Финальный рывок перед январскими праздниками 😉
Сегодня кратко поговорим о когортном анализе, методе, который зачастую незаслуженно остаётся в тени A/B-тестирования.
Когортный анализ – это метод анализа, при котором пользователей делят на группы (когорты) и отдельно анализируют поведение каждой из них в продукте в течении времени.
Такой подход позволяет выявить инсайты, которые теряются при валовом анализе, т.н. «среднее по больнице». Не устану повторять, что данные нужно уметь рассматривать в правильном разрезе и контексте.
Термин «когорта» пришёл к нам из II века до н. э. из Римской
В контексте продуктовой аналитики когорта – это группа пользователей из целевой аудитории, которые совершили одно и то же действие в один и тот же период времени и, как следствие, имеют схожий пользовательский опыт. При этом они могут отличаться по социально-демографическим и другим характеристикам.
На своей практике часто вижу путаницу между сегментами и когортами, поэтому ещё раз, но под другим углом:
– сегментация группирует пользователей по схожим характеристикам (пол, возраст, гео, интересы и др.), но с разным пользовательским опытом;
– когорта объединяет пользователей по схожему пользовательскому опыту, но характеристики могут различаться. Попав в когорту, пользователь остаётся в ней.
Чаще всего мне доводилось выделять когорты по временному признаку: январская когорта новых пользователей, февральская когорта и т.д.
Событие, по которому будет происходить отнесение к когорте может быть разное: регистрация в продукте, установка приложения, оплата, просмотр страницы, экрана, совершение основного сценария в продукте и др.
Например, мы анализируем пользователей, зарегистрировавшихся в январе, и смотрим, как с течением времени меняется их поведение: среднее время в продукте, клики, переходы, оплаты, Retention, Churn, Lifetime, LTV.
В следующем посте разберём 4 самых частых кейса когортного анализа, алгоритм его проведения и подводные камни, с которыми можно столкнуться. Stay tuned 🎅