Phân Tích Cohort trong Analytics Di động: Nó là gì, các chỉ số và các bước thực hiện

Phân Tích Cohort là gì?

Phân Tích Cohort là một phương pháp phân tích chia người dùng thành các nhóm (cohort) dựa trên thời điểm họ thực hiện sự kiện mục tiêu đầu tiên, chẳng hạn như cài đặt ứng dụng hoặc đăng ký. Không giống như các chỉ số tổng hợp như DAU hay MAU, cohort cho phép bạn theo dõi hành vi của cùng một nhóm trong nhiều tuần và nhiều tháng, tiết lộ xu hướng giữ chân và rời bỏ.

Lợi thế chính của phương pháp này là loại bỏ ảo tưởng về tăng trưởng, khi người dùng cũ che giấu vấn đề của người dùng mới. Theo Amplitude Blog (2024), các công ty áp dụng phân tích cohort giảm tỷ lệ rời bỏ người dùng từ 20–30% trong 90 ngày đầu tiên.

Áp dụng phân tích cohort để đánh giá hiệu quả của các chiến dịch UA, so sánh hành vi của các phiên bản ứng dụng khác nhau và tính toán lợi tức đầu tư trong việc thu hút người dùng.

Các chỉ số chính của Phân Tích Cohort

Tỷ lệ Giữ chân (Retention Rate)

Tỷ lệ Giữ chân là tỷ lệ người dùng của một cohort quay lại ứng dụng N ngày sau khi cài đặt. Đây là chỉ số chất lượng sản phẩm chính: nếu người dùng không quay lại, vấn đề nằm ở quy trình onboarding, đề xuất giá trị hoặc độ ổn định của ứng dụng. Theo Statista (2025), tỷ lệ Giữ chân Day-1 trung bình cho ứng dụng di động là 25–30%, Day-7 — 10–15%, Day-30 — 5–7%.

So sánh tỷ lệ Giữ chân của cohort của bạn với các điểm chuẩn của danh mục và phân tích những thay đổi sản phẩm nào đã làm tăng sự quay trở lại.

LTV — Lifetime Value

LTV (Lifetime Value) là tổng doanh thu từ tất cả người dùng của một cohort trong suốt thời gian quan sát. Chỉ số này rất quan trọng để đánh giá ROI của các chiến dịch quảng cáo và đưa ra quyết định về việc mở rộng ngân sách UA. Theo báo cáo Adjust Benchmarks (2024), LTV trung bình trên mỗi người dùng trong lĩnh vực game là $3.50, trong thương mại điện tử — $1.80 và trong tiện ích — $0.40.

Tính LTV của cohort vào Day-30, Day-90 và Day-180 để hiểu giá trị dài hạn của người dùng đã thu hút.

Tỷ lệ Rời bỏ (Churn Rate)

Tỷ lệ Rời bỏ là tỷ lệ người dùng của một cohort đã ngừng sử dụng ứng dụng. Tỷ lệ Rời bỏ cao trong những ngày đầu cho thấy vấn đề về onboarding hoặc sự không phù hợp về kỳ vọng. Theo Localytics (2024), 25% người dùng rời bỏ ứng dụng sau lần mở đầu tiên và đến ngày thứ 90, chưa đến 5% còn lại.

Theo dõi Tỷ lệ Rời bỏ hàng tuần — mức tăng 5% trong một cohort yêu cầu phân tích ngay lập tức nguyên nhân rời bỏ thông qua khảo sát hoặc ghi lại phiên.

Các loại Cohort theo khoảng thời gian

Cohort Hàng ngày

Cohort Hàng ngày là những người dùng đã cài đặt ứng dụng trong cùng một ngày. Đây là mức chi tiết nhất, cho phép phát hiện các bất thường: sự sụt giảm đột ngột về tỷ lệ Giữ chân vào một ngày cụ thể có thể cho thấy sự cố kỹ thuật hoặc chiến dịch quảng cáo sáng tạo có vấn đề. Cohort hàng ngày được sử dụng để giám sát vận hành và thử nghiệm A/B khi các thay đổi được thực hiện hàng ngày.

Cohort Hàng tuần

Cohort Hàng tuần là những người dùng đã cài đặt ứng dụng trong cùng một tuần lịch. Chúng cung cấp dữ liệu ổn định hơn, làm mượt các biến động hàng ngày. Chúng phù hợp cho báo cáo định kỳ và so sánh hiệu suất kênh quảng cáo — bước tuần làm trung hòa hiệu ứng ngày trong tuần, nơi tỷ lệ chuyển đổi có thể khác nhau vào cuối tuần.

Cohort Hàng tháng

Cohort Hàng tháng là những người dùng đã cài đặt ứng dụng trong cùng một tháng. Chúng tối ưu để phân tích xu hướng dài hạn, tính thời vụ và tính LTV trong khoảng thời gian 6–12 tháng. Chúng được sử dụng ở cấp quản lý sản phẩm cho các quyết định chiến lược về phát triển sản phẩm.

Cách thực hiện Phân Tích Cohort

Phân Tích Cohort bao gồm bốn giai đoạn: thu thập dữ liệu, nhóm thành cohort, tính chỉ số theo khoảng thời gian và trực quan hóa. Đầu tiên, xác định sự kiện mục tiêu — thường là install, signup hoặc first_purchase. Tất cả người dùng đã thực hiện sự kiện đó trong cùng một khoảng thời gian thuộc cùng một cohort.

Thứ hai, đặt khoảng thời gian: ngày, tuần hoặc tháng. Đối với mỗi khoảng thời gian tiếp theo (Day-1, Day-2, Day-3...), tính tỷ lệ người dùng quay lại. Kết quả được tổng hợp vào một bảng cohort, nơi mỗi hàng là một cohort, mỗi cột là một khoảng thời gian và mỗi ô là một giá trị chỉ số.

Thứ ba, hiệu chỉnh dữ liệu: loại trừ các cohort có ít hơn 100 người dùng và tính đến tính thời vụ. Theo Mixpanel (2024), các cohort có ít hơn 50 người dùng cho kết quả không có ý nghĩa thống kê với biên độ sai số vượt quá 20%. Thứ tư, trực quan hóa dữ liệu dưới dạng bảng cohort hoặc bản đồ nhiệt — các hàng (cohort) và cột (khoảng thời gian) làm cho xu hướng giữ chân trở nên rõ ràng cho các bên liên quan.

Để diễn giải chính xác, luôn so sánh các cohort có cùng kích thước: không thể chấp nhận so sánh một cohort 50.000 người dùng với một cohort 500 người dùng. Chuẩn hóa các chỉ số dưới dạng phần trăm của kích thước cohort ban đầu, không phải dưới dạng số tuyệt đối — điều này cho phép so sánh các nhóm có kích thước không đồng đều. Cũng xem xét hiệu ứng mới lạ: người dùng đã cài đặt ứng dụng sau một sự kiện tiếp thị lớn có thể hành xử khác với cài đặt tự nhiên.

Công cụ Phân Tích Cohort

Công cụ Phân Tích Cohort được chia thành các công cụ tích hợp trong nền tảng phân tích và các giải pháp SQL tùy chỉnh. Amplitude và Mixpanel cung cấp các báo cáo cohort có sẵn với tính toán tự động Retention và LTV, không cần viết truy vấn. Firebase Analytics cung cấp các cohort cơ bản theo ngày cài đặt được chia theo ngày, tuần và tháng.

Đối với cohort tùy chỉnh, hãy sử dụng truy vấn SQL trong BigQuery hoặc Redshift — điều này cho bạn toàn quyền kiểm soát các chỉ số và khoảng thời gian. Theo Amplitude (2024), các nhóm sử dụng cohort SQL tùy chỉnh khám phá được nhiều hơn 35% thông tin chi tiết về hành vi so với các báo cáo tiêu chuẩn. Các công cụ BI (Tableau, Looker, Google Data Studio) cho phép xây dựng bảng điều khiển cohort tương tác để giám sát thường xuyên.

Việc lựa chọn công cụ phụ thuộc vào mức độ trưởng thành phân tích của nhóm. Ban đầu, Firebase Analytics hoặc các cohort tích hợp trong Amplitude là đủ — chúng đáp ứng 80% nhu cầu phân tích cohort. Khi nhóm phát triển, hãy chuyển sang cohort SQL trong BigQuery: điều này mang lại sự linh hoạt trong việc xác định các chỉ số không tiêu chuẩn (ví dụ: cohort theo ngày mua hàng đầu tiên thay vì ngày cài đặt) và cho phép xây dựng các mô hình LTV dự đoán bằng ML. Để trực quan hóa, hãy sử dụng Looker Studio, kết nối trực tiếp với BigQuery mà không tốn thêm chi phí.

Ví dụ Phân Tích Cohort bằng SQL

Để tự tính toán cohort hàng ngày, hãy sử dụng truy vấn SQL nhóm các phiên theo ngày cài đặt. Dưới đây là truy vấn cho BigQuery trả về số lượng người dùng hoạt động theo ngày trong mỗi cohort.

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;

Sau khi chạy truy vấn, hãy xây dựng một bảng tổng hợp trong Google Sheets hoặc công cụ BI. Mỗi hàng là một ngày cohort, mỗi cột là số ngày (Day-1, Day-2, v.v.). Tỷ lệ người dùng hoạt động được tính bằng tỷ lệ active_users vào ngày N so với active_users vào Day-0 (ngày cài đặt).

Các lỗi thường gặp khi làm việc với Cohort

Lỗi đầu tiên là làm việc với các cohort nhỏ. Nếu một cohort có ít hơn 100 người dùng, mỗi lần rời bỏ hoặc quay lại của một người sẽ làm sai lệch đáng kể tỷ lệ phần trăm. Kích thước tối thiểu của cohort để có kết luận đáng tin cậy là 500 người dùng.

Lỗi thứ hai là bỏ qua tính thời vụ. Một cohort cài đặt ứng dụng trước Năm Mới sẽ hành xử khác với một cohort giữa tháng Giêng. Luôn so sánh các cohort cùng mùa hoặc sử dụng chuẩn hóa dữ liệu. Theo Mixpanel (2024), biến động theo mùa có thể đạt 30–40% đối với tỷ lệ Giữ chân Day-1.

Lỗi thứ ba là nhầm lẫn giữa phân tích cohort và phân tích cắt ngang. Phân tích cohort theo dõi một nhóm theo thời gian, không so sánh các nhóm khác nhau tại một thời điểm. Sử dụng các phép đo lặp lại trên cùng một cohort, nếu không bạn sẽ nhận được kết luận sai về sự tăng trưởng của tỷ lệ Giữ chân.