Объясните, что такое когортный анализ и для каких задач он используется?

Когортный анализ (Cohort Analysis): определение и применение

Когортный анализ — это метод группировки пользователей по общему признаку (обычно дате регистрации) и отслеживания их поведения во времени. Это мощный инструмент для выявления паттернов и тенденций.

Что такое когорта?

Когорта — это группа пользователей, объединённых общей характеристикой, произошедшей в один период.

Примеры когорт:

• По дате регистрации: пользователи, зарегистрировавшиеся в январе 2024
• По первому событию: люди, впервые открывшие приложение в неделю 1-7 марта
• По источнику: пользователи, пришедшие из Instagram
• По характеристике: женщины в возрасте 25-34 года
• По поведению: пользователи, которые совершили покупку на первый день

Практический пример когортного анализа

Задача: проверить, улучшилась ли retention после обновления приложения в январе.

Когорта        День 1  День 7  День 14  День 30  День 90
─────────────────────────────────────────────────────────
Дек 2023 (до)   100%    60%     42%      28%      15%
Янв 2024 (после)100%    68%     52%      38%      24%
Фев 2024        100%    70%     55%      40%      26%
Мар 2024        100%    72%     58%      42%      28%

Вывод: День 7 retention вырос с 60% до 72% — обновление помогло! Улучшение видно во всех периодах.

Матрица когортного анализа (Cohort Table)

Дата регист. | День 0 | День 1 | День 2 | День 3 | День 4 | День 5 | День 6 | День 7
─────────────────────────────────────────────────────────────────────────────────────
1 июня       | 1000   | 720    | 540    | 410    | 310    | 235    | 178    | 135
8 июня       | 1100   | 750    | 560    | 440    | 320    | 245    | 182    | 140
15 июня      | 1200   | 800    | 600    | 480    | 360    | 270    | 200    | 150
22 июня      | 950    | 680    | 510    | 385    | 285    | 215    | 160    | 120
29 июня      | 1050   | 735    | 551    | 415    | 308    | 231    | 172    | 130

Числа — это % пользователей, вернувшихся в день X из когорты.

Типы когортного анализа

1. Retention Cohort (Анализ удержания)

• Отслеживает, какой % когорты остаётся активным
• Самый распространённый тип
• Метрика: % от исходного размера когорты

2. Revenue Cohort (Анализ доходов)

• Отслеживает, сколько денег приносит каждая когорта
• Метрика: ARPU, LTV, cumulative revenue

Когорта (по месяцу) | День 1 | День 7 | День 30 | День 90
────────────────────────────────────────────────────────
Январь              | $0.50  | $3.20  | $12.00  | $28.00
Февраль             | $0.55  | $3.40  | $13.50  | $32.00
Март                | $0.60  | $3.60  | $14.20  | $35.00

3. Behavioral Cohort (Анализ поведения)

• Группирует по действиям, не по времени
• Пример: когорта людей, которые выполнили первую покупку
• Отслеживает, будут ли они покупать опять

4. Size Cohort (Анализ размера)

• Сравнивает эффективность в зависимости от размера когорты
• Пример: когорты по возрасту, полу, стране

SQL для построения матрицы когортного анализа

WITH cohort_data AS (
  SELECT 
    user_id,
    DATE_TRUNC(first_event_date, MONTH) as cohort_month,
    first_event_date,
    event_date,
    DATE_DIFF(DATE(event_date), DATE(first_event_date), DAY) as days_since_first
  FROM user_events
),
cohort_size AS (
  SELECT 
    cohort_month,
    COUNT(DISTINCT user_id) as cohort_users
  FROM cohort_data
  GROUP BY cohort_month
),
retention_data AS (
  SELECT 
    cd.cohort_month,
    cd.days_since_first,
    COUNT(DISTINCT cd.user_id) as active_users
  FROM cohort_data cd
  WHERE cd.days_since_first >= 0
  GROUP BY cd.cohort_month, cd.days_since_first
)
SELECT 
  rd.cohort_month,
  rd.days_since_first,
  ROUND(100.0 * rd.active_users / cs.cohort_users, 1) as retention_pct,
  rd.active_users,
  cs.cohort_users
FROM retention_data rd
JOIN cohort_size cs ON rd.cohort_month = cs.cohort_month
ORDER BY rd.cohort_month, rd.days_since_first;

Для каких задач используется когортный анализ

1. Оценка качества продукта

• Если День 1 retention высокий (> 40%) — хороший onboarding
• Если День 7 retention падает резко — есть проблема с engagement
• Тренд: улучшение показателей по когортам → улучшение продукта

2. Выявление проблем

• Внезапное падение retention в определённой когорте → был баг/проблема
• Сравнение: когорты до и после обновления → рост/падение качества

Пример:

Когорта июль (после обновления):   День 7 = 50%
Когорта июнь (до обновления):      День 7 = 35%
→ Обновление помогло!

3. Измерение LTV и ROI маркетинга

• Когорта по источнику (Facebook, Google, Telegram)
• Сравнить: какой источник приносит лучших пользователей?
• Сколько они зарабатывают за 30/90/365 дней?

Источник  | День 30 ARPU | День 90 ARPU | LTV (предположение)
─────────────────────────────────────────────────────────────
Google    | $15          | $40          | $100+ (высокий ROI)
Facebook  | $8           | $18          | $40 (низкий ROI)
Organic   | $20          | $55          | $150+ (лучший)

4. Анализ влияния feature на user journey

• Когорта 1: без новой фичи (День 1-30)
• Когорта 2: с новой фичей (День 1-30)
• Сравнить retention, revenue

5. Планирование ёмкости и ресурсов

• Сколько пользователей активны в день 30 из когорты?
• Сколько их будет в день 90?
• Сколько серверов нужно на это время?

Интерпретация когортных данных

✅ Хорошие признаки:

• Retention день 1: > 40%
• Retention день 7: > 25%
• Retention день 30: > 15%
• Тренд: каждая новая когорта лучше предыдущей

❌ Проблемные признаки:

• День 7 retention < 15%
• Когорта «падает» быстро (день 2-3 теряет > 50%)
• Регресс: последние когорты хуже, чем месяц назад

Пример реальной ситуации

Компания: мобильное приложение Проблема: пользователи уходят

Анализ:

Мартовские пользователи (5000):  День 7: 45%,  День 30: 20%
Апрельские пользователи (5200):  День 7: 38%,  День 30: 15%
Майские пользователи (4800):     День 7: 32%,  День 30: 10%

Вывод: каждая месячная когорта худше предыдущей. Начиная с марта, что-то изменилось?

Действия:

1. Проверить события: что запустилось в апреле? (обновление, перемена дизайна?)
2. Проверить, нет ли технических проблем
3. Улучшить onboarding для новых пользователей

Инструменты для когортного анализа

• Amplitude — встроенный cohort analysis
• Mixpanel — retention cohorts
• Google Analytics 4 — cohort analysis
• Tableau, Looker — custom dashboards
• SQL + Python — manual analysis

Роль Product Analyst

Product Analyst использует когортный анализ для:

1. Мониторинга здоровья продукта — регулярно смотреть на retention
2. Измерения эффекта изменений — улучшилось ли что-то после обновления
3. Выявления тренда — продукт деградирует или растёт?
4. Обоснования рекомендаций — "День 7 retention упал на 10%, нужно действовать"
5. Сегментации — какие когорты/источники лучше?

Когортный анализ — один из самых мощных инструментов для понимания реального состояния продукта и его динамики во времени.