Cohort-анализ retention

Построй cohort-анализ retention для {{product}}. Активность = {{core_action}}.

Шаг 1: определи cohort и активность

Cohort

• Acquisition cohort: группировка по дате первого посещения / signup
• Behavioral cohort: группировка по первому совершению action (более полезно для B2B/SaaS)
• Размер ячейки: weekly (если signups ≥ 50/нед) или monthly (если меньше)

Активность

• Определи одно действие — {{core_action}}
• НЕ «открыл приложение» (слишком тонко)
• Должно отражать ценность («отправил сообщение», «создал документ», «сделал заказ»)
• Не два действия одновременно — путаница

Шаг 2: подготовь данные

-- Минимально нужная таблица
events(user_id, event_name, ts)
users(user_id, signup_ts)

-- Cohort matrix (weekly)
WITH cohorts AS (
  SELECT user_id, DATE_TRUNC('week', signup_ts) AS cohort_week
  FROM users
),
activity AS (
  SELECT user_id, DATE_TRUNC('week', ts) AS active_week
  FROM events WHERE event_name = '{{core_action}}'
)
SELECT
  c.cohort_week,
  EXTRACT(WEEK FROM AGE(a.active_week, c.cohort_week)) AS week_n,
  COUNT(DISTINCT c.user_id) AS active_users
FROM cohorts c
LEFT JOIN activity a USING (user_id)
GROUP BY 1, 2
ORDER BY 1, 2;

Шаг 3: построй heatmap

Структура

• Строки: cohorts (по дате)
• Столбцы: Week 0, Week 1, …, Week N (с момента signup)
• Ячейка: % cohort'а, кто был активен на этой неделе
• Цветовая шкала: тёмный = высокий retention

Что увидишь сразу

• Падение Week 0 → Week 1: «leaky bucket» — основная проблема онбординга
• Стабилизация на каком-то значении: твой long-term retention (часто 20-40% для B2C, 60-80% для B2B SaaS)
• Smile / Frown curve: smile — retention растёт от Week 4 (отлично), frown — падает в ноль (продукт не нужен)

Шаг 4: метрики для отслеживания

Per cohort

• Week 0 retention (= 100%, sanity check)
• Week 1 retention — самый чувствительный (норма B2C: 30-50%)
• Week 4 retention — формирование привычки (норма B2C: 15-25%)
• Week 12 retention — long-term loyalty (норма B2C: 10-20%, B2B SaaS: 40-60%)
• Retention curve slope — как быстро падает между точками

Aggregate

• Cohort-to-cohort delta: новая когорта лучше / хуже старых? (показывает эффект продуктовых изменений)
• LTV proxy: ∫ retention × monetisation (если монетизация одинакова)

Шаг 5: как читать паттерны

Паттерн 1: Resurrection

• Week 0 → 1 падение в 0%, потом возврат
• Юзеры регятся, забывают, возвращаются через нотификацию/email
• Действие: усилить email reactivation, push вовлечение, недельный rhythm

Паттерн 2: Quick flat

• Падение до 15% за 1-2 недели, потом плоская линия
• Есть «правильный» сегмент, который остался
• Действие: проанализировать кто остался → найти PMF-сегмент, сфокусировать привлечение

Паттерн 3: Gradual decay

• Плавное снижение без точки стабилизации
• Продукт не формирует привычку
• Действие: переосмыслить core loop, частоту использования, ценность

Паттерн 4: Smile curve

• Падение, потом рост
• Часть юзеров находят ценность позже
• Действие: понять момент «озарения» (aha moment) и ускорить его в онбординге

Паттерн 5: New cohort gets worse

• Каждая новая когорта retention хуже предыдущей
• Источник трафика деградирует или onboarding регрессировал
• Действие: проверить acquisition channels, последние релизы, ad creatives

Паттерн 6: New cohort gets better

• Каждая новая когорта retention лучше
• Что-то улучшилось — найди что и удвой

Шаг 6: сегментация

Разрезы для cohort-матрицы (по отдельности)

• По acquisition channel (organic / paid / referral)
• По plan (free / pro / enterprise)
• По первому действию (signed up via X)
• По устройству (web / iOS / Android)
• По стране / языку

Что искать

• Большая разница между сегментами → найден power user pattern
• Один канал даёт юзеров с retention 2× — масштабируй
• Один сегмент исчезает к week 4 — почини или отключи источник

Шаг 7: следующие действия

Если Week 1 retention низкий (<30% B2C / <60% B2B)

• Глубокое онбординг-исследование (interviews + session replays)
• Aha moment identification (что делают активные, чего не делают неактивные)
• First-week trigger emails / push
• Tutorial / coach marks

Если Week 4 retention низкий

• Habit loops: что заставит возвращаться еженедельно
• Email digest, weekly summary, social hooks
• Notification strategy (без спама)

Если Week 12 retention низкий

• Глубокая ценность: что меняется через месяцы использования
• Loyalty mechanic / collections / status
• Сторонний vs core feature audit

Формат вывода

1. SQL-запрос для генерации матрицы (адаптированный под твою БД)
2. Heatmap пример (с числами)
3. Анализ паттерна: что видим
4. Сегментация: 2-3 разреза с инсайтами
5. Action items по приоритету (P0/P1/P2)
6. Setup для мониторинга (еженедельный апдейт)

Анти-паттерны

• ❌ Daily cohort при низком объёме (шум перекрывает сигнал)
• ❌ Только overall retention без cohort-разреза (скрывает деградацию новых)
• ❌ Произвольное определение «активности» (то страница, то клик, то action — несравнимо)
• ❌ Игнорировать сезонность (декабрь vs январь — несравнимо)
• ❌ Только одна цифра «retention 40%» — без понимания за какой период
• ❌ Cohort с micro-сегментами по 5 юзеров (статистически бессмысленно)
• ❌ Сравнивать paid vs organic не разделяя — выводы будут врать
• ❌ Делать выводы за 2 недели до того, как cohort полностью сформировался
• ❌ Cohort-анализ ради cohort-анализа без actions