو کوہورٹ ڈیش بورڈ بنانے کی اجازت دیتے ہیں۔

ٹول کا انتخاب ٹیم کی تجزیاتی پختگی پر منحصر ہے۔ شروع میں، Firebase Analytics یا Amplitude میں شامل کوہورٹ کافی ہیں — یہ کوہورٹ تجزیہ کی 80% ضروریات پوری کرتے ہیں۔ جیسے جیسے ٹیم بڑھتی ہے، BigQuery میں SQL کوہورٹ پر جائیں: یہ غیر معیاری میٹرکس (مثلاً، انسٹال کی تاریخ کے بجائے پہلی خریداری کی تاریخ کے مطابق کوہورٹ) کی وضاحت میں لچک فراہم کرتا ہے اور ML استعمال کرتے ہوئے پیش گوئی کرنے والے LTV ماڈل بنانے کی اجازت دیتا ہے۔ تصور کے لیے، Looker Studio استعمال کریں جو بغیر اضافی لاگت کے براہ راست BigQuery سے جڑتا ہے۔

SQL میں کوہورٹ تجزیہ کی مثال

یومیہ کوہورٹ خود حساب کرنے کے لیے، ایک SQL استفسار استعمال کریں جو سیشن کو انسٹال کی تاریخ کے مطابق گروپ کرے۔ نیچے BigQuery کے لیے ایک استفسار ہے جو ہر کوہورٹ کے اندر دن کے مطابق فعال صارفین کی تعداد لوٹاتا ہے۔

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;

استفسار چلانے کے بعد، Google Sheets یا BI ٹول میں ایک خلاصہ جدول بنائیں۔ ہر قطار ایک کوہورٹ تاریخ ہے، ہر کالم دن نمبر (Day-1, Day-2, وغیرہ) ہے۔ فعال صارفین کا فیصد Day-0 (انسٹال کے دن) پر active_users کے مقابلے دن N پر active_users کے تناسب کے طور پر شمار کیا جاتا ہے۔

کوہورٹ کے ساتھ عام غلطیاں

پہلی غلطی چھوٹے کوہورٹ کے ساتھ کام کرنا ہے۔ اگر کوہورٹ میں 100 سے کم صارفین ہیں، تو ایک شخص کا چھوڑنا یا واپس آنا فیصد کو نمایاں طور پر بگاڑ دیتا ہے۔ قابل اعتماد نتائج کے لیے کم از کم کوہورٹ سائز 500 صارفین ہے۔

دوسری غلطی موسمی کو نظر انداز کرنا ہے۔ نئے سال سے پہلے ایپ انسٹال کرنے والا کوہورٹ جنوری کے وسط کے کوہورٹ سے مختلف رویہ دکھائے گا۔ ہمیشہ ایک ہی موسم کے کوہورٹ کا موازنہ کریں یا ڈیٹا نارملائزیشن استعمال کریں۔ Mixpanel (2024) کے مطابق، Day-1 Retention کے لیے موسمی اتار چڑھاؤ 30–40% تک پہنچ سکتے ہیں۔

تیسری غلطی کوہورٹ اور کراس سیکشنل تجزیہ میں فرق نہ سمجھنا ہے۔ کوہورٹ تجزیہ وقت کے ساتھ ایک گروپ کو ٹریک کرتا ہے، ایک وقت میں مختلف گروپوں کا موازنہ نہیں کرتا۔ ایک ہی کوہورٹ پر بار بار پیمائش کا استعمال کریں، ورنہ آپ کو Retention میں اضافے کے بارے میں غلط نتائج ملیں گے۔