Kohortní analýza (cohort analysis)

Příklady z praxe

1. 01

   Opakované nákupy po kampani

   E-shop rozdělí zákazníky podle měsíce prvního nákupu a sleduje, kolik z nich nakoupí znovu do 30, 60 a 90 dnů. Lednová kohorta se vrací častěji než březnová, i když březnová kampaň přivedla víc nových zákazníků. Marketingový tým proto zjistí, že levnější akvizice z března přinesla horší opakované nákupy.

2. 02

   Měsíční retence v SQL

   SaaS firma chce vidět, kolik účtů zůstává aktivních po aktivaci placeného tarifu. Dotaz vytvoří měsíční kohorty podle první objednávky a spočítá aktivní zákazníky v dalších měsících. Výsledek lze převést na procenta vůči velikosti kohorty a porovnat retenci po změně onboardingu.

   WITH first_purchase AS (
     SELECT customer_id, MIN(order_date)::date AS cohort_date
     FROM orders
     GROUP BY customer_id
   ), activity AS (
     SELECT
       f.customer_id,
       date_trunc('month', f.cohort_date) AS cohort_month,
       date_trunc('month', o.order_date) AS order_month
     FROM first_purchase f
     JOIN orders o ON o.customer_id = f.customer_id
   )
   SELECT
     cohort_month,
     (EXTRACT(YEAR FROM order_month) - EXTRACT(YEAR FROM cohort_month)) * 12
       + (EXTRACT(MONTH FROM order_month) - EXTRACT(MONTH FROM cohort_month)) AS month_number,
     COUNT(DISTINCT customer_id) AS active_customers
   FROM activity
   GROUP BY cohort_month, month_number
   ORDER BY cohort_month, month_number;

Časté omyly

MýtusKohortní analýza je jen jiný název pro segmentaci.

Ve skutečnostiSegmentace rozděluje populaci podle vlastností nebo chování. Kohortní analýza navíc sleduje vývoj skupiny od společného výchozího okamžiku, takže hlavní roli hraje čas.

MýtusKdyž má novější kohorta lepší retenci, změna produktu určitě fungovala.

Ve skutečnostiLepší retence může mít víc příčin, například sezónnost, jiný akviziční kanál nebo odlišné složení zákazníků. Kohortní analýza ukazuje vzor, nikoli automatický důkaz kauzality.

Časté dotazy

Jak dlouhé období zvolit pro kohortní analýzu?

Délka období u kohortní analýzy má vycházet z rytmu produktu a rozhodovacího cyklu zákazníka. Mobilní aplikace často sleduje dny 1, 7 a 30, protože návrat po instalaci je rychlý signál. E-shop s delším nákupním cyklem může potřebovat měsíce nebo čtvrtletí. Předplatné se obvykle váže na fakturační interval, protože obnovení nebo zrušení služby je klíčová událost.

Jaká data jsou potřeba pro kohortní analýzu?

Kohortní analýza potřebuje jednoznačnou událost, která založí členství v kohortě, a další události, které měří pozdější chování. Typicky jde o registraci, první nákup, aktivaci tarifu, instalaci aplikace, použití klíčové funkce nebo zrušení předplatného. Data musí obsahovat identifikátor uživatele nebo účtu a čas události. Bez konzistentních identifikátorů se kohorty rozpadají a výsledky ztrácejí spolehlivost.

Kdy dává kohortní analýza větší smysl než běžný dashboard?

Kohortní analýza je vhodná, když otázka souvisí s vývojem chování po společném startu skupiny. Produktový tým ji použije pro retenci po registraci, obchodní tým pro opakované nákupy a marketing pro kvalitu akvizičních kanálů. Jednorázový dashboard se souhrnnými čísly stačí, pokud není důležité, kdy uživatelé přišli a jak dlouho od vstupní události uplynulo.

Může kohortní analýza dokázat příčinu změny retence?

Kohortní analýza sama o sobě nepotvrzuje, že změna produktu způsobila lepší nebo horší výsledek. Kohorty ukážou časový vzor a rozdíly mezi skupinami, ale příčinu může zkreslit sezóna, marketingový kanál, sleva, cílová země nebo změna skladby zákazníků. Silnější závěr vzniká kombinací kohortního pohledu, experimentu, kontrolní skupiny a znalosti konkrétní změny v produktu.

Zdroje

1. Cohort analysis(otevře se v novém okně)Wikipedia
2. Cohort (statistics)(otevře se v novém okně)Wikipedia
3. Google Analytics Data API(otevře se v novém okně)Google for Developers
4. 9.22. Window Functions(otevře se v novém okně)PostgreSQL

Související pojmy

• Customer Lifetime ValueCustomer Lifetime Value je odhad celkového zisku, který firmě přinese jeden zákazník za celou dobu vztahu s ním. Počítá se z průměrné hodnoty objednávky, frekvence nákupů, marže a míry odchodu zákazníků, obvykle diskontovaný na současnou hodnotu. Slouží hlavně jako strop pro to, kolik se vyplatí zaplatit za získání nového zákazníka.
• SegmentaceSegmentace je rozdělení většího celku na menší skupiny podle společných vlastností, chování nebo významu. V praxi pomáhá lépe cílit marketing, analyzovat zákazníky, zpracovávat obraz i připravovat data pro modely. Kvalitní segment má jasný účel, měřitelná pravidla a vede k odlišnému rozhodnutí nebo akci.
• DashboardDashboard je vizuální panel, který soustředí klíčové metriky, grafy, upozornění a odkazy na jednu přehlednou obrazovku. Pomáhá rychle sledovat stav produktu, firmy nebo systému, odhalit odchylky a rozhodovat podle aktuálních dat místo procházení mnoha samostatných reportů v různých nástrojích a týmech.
• Konverzní trychtýř e-shopuKonverzní trychtýř e-shopu je model nákupní cesty, který rozděluje návštěvu internetového obchodu na měřitelné kroky od příchodu přes prohlížení produktu, vložení do košíku a checkout až po zaplacenou objednávku. Pomáhá najít místa, kde zákazníci odpadají, porovnat dopad úprav webu a řídit akvizici, UX i retenci podle dat, ne pocitu.
• Onboarding uživateleOnboarding uživatele je řízený úvod nového nebo vracejícího se člověka do digitálního produktu, který mu pomáhá pochopit hodnotu, dokončit první důležité kroky a bezpečně nastavit účet. Dobrý onboarding zkracuje cestu k aktivaci, omezuje zbytečné vysvětlování a dává týmu data o místech, kde uživatel ztrácí motivaci nebo důvěru.
• Cílová skupinaCílová skupina je vymezená část trhu, na kterou firma míří produktem, komunikací a cenou, protože u ní očekává nejvyšší pravděpodobnost nákupu. Vymezuje se demografií, chováním, potřebou nebo situací, ve které se člověk nachází. V digitálním marketingu se překlápí do konkrétních parametrů kampaní, segmentů v analytice a rozhodnutí o obsahu webu.
• Mobilní analytikaMobilní analytika je měření chování uživatelů uvnitř mobilní aplikace pomocí událostí, které SDK odesílá ze zařízení na server ke zpracování a vyhodnocení. Sleduje instalace, spuštění, obrazovky, nákupy, pády a retenci. Na rozdíl od webové analytiky pracuje s offline frontou událostí, verzemi aplikace a povinným souhlasem se sledováním.
• A/B testováníA/B testování je řízený experiment, který porovnává dvě varianty stránky, funkce, ceny nebo sdělení na podobných skupinách uživatelů. Měří předem zvolenou metriku, například konverzi nebo retenci, a pomáhá rozhodnout, zda změna skutečně zlepšuje výsledek, nebo zda pozorovaný rozdíl mohl vzniknout náhodou.