Когортный анализ
Когортный анализ - это метод группировки пользователей по общему стартовому событию (обычно по неделе или месяцу регистрации) и отслеживания их поведения во времени как группы. Вместо одного скользящего среднего вы видите множество параллельных линий, каждая из которых показывает, как на самом деле вело себя конкретное поколение пользователей.
Когортный анализ - это метод группировки пользователей по общему стартовому событию (обычно по неделе или месяцу регистрации) и отслеживания их поведения во времени как группы. Вместо одного скользящего среднего вы видите множество параллельных линий, каждая из которых показывает, как на самом деле вело себя конкретное поколение пользователей.
Почему это важно
Агрегированные метрики лгут. Продукт может показывать рост MAU, в то время как каждая отдельная когорта уходит быстрее предыдущей - рост обусловлен исключительно тем, что привлечение опережает отток. Когортный анализ сразу выявляет такую картину. Каждая серьёзная команда по росту (Facebook, Airbnb, Shopify) строит разговоры об удержании на когортных графиках, а не на средних значениях. Когортный анализ также единственный надёжный способ узнать, действительно ли сработало изменение в продукте - средние значения "до и после" смешивают старое и новое поведение, а когорты их разделяют.
Как это работает
1. Выберите стартовое событие: регистрация, первая покупка, первое использование функции. Это определяет "Неделю 0" для каждого пользователя.
2. Сгруппируйте пользователей по стартовому периоду: все пользователи, зарегистрировавшиеся на 1-й неделе апреля, - одна когорта, на 2-й неделе - другая и так далее.
3. Выберите событие удержания: что считается "удержанием"? Вход в систему, выполнение ключевого действия, оплата - будьте конкретны.
4. Отслеживайте удержание каждой когорты во времени: для каждой когорты вычислите % всё ещё выполняющих событие удержания на Неделе 1, Неделе 2, Неделе 3, …
5. Отобразите их рядом: каждая когорта становится строкой или линией. Сравнивайте формы, а не только цифры.
На какие формы обращать внимание
Выравнивающаяся кривая: удержание резко падает в начале, затем выходит на стабильный процент. Это форма соответствия продукта рынку (product-market fit) - ядро пользователей остаётся.
Кривая-улыбка: удержание падает, затем растёт по мере возвращения "спящих" пользователей. Редкая, но мощная форма; наблюдается, когда продукт становится привычкой.
Скольжение к нулю: удержание неуклонно снижается до 0%. Продукт не удерживает. Привлечение вас не спасёт.
Улучшение когорт во времени: новые когорты удерживаются лучше старых. Это сигнал того, что изменение в продукте действительно сработало.
Деградация когорт: новые когорты удерживаются хуже. Что-то сломалось - либо продукт, либо канал привлечения притягивает пользователей, которым продукт не подходит.
Типичные применения
Диагностика удержания: действительно ли наш продукт удерживает пользователей?
Влияние функции: улучшил ли запуск X удержание для когорт, которые её увидели?
Качество канала: удерживаются ли пользователи из Google Ads так же хорошо, как пользователи из органики?
Эксперименты с ценообразованием: удерживается ли когорта нового тарифа лучше, чем когорта старого?
Прогнозирование оттока: примените когортные кривые к новым регистрациям, чтобы спрогнозировать будущий MRR.
Типичные ошибки
Сравнение со средними значениями: средние значения объединяют все когорты, скрывая важный тренд.
Слишком маленький размер когорты: недельные когорты по 20 пользователей - это в основном шум. Если объём низкий, агрегируйте до месячного.
Неверное стартовое событие: "зарегистрировался" - это не "активировался". Выбирайте событие, которое определяет реальное использование.
Неверное событие удержания: вход в систему ничего не значит. Выбирайте действие, которое создаёт ценность.
Анализ только одной когорты: снимки одной когорты скрывают, улучшается ли ситуация или ухудшается со временем.
Когорты только по месяцу привлечения: формируйте когорты также по знакомству с функцией, каналу, тарифу и другим измерениям, чтобы найти реальные драйверы.
Sources: