Настройка когортного анализа мобильного приложения

Мы часто видим, как команды ориентируются на DAU, но не замечают, что retention падает. Наш опыт показывает: day-1 retention 40% и day-7 retention 20% — признаки разных проблем. Когортный анализ — единственный способ увидеть реальное поведение пользователей. Он показывает, как ведут себя пользователи одной недели установки через 7, 14, 30 дней после первого запуска. Агрегированный DAU скрывает деградацию: если новые пользователи приходят быстрее, чем уходят старые, DAU растёт — а удержание падает. Когорты это показывают. Понятие когортного анализа широко используется в мобильной аналитике. Однако на практике сталкиваются с типичными ошибками: нестабильный идентификатор пользователя, неправильный выбор первого ценного действия, отсутствие разбивки по версиям. Эти проблемы искажают данные, вводя команду в заблуждение. Свяжитесь с нами, чтобы настроить когортный анализ корректно.

Что нужно для когортного анализа

Два обязательных условия: стабильный user_id и событие активации. Без них когорта не строится корректно. Экономия на рекламном бюджете после точной настройки может достигать 20%.

User ID должен быть одинаковым при переустановке приложения. Если генерировать новый каждый раз, пользователь всегда будет в новой когорте. Решения:

• iOS: Keychain для хранения сгенерированного UUID (переживает удаление приложения)
• Android: AccountManager или server-side ID после регистрации
• После авторизации: Analytics.setUserId(serverUserId) — пользователь привязывается к аккаунту

Событие активации — первое действие, которое показывает ценность продукта. Для разных приложений разное:

Выбор события активации влияет на то, что показывает когорта. app_open — слишком широко, включает случайных пользователей. premium_purchase — слишком узко для анализа удержания всей аудитории.

Почему важен stable user_id?

Без стабильного идентификатора вы не сможете отличить нового пользователя от вернувшегося после переустановки. Это приводит к завышению числа новых пользователей и занижению удержания. Мы гарантируем правильную настройку Keychain и AccountManager на основе вашей платформы. По нашим данным, 90% клиентов до настройки имели нестабильность user_id, что искажало когорты на 50% и более. Получите аудит текущей аналитики — оценим стабильность user_id и корректность событий.

Как выбрать событие активации?

Событие активации должно отражать первый момент, когда пользователь получает пользу. Например, для фитнес-приложения это workout_completed, а не app_open. Один из наших клиентов (фитнес-приложение) после настройки когорт по workout_completed обнаружил, что удержание у тех, кто завершил первую тренировку в первые 2 дня, на 30% выше. Мы изменили онбординг, подталкивая к первой тренировке, и retention вырос на 15% за месяц. Обратитесь за консультацией, чтобы подобрать событие активации для вашего приложения.

Реализация когортного анализа

Firebase / BigQuery — настройка когортного анализа

Firebase сам строит Retention Chart в разделе Analytics, но с ограниченной гибкостью. Для глубокого анализа экспортируем сырые данные в BigQuery через Firebase → Integrations → BigQuery. Дальше SQL:

-- Когорта по неделям установки, retention на 7-й день
WITH cohorts AS (
    SELECT
        user_pseudo_id,
        DATE_TRUNC(MIN(PARSE_DATE('%Y%m%d', event_date)), WEEK) AS cohort_week,
        MIN(event_timestamp) AS first_open_ts
    FROM `project.analytics_*.events_*`
    WHERE event_name = 'first_open'
    GROUP BY user_pseudo_id
),
activity AS (
    SELECT DISTINCT
        user_pseudo_id,
        DATE_TRUNC(PARSE_DATE('%Y%m%d', event_date), WEEK) AS activity_week
    FROM `project.analytics_*.events_*`
    WHERE event_name = 'session_start'
)
SELECT
    c.cohort_week,
    DATE_DIFF(a.activity_week, c.cohort_week, WEEK) AS week_number,
    COUNT(DISTINCT c.user_pseudo_id) AS cohort_size,
    COUNT(DISTINCT a.user_pseudo_id) AS retained_users,
    ROUND(COUNT(DISTINCT a.user_pseudo_id) / COUNT(DISTINCT c.user_pseudo_id) * 100, 1) AS retention_pct
FROM cohorts c
LEFT JOIN activity a ON c.user_pseudo_id = a.user_pseudo_id
GROUP BY 1, 2
ORDER BY 1, 2

Этот запрос даёт retention-таблицу по неделям.

Amplitude

В Amplitude когортный анализ — нативный инструмент в разделе Retention Analysis. Настраиваем:

1. Starting Event — first_open или событие активации
2. Return Event — session_start или app_open
3. Группировка по дням/неделям
4. Breakdown по: источнику установки, платформе, версии приложения

Amplitude позволяет сравнивать когорты бок о бок — удобно видеть, улучшилось ли удержание после продуктового обновления.

Mixpanel

В Mixpanel раздел Retention строит классическую retention-матрицу. Дополнительно есть Lifecycle — показывает, какой процент пользователей возвращается после длительного отсутствия. Для казуальных игр это важная метрика.

Сравнение инструментов для когортного анализа

Поведенческие когорты

Кроме временных когорт (по дате установки) полезны поведенческие когорты — группы пользователей, совершивших определённое действие. Например, в Amplitude Behavioural Cohorts можно сегментировать пользователей по действиям: "добавил в корзину", "поделился контентом".

# Пример логики в BigQuery:
# Когорта: пользователи, завершившие онбординг
# Вопрос: каков их retention vs пользователи, которые пропустили онбординг?

Если удержание у завершивших онбординг в 2 раза выше — это доказательство, что онбординг нужно улучшать, а не сокращать.

Типичные проблемы при настройке когортного анализа

• Нестабильный user_id — данные искажены.
• Неправильное событие активации — когорта не отражает ценность.
• Использование только app_open как возврата — смешиваются сессии и активные пользователи.
• Отсутствие breakdown по версиям — не видно эффекта обновлений.

Наш опыт включает настройку когортного анализа для приложений с аудиторией от 10 000 до 5 млн пользователей. Мы гарантируем корректное отображение retention и LTV.

Что входит в работу

• Аудит стабильности user_id в текущей реализации
• Определение событий активации совместно с продукт-менеджером
• Настройка когортного анализа в Firebase + BigQuery / Amplitude / Mixpanel
• SQL-запросы для кастомных когортных отчётов
• Настройка поведенческих когорт для ключевых гипотез
• Документация и передача команде

Сроки

Настройка когортного анализа в готовом инструменте (Amplitude/Mixpanel): 1–2 дня. BigQuery + кастомные SQL-запросы: 2–4 дня. Стоимость рассчитывается индивидуально.

Получите аудит текущей аналитики — оценим стабильность user_id и корректность событий.