30 sn özet

Kohort analizi, ortak bir başlangıcı veya belirli bir davranışı paylaşan kullanıcı gruplarının zaman içindeki sonuçlarını karşılaştırır. Ürünün toplam kullanıcı sayısı artarken eski kullanıcıların hızla ayrıldığını, yeni müşterilerin önceki gruplardan daha az değer elde ettiğini gösterebilir. Temel soru “Kaç kullanıcımız var?” yerine “Hangi grup, başlangıcından ne kadar sonra, hangi değeri almaya devam ediyor?” olur. Sağlıklı analiz için başlangıç olayı, ölçüm birimi, geri dönüş davranışı ve gözlem süresi açıkça tanımlanır. Kohortlar karar üretmeye yardımcı olur; aralarındaki fark tek başına neden sonuç ilişkisini kanıtlamaz.

Neden önemli?

Bir ürün yöneticisi için büyüme, yeni kullanıcı kazanmakla mevcut kullanıcıların değer almaya devam etmesini birlikte yönetmektir. Pazarlama kampanyaları güçlü olduğunda toplam aktif kullanıcı sayısı yükselir. Bu yükseliş, önceki aylarda gelen kullanıcıların ürünü terk etmesini örtebilir. Yönetim yalnızca toplam grafiğe bakarsa edinme bütçesini artırabilir; oysa çözülmesi gereken sorun ilk deneyim, ürün güvenilirliği veya yanlış müşteri hedeflemesi olabilir.

Kohort analizi bu karışımı ayrıştırır. Ocakta başlayan müşterilerle şubatta başlayanları aynı kullanım yaşında karşılaştırarak gelişimin nerede oluştuğunu gösterir. Böylece yeni sürümün, onboarding değişikliğinin veya farklı satış kanalının ardından gelen gruplar için araştırılabilir sorular üretir. Ancak tarihsel karşılaştırma, aynı anda değişen fiyatı, müşteri profilini ve mevsimselliği kendiliğinden ayıklamaz.

BA açısından kritik katkı ölçüm dilini netleştirmektir. PM hangi kararın verileceğini belirler, analist tutarlı veriyi sağlar, pazarlama edinme bağlamını açıklar. Yönetici ise aynı sonuçları gelir, destek yükü ve müşteri değeriyle birlikte değerlendirir. Bu iş birliği olmadığında güzel görünen bir kohort tablosu, yanlış yatırım kararını daha ikna edici hâle getirebilir.

Terim nedir?

Kohort, ortak bir kurala göre oluşturulmuş gruptur. Zaman kohortu, örneğin ilk siparişini aynı ayda veren müşterileri içerir. Davranış kohortu ise kayıt sonrası ilk yedi gün içinde ekip arkadaşı davet eden kullanıcıları kapsayabilir. Davranışın gerçekleşebileceği süreyi sınırlamak önemlidir; ürünü uzun süre kullananların bir eylemi yapma fırsatı doğal olarak daha fazladır.

Kohort analizi bu grupların sonraki davranışlarını izler. En yaygın kullanım elde tutmayı, yani retention’ı incelemektir. Bununla birlikte ücretli plana geçiş, hesap başına gelir veya tekrarlanan siparişler de ölçülebilir. Bir kohort aynı anda farklı sorulara hizmet edebilir; her analizde karar ve ana sonuç ölçütü belirgin olmalıdır.

Retention tanımı ürünün değerine dayanmalıdır. Bir operasyon yazılımında giriş yapmak yerine gerçek siparişler için iş akışı tamamlamak daha anlamlı olabilir. Ayrıca belirli bir haftada geri dönmekle o haftadan sonra herhangi bir zamanda geri dönmek farklı ölçümlerdir. Sonuçları aynı isimle raporlamak, birbirine benzemeyen oranları karşılaştırmaya yol açar.

Tabloda satırlar başlangıç gruplarını, sütunlar başlangıçtan itibaren geçen süreyi gösterir. Mart kohortunun dördüncü haftası ile nisan kohortunun dördüncü haftası karşılaştırılır. Henüz dördüncü haftasına ulaşmamış bir gruba sıfır yazılmaz; ilgili hücre gözlem süresi tamamlanmadığı için boş bırakılır. Hesap düzeyindeki bir B2B üründe kullanıcılarla şirketleri de karıştırmamak gerekir: bir müşterinin beş çalışanı olması, beş bağımsız müşterinin elde tutulduğu anlamına gelmez.

Gerçek vaka

Amplitude’ın yayımladığı Intuit vaka çalışmasında QuickBooks ekibi, retention ve kohort analizleriyle en başarılı yoğun kullanıcılarını inceledi. Ardından bu kişilerin ilk 45 gün içinde gerçekleştirdiği eylemleri araştırmak için kullanıcı yolculuğu ve etkileşim analizlerinden yararlandı. Amaç, başarılı kullanıcıları saymanın ötesinde, erken deneyimde hangi adımların dikkat çektiğini anlamaktı.

QuickBooks bu bulgularla yeni kullanıcı deneyimini yeniden düzenledi. Kullanıcıları önemli aşamalara yönlendiren hatırlatmalar ekledi; sonuçları retention ve huni ölçümleriyle izledi. Vaka çalışması, yeniliklerin ardından aktivasyonda yüzde 10 artış bildiriyor. Bu ifade yüzde 10 puanlık artış olarak okunmamalıdır; kaynak başlangıç oranını ve hesaplama ayrıntılarını vermiyor.

Vakanın yönetim açısından değeri, analizden müdahaleye uzanan bağlantıdır: belirli bir grubun erken davranışları incelenmiş, yeni kullanıcı akışı değiştirilmiş, sonuç takip edilmiştir. Bununla birlikte yayımlanan anlatı kontrollü deney tasarımını açıklamıyor. Bu nedenle bulguyu, aynı davranışları her kullanıcıya yaptırmanın aynı sonucu sağlayacağına dair genel bir kanıt olarak sunamayız. Başarıyla ilişkili davranış, daha yüksek başlangıç motivasyonunun da işareti olabilir.

Kaynak: Amplitude, How QuickBooks Uses Insights to Make Better Business Decisions

Varsayımsal örnek

Bir e-ticaret operasyon ürününde haziran ayında yeni onboarding akışı uygulandığını düşünelim. Mayısta ilk gerçek siparişini işleyen 100 müşteri hesabının 40’ı, başlangıcından sonraki dördüncü haftada da sipariş işlemiştir. Haziranda başlayan 120 hesabın 60’ı aynı davranışı göstermiştir. Tanımlanan haftalık retention mayıs için yüzde 40, haziran için yüzde 50’dir. Fark yüzde 10’dur; başlangıç oranına göre göreli artış yüzde 25’tir.

İlk yorum, yeni akışın işe yaradığı olabilir. Fakat haziranda daha büyük işletmeler kazanılmışsa veya kampanya daha deneyimli müşterilere ulaşmışsa farkın tamamını onboarding’e bağlamak mümkün değildir. Ekip, müşteri büyüklüğü ve edinme kanalı açısından karşılaştırılabilir grupları inceler. Destekli kurulum alan hesapları da ayrıca işaretler.

Temmuz grubunun henüz iki haftalık verisi varsa dördüncü hafta performansı hakkında hüküm verilmez. Ayrıca aktivasyona ulaşan hesapların retention’ı yüksek görünürken kayıt olanların aktivasyona geçişi düşebilir. Bu yüzden kayıt bazlı dönüşüm ayrı izlenir. Karar, yalnızca iyi görünen bir alt grubun oranına değil, bütün müşteri yolculuğuna dayanır.

Yaygın 3 hata

  1. Farklı kullanım yaşlarını karşılaştırmak

Altı aylık müşterilerle iki haftalık müşterilerin toplam işlem sayısını karşılaştırmak, ürün kalitesiyle geçirilen süreyi karıştırır. Aynı başlangıç olayı ve aynı takip penceresi kullanılmalıdır. Kohort büyüklükleri görünür olmalı; birkaç müşterinin oluşturduğu büyük yüzde değişimleri güçlü kanıt sayılmamalıdır.

  1. Gelecekteki başarıyla grubu tanımlayıp geçmişi açıklamak

“Altı ay kalanlar” grubunun ilk ayda daha aktif olması araştırmaya değer bir bulgudur. Ancak yalnızca hayatta kalanlara bakmak, ayrılanların koşullarını görünmez kılar. Erken davranış kohortu oluştururken üyelik penceresi önceden belirlenmeli, sonraki sonuç bu pencerenin ardından ölçülmelidir. Yine de müşteri niyeti gibi farklılıklar nedensellik yorumunu sınırlar.

  1. Ölçüm değişikliğini ürün gelişimi sanmak

Yeni sürümde olay kaydı eklenmesi, kullanıcı kimliklerinin birleştirilmesi veya otomatik işlemlerin insan davranışı olarak sayılması retention’ı değiştirebilir. Gerçek kullanımın mı, veri toplama biçiminin mi değiştiği kontrol edilmelidir. Ölçüm tanımı değişirse tarihsel karşılaştırmanın sınırı raporda belirtilir.

Mini uygulama/şablon

Aşağıdaki alanları doldurarak tek bir karar sorusuyla başlayın:

Karar sorusu
Hangi ürün veya yatırım kararını destekleyeceğiz?
Ölçüm birimi
Kullanıcı, müşteri hesabı veya başka bir birim.
Başlangıç olayı
Kayıt, ilk sipariş ya da açıkça tanımlanan aktivasyon.
Kohort üyeliği
Başlangıç tarih aralığı ve varsa erken davranış penceresi.
Geri dönüş olayı
Ürünün temel değerini temsil eden gözlemlenebilir eylem.
Ölçüm yöntemi
Belirli dönem içinde geri dönüş mü, dönemden sonra geri dönüş mü?
Gözlem süresi
Hangi haftalar tamamlandı, hangileri henüz ölçülemiyor?
Karşılaştırma koşulları
Kanal, müşteri büyüklüğü, paket ve ürün sürümü.
Veri kontrolleri
Test hesapları, kimlik tekrarları, eksik olaylar ve otomatik işlemler.
Tamamlayıcı göstergeler
Aktivasyon, gelir, hata ve destek yükü.
Sonraki adım
Kullanıcı görüşmesi, akış incelemesi veya kontrollü deney.

Her tamamlanmış dönem için geri dönen benzersiz birim sayısını başlangıçtaki kohort büyüklüğüne bölün. Oranın yanında iki sayıyı da gösterin. Başlangıç grubundan ayrılanları paydadan çıkarmayın; aksi hâlde kaybı görünmez kılarsınız. Bulguyu bir gözlem, olası açıklama ve doğrulama adımıyla raporlayın. Böylece kohort analizi, geçmişi anlatan bir tablo olmaktan çıkıp sınanabilir ürün kararlarına dönüşür.

Ölçüm yöntemi için kaynak: Amplitude Docs, Interpret your retention analysis

İlgili terimler

Retention, Churn, Activation, Aha Moment, Funnel Analysis, Product Analytics, Segmentation, A/B Testing, Customer Lifetime Value, North Star Metric