Ανάλυση κοόρτης

Η ανάλυση Cohort ομαδοποιεί αντικείμενα (συνήθως χρήστες) από ένα γεγονός εκκίνησης και συγκρίνει πώς και για πόσο καιρό παραμένουν ενεργά και πολύτιμα. Η προσέγγιση αυτή διαχωρίζει την επίδραση του χρόνου στο σύστημα (εποχές, αποθέματα) από την επίδραση της ηλικίας της ομάδας (ημέρες από την αρχή).

1) Βασικοί ορισμοί

Cohort: πολλοί παίκτες ενώθηκαν με την εκδήλωση «γέννηση» - εγγραφή, πρώτη κατάθεση, πρώτο παιχνίδι, πρώτη αγορά.
Άξονας ημερολογιακής ώρας: πραγματικές ημερομηνίες (2025-10-01,...).
Άξονας ηλικίας: ημέρες/εβδομάδες από τη γέννηση (D0, D1,...).
Μετρήσεις κατακράτησης: D1/D7/D30 (Exact and Rolling), WAU/MAU, Stickiness (DAU/MAU).
Νομιμοποίηση: ARPU/ARPPU, σωρευτική LTV (σε D7/D30/D90).
Λογιστική μονάδα: χρήστης (user/master_id) - εγγραφή στο διαβατήριο.

💡 Χρυσός κανόνας: Προ-καταγραφή γεννητικού γεγονότος, TZ, παράθυρο δραστηριότητας και εξαιρέσεις (bots/QA/απάτη).

2) Τύποι ομάδων και χρόνος επιλογής τους

Ομάδες εξαγορών: κατά την ημερομηνία εγγραφής/πρώτης επίσκεψης - αξιολόγηση των διαύλων πρόσληψης και επιβίβασης.
Ενεργοποίηση/Monetization-coports: από την πρώτη κατάθεση/αγορά - αξιολόγηση πρώιμης νομισματικής αποτίμησης και promo.
Ομάδες χαρακτηριστικών: για την πρώτη χρήση της κατηγορίας χαρακτηριστικών/παιχνιδιών - το αποτέλεσμα των κυκλοφοριών.
Ομάδες συμπεριφοράς: από RFM/μοτίβο εκκίνησης (για παράδειγμα, «night mobile»).

3) Άξονες και δίκτυα: πώς να παρακολουθήσετε τη μήτρα

Πίνακας ομάδων: σειρές - ομάδες (ημερολόγιο), στήλες - ηλικία (D0... D90).
Εποχικότητα: Συγκρίνετε τις διαγώνιες (την ίδια ημερολογιακή ημέρα) με ξεχωριστά εποχιακά αποτελέσματα.
Κανονικοποίηση: σχετικές μετρήσεις (CR, κλάσματα) + σωρευτικές (LTV), δείχνουν και τα δύο.

4) Διαβατήριο ομάδας και μετρήσεις (υπόδειγμα)

COHORT: 'REG _ DAY'	«FIRST _ DEPOSIT _ WEEK»
Άξονας ηλικίας: ημέρα (D), ορίζοντες D1/D7/D30/D90.
Δραστηριότητα: ≥1 συνεδρία ή ρυθμός ≥1 (καθορισμός).
Εξαιρέσεις: ρομπότ/απάτη/QA/αντίγραφα.
Προκαθορισμένα τμήματα: χώρα, πλατφόρμα, κανάλι, κατηγορία περιεχομένου, τμήμα τιμών.
Μετρήσεις: CR, Rolling/Ακριβής κατακράτηση, σωρευτική LTV, ARPU/ARPPU,% πληρωμή.
Έκδοση: 'COHORT _ RET _ v3', ιδιοκτήτες, ημερομηνία αναθεώρησης.

5) Ψευδο- SQL: πίνακας κατακράτησης (Exact Dn)

sql
WITH regs AS (
SELECT user_id, DATE_TRUNC('day', MIN(ts)) AS cohort_day
FROM event_register
GROUP BY 1
),
act AS (
SELECT user_id, DATE_TRUNC('day', ts) AS act_day
FROM event_activity
),
ages AS (
SELECT r. user_id, r. cohort_day, a. act_day,
(a. act_day - r. cohort_day) AS age_days
FROM regs r
JOIN act a ON a. user_id = r. user_id
),
exact AS (
SELECT cohort_day,
age_days,
COUNT(DISTINCT user_id) AS users_active
FROM ages
GROUP BY 1,2
),
coh_size AS (
SELECT cohort_day, COUNT(DISTINCT user_id) AS cohort_size
FROM regs GROUP BY 1
)
SELECT e. cohort_day,
e. age_days,
e. users_active::decimal / NULLIF(c. cohort_size,0) AS exact_retention
FROM exact e
JOIN coh_size c USING (cohort_day)
WHERE age_days IN (1,7,30,90)
ORDER BY cohort_day, age_days;

Rolling Dn (δραστηριότητα την ημέρα 1... n)

sql
WITH days AS (... as above...),
roll AS (
SELECT cohort_day,
CASE WHEN age_days BETWEEN 1 AND 7 THEN 7
WHEN age_days BETWEEN 1 AND 30 THEN 30 END AS bucket,
COUNT(DISTINCT user_id) AS any_active
FROM days
WHERE age_days BETWEEN 1 AND 30
GROUP BY 1,2
)
SELECT r. cohort_day, r. bucket AS Dn,
r. any_active::decimal / s. cohort_size AS rolling_retention
FROM roll r
JOIN (SELECT cohort_day, COUNT(DISTINCT user_id) cohort_size FROM regs GROUP BY 1) s USING (cohort_day)
ORDER BY cohort_day, Dn;

6) Cohort LTV και µονοθεραπεία

Σωρευτικό LTV (Dn): άθροισμα των εσόδων ανά χρήστη της ομάδας ανά Dn.
ARPU/ARPPU: έσοδα ανά χρήστη/ανά πληρωτή Dn.
% πληρωμή: μερίδιο με ≥1 πληρωμή σε Dn.

sql
WITH reg AS (
SELECT user_id, DATE_TRUNC('day', MIN(ts)) AS cohort_day
FROM event_register GROUP BY 1
),
pay AS (
SELECT user_id, amount, DATE_TRUNC('day', ts) AS pay_day
FROM fact_payments
),
ltv AS (
SELECT r. cohort_day,
(pay_day - r. cohort_day) AS age_days,
SUM(amount) AS rev
FROM reg r JOIN pay p USING (user_id)
WHERE pay_day >= r. cohort_day
GROUP BY 1,2
),
cum AS (
SELECT cohort_day, age_days,
SUM(rev) OVER (PARTITION BY cohort_day ORDER BY age_days ROWS BETWEEN UNBOUNDED PRECEDING AND CURRENT ROW) AS rev_cum
FROM ltv
)
SELECT c. cohort_day, c. age_days,
c. rev_cum::decimal / NULLIF(sz. cohort_size,0) AS ltv_per_user
FROM cum c
JOIN (SELECT cohort_day, COUNT(DISTINCT user_id) cohort_size FROM reg GROUP BY 1) sz USING (cohort_day)
WHERE age_days IN (7,30,90)
ORDER BY cohort_day, age_days;

7) Επιβίωση/κίνδυνος κατακράτησης

Καμπύλη επιβίωσης μη μοντέλου (S (t)) - αναλογία που δεν «αποστραγγίζεται».
Μοντέλα κινδύνου: επίδραση των χαρακτηριστικών (κανάλι, χώρα, πλατφόρμα, μπόνους, περιεχόμενο) στον κίνδυνο εκροής.
Πρακτική: κατασκευάζουμε KM ανά τμήματα και μετά εξηγούμε τη διαφορά με το μοντέλο κινδύνου.

8) Εποχικότητα, TZ και ημερολογιακό πρόγραμμα

TZ: αποθήκευση εκδηλώσεων στην UTC, ανάλυση στην τοπική TZ της αγοράς· να είναι συνεπής.
Ημερολόγιο: αργίες/μισθός/αγώνες/κυκλοφορίες - όπως σημαίες; συγκρίνουν ομάδες παρόμοιων εβδομάδων.
Συρόμενο παράθυρο: για εβδομαδιαίες/μηνιαίες ομάδες - πολλαπλότητα διακοπών και περιόδων αναφοράς.

9) Κατάτμηση και κατανομή

Τμήματα: κανάλι έλξης, πλατφόρμα/OS, γεω, πρώτο περιεχόμενο, τιμή/όρια, μέθοδος πληρωμής.
Απόδοση Cohort: «ποιος έφερε» το χρήστη - καθορίστε τον αλγόριθμο (τελευταίο μη άμεσο, βασισμένο σε δεδομένα).
Στάθμιση LTV: σύγκριση όχι μόνο CR, αλλά και LTV (D30/D90) ανά κανάλι/τμήμα.

10) Οπτικοποίηση

Χάρτης θερμότητας της μήτρας κλάσης (CR/LTV).
Γραμμές τάσεων D1/D7/D30 ανά ημερολογιακό πρόγραμμα.
Διαγράμματα επιβίωσης/κινδύνου.
Γέφυρα «τι άλλαξε το LTV σε D30»: εισφορά πληρωτή, συχνότητα, μέσος έλεγχος.

11) Πειράματα και αιτιώδης συνάφεια

A/B: επί του σκάφους, μαθήματα, paywall, προσφορές. Η κύρια μέτρηση είναι η κατακράτηση D7/D30 και η LTV (D30).
Οιονεί πειράματα: DID/συνθετικός έλεγχος για την εξάπλωση στις αγορές.
Μοντέλα ανύψωσης: Στοχεύστε το κέρδος επιστροφής στην επανενεργοποίηση (Qini/AUC, uplift @ k).

12) Λειτουργία και διακυβέρνηση

Έκδοση: 'RET _ D7 _ vN', 'LTV _ D30 _ vN', changelog κατά την αλλαγή του ορισμού δραστηριότητας/νομίσματος.
Φρεσκάδα SLO: καθημερινές ομάδες - ετοιμότητα έως τις 06:00 κλειδαριά. καταγραφή δεδομένων ≤ 1 ώρα.
Ποιότητα: κάλυψη συμβάντων, αναλογία επαναλήψεων, ποσοστό ρομπότ/απάτη εκτός ομάδων.
Πρόσβαση: συγκάλυψη RLS/CLS, PII. εξαγωγή - μόνο συγκεντρωτικά στοιχεία.
Βιβλία δρομολογίων: σταγόνα D1 (επί του σκάφους), D7 (περιεχόμενο), διάλυση γεγονότων/ταυτότητας.

13) Συχνά σφάλματα (αντίγραφα)

Ανάμειξη άξονα: Συγκρίνετε διαφορετικές ηλικίες κοορτών σε διαφορετικές εποχές χωρίς προσαρμογή.
Rolling vs Exact: αντιμετωπίζεται ως το ίδιο πράγμα.
Μονάδες ανάμειξης: συνεδρίες σε παρονομαστή, χρήστες σε αριθμητή.
Συνάθροιση των «μέσων»: αντί της άθροισης αριθμητών/παρονομαστών.
Αγνοώντας το TZ/ημερολόγιο: D1 όφσετ στα όρια ημέρας/διακοπών.
Δεν υπάρχει φίλτρο bot/απάτης/QA.
Μη υπολογισθείσες επαναλήψεις: διαχωρισμός/συγχώνευση λογαριασμών χωρίς γέφυρες ταυτότητας.

14) Κατάλογος σημείων ελέγχου πριν από τη δημοσίευση της έκθεσης κλάσης

Γεγονός γέννησης, μονάδα, TZ, παράθυρα δραστηριότητας
Εξαιρούμενα ρομπότ/απάτη/QA· μεικτές ταυτότητες (χρυσή εγγραφή)
Κατασκευασμένοι πίνακες CR (Exact/Rolling) και LTV για D7/D30/D90
Λαμβανόμενο υπόψη ημερολογιακό πρόγραμμα/αργίες· τμήματα ανά κανάλι/πλατφόρμα/γεω
Πρόσθετα γραφικά επιβίωσης/κινδύνου και γέφυρα LTV
Τεκμηριωμένες μετρικές εκδόσεις και αλγόριθμος απόδοσης
Διάρθρωση φρέσκων SLO, παρακολούθηση κάλυψης/αντιγράφου/σφάλματος
Έτοιμα βιβλία για D1/D7 σταγόνες και διαλείμματα εκδηλώσεων

Σύνολο

Οι αναλύσεις Cohort είναι δύο άξονες και πειθαρχία: σταθερή «στιγμή γέννησης», σωστά παράθυρα και TZ, κατακράτηση και LTV πίνακες, κατάτμηση, και αιτιώδης επαλήθευση της αλλαγής. Η προσέγγιση αυτή βοηθά όχι μόνο στην παρατήρηση των καμπυλών, αλλά και στη λήψη αποφάσεων: πού πρέπει να οριστεί η επιβίβαση, ποια κανάλια να κλιμακωθούν, ποιο περιεχόμενο και ποιες προσφορές διατηρούν τους παίκτες περισσότερο και αυξάνουν το LTV.

Ανάλυση κοόρτης