Cohort analysis आपके ग्राहकों को उनके जुड़ने के महीने के हिसाब से समूहों में बांटता है, फिर हर समूह को समय के साथ अलग अलग ट्रैक करता है। एक मिश्रित औसत की बजाय, आप देखते हैं कि जनवरी वाला समूह तीसरे महीने में कैसा व्यवहार करता है, जून वाले समूह की तुलना में। यह आपके प्रोडक्ट में हुए बदलावों के असर को वृद्धि के असर से अलग करता है।
आप एक cohort table बनाते हैं जिसमें जुड़ने के महीने पंक्तियां होते हैं और जुड़ने के बाद के महीने कॉलम होते हैं। हर सेल दिखाता है कि उस समूह के कितने लोग अभी भी सक्रिय हैं। किसी कॉलम को नीचे पढ़ना बताता है कि क्या नए ग्राहक पुराने ग्राहकों से बेहतर व्यवहार करते हैं।
एक उदाहरण। आपके जनवरी cohort में 200 ग्राहक हैं। तीन महीने बाद, 120 अभी भी भुगतान कर रहे हैं, इसलिए तीसरे महीने का retention 60 प्रतिशत है। आपके जून cohort में 500 ग्राहक हैं, और तीन महीने बाद 350 बचे हैं, जो 70 प्रतिशत है। जनवरी और जून के बीच आपने जो बदला वह काम कर गया। सभी ग्राहकों में एक मिश्रित retention आंकड़ा इसे छुपा देता, क्योंकि बड़ा जून समूह औसत को अपनी ओर खींच लेता।
Cohorts उल्टी समस्या को भी उजागर करते हैं। तेज़ वृद्धि से कुल churn कम दिखता है, बस इसलिए कि ज्यादातर ग्राहक नए हैं और अभी किसी को छोड़ने का समय ही नहीं मिला। जब वृद्धि धीमी होती है, तो वह churn जो हमेशा से मौजूद था, दिखने लगता है।
संस्थापक जो गलती करते हैं वह है अलग अलग उम्र के cohorts की तुलना करना। आपका जून cohort तीन महीने से है और जनवरी cohort आठ महीने से। जाहिर है जनवरी समूह के ज्यादा लोग जा चुके हैं। तीसरे महीने की तुलना तीसरे महीने से करें, छठे की छठे से, और किसी युवा cohort के आंकड़ों को कभी किसी पुराने cohort की पूरी उम्र के मुकाबले मत रखें।
इसके लिए आपको बड़े ग्राहक आधार की जरूरत नहीं है। हर महीने 50 ग्राहकों के साथ भी आप देख सकते हैं कि दूसरे महीने का retention बदल रहा है या नहीं। Cohort tables राजस्व, ऑर्डर फ्रीक्वेंसी, और इस्तेमाल के लिए भी काम करते हैं, केवल retention के लिए नहीं।
