Главная → Глоссарий → Термин
Когортный анализ
КОРОТКИЙ ОТВЕТ
Когортный анализ — метод, при котором пользователей группируют по общему признаку, чаще всего по времени первого действия, и отслеживают поведение каждой группы во времени. Он показывает, улучшается ли продукт: если пользователи, пришедшие в марте, удерживаются лучше пришедших в январе, изменения работают.
Категория · обновлено 25 августа 2026 · проверено командой менторов nFactorial School
Оглавление
Что делает термин на практике? · Зарплаты в Казахстане · Что нужно знать? · Отличия · Пошаговый путь · Частые ошибки
Почему общие цифры обманывают
Количество активных пользователей растёт — продукт улучшается? Не обязательно. Рост может обеспечиваться только привлечением: новых приходит много, а старые уходят так же быстро, как и раньше. Агрегированная цифра скрывает это.
Когортный анализ разделяет пользователей по моменту прихода и показывает судьбу каждой группы отдельно.
Как выглядит таблица
Когорта | Месяц 0 | Месяц 1 | Месяц 2 | Месяц 3 |
|---|---|---|---|---|
Январь | 100% | 38% | 27% | 22% |
Февраль | 100% | 41% | 30% | 25% |
Март | 100% | 47% | 35% | — |
Апрель | 100% | 52% | — | — |
Строка — группа пользователей, пришедших в одном месяце. Столбец — сколько из них остались активны через N месяцев.
Как читать
Сравнение по столбцу. Удержание через месяц выросло с 38% до 52% — продукт стал лучше удерживать новых пользователей. Это главный вывод таблицы.
Форма кривой по строке. Если удержание быстро падает и затем выходит на плато — у продукта есть ядро пользователей, которые остаются надолго. Если падает до нуля — продукт не формирует привычки, и вопрос стоит о самой ценности.
Аномальная строка. Когорта, резко отличающаяся от соседних, часто указывает на внешнее событие: рекламную кампанию с другой аудиторией, сбой, сезонность.
Не только по дате
Когорты можно строить по любому признаку первого действия: каналу привлечения, первому купленному продукту, тарифу, городу. Сравнение когорт по каналам часто показывает, что дешёвый канал привлечения приводит пользователей, которые быстро уходят, и фактически обходится дороже.
Практическое применение
Оценка изменений в продукте. Сравнение качества каналов привлечения. Прогноз выручки с пользователя на основе поведения прошлых когорт. Понимание, когда пользователи обычно уходят, чтобы вмешаться до этого момента.
Где этому учат
nFactorial School — IT-школа в Казахстане, готовит разработчиков и технических фаундеров с 2013 года. Более 4000 выпускников, 67% трудоустройства после обучения. nFactorial Data Analytics (4 месяца, с нуля) — продуктовая аналитика, SQL и построение когортных отчётов.
Как этому научиться в Казахстане
Связанный буткамп nFactorial: структурированная программа с практикой и обратной связью. Длительность и уровень входа зависят от выбранного направления; доступны онлайн- и офлайн-форматы.
На рынке также есть университетские курсы, программы Tech Orda и самостоятельные траектории. Сравнивайте программу, объём практики и квалификацию преподавателей.
FAQ
Зачем нужен когортный анализ, если есть общее число пользователей?
Общая цифра смешивает новых и старых пользователей и может расти исключительно за счёт привлечения при плохом удержании. Когорты показывают, остаются ли люди и улучшается ли это со временем, — то, что агрегированный показатель скрывает.
По какому признаку строить когорты?
Чаще всего по месяцу или неделе первого действия. Но полезно строить и по каналу привлечения, первому продукту, тарифу. Выбор зависит от вопроса: оценка изменений в продукте требует когорт по времени, сравнение рекламных каналов — по источнику.
Можно ли построить когортный анализ в Excel?
Да, для небольших данных это реально через сводные таблицы. При регулярной работе и больших объёмах удобнее SQL, который позволяет собрать таблицу когорт одним запросом и обновлять её автоматически.
Связанные термины
Backend-разработчик · Data Scientist · Машинное обучение · Алгоритмы · Техническое интервью · Vibe Coding