Когортный анализ

Когортный анализ — это метод изучения поведения пользователей, основанный на выделении групп, совершивших однотипное действие в конкретный период времени. Каждая такая группа фиксируется как когорта, что позволяет отслеживать динамику её поведения, изменение активности и влияние отдельных маркетинговых или продуктовых факторов. Подход обеспечивает изолированное наблюдение за реакциями разных групп на внешние воздействия и помогает исключить искажения, возникающие при анализе совокупной аудитории.

Когорты формируются по дате события, определяющего точку входа пользователя в продукт. Чаще всего используются:

• первое посещение сайта;

• установка приложения;

• переход по рекламной ссылке;

• регистрация или подписка;

• первое целевое действие (например, покупка).

Формирование когорты фиксирует начальное состояние пользовательской группы. Далее измеряются изменения ключевых метрик на протяжении заданного периода. Это позволяет выявить, насколько устойчивым остаётся интерес к продукту и есть ли различия в поведении разных сегментов пользователей.

Для чего используется когортный анализ

Когортный подход позволяет разложить совокупный результат на независимые временные срезы. Это помогает оценить влияние отдельных каналов, акций, типов трафика и изменений продукта. Метод применяется в аналитике сайтов, мобильных приложений и сервисов с подписочной моделью.

Основные направления применения:

1. Оценка эффективности рекламных кампаний

Измеряется, как аудитория, привлечённая в конкретный период, взаимодействует с продуктом через день, неделю, месяц. При длинном цикле принятия решения этот анализ позволяет не прерывать кампанию преждевременно и прогнозировать окупаемость.

2. Оптимизация маркетинговой стратегии

Сравнение разных когорт выявляет закономерности: изменение конверсий, снижение интереса, реакцию на продуктовые изменения. На основе этих данных корректируют коммуникации, меняют воронку и перераспределяют бюджет.

3. Аналитика мобильных приложений

Основной показатель — коэффициент удержания (Retention Rate). Он показывает, какая доля пользователей остаётся активной спустя определённое количество дней после установки.

Для расчёта коэффициента удержания используется формула:

UserRetentionRate = (R - A) / E * 100

где:

• R — общее число пользователей в конце текущего периода;

• A — количество новых пользователей за этот период;

• E — число активных пользователей предыдущей когорты в конце прошлого периода.

Пример расчёта:

R = 550000 A = 200000 E = 500000

URR = (R - A) / E * 100

URR = (550000 - 200000) / 500000 * 100 = 70%

Полученное значение показывает долю пользователей, сохранивших активность, и помогает оценить изменения поведения аудитории по сравнению с предыдущими временными интервалами.

Как проводить когортный анализ

Для проведения анализа требуется определить логику формирования групп, временные рамки и показатели, по которым будет происходить оценка. Процесс состоит из нескольких этапов:

1. Определение признаков формирования когорт

Признак выбирается исходя из бизнес-задачи: первый визит, регистрация, первая покупка, установка приложения.

2. Выбор временного интервала

Когорты могут формироваться по дням, неделям или месяцам. Интервал зависит от частоты использования продукта и длительности цикла принятия решения пользователем.

3. Задание периода анализа

Оценивается, сколько дней (или недель) будет отслеживаться поведение каждой когорты.

4. Выбор ключевых метрик

Обычно измеряются:

• удержание пользователей;

• количество целевых действий;

• повторные транзакции;

• длительность сессий;

• частота возвращений.

После сбора данных метрики сравниваются между когортами. Выявляются паттерны, которые не видны при анализе общей массы пользователей. Например, аудитория из одного источника может показывать высокое удержание, но низкую конверсию в покупки; другая — наоборот.

Работа с когортными таблицами

Отчёты когортного анализа чаще всего представлены в виде матрицы, где строки — это когорты, а столбцы — временные шаги. В ячейках отражаются значения метрик. Таблица показывает, как изменяется поведение одной и той же группы пользователей со временем.

Пример структуры отчёта:

Такая таблица демонстрирует изменение интереса пользователей к определённому действию. На примере выше видно, что первая когорта после резкого падения интереса показывает небольшой рост конверсии на шестой день.

Для построения подобных отчётов используются инструменты аналитики:

• Google Analytics;

• AppsFlyer;

• AppMetrica;

• Adapty;

• Яндекс.Метрика;

• Excel или Google Sheets.

Изменение периода анализа или типа метрики позволяет исследовать другие аспекты пользовательского поведения. Например, переходы между экранами приложения, количество совершённых транзакций, реакцию на пуш-уведомления.

Код для расчёта удержания в аналитических системах

Для автоматизации анализа можно использовать простой скрипт, который рассчитывает коэффициент удержания для каждой когорты. Ниже пример кода на Python:

def retention_rate(R, A, E):
    return (R - A) / E * 100

cohorts = [
    {"R": 550000, "A": 200000, "E": 500000},
    {"R": 310000, "A": 120000, "E": 290000},
]

for c in cohorts:
    rate = retention_rate(c["R"], c["A"], c["E"])
    print(f"Retention: {rate:.2f}%")

Этот простой алгоритм демонстрирует, каким образом метрика может быть вычислена автоматически для нескольких когорт одновременно. Такая автоматизация применяется при анализе больших массивов данных, когда требуется обработка десятков групп и сотен временных интервалов.

Практическое применение когортного анализа

Когортный анализ широко используется в продуктах с высокой частотой взаимодействия и регулярными обновлениями. Наиболее типичные задачи:

• оценка качества трафика из разных рекламных источников;

• определение момента, когда пользователи теряют интерес;

• оценка влияния новых функций или интерфейсных изменений;

• анализ поведения клиентов с разными моделями монетизации;

• прогнозирование жизненного цикла пользователя.

Подход позволяет связывать изменения метрик с конкретными причинами, например: изменением посадочной страницы, обновлением приложения, переработкой механики регистрации или внедрением новых сценариев взаимодействия.

Когортный анализ используется как в крупных продуктах, так и в небольших сервисах, так как он даёт независимую от сезонности и размера аудитории оценку качества аудитории и влияния изменений на продуктовые метрики.

Когортный анализ (cohort analysis) - это метод анализа данных, который позволяет изучать поведение определенной группы пользователей (когорты) на протяжении определенного периода времени. Этот метод используется для определения эффективности рекламных кампаний, анализа поведения пользователей на сайте и других целей.