Cohort analysis তোমার গ্রাহকদের যে মাসে তারা যোগ দিয়েছেন সেই অনুযায়ী দলে ভাগ করে, তারপর প্রতিটা দলকে সময়ের সাথে আলাদাভাবে ট্র্যাক করে। একটা মিশ্রিত গড়ের বদলে, তুমি দেখো তৃতীয় মাসে জানুয়ারি দলটা জুন দলের তুলনায় কীভাবে আচরণ করে। এটা তোমার প্রোডাক্ট পরিবর্তনের প্রভাবকে প্রবৃদ্ধির প্রভাব থেকে আলাদা করে।
তুমি একটা কোহর্ট টেবিল তৈরি করো যেখানে যোগদানের মাসগুলো সারি এবং যোগদানের পর থেকে মাসগুলো কলাম। প্রতিটা সেল দেখায় সেই দলের কতজন এখনো সক্রিয়। একটা কলাম নিচে পড়া তোমাকে বলে নতুন গ্রাহকরা পুরনোদের চেয়ে ভালো আচরণ করেন কিনা।
একটা উদাহরণ। তোমার জানুয়ারি কোহর্টে ২০০ জন গ্রাহক আছেন। তিন মাস পরে, ১২০ জন এখনো পরিশোধ করেন, তাই তৃতীয়-মাসের রিটেনশন ৬০ শতাংশ। তোমার জুন কোহর্টে ৫০০ জন গ্রাহক আছেন, এবং তিন মাস পরে ৩৫০ জন থাকেন, যা ৭০ শতাংশ। জানুয়ারি এবং জুনের মধ্যে তুমি যা বদলেছিলে তা কাজ করেছে। সব গ্রাহক জুড়ে একটা মিশ্রিত রিটেনশন সংখ্যা এটা লুকিয়ে ফেলত, কারণ বড় জুন দলটা গড়টাকে টেনে নেয়।
কোহর্ট বিপরীত সমস্যাও প্রকাশ করে। দ্রুত প্রবৃদ্ধি সামগ্রিক চার্নকে কম দেখায়, শুধু এই কারণে যে বেশিরভাগ গ্রাহক নতুন এবং কারো এখনো ছেড়ে যাওয়ার সময় হয়নি। প্রবৃদ্ধি ধীর হলে, যে চার্নটা সবসময় ছিল তা দৃশ্যমান হয়ে ওঠে।
প্রতিষ্ঠাতারা যে ভুলটা করেন তা হলো ভিন্ন বয়সের কোহর্ট তুলনা করা। তোমার জুন কোহর্ট তিন মাস ধরে বিদ্যমান এবং তোমার জানুয়ারি কোহর্ট আট মাস ধরে। স্বাভাবিকভাবেই জানুয়ারি দলের বেশি মানুষ চলে গেছেন। তৃতীয় মাসকে তৃতীয় মাসের সাথে তুলনা করো, ষষ্ঠ মাসকে ষষ্ঠ মাসের সাথে, এবং কখনো একটা তরুণ কোহর্টের সংখ্যাকে একটা পুরনো কোহর্টের সম্পূর্ণ জীবনকালের বিপরীতে রেখো না।
এর জন্য তোমার একটা বড় গ্রাহক বেস দরকার নেই। মাসে ৫০ জন গ্রাহক নিয়ে তুমি ইতিমধ্যে দেখতে পারো দ্বিতীয়-মাসের রিটেনশন বদলায় কিনা। কোহর্ট টেবিল রেভিনিউ, অর্ডারের ফ্রিকোয়েন্সি, এবং ব্যবহারের জন্যও কাজ করে, শুধু রিটেনশনের জন্য নয়।
