исследуй
проектируй
совершенствуй

Почему Когорта не равно Сегмент?
Всё просто: когорта включает в себя параметр времени.
Как именно, разберем на примерах.
Представим себе, что у нас стриминговый сервис, какой-нибудь "Fluflex", и 1.5 миллиона пользователей, и мы хотим понять, откуда больше всего пользователей к нам приходит.

Казалось бы, что проще: посмотреть трафик, посчитать в разере источников и у кого больше, тот и молодец. Посмотрим, так ли это, когда в игру вступает параметр времени.
Сформулируем задачу: "Какое количество пользователей зарегистрировались с рекламной компании на "A" и оформили подписку за апрель 2022 года?"
Допустим, прямой ответ на вопрос - 700 000 пользователей, но с этой цифрой, как и с цифрой в 1.5 миллиона мало что можно сделать.

Кажется, мы явно можем выделить группы и получить больше информации. Давайте попробуем:

• те, кто зарегистрировались;
• те, кто зарегистрировались с рекламной компании на сервисе "A
• те, кто оформил подписку;

Все, что мы нарезали выше - это сегмент, параметр по которому происходит группировка или сегментация - это целевое действие "регистрация" и "подписка".

Все, что мы нарежем ниже - это когорты.

• те, кто зарегистрировались за апрель;
• те, кто зарегистрировались с рекламной компании с сервиса "A" за апрель;
• те, кто оформил подписку за апрель;

Какую реальную бизнес задачу мы можем решить с помощью когортного анализа? Допустим, нам необходимо понять, была ли наша маркетинговая акция по привлечению пользователей удачной. Что значит удачной? Попытаемся понять, вернули ли нам привлеченные пользователи затраты на их привлечение.
И мы к нашему вопросу про зарегистрированных пользователей от рекламной компании прибавляем метрику $, которые нам принесли пользователи. И анализируем когорты пользователей, скомпанованные по месяцам за интересующий нас период.

Благодаря когортам, мы видим, что "могучая кучка" пользователей, которые зарегистрировались в январе, на четвертый месяц после, то есть, в апреле, вывели нас в плюс. Тогда как если бы мы посмотрели на ситуацию "в лоб", то мы бы получили неудовлетворительную картину и посчитали бы, что рекламная акция была, скорее, неудачной.

Второй, мне кажется, очень интересный вопрос: "Как когортный анализ помогает в определении портрета пользователя"?

Вернемся к нашим 1.5 миллионам пользователей.
Что обычно делают, чтобы нарисовать портрет пользователя? Выделяют акцентуации или яркие признаки аудитории, чаще всего: гендер, возраст, частота покупок, средний чек. И получают, что пользователь: на 56% женщина, возраст 40+ со склонностью к спонтанным покупкам.
И что с этим возможно сделать?

С помощью когортного анализа, а точнее, с помощью приземления определенного пользовательского поведения ко времени (даты, периоды, сезоны) и сравнительного их анализа, можно получить очаровательные результаты, которые позволят вам узнать вашего пользователя более детально, а значит, вполне успешно прогнозировать его действия, а затем и провоцировать их.