Analiza kohortowa to technika analityczna, która grupuje użytkowników lub klientów w segmenty, zwane kohortami, na podstawie wspólnej cechy lub doświadczenia zaistniałego w określonym okresie, najczęściej daty pierwszej rejestracji, pierwszego zakupu lub pozyskania przez dany kanał, a następnie śledzi, jak zachowanie każdej kohorty ewoluuje w kolejnych okresach. Najczęstszym wynikiem jest tabela retencji kohortowej, czyli krzywa retencji, pokazująca, jaki odsetek kohorty pozostaje aktywny, wraca do zakupów lub nadal subskrybuje w ustalonych odstępach od punktu początkowego, takich jak 1 tydzień, 1 miesiąc, 3 miesiące i 12 miesięcy później, co pozwala analitykom porównywać, jak zachowują się kohorty pozyskane w różnym czasie lub różnymi kanałami w trakcie swojego cyklu życia.
Analiza kohortowa ma znaczenie, ponieważ koryguje podstawowe ograniczenie zbiorczych wskaźników szeregów czasowych: ogólny współczynnik retencji lub średni przychód na użytkownika w danym miesiącu łączy klientów znajdujących się na zupełnie różnych etapach relacji z produktem, niektórych, którzy dołączyli w tym samym miesiącu, i innych, którzy dołączyli lata wcześniej, co może całkowicie maskować pogarszające się lub poprawiające trendy. Na przykład cała baza użytkowników może wykazywać stałą łączną liczbę aktywnych użytkowników miesięcznie, podczas gdy nowsze kohorty odpływają znacznie szybciej niż starsze, co jest sygnałem ostrzegawczym, który pozostałby niewidoczny we wskaźniku zbiorczym, ale staje się od razu jasny, gdy kohorty zostaną rozdzielone i porównane obok siebie na krzywej retencji.
Kohorty można definiować w wielu wymiarach poza samą datą pozyskania, w tym jako kohorty behawioralne (grupowane według podjętego działania, na przykład ukończenia wdrożenia lub jego braku), kohorty kanałów pozyskania (grupowane według tego, czy użytkownik trafił z płatnego wyszukiwania, ruchu organicznego, czy z polecenia) oraz kohorty przychodowe (grupowane według wartości pierwszego zakupu). Analitycy zazwyczaj wizualizują te dane jako trójkątną tabelę retencji, w której wiersze reprezentują kohorty według okresu początkowego, a kolumny czas, jaki upłynął od tego początku, co pozwala wyodrębnić wzorce, takie jak gorsze wyniki kohorty z konkretnego miesiąca z powodu zmiany cen, błędu lub niższej jakości kampanii pozyskującej, do dokładnie tego okresu, zamiast ukrywać je w średnich ogólnych. Do budowania takich analiz bez konieczności angażowania inżynierii danych powszechnie używa się narzędzi takich jak Mixpanel, Amplitude oraz natywnych raportów eksploracji kohort w GA4.
Częstym błędem jest wyciąganie wniosków z kohort zbyt małych lub zbyt świeżych, by zgromadziły statystycznie istotne dane, ponieważ kohorta pozyskana dwa tygodnie temu nie może jeszcze niczego ujawnić na temat retencji po 6 czy 12 miesiącach, a porównywanie niedojrzałej kohorty z dojrzałą pod względem tych późniejszych wskaźników daje mylący obraz. Inną częstą pułapką jest nieuwzględnianie czynników zewnętrznych, które wpływają jednocześnie na całą kohortę, takich jak sezonowy wzrost jakości pozyskiwania w okresie świątecznej wyprzedaży czy tymczasowa awaria produktu, przez co kohorta może wyglądać na niezwykle mocną lub słabą z powodów niezwiązanych z żadną zamierzoną zmianą produktu czy marketingu wprowadzoną w tamtym czasie.
Dla firmy doradczej w zakresie wzrostu lub CRO analiza kohortowa jest szczególnie cenna przy ocenie, czy zmiany w produkcie, wdrożeniu lub marketingu cyklu życia klienta przynoszą trwałe usprawnienia, a nie krótkotrwałe skoki, ponieważ zmiana, która zwiększa liczbę początkowych rejestracji, ale nie poprawia, a wręcz pogarsza 30- lub 90-dniową retencję w objętej nią kohorcie, niekoniecznie stworzyła trwałą wartość. Jest to również standardowe narzędzie do oceny jakości kanałów pozyskania w czasie, ponieważ kanały można porównywać nie tylko pod względem natychmiastowego współczynnika konwersji czy kosztu pozyskania, ale także pod względem długoterminowej retencji i trajektorii wartości życiowej generowanych przez nie kohort, co często ujawnia, że kanał o wyższym początkowym koszcie pozyskania jest w rzeczywistości bardziej opłacalny, gdy uwzględni się zachowanie kohort w dłuższym okresie.
Więcej terminów na literę C
Wezwanie do działania (CTA, Call to Action)Sortowanie kart (Card Sorting)Porzucanie koszyka (Cart Abandonment)Zarządzanie zmianą (Change Management)Optymalizacja procesu zamówienia (Checkout Optimization)Wskaźnik odejść klientów (churn rate)Współczynnik klikalności (CTR)Testy po stronie klienta (Client-Side Testing)Obciążenie poznawcze (Cognitive Load)Analiza konkurencji (Competitive Analysis)Przedział ufności (Confidence Interval)Consent Mode (tryb zgody)
