Введение

Техника поведенческой аналитики. Когортный анализ в статистике и эпидемиологии. К когортному анализу относится вид поведенческой аналитики, при котором данные в наборе данных разбиваются на связанные группы перед проведением анализа. Эти группы, или когорты, обычно обладают общими характеристиками или опытом в течение определенного периода времени. К когортный анализ позволяет компании "четко выявлять закономерности на протяжении жизненного цикла клиента (или пользователя), а не бездумно анализировать данные всех клиентов, не учитывая естественный цикл их развития". Выявляя эти временные закономерности, компания может адаптировать и настраивать свои услуги для конкретных когорт. Хотя когортный анализ иногда ассоциируется с когортным исследованием, это разные подходы, и их не следует считать идентичными. К когортный анализ конкретно относится к анализу когорт в контексте больших данных и бизнес-аналитики, в то время как в когортном исследовании данные разбиваются на схожие группы.

Примеры

Целью бизнес-аналитики является анализ и представление информации, на основе которой можно принимать решения. Большие, недифференцированные наборы данных могут включать различные типы пользователей и временные периоды. Когортный анализ рассматривает пользователей каждой когорты отдельно. В когортном анализе "каждая новая группа [когорта] предоставляет возможность начать работу с новым набором пользователей", что позволяет компании анализировать только те данные, которые релевантны текущему запросу, и действовать на их основе. Например, в электронной коммерции когорту могут составлять клиенты, зарегистрировавшиеся за последние две недели и совершившие покупку. Для программного обеспечения когорта может включать пользователей, зарегистрировавшихся после определенного обновления, или использующих определенные функции платформы. Пример когортного анализа геймеров на определенной платформе: опытные игроки, когорта 1, будут больше заинтересованы в продвинутых функциях и времени задержки, чем новые пользователи, когорта 2. После определения этих двух когорт и проведения анализа, игровая компания получит визуальное представление данных, относящихся к каждой из них. Компания сможет увидеть, что небольшая задержка загрузки приводит к значительной потере дохода от опытных игроков, в то время как новые пользователи ее даже не замечают. Если бы компания просто проанализировала общие отчеты о доходах по всем клиентам, она не смогла бы увидеть различия между этими двумя когортами. К когортному анализу позволяет компании выявлять закономерности и тенденции и вносить необходимые изменения, чтобы удовлетворить как опытных, так и новых игроков.

Глубокий кохортный анализ

Действующая метрика – это та, которая связывает конкретные и повторяемые действия с наблюдаемыми результатами [например, регистрацию пользователя или оформление заказа]. Противоположность действенным метрикам – это показатели для самолюбования (например, количество посещений веб-сайта или число загрузок), которые лишь фиксируют текущее состояние продукта, но не дают понимания того, как мы пришли к этому результату и что делать дальше. Без действенной аналитики информация может оказаться бесполезной; она может быть просто показателем для самолюбования, не имеющим практического применения. Хотя компании полезно знать, сколько людей посещают их сайт, сама по себе эта метрика бесполезна. Чтобы она стала действующей, необходимо связать "повторяемое действие с наблюдаемым результатом". Определите, на какой вопрос вы хотите получить ответ. Цель анализа – получить действенную информацию, на основе которой можно предпринять шаги для улучшения бизнеса, продукта, пользовательского опыта, оборачиваемости и т.д. Чтобы этого добиться, важно задать правильный вопрос. В примере с игровой компанией выше, они не понимали, почему теряют доход при увеличении времени задержки, несмотря на то, что пользователи продолжали регистрироваться и играть. Определите метрики, которые помогут вам ответить на вопрос. Корректный когортный анализ требует определения события, например, совершения покупки пользователем, и конкретных свойств, таких как сумма, которую заплатил пользователь. В примере с игрой измерялась готовность клиента покупать игровые кредиты в зависимости от времени задержки на сайте. Определите конкретные когорты, имеющие отношение к вопросу. При создании когорты необходимо либо анализировать всех пользователей и таргетировать их, либо проводить анализ вклада атрибутов, чтобы выявить существенные различия между ними, в конечном итоге обнаружив и объяснив их поведение как конкретной когорты. В приведенном выше примере пользователи разделены на "базовых" и "продвинутых", поскольку каждая группа отличается действиями, чувствительностью к ценам и уровнем использования. Проведите когортный анализ. Анализ, описанный выше, был выполнен с использованием визуализации данных, что позволило игровой компании понять, что их доходы падают, потому что их более платежеспособные продвинутые пользователи перестали пользоваться системой при увеличении времени задержки. Поскольку продвинутые пользователи приносили большую часть дохода компании, увеличение числа регистраций базовых пользователей не компенсировало финансовые потери от оттока продвинутых пользователей. Чтобы исправить ситуацию, компания улучшила время задержки и начала уделять больше внимания продвинутым пользователям. Проверьте результаты. Убедитесь, что результаты логичны.