Toplam ve ortalama metrikler, farklı zamanlarda kazanılan kullanıcı gruplarının davranışlarını tek değerde birleştirebilir. Aylık aktif kullanıcı sayısı artarken eski kullanıcıların etkinliği azalıyor olabilir. Cohort analizi, ortak bir başlangıç veya davranış özelliği taşıyan grupları zaman içinde ayrı izleyerek bu değişimi görünür hale getirir; nedenini tek başına kanıtlamaz.
Cohort Analizi Nedir?
Cohort (kuşak/grup), ortak bir özelliği veya deneyimi paylaşan kullanıcı grubudur. Cohort analizi, bu grupların zaman içindeki davranış değişimlerini izleme yöntemidir.
Cohort Türleri
1. Kazanım Cohort'u (Acquisition Cohort)
Kullanıcıları ilk etkileşim tarihine göre gruplar.
Hipotetik örnek:
- Ocak 2026 cohort'u: Ocak ayında kayıt olan tüm kullanıcılar
- Şubat 2026 cohort'u: Şubat ayında kayıt olan tüm kullanıcılar
Bu yaklaşım, farklı dönemlerde kazanılan kullanıcıların elde tutma performansını karşılaştırmanıza olanak tanır. Ocak'ta bir onboarding değişikliği yaptıysanız, Ocak cohort'unun önceki aylara göre daha iyi performans gösterip göstermediğini doğrudan görebilirsiniz.
2. Davranışsal Cohort (Behavioral Cohort)
Kullanıcıları belirli bir aksiyon veya davranışa göre gruplar.
Hipotetik örnekler:
- İlk 7 günde 3+ sipariş veren kullanıcılar
- Mobil uygulamayı indiren vs. sadece web kullanan kullanıcılar
- Belirli bir ürün kategorisinden ilk alışverişini yapan kullanıcılar
3. Boyut Bazlı Cohort (Segment Cohort)
Kullanıcıları demografik veya coğrafi özelliklere göre gruplar.
Hipotetik örnekler:
- İstanbul vs. Ankara kullanıcıları
- Organik vs. ücretli reklam kanalından gelen kullanıcılar
- B2B vs. B2C müşteriler
Retention Analizi: Cohort'un Kalbi
Retention (elde tutma) analizi, cohort analizinin yaygın uygulamalarından biridir. Bir kullanıcı grubunun tanımlı "aktiflik" olayını zaman içinde ne oranda gerçekleştirdiğini gösterir.
Retention Tablosu Okuma
Aşağıdaki tablo tamamen hipotetiktir; herhangi bir ürüne veya müşteriye ait sonuç içermez:
| Cohort | Ay 0 | Ay 1 | Ay 2 | Ay 3 | Ay 4 | Ay 5 |
|---|---|---|---|---|---|---|
| Eylül | 100% | 45% | 32% | 28% | 25% | 23% |
| Ekim | 100% | 48% | 35% | 30% | 27% | - |
| Kasım | 100% | 52% | 38% | 33% | - | - |
| Aralık | 100% | 55% | 40% | - | - | - |
| Ocak | 100% | 58% | - | - | - | - |
Bu hipotetik tabloda gözlenebilecekler:
Ay 0 → Ay 1 düşüşü büyük: Tanımlı aktiflik oranı ilk ayda yarıdan fazla azalıyor. Bu gözlem onboarding'in neden olduğunu veya bir onboarding değişikliğinin en büyük etkiyi yaratacağını kanıtlamaz.
Sonraki cohort'larda oran daha yüksek: Eylül'den Ocak'a Ay 1 oranı yükseliyor. Ürün değişikliği, kanal karması, mevsimsellik veya ölçüm farkı olası açıklamalardır; nedensel sonuç için ek analiz gerekir.
Ay 3 sonrasında eğri daha yatay: Hipotetik veride azalma hızı yavaşlıyor. Bu, gelecekteki davranışın sabit kalacağı anlamına gelmez; daha uzun gözlem ve belirsizlik aralığı gerekir.
Retention Türleri
N-Day Retention: Tam olarak N. günde aktif olan kullanıcı yüzdesi. Örneğin D7 retention = kayıttan tam 7 gün sonra aktif olan kullanıcı oranı.
Unbounded Retention (Rolling Retention): N. günden sonra herhangi bir zamanda aktif olan kullanıcı yüzdesi. N-day retention'dan farklı bir soruyu yanıtlar; ürünün kullanım ritmine göre seçilmelidir.
Bracket Retention: Belirli zaman aralıklarında aktif olan kullanıcı yüzdesi. Örneğin 1-7 gün, 8-14 gün, 15-30 gün.
Retention Nasıl Karşılaştırılır?
Kaynağı ve ölçüm tanımı açıklanmayan sektör yüzdelerini "iyi" hedef olarak kullanmayın. Retention; aktif olay, kullanıcı kimliği, platform, ülke, edinim kanalı, ürün olgunluğu ve zaman penceresine duyarlıdır. Daha savunulabilir bir karşılaştırma için:
- Aynı aktiflik tanımı ve gözlem penceresini kullanın
- Yeni ve geri dönen kullanıcıları, edinim kanallarını ve plan türlerini ayrı inceleyin
- Cohort büyüklüğünü ve mümkünse belirsizlik aralığını gösterin
- Kendi geçmiş cohort'larınızı başlangıç noktası alın
- Harici benchmark kullanıyorsanız veri tarihi, örneklem ve metodolojiyi kaydedin
Churn Prediction: Kayıp Tahmini
Cohort analizi gözlenen geçmiş davranışı özetler. Churn prediction ise geçmiş veriden gelecekte tanımlı bir kayıp olayının olasılığını tahmin etmeye çalışır; bireysel müşteri sonucunu kesin olarak bilemez.
Churn Sinyalleri
Model için aday olabilecek sinyaller aşağıdadır. Yön ve eşikler ürüne göre öğrenilmeli; kişisel veri kullanımı için hukuki dayanak, amaçla sınırlılık ve erişim kontrolleri değerlendirilmelidir.
Yüksek Riskli Sinyaller:
- Kullanıcının olağan kullanım aralığı boyunca aktivite göstermemesi
- Abonelik yenileme tarihine yakın, kullanım düşük
- Destek talebi olumsuz sonuçlanmış
Orta Riskli Sinyaller:
- Aktivite sıklığı kullanıcının veya benzer cohort'un başlangıç değerine göre belirgin azalmış
- Ortalama oturum süresi düşmüş
- E-posta açılma oranı düşmüş
- Temel özelliklerin kullanımı azalmış
Düşük Riskli Sinyaller:
- Login sıklığı hafif azalmış
- Yeni özelliklerle etkileşim yok
- NPS puanı düşmüş
Basit Churn Prediction Modeli
Aşağıdaki puanlama yalnızca hipotetik bir eğitim örneğidir; doğrulanmış bir churn modeli veya önerilen ağırlık seti değildir:
| Faktör | Ağırlık | Puan (1-5) |
|---|---|---|
| Son aktiviteden geçen gün sayısı | %30 | 1=bugün, 5=30+ gün |
| Aktivite sıklığı değişimi | %25 | 1=artış, 5=ciddi düşüş |
| Destek memnuniyeti | %20 | 1=çok memnun, 5=memnuniyetsiz |
| Kullanım derinliği | %15 | 1=tüm özellikler, 5=minimal |
| Ödeme geçmişi | %10 | 1=sorunsuz, 5=gecikmeli |
Risk Skoru = Σ (Ağırlık × Puan)
- 1,0 - 2,0: Örnek düşük risk bandı
- 2,1 - 3,5: Örnek orta risk bandı
- 3,6 - 5,0: Örnek yüksek risk bandı
Gerçek kullanımda ağırlıkları ve eşikleri geçmiş veride eğitin; zaman bazlı doğrulama, kalibrasyon, yanlış pozitif/negatif maliyeti ve müdahalenin artımlı etkisini test edin. Model skoru müşteriye olumsuz veya ayrımcı muamele için tek karar kaynağı olmamalıdır.
GA4'te Cohort Raporları
Google Analytics 4, Cohort exploration tekniği sunar. Güncel kapsam, cihaz verisi kullanımı ve görünüm sınırları Google Analytics'in resmi Cohort exploration belgesinde açıklanır.
GA4 Cohort Exploration Kurulumu
- GA4'te Explore bölümüne gidin
- Şablon galerisinden Cohort exploration seçin
- Dahil etme koşulunu belirleyin (örneğin ilk temas veya tanımlı bir olay)
- Geri dönüş koşulunu belirleyin (örneğin herhangi bir olay ya da satın alma)
- Günlük, haftalık veya aylık ayrıntı düzeyini kullanım ritmine göre seçin
Pratik Cohort Sorguları
Soru 1: "Hangi ayın kullanıcıları en iyi performans gösteriyor?"
- Kazanım cohort'u + aylık retention
- Kampanya veya ürün değişikliklerinin etkisini görün
Soru 2: "Organik trafik mi ücretli trafik mi daha kaliteli?"
- Kanal bazlı davranışsal cohort + purchase retention
- Kanal kalitesi hipotezlerini ve bütçe kararlarını ek analizle değerlendirin
Soru 3: "Mobil kullanıcılar masaüstüne göre nasıl performans gösteriyor?"
- Cihaz bazlı cohort + engagement retention
- Mobil deneyim yatırım kararları için hipotez üretin
BigQuery ile Gelişmiş Cohort Analizi
GA4 verileri BigQuery'ye aktarılarak olay ve parametre düzeyinde özel cohort sorguları kurulabilir. Tablo yapısı ve günlük/streaming aktarım farkları için Google'ın BigQuery Export şemasını inceleyin. Bulut maliyeti, veri saklama, erişim yetkileri ve yeniden kimliklendirme riskini tasarıma dahil edin.
Cohort Analizinden Aksiyon Çıkarma
Cohort analizi yapmak tek başına yeterli değildir. Önemli olan, çıkan içgörüleri aksiyona dönüştürmektir.
Framework: Gözlem → Hipotez → Aksiyon
Hipotetik gözlem: Ocak cohort'unun Ay 1 retention'ı önceki aylara göre 10 yüzde puan daha düşük.
Olası Nedenler:
- Ocak'ta farklı bir reklam kanalından düşük kaliteli trafik geldi
- Üründe Ocak'ta bir hata vardı
- Yılbaşı kampanyasıyla gelen fırsatçı kullanıcılar
Hipotez: Ocak'ta belirli bir reklam kampanyasından gelen kullanıcıların tanımlı aktivasyon olasılığı daha düşük.
Doğrulama: Kanal bazlı cohort analizi yaparak Google Ads cohort'unu ayrı inceleyin.
Aksiyon adayı: Kanal içi kontrollü test, kampanya karması analizi veya landing page deneyi planlayın. Cohort farkı tek başına bütçe kesme gerekçesi değildir.
Retention İyileştirme Stratejileri
Aşağıdaki zaman aralıkları ve aksiyonlar hipotetik örneklerdir. Ürünün doğal kullanım döngüsüne göre yeniden tanımlayın:
İlk 7 gün (Aktivasyon):
- Hoş geldin e-posta serisi
- İnteraktif ürün turu
- İlk başarı anına hızlı ulaştırma (Time to Value)
7-30 gün (Alışkanlık Oluşturma):
- Push notification stratejisi
- Kişiselleştirilmiş içerik önerileri
- Haftalık kullanım özeti e-postası
30+ gün (Sadakat):
- Loyalty programı
- Topluluk oluşturma
- Özel müşteri deneyimleri
Sonuç
Cohort analizi, toplulaştırılmış metriklerin örtebildiği zaman ve segment farklılıklarını görünür kılar. Sonuçları nedensel kanıt olarak değil, ölçüm tanımı ve belirsizliği açık gözlemler olarak kullanın; önemli hipotezleri uygun deney veya karşılaştırma tasarımıyla sınayın.
Maviona'nın analitik çalışmaları kapsamında cohort tanımları, retention raporlaması ve kullanıcı davranışı ölçüm planı projeye göre ele alınabilir. Belirli bir retention veya churn sonucu taahhüt edilmez. Kapsamı görüşmek için iletişime geçin.
