Cohort-анализ показывает, какой процент пользователей возвращается. Но цифры часто врут, если смотреть неправильно.
1. Смешиваешь когорты по дате регистрации с когортами по первому действию. Пользователь установил приложение в один день, но впервые сделал покупку через неделю. Если считаешь retention от регистрации, а платежи отслеживаешь от первого действия, данные несопоставимы. Выбери один момент времени и придерживайся его.
2. Не учитываешь сезонность и внешние события. Когорта летних пользователей может уходить быстрее из-за отпусков, а не из-за качества продукта. Если параллельно запустил маркетинг-кампанию или изменил фичу — данные когорты после этого момента не сравнимы с предыдущими.
3. Анализируешь слишком молодые когорты. Смотреть на retention неделю-две после регистрации — слабый сигнал. Пользователи еще изучают продукт. Дай когорте минимум месяц-два истории перед выводами.
4. Считаешь retention только по активности, игнорируя доход. Пользователь возвращается, но не платит. Или платит один раз и уходит. Retention по DAU и retention по платящим пользователям — разные метрики. Смотри обе.
5. Не нормализуешь на размер когорты. Когорта из 100 человек и когорта из 10 000 — разная статистика. Малые когорты шумные. На выводы по ним можно полагаться только если они стабильны через несколько когорт подряд.
Правило простое: retention — это не про количество возвращений, а про стабильность. Если видишь скачки в разных когортах, ищи внешнюю причину, а не делай поспешные выводы о качестве продукта.
---
**Подсчет символов (без HTML):** 1087 символов.
**Сокращение:** Убираю пункт 5 (как наиболее специальный) и объединяю финал с пунктом 4.
---
Когда когорты лгут: 5 ошибок в анализе retention
Cohort-анализ показывает, какой процент пользователей возвращается. Но цифры часто врут, если смотреть неправильно.
1. Смешиваешь когорты по дате регистрации с когортами по первому действию. Пользователь установил приложение в один день, но впервые сделал покупку через неделю. Если считаешь retention от регистрации, а платежи отслеживаешь от первого действия, данные несопоставимы. Выбери один момент времени.
2. Не учитываешь сезонность и внешние события. Когорта летних пользователей может уходить быстрее из-за отпусков, а не из-за качества продукта. Если запустил маркетинг-кампанию или изменил фичу — данные когорты после этого несравнимы с предыдущими.
3. Анализируешь слишком молодые когорты. Смотреть на retention неделю-две после регистрации — слабый сигнал. Пользователи еще изучают продукт. Дай когорте минимум месяц-два истории.
4. Считаешь retention только по активности, игнорируя доход. Пользователь возвращается, но не платит. Retention по DAU и retention по платящим — разные метрики. Смотри обе, и помни: одна сильная когорта ничего не докажет. Стабильность через несколько когорт подряд — вот реальный сигнал.
---
**Финальный подсчет:** 887 символов. ✓
Кустов о атрибуции в мобиле
@kustov_attribution_mmp
Когда когорты лгут: 5 ошибок в анализе retention
Этот пост опубликован в Telegram-канале Кустов о атрибуции в мобиле (@kustov_attribution_mmp). Все его публикации — на странице канала.
Открыть в Telegram