Co to jest analiza kohortowa? Definicja, przykłady i jak ją przeprowadzić (2026)

Analiza kohortowa grupuje ludzi według momentu, w którym dołączyli, a następnie śledzi każdą grupę osobno w czasie. Zamiast jednej uśrednionej liczby dla wszystkich użytkowników otrzymujesz jedną linię dla każdego miesiąca rozpoczęcia. To rozdzielenie jest kluczowe, ponieważ pokazuje, czy produkt staje się lepszy, czy gorszy dla osób, które rejestrują się obecnie.

Ten przewodnik omawia definicję, wyjaśnia, dlaczego ogólne średnie wprowadzają w błąd, oraz uczy, jak czytać tabelę trójkątną. Obejmuje również dwa główne typy kohort oraz błędy, które sprawiają, że raport kohortowy staje się niewiarygodny.

Czym jest analiza kohortowa?

Kohorta to grupa ludzi, których łączy wspólne zdarzenie początkowe w tym samym przedziale czasowym. Wszyscy, którzy zarejestrowali się w marcu, tworzą kohortę marcową. Wszyscy, którzy dokonali pierwszego zakupu w Q2, tworzą kohortę z Q2.

Analiza kohortowa mierzy każdą z tych grup według tego samego zegara. Nie jako „marzec 2026 kontra kwiecień 2026” w kalendarzu, ale jako „miesiąc pierwszy kontra miesiąc drugi” od daty rozpoczęcia danej grupy. Ta zmiana perspektywy sprawia, że porównanie jest sprawiedliwe.

Wynikiem jest zazwyczaj tabela trójkątna. Wiersze to kohorty w kolejności rozpoczęcia. Kolumny to czas, jaki upłynął od startu. Kształt trójkąta wynika z faktu, że najnowsza kohorta dotarła dopiero do pierwszego miesiąca, podczas gdy najstarsza ma dane na całej szerokości tabeli.

Dlaczego ogólna średnia ukrywa problem

Oto sytuacja, do której wykrywania stworzono analizę kohortową.

Kohorta	Użytkownicy	Retencja w 1. miesiącu	Retencja w 3. miesiącu
Styczeń	1,000	45%	28%
Luty	1,600	41%	25%
Marzec	2,400	36%	21%
Kwiecień	3,600	30%	—

W tym przykładzie całkowita liczba aktywnych użytkowników rosła z miesiąca na miesiąc. Pulpit nawigacyjny śledzący miesięczną liczbę aktywnych użytkowników wyglądałby znakomicie. Wzrost maskuje jednak fakt, że produkt utrzymuje każdą kolejną grupę gorzej niż poprzednią.

Uśredniony wskaźnik retencji ukrywa ten problem z tego samego powodu. Na średnią z każdego miesiąca największy wpływ ma ta kohorta, która jest najliczniejsza – a najliczniejsza jest zawsze ta najnowsza. Nie da się dostrzec trendu w liczbie, której struktura nieustannie się zmienia.

Kohorty rozwiązują ten problem, ponieważ nie łączą danych. Retencja w 1. miesiącu dla stycznia pozostaje na poziomie 45% na zawsze. Gdy dla kwietnia spada do 30%, spadek jest ewidentny.

Jak czytać tabelę kohortową

Wiersze to kohorty, kolumny to wiek

Każdy wiersz to grupa zdefiniowana przez moment jej rozpoczęcia. Każda kolumna to czas, jaki upłynął od tego momentu, a nie data kalendarzowa. Miesiąc 0 to okres początkowy i prawie zawsze wynosi 100%.

Czytaj kolumnę w dół, aby ocenić, czy robisz postępy

To najbardziej użyteczny kierunek analizy i ten, który ludzie najczęściej pomijają. Spójrz na kolumnę dla miesiąca 1, a następnie czytaj ją od góry do dołu. Jeśli liczby spadają w dół, każda nowa grupa utrzymuje się gorzej niż poprzednia. To oznacza problem z produktem lub pozyskiwaniem użytkowników, który ma miejsce właśnie teraz.

Czytaj wiersz poziomo, aby zobaczyć, jak wykrusza się jedna grupa

Pojedynczy wiersz pokazuje dynamikę wykruszania się dla jednej kohorty. W przypadku większości produktów spadek jest gwałtowny w pierwszym okresie, a następnie się stabilizuje. Punkt stabilizacji ma większe znaczenie niż sam spadek, ponieważ określa przybliżony odsetek użytkowników utrzymanych w długim okresie.

Przekątna to kalendarz

Wszystko na jednej przekątnej wydarzyło się w tym samym miesiącu kalendarzowym. Nagłe zdarzenie, które uderza w jedną przekątną – np. awaria lub zmiana cennika – wpływa na wszystkie kohorty jednocześnie, niezależnie od ich stażu. Jeśli słaby wynik układa się wzdłuż przekątnej, a nie kolumny, przyczyną było konkretne wydarzenie, a nie różnica w jakości kohort.

Kohorty akwizycyjne i kohorty behawioralne

Kohorty akwizycyjne grupują użytkowników według momentu, w którym dołączyli. Domyślnym kryterium jest miesiąc rejestracji. Odpowiadają one na pytanie, czy osoby rejestrujące się obecnie są bardziej czy mniej wartościowe od tych, które dołączyły wcześniej.

Kohorty behawioralne grupują użytkowników według tego, co zrobili. Na przykład: użytkownicy, którzy podłączyli integrację w pierwszym tygodniu, kontra ci, którzy tego nie zrobili. Odpowiadają one na pytanie, które z wczesnych działań pozwala przewidzieć, że użytkownik z nami zostanie.

Oba te typy służą do innych celów. Kohorty akwizycyjne diagnozują kierunek zmian w czasie. Kohorty behawioralne wskazują, co należy zmienić. Zespoły, które tworzą tylko te pierwsze, mogą widzieć spadki, ale nie wiedzieć, jak na nie zareagować.

Trzeci wariant – kohorty według wielkości lub planu – grupuje użytkowników według poziomu konta. Jest to przydatne, gdy klienci korporacyjni i klienci samoobsługowi zachowują się zupełnie inaczej, a uśredniona krzywa nie opisuje zachowania żadnej z tych grup.

Ręczne tworzenie analizy

Ręczna metoda działa i warto ją zrozumieć przynajmniej raz, nawet jeśli później zautomatyzujesz ten proces.

Przygotuj jeden wiersz na każde zdarzenie użytkownika. Potrzebujesz identyfikatora użytkownika, daty rejestracji lub pierwszego zakupu oraz dat kolejnych aktywności. Tabeli podsumowującej nie da się przekształcić w kohorty, ponieważ grupowanie odbywa się na poziomie pojedynczych wierszy.

Dodaj kolumnę kohorty. Zaokrąglij datę rejestracji do pełnego miesiąca. Każdy użytkownik ma teraz przypisaną etykietę grupy, do której należy.

Dodaj kolumnę indeksu okresu. Dla każdego wiersza aktywności oblicz liczbę miesięcy między miesiącem rejestracji a miesiącem aktywności. Wyznaczy to pozycję kolumny w końcowej tabeli.

Stwórz tabelę przestawną. Miesiąc kohorty umieść w wierszach, indeks okresu w kolumnach, a unikalną liczbę użytkowników w wartościach. Strona firmy Microsoft poświęcona tworzeniu tabeli przestawnej wyjaśnia techniczne szczegóły tego procesu.

Przelicz wartości na procenty. Podziel każdą komórkę przez liczbę z miesiąca 0 dla danego wiersza. Bezwzględne liczby są nieczytelne przy porównywaniu kohort o różnych rozmiarach.

Żaden z tych kroków nie jest trudny. Jednak wszystkie pięć trzeba powtarzać przy każdym napływie nowych danych, a obliczanie indeksu okresu przestaje działać przy każdej zmianie formatu daty.

Jak stworzyć analizę za pomocą Powerdrill Bloom

Jeśli dane użytkowników znajdują się już w wyeksportowanym pliku, możesz pominąć etap ręcznego tworzenia tabeli przestawnej.

Krok 1: Prześlij dane użytkowników

Przeciągnij i upuść plik eksportu Excel, CSV lub TSV zawierający rejestracje i zdarzenia aktywności. Możesz załadować wiele plików jednocześnie, dzięki czemu plik użytkowników i plik zdarzeń zostaną połączone za jednym razem. Wykrywanie kolumn i przetwarzanie dat odbywa się automatycznie podczas przesyłania – to właśnie na tym etapie ręczna metoda zazwyczaj zawodzi.

Krok 2: Opisz kohortę językiem naturalnym

Opisz, co chcesz pogrupować i zmierzyć: „pogrupuj użytkowników według miesiąca rejestracji, a następnie pokaż miesięczną retencję przez pierwsze dwanaście miesięcy jako procent”. Agent utworzy kolumnę kohorty, obliczy indeks okresu i wygeneruje tabelę. Jeśli poprosisz o kohortę behawioralną lub podział tygodniowy, system przebuduje dane bez konieczności ręcznej zmiany struktury pliku źródłowego.

Krok 3: Wyeksportuj wykres, raport lub prezentację

Wyeksportuj wynik jako wykres, dołącz go do pisemnego podsumowania lub przekształć obszar roboczy w slajdy na spotkanie podsumowujące. Style Professional, Business i Fancy umożliwiają eksport do PowerPoint lub Notion. Jeśli interesuje Cię kwestia wizualizacji, zobacz, jak utworzyć wykres retencji kohortowej, oraz sprawdź kreator wykresów AI, aby poznać inne typy wykresów dostępne dla tych samych przesłanych danych.

Najczęstsze błędy

Wybór niewłaściwego poziomu szczegółowości (ziarnistości). Kohorty miesięczne dla produktu używanego codziennie ukryją wszystkie najciekawsze zjawiska z pierwszego tygodnia. Z kolei kohorty tygodniowe lub codzienne dla produktu używanego raz na kwartał wygenerują jedynie szum informacyjny. Dopasuj szczegółowość do naturalnego rytmu korzystania z produktu.

Analizowanie wierszy przy jednoczesnym ignorowaniu kolumn. Wiersz mówi o tym, jak wykruszała się jedna grupa. Kolumna informuje, czy robisz postępy. To właśnie dane z kolumny dają podstawę do konkretnych działań.

Porównywanie niepełnych kohort. Najnowsza kohorta nie istnieje jeszcze na tyle długo, by mieć dane dla 6. miesiąca. Pozostawienie niepełnej komórki w tabeli może sprawić, że ktoś błędnie zinterpretuje niską wartość jako nagły kryzys.

Zbyt małe kohorty, by wyciągać wnioski. Kohorta licząca czterdziestu użytkowników generuje wskaźniki retencji, które mogą gwałtownie się zmieniać pod wpływem zachowań zaledwie kilku osób. Poszerz przedział czasowy lub pogódź się z tym, że dany wiersz wskazuje jedynie ogólny kierunek.

Raportowanie kohort bez podania ich wielkości. Procent bez podanego mianownika za każdym razem prowadzi do błędnej interpretacji. Umieść liczbę użytkowników z miesiąca 0 w pierwszej kolumnie.

Zbyt ogólne definiowanie retencji. Pojęcie „aktywny” musi oznaczać jedną konkretną rzecz. Zalogowanie się a wykonanie kluczowej akcji to dwie zupełnie różne definicje – mieszanie ich w poszczególnych okresach sprawia, że tabela traci sens.

W skrócie

Analiza kohortowa dzieli ludzi według momentu rozpoczęcia, dzięki czemu ogólny wzrost nie może zamaskować spadków. Czytaj kolumny w dół, aby sprawdzić, czy każda nowa grupa radzi sobie lepiej, czy gorzej od poprzedniej. Czytaj wiersze poziomo, aby zobaczyć, jak wykrusza się pojedyncza grupa i w którym miejscu wskaźnik się stabilizuje.

Cały proces to pięć powtarzalnych kroków, które wykonuje się przy każdym odświeżeniu danych. Wypróbuj Powerdrill Bloom za darmo — prześlij wyeksportowane dane użytkowników, opisz kohortę językiem naturalnym i wyeksportuj tabelę bezpośrednio do prezentacji. Porównanie narzędzi znajdziesz w artykule Narzędzia AI do analizy kohortowej.

Często zadawane pytania

Do czego służy analiza kohortowa?

Pokazuje, czy produkt staje się lepszy dla osób, które dołączają teraz, w porównaniu z tymi, które dołączyły wcześniej. Typowe zastosowania to śledzenie retencji, diagnozowanie odejść klientów (churn), mierzenie efektów zmian w procesie wdrożenia (onboarding) oraz porównywanie kanałów pozyskiwania pod kątem jakości, a nie tylko wolumenu.

Czym różni się kohorta od segmentu?

Kohorta jest definiowana przez wspólny czas rozpoczęcia, a jej skład nigdy się nie zmienia. Segment jest definiowany przez atrybut, taki jak kraj lub plan taryfowy, a użytkownik może do niego dołączyć lub go opuścić. Kohorty śledzą zmiany w czasie, natomiast segmenty opisują populację w danym momencie.

Jak wybrać przedział czasowy dla kohorty?

Dopasuj go do częstotliwości korzystania z produktu. Kohorty codzienne lub tygodniowe sprawdzają się w przypadku produktów o wysokiej częstotliwości użytkowania, natomiast kohorty miesięczne pasują do cykli subskrypcyjnych lub zakupowych. Jeśli większość użytkowników rezygnuje przed pojawieniem się danych w pierwszej kolumnie, wybrany przedział czasowy jest zbyt szeroki.

Czy mogę przeprowadzić analizę kohortową w Excel?

Tak. Dodaj kolumnę miesiąca kohorty oraz kolumnę indeksu okresu do wierszy zdarzeń. Stwórz tabelę przestawną, zestawiając kohortę z indeksem okresu i obliczając unikalną liczbę użytkowników, a następnie podziel każdą komórkę przez początkową liczbę użytkowników w danym wierszu. Obliczenia są proste, ale to konieczność ich ciągłego powtarzania bywa uciążliwa.

Jaki wskaźnik retencji uważa się za dobry?

Wskaźnik ten różni się tak bardzo w zależności od kategorii, że pojedynczy punkt odniesienia (benchmark) niewiele pomoże. Zamiast tego porównuj własne kohorty ze sobą. Krzywa, która się stabilizuje, zamiast stale opadać, to najważniejszy sygnał, na który należy zwracać uwagę.