Rehber

Cohort AnaliziDeliği Gör

Herkes “cohort analizi yap” der, kimse neye bakacağını söylemez. Bu rehber matrisi nasıl okuyacağını, deliğin nerede olduğunu nasıl bulacağını ve onu kapatmanın LTV'ye ne yaptığını hesapla gösterir.

Yazar: Alp SuleimanYayın 4 Ekim 2026

OkumaCohort Matrisi →

Boşluk

Genel rakam üç farklı hikâyeyi saklar

Retention dashboard'unda tek bir sayı görürsün: 30. günde %30. İyi mi kötü mü, bilmezsin. Daha önemlisi, o sayının arkasında ne olduğunu bilmezsin.

Dibinde delik olan bir kovayı düşün. Üstten ne kadar su dökersen dök, seviyeyi deliğin yeri ve büyüklüğü belirler. Genel retention rakamı kovanın ne kadar dolu olduğunu söyler. Cohort matrisi deliği gösterir.

Örnek, gerçek veri değil

30. günde hepsi %30

30. günde hepsi %30
Cohort	7. gün	30. gün	90. gün	Okuma
A	%33	%30	%29	İlk haftada kaybettikten sonra düzleşiyor. Kalanlar kalıyor.
B	%70	%30	%9	İlk hafta iyi görünüyor ama kayıp hiç durmuyor.
C	%40	%30	%26	Kayıp yavaşlıyor, düzleşme yeni başlıyor.

30. günde hepsi %30

A
7. gün:
%33
30. gün:
%30
90. gün:
%29
Okuma:
İlk haftada kaybettikten sonra düzleşiyor. Kalanlar kalıyor.
B
7. gün:
%70
30. gün:
%30
90. gün:
%9
Okuma:
İlk hafta iyi görünüyor ama kayıp hiç durmuyor.
C
7. gün:
%40
30. gün:
%30
90. gün:
%26
Okuma:
Kayıp yavaşlıyor, düzleşme yeni başlıyor.

Üç cohort da 30. günde aynı noktada. Üçünün de ihtiyacı farklı: A'nın ilk haftaya, B'nin değerin tekrarlanmasına, C'nin biraz daha beklemeye.

Okuma

Matris: satır kayıt dönemi, sütun yaş

Cohort, aynı dönemde kaydolan kullanıcılar grubudur. Matriste her satır bir cohort, her sütun o cohort'un yaşıdır: 0. dönem kayıt anı, 1. dönem bir dönem sonrası. Hücre, o cohort'tan o yaşta kaç kişinin aktif olduğunu ya da yüzdesini gösterir. Üçgen şekil normaldir; yeni cohort'lar henüz eski yaşlara ulaşmamıştır.

Cohort retention'ı her zaman cohort'un başlangıç sayısına oranlanır. Sözlükteki dönem bazlı retention rate formülü ise dönem başı müşteri sayısına bakar ve o dönemde edinilen yeni müşterileri çıkarır; iki ölçü aynı şey değildir.

Üç yönde oku

01
Yatay: bir cohort'un eğrisi
Soldan sağa giden satır o cohort'un hayatıdır. Başta dik düşüp düzleşen eğri ile hiç düzleşmeyen eğri farklı hastalıklardır.
02
Dikey: aynı yaşta cohort'lar
Bir sütunda yukarıdan aşağı inmek, yeni cohort'ların eskilerden iyi mi kötü mü olduğunu gösterir. Bir değişikliğin işe yarayıp yaramadığını burada görürsün.
03
Genel satır: ağırlıklı ortalama
Toplam retention, cohort'ların ağırlıklı ortalamasıdır. Sequoia bu yüzden diğerlerinden çok büyük cohort'ları ayrıca izlemeyi önerir; tek bir kalabalık kampanya ortalamayı kendi hikâyesine çeker.

Kendi matrisini yapıştırıp ısı haritasını, ortak eğriyi ve düzleşme noktasını görmek için Cohort Matrisi'ni kullanabilirsin. Cohort Matrisi →

Önce tanım

“Aktif”in ne demek olduğuna karar ver

Matristeki her rakam bir tanıma dayanır. Giriş yapan mı aktiftir, çekirdek eylemi tamamlayan mı? Tanımı değiştirirsen aynı kullanıcılar aynı gün farklı bir matris çizer. Girişi sayarsan eğri yüksek ve rahatlatıcı çıkar; çekirdek eylemi sayarsan düşer ama değer almayı daha doğrudan ölçer.

Araçlar da bunu farklı yapar. Amplitude'da “Return On” yalnızca tam o günü, “Return On or After” o günü ve sonrasını sayar; Mixpanel varsayılan olarak “On or After” kullanır. İki grafiği yan yana koymadan önce hangisine baktığını bil.

Test sorusu

Aktif kullanıcı tanımın, kullanıcının değer aldığı eylemi mi sayıyor, yoksa yalnızca uygulamayı açtığını mı?

Çerçeve

Altı adımda bottleneck

Bu altı adım bir çerçevedir; literatürde bu adıyla geçen bir standart değil. Sırayı koru, ama her adımın sonunda durabileceğini bil.

01
Veriyi ve aktif tanımını hazırla
Kullanıcı kimliği, kayıt tarihi ve aktif olduğu dönemler tek tabloda toplanır. Henüz analiz yapma: kötü veri seni güvenle yanlış yere götürür.
ÇıktıHer satırı bir kullanıcı olan tek tablo ve yazılı bir aktif tanımı.
Ne zaman gerek yokÜrünün birkaç düzine kullanıcısı varsa boru hattı kurma. Tabloyu elle okumak yeter.
02
Matrisi kur
Kullanıcıları kayıt haftasına ya da ayına göre grupla, her cohort için her yaşta aktif sayıyı yaz. Bir e-tablo yeterli. Hücreleri renklendirmek gözü yönlendirir ama sayıyı hücrede tut.
ÇıktıÜçgen bir cohort × yaş matrisi ve en üstte ortak satır.
Ne zaman gerek yokCohort başına kullanıcı çok azsa cohort'ları daha geniş döneme birleştir. Amplitude küçük cohort'lardan sonuç çıkarmaya karşı uyarır; bir örnekte 30 kullanıcı civarını küçük sayar, sınır ürüne göre değişir.
03
Düşüş noktalarını bul
Üç şeye bak: ani düşüş (belirli bir yaşta kayıp yığılıyor), sürekli eğimli aşınma (her dönem biraz gidiyor) ve cohort'lar arası fark (bazı cohort'lar hep daha kötü). Pratik kural, ürün tipine göre değişir: ilk haftada kullanıcıların yarısından fazlası gidiyorsa önce oradan başla.
ÇıktıTek bir cümle: “Kayıp en çok şu yaşta ve şu cohort'ta.”
Ne zaman gerek yokEğri erken düzleşiyor ve cohort'lar birbirine benziyorsa deliği başka yerde ara: edinim kalitesinde ya da fiyatta.
04
Davranış ve funnel ile çaprazla
Kalanların ilk haftada yaptığı ama gidenlerin yapmadığı eylemleri çıkar. Kayıttan çekirdek eyleme giden yolu funnel olarak aç, nerede döküldüğünü gör. Tuzak şu: Amplitude'un da belirttiği gibi cohort analizi ilişki gösterir, neden göstermez. İlk haftada profilini tamamlayanlar daha çok kalıyorsa nedeni profil olmayabilir; motive kullanıcı hem tamamlar hem kalır. Bu seçilim yanlılığıdır, nedeni ancak test gösterir.
ÇıktıKalıcılıkla birlikte hareket eden eylemlerin kısa listesi; hepsi hipotez adayı, hiçbiri kanıt değil.
Ne zaman gerek yokİlk değeri tek bir eylem belirliyorsa funnel çizmek yerine o eylemin tamamlanma oranına bak.
05
Hipotez yaz, test et
Seçtiğin deliğe tek bir hipotez yaz ve en küçük değişikliği tasarla: bir form alanını kaldırmak, ilk oturuma bir adım eklemek. Kullanıcıları ikiye böl, iki grubun cohort eğrisini karşılaştır. Aynı anda birden fazla şey değiştirme.
ÇıktıBir hipotez, bir kontrol grubu, hangi yaşta hangi eğriye bakacağının yazılı hali.
Ne zaman gerek yokTrafik iki gruba bölmeye yetmiyorsa A/B kurma. Değişikliği yap, sonraki cohort'u öncekiyle kıyasla ve kendine şu soruyu sor: bu iyileştirme olmasaydı, sonraki cohort aynı eğriyi çizer miydi?
06
Önceliklendir: modelleme
Hepsine müdahale edemediğinde, ayrılma riski yüksek ve değeri yüksek kullanıcıları sıralayan bir churn modeli devreye girer. Bu adım en sona konur çünkü model, yukarıdaki beş adımın bulduğu şeyi büyütür; bulamadığını bulmaz.
ÇıktıRisk skoruyla sıralı kullanıcı listesi ve her sıraya bağlı bir müdahale.
Ne zaman gerek yokKüçük bir startup'san ilk altı ay buna gerek yok. Önce matris, sonra bottleneck, sonra basit testler. Veride tekrar eden bir örüntü gördüğünde modellemeye geç.

Modelleme adımının isimleriKaplan-Meier · Cox orantılı hazard · BG/NBD

Altıncı adıma geldiğinde karşına çıkacak üç ad. Her biri tek cümlelik bir tanım ve ne zaman devreye girdiği.

Kaplan-Meier
Hâlâ aktif olanlar gibi eksik gözlemleri de hesaba katarak bir kullanıcı grubunun belli bir süreyi aşma oranını tahmin eder. Cohort'ların gözlem süresi çok farklıysa işine yarar.
Cox orantılı hazard
Ayrılma riskini kullanıcı özellikleriyle ilişkilendirir: hangi kanaldan gelen, hangi planı seçen daha hızlı gidiyor. Segmentleri tek tek karşılaştırmak yetmediğinde devreye girer.
BG/NBD
Müşterinin ayrıldığının açıkça gözlenmediği, tekrar alışveriş yapan müşterilerde, belli bir sürede kaç alım yapacağını ve müşterinin hâlâ “canlı” olup olmadığını modelleyen olasılıksal bir yaklaşım. Abonelikten çok tekrar satın alma işlerinde anlamlıdır.

Tuzak

Yükselen eğri sadakat demek değildir

Aylık devam oranının zamanla yükseldiğini görürsen, kullanıcıların sadıklaştığını düşünmek cazip gelir. Fader ve Hardie, Vaupel ve Yashin'e atıfla bilinen “heterojenliğin hilesi”nden söz eder ve bunun sıkça gözden kaçtığını belirtir: çabuk ayrılmaya yatkın müşteriler erken düşer, geride kalanlar zaten daha az ayrılmaya yatkın olanlardır. Bu durumda oran yükselir, oysa tek bir kullanıcı değişmemiş olabilir.

Aşağıdaki hesabı kendin kontrol edebilirsin.

Örnek, gerçek veri değil

İki eşit grup düşün. Biri her ay kalanların yarısını kaybediyor, diğeri onda birini. Bir ay sonra toplam retention 0,50×0,5 + 0,50×0,9 = %70. İki ay sonra %53, üç ay sonra %43. Aylık devam oranı ise 0,70'ten 0,76'ya, 0,81'e yükselir. Hiç kimse sadıklaşmadı; yalnızca karışım değişti.

Dashboard'un eğri yükseldiğini söylüyorsa önce bu etkiyi dışla; ardından segment ya da kanal bazında ayrı matrislere bak.

Desenler

Dört bottleneck deseni

Matriste aynı dört şekil tekrar tekrar çıkar. Her biri farklı bir soruyu açar.

Erken düşüş
Belirti
Kayıp ilk dönemde yığılıyor; sonra eğri düzleşiyor ya da çok yavaş iniyor.
İlk müdahale
Kullanıcıyı ilk oturumda çekirdek eyleme götüren en kısa yolu çiz, sürtünmeyi azalt (kısa kayıt formu, gereksiz adımları sil), ilk dakikalarda küçük bir başarı yaşat.
Neden ve test sorusu
Olası neden
Kullanıcı değeri görmeden ayrılıyor: onboarding zayıf ya da pazarlamanın anlattığı ürünle gerçek ürün farklı.
Test sorusu
İlk oturumun sonunda kullanıcı, ürünü açarken beklediği şeyi yapmış oluyor mu?
Orta dönem aşınma
Belirti
İlk dönem iyi, ardından her dönem biraz daha kayıp; eğri düzleşmiyor.
İlk müdahale
Dönüş döngüsünü tasarla. Nir Eyal'ın Hooked modelindeki dört aşama (tetikleyici, eylem, değişken ödül, yatırım) bir çerçeve olarak iş görür: kullanıcıyı ne geri çağırıyor, dönünce ne buluyor, bir sonraki dönüşü neyle hazırlıyor?
Neden ve test sorusu
Olası neden
Kullanım alışkanlığa dönüşmüyor. İlk deneyim iyi ama değer tekrarlanmıyor.
Test sorusu
Kullanıcının ikinci kez dönmesi için ürünün dışından bir hatırlatma mı gerekiyor, yoksa içeride kendiliğinden bir ihtiyaç mı doğuyor?
Dalgalanma
Belirti
Eğri bazı dönemlerde yukarı çıkıyor, bazı dönemlerde iniyor; cohort'lar birbirine benzemiyor.
İlk müdahale
Önce dalganın takvime mi ürüne mi bağlı olduğunu ayır. Episodik üründe ihtiyaç bittikten sonra da değer üretecek kullanım nedenleri ekle.
Neden ve test sorusu
Olası neden
Mevsimsellik ya da episodik kullanım: ihtiyaç doğduğunda gelen, bitince giden kullanıcı. İş arama uygulaması tipik örnek.
Test sorusu
İhtiyacı biten kullanıcı gerçekten kaybedilmiş bir kullanıcı mı, yoksa ürün işini yapmış mı?
Segment bazlı düşük retention
Belirti
Bir kanaldan, planından ya da cihazdan gelen cohort sürekli daha kötü.
İlk müdahale
Tek matris bunu göstermez: kanal ve plan bazında ayrı matrisler çıkar ve yan yana koy. Ardından segmente özel onboarding, fiyat ya da mesaj dene.
Neden ve test sorusu
Olası neden
O segment için değer önerisi yetersiz, fiyat uygun değil ya da deneyim o ortama göre tasarlanmamış (mobil gibi).
Test sorusu
O segmenti çıkarsan ürünün değer önerisi hâlâ doğru mu?

Sequoia'nın üç eğrisiyle yan yanaDüzleşen · Düşmeye devam eden · SmilingEşleştirme bizim yorumumuz, Sequoia'nın değil.

Sequoia retention eğrilerini şekline göre üç arketipe ayırır: düzleşen, düşmeye devam eden ve “smiling”, yani kıvrılıp yeniden yükselen. Bu dört desen ise eğrinin şekline değil, arkasındaki nedene bakar. İkisi aynı matrise iki ayrı soru sorar. Aşağıdaki eşleştirme Sequoia'nın değil, bizim yorumumuzdur.

Düzleşen
Sequoia'ya göre bir kitle değer bulup dönmeye devam etmiş demektir; eğrinin düzleştiği seviye ne kadar yüksekse uzun vadeli retention o kadar yüksektir.
Düşmeye devam eden
Orta dönem aşınmaya benzer. Kalıcı bir çekirdek kitle henüz oluşmamış.
Smiling
Sequoia'ya göre ürün gerçekten istisnaiyse eğri yeniden yükselebilir: ürün geliştikçe ve ağ etkileri güçlendikçe ayrılmış kullanıcılar geri döner. Matriste bunu mevsimsellikten ya da kampanyayla geri getirmeden ayırmak sana kalır.

LTV

Düşüşü paraya çevir

Bir bottleneck'ı düzeltmeye mühendislik zamanı ayırmadan önce, düzeltmenin LTV'ye ne yapabileceğini hesapla.

Örnek, gerçek veri değil

Üç cohort, bir ortak eğri

Üç cohort'un hepsi 1000 kullanıcıyla başladı. Her yaşta, o yaşa ulaşmış cohort'ların aktif toplamını bir önceki yaştaki aktif toplamına bölüp oranları zincirleme çarpıyoruz; üçgen matriste farklı uzunluktaki satırlar böyle birleşir.

Cohort matrisi (aktif kullanıcı sayısı)
Cohort	M0	M1	M2	M3
C1	1000	500	350	250
C2	1000	600	420	–
C3	1000	550	–	–

Cohort matrisi (aktif kullanıcı sayısı)

C1
M0:
1000
M1:
500
M2:
350
M3:
250
C2
M0:
1000
M1:
600
M2:
420
M3:
–
C3
M0:
1000
M1:
550
M2:
–
M3:
–

Ortak retention eğrisi
Yaş	Dönem oranı	Kalan oran (S)
M0	–	1
M1	0,55	0,55
M2	0,70	0,385
M3	0,714	0,275

Ortak retention eğrisi

M0
Dönem oranı:
–
Kalan oran (S):
1
M1
Dönem oranı:
0,55
Kalan oran (S):
0,55
M2
Dönem oranı:
0,70
Kalan oran (S):
0,385
M3
Dönem oranı:
0,714
Kalan oran (S):
0,275

Dönem başına ARPU 10, brüt marj %100, ufuk 3 dönem (M0 dahil) olsun. S toplamı 1 + 0,55 + 0,385 + 0,275 = 2,21; LTV = 22,1. Şimdi M1 retention'ı 10 puan artırdığını varsay: S 1; 0,65; 0,455; 0,325 olur, toplam 2,43; LTV = 24,3. Fark 2,2, yani yaklaşık %10.

Bu bir duyarlılık hesabıdır, tahmin değil. +10 puanın gerçekleşip gerçekleşmeyeceğini yalnızca denemen gösterir.

Yüzde neden sezgiden küçük çıkıyor?

M1 retention'ı %55'ten %65'e çıkardın; bu göreli olarak yaklaşık %18'lik artış. LTV yaklaşık %10 arttı, çünkü M0 değişmedi: kullanıcı kayıt anında zaten oradaydı ve LTV'nin (iyileştirmeden önce) yaklaşık %45'i bu sabit terimden geliyor. İyileştirme yalnızca M1 ve sonrasına dokunur.

Formül

LTV = Σ S(t) × ARPU × brüt marj

Daha basit bir model: 1 ÷ churn

Dönemlik churn sabitse ortalama müşteri ömrü 1 ÷ churn dönemdir: churn %10 ise 10 dönem, %5'e inerse 20 dönem. Bu aritmetik bir sonuç, beklenti değil; churn'ün sabit olduğunu varsayar. Gerçek matriste churn zamanla değişir (yukarıdaki tuzak buna da bağlı), bu yüzden yalnızca büyüklük mertebesi için kullan.

Gözlemin ötesine uzatmak her zaman bir varsayımdır. Cohort Matrisi gözlenen kısmı ile projeksiyona dayanan payı ayrı gösterir; ikincisi büyükse sayıya daha az güven.

Cohort Matrisi'nde aynı hesabı kendi verinle yap →

Reel mercek

Enflasyonlu ekonomide matris yanıltabilir

Cohort rakamları sayı olarak doğrudur. Para olarak okunduklarında birkaç yerde eğrilir.

01
Nominal kohort geliri retention'ı gizleyebilir
Müşteri sayısı düşerken fiyat artışı cohort'un gelirini sabit ya da büyüyor gösterebilir. Retention kötüleşirken gelir eğrisi iyi görünür. Cohort gelirini aynı fiyat düzeyine çevirip iki eğriyi yan yana koy: biri kullanıcı sayısının, biri reel gelirin hikâyesi. Fark büyük ölçüde fiyatın taşıdığı kısımdır. Yöntemin tamamı Reel Büyüme rehberinde.
02
İskontosuz LTV uzak geliri olduğundan değerli gösterir
Sermaye pahalıysa 24. aydaki gelir 6. aydakinden belirgin biçimde daha az değerlidir. Düzleşen bir eğrinin uzun kuyruğu iskontosuz toplandığında LTV'yi olduğundan iyi gösterir. LTV'yi hesaplarken reel bir iskonto oranı kullan ve CAC'ı aynı fiyat düzeyine getir.
03
Yeni cohort'lar eskilerden kötüyse
Dikey okumada her yeni cohort bir öncekinden daha erken ayrılıyorsa, bu değer borcunun erken işaretlerinden biri olabilir. Sorun matriste görünür, ödeme bir süre sonra gelebilir.

Yol haritası

Sen bunu nasıl uygulayacaksın?

Haftalar bir takvim sözü değil, bir sıra. Ürünün kullanım ritmi uzatabilir ya da kısaltabilir.

Hafta 1
Veriyi topla, aktif tanımını yaz
Kayıt tarihleri, aktivite kayıtları, varsa gelir. Bu hafta analiz yapma. Tanımı yaz ve ekipte herkesin aynı tanıma baktığını doğrula.
Hafta 2
İlk matrisi kur
E-tabloda ya da doğrudan Cohort Matrisi'nde. Satırlar cohort, sütunlar yaş. Yorumlamadan önce hücrelerdeki sayıların doğru olduğundan emin ol.
Hafta 3
En büyük deliği seç
Hangi yaşta, hangi cohort'ta, hangi segmentte? Birini seç. Bir sonraki turda öteki delikler sırada bekleyebilir.
Hafta 4
Üç ila beş hipotez yaz, kanıt ara
Onboarding çok mu uzun? Çekirdek eyleme ulaşmak zor mu? Beklenti ile gerçek uyuşuyor mu? Her hipotez için davranış verisine bak ve kanıtın ilişki olduğunu, neden olmadığını unutma.
Hafta 5
En makul hipotezi küçük bir değişiklikle test et
Büyük bir ürün değişikliği gerekmez. Bir adım ekle ya da bir adım sil. Kullanıcıları ikiye böl.
Sonraki haftalar
Test cohort'unun yaşlanmasını bekle, ölç
30. gün retention'ına bakacaksan 30 gün beklemen gerekir; erken dönem rakamları yanıltabilir. Test cohort'unun eğrisini kontrolünkiyle aynı yaşta karşılaştır.
Sonra
Döngüyü tekrarla
Bir sonraki deliği bul, hipotez yaz, test et. Ürün, pazar ve kullanıcı beklentisi değiştikçe yeni deliklerin çıkması normal.

Beklenti

Dürüst beklenti

İlk A/B testin başarısız olabilir. İlk hipotezin tutmayabilir. Bu, yöntemin çalışmadığı anlamına gelmez; bir hipotezin elendiği anlamına gelir.

Lenny Rachitsky'nin yazdığı gibi, girişimler retention'ı anlamlı ölçüde nadiren artırır. Buradan şu sonuç çıkar: nereye vuracağını bilmek, ne kadar uğraşacağından daha önemli.

Bazı bottleneck'lar kolaydır: bir form alanı, bir eksik adım. Bazıları ürünü yeniden düşünmeyi gerektirir. Cohort analizi ürün-pazar uyumsuzluğunu sana gösterir ama çözmez.

Küçük örneklemde matris yanıltır. Cohort başına kullanıcı azsa hücre dalgalanması gürültüdür; Cohort Matrisi paydası küçük olan dönemleri “örneklem küçük” diye işaretler.

Retention için sektör aralıkları Kıyas Rehberi'nde. Kıyas Rehberi →

Sık sorulanlar

Cohort ile segment arasındaki fark nedir?

Cohort kullanıcıları ortak bir başlangıca göre (genellikle kayıt dönemi) gruplar ve zaman içinde izler. Segment kullanıcıları bir özelliğe göre (kanal, plan, cihaz) gruplar. İkisi birleşir: her kanal için ayrı bir cohort matrisi çıkarmak, segment bazlı düşük retention'ı gösterebilecek tek yoldur.

Kaç cohort yeterli?

Sihirli bir sayı yok. Cohort'lar arası farkı görmek için en az birkaç cohort lazım, ama cohort başına kullanıcı sayısı daha belirleyici: Amplitude küçük cohort'lardan sonuç çıkarmaya karşı uyarır. Cohort'lar küçükse dönemi genişlet; haftalık yerine aylık cohort kur.

Haftalık mı, aylık mı cohort kurmalıyım?

Ürünün kullanım ritmine bak. Günlük kullanılan bir üründe haftalık cohort, aylık faturalanan bir abonelikte aylık cohort doğal olur. Dönem kısaldıkça cohort başına kullanıcı azalır; ikisi arasında bir denge kurman gerekir.

“Aktif kullanıcı”yı nasıl tanımlamalıyım?

Kullanıcının değer aldığı çekirdek eylemi sayan bir tanımla başla; giriş yapmak tek başına genellikle yetersiz kalır. Aracın “o gün” (On) ile “o gün ve sonrası” (On or After) arasındaki seçimini de bil: Amplitude ve Mixpanel bu iki sayımı ayrı adlandırır ve farklı sonuç verirler.

Cohort analizi bir iyileştirmenin işe yaradığını kanıtlar mı?

Tek başına kanıtlamaz. Amplitude'un belirttiği gibi cohort analizi ilişkileri gösterir, nedenleri değil. Bir iyileştirmenin etkisini görmek için kullanıcıları rastgele ikiye bölüp iki grubun cohort eğrisini karşılaştır.

Başla

Deliği gör, sonra karar ver

Bu rehberin tamamı tek bir alışkanlığa çıkar: genel rakama değil cohort'a bak. Matrisini yapıştır, düzleşme noktasını ve en büyük düşüşü gör; kalan karar senin.

Cohort MatrisiNRR hesaplayıcı →

Matrisine birlikte bakalım

Kendi cohort'larına birlikte bakmak istersen kısa bir yazışmayla başlayabiliriz.

Alp ile konuş →

30. günde hepsi %30

Üç yönde oku

Yatay: bir cohort'un eğrisi

Dikey: aynı yaşta cohort'lar

Genel satır: ağırlıklı ortalama

Veriyi ve aktif tanımını hazırla

Matrisi kur

Düşüş noktalarını bul

Davranış ve funnel ile çaprazla

Hipotez yaz, test et

Önceliklendir: modelleme

Kaplan-Meier

Cox orantılı hazard

BG/NBD

Erken düşüş

Orta dönem aşınma

Dalgalanma

Segment bazlı düşük retention

Düzleşen

Düşmeye devam eden

Smiling

Üç cohort, bir ortak eğri

Yüzde neden sezgiden küçük çıkıyor?

Daha basit bir model: 1 ÷ churn

Nominal kohort geliri retention'ı gizleyebilir

İskontosuz LTV uzak geliri olduğundan değerli gösterir

Yeni cohort'lar eskilerden kötüyse

Veriyi topla, aktif tanımını yaz

İlk matrisi kur

En büyük deliği seç

Üç ila beş hipotez yaz, kanıt ara

En makul hipotezi küçük bir değişiklikle test et

Test cohort'unun yaşlanmasını bekle, ölç

Döngüyü tekrarla

Deliği gör, sonra karar ver

Kaynaklar