Ortalamalar yalan söyler. Aylık aktif kullanıcı sayınız artıyor olabilir, ama aynı zamanda eski kullanıcılarınızı kaybediyor olabilirsiniz. Genel metrikler bu tür kritik bilgileri gizler. Cohort analizi ise kullanıcılarınızı gruplara ayırarak her grubun davranışını ayrı ayrı incelemenizi sağlar. Bu sayede gerçek büyüme ile "akan kova" arasındaki farkı net olarak görürsünüz.
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)
En yaygın kullanılan tür. Kullanıcıları ilk etkileşim tarihine göre gruplar.
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.
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.
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 en kritik uygulamasıdır. Bir kullanıcı grubunun zaman içinde ne oranda aktif kaldığını gösterir.
Retention Tablosu Okuma
Tipik bir retention tablosu şu şekilde görünür:
| 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 tablodan çıkan içgörüler:
Ay 0 → Ay 1 geçişi en kritik: Kullanıcıların yarısından fazlası ilk ayda kayboluyor. Onboarding sürecini iyileştirmek en büyük etkiyi burada yaratır.
Retention trendi iyileşiyor: Eylül'den Ocak'a her cohort daha iyi performans gösteriyor. Bu, ürün veya onboarding iyileştirmelerinin işe yaradığını gösterir.
Ay 3 sonrası düzleşme: Ay 3'ten sonra kayıp oranı dramatik olarak yavaşlıyor. 3 ayı geçen kullanıcılar genellikle uzun vadeli kullanıcılara dönüşüyor.
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. Daha "affedici" bir metrik, abonelik modelleri için uygundur.
Bracket Retention: Belirli zaman aralıklarında aktif olan kullanıcı yüzdesi. Örneğin 1-7 gün, 8-14 gün, 15-30 gün.
İyi Retention Nedir?
Sektöre ve iş modeline göre değişir:
| İş Modeli | İyi D1 | İyi D7 | İyi D30 |
|---|---|---|---|
| E-ticaret | %15-25 | %8-15 | %3-8 |
| SaaS | %80-95 | %70-85 | %60-75 |
| Mobil uygulama | %25-40 | %10-20 | %5-10 |
| Medya/İçerik | %20-35 | %10-18 | %5-12 |
| Oyun | %30-50 | %15-25 | %5-15 |
Churn Prediction: Kayıp Tahmini
Cohort analizi reaktif bir araçtır; geçmişe bakar. Churn prediction ise proaktif bir yaklaşımdır; geleceği tahmin eder.
Churn Sinyalleri
Müşteri kaybını önceden gösteren erken uyarı sinyalleri:
Yüksek Riskli Sinyaller:
- Son 30 günde hiç aktivite yok (önceden aktifken)
- Abonelik yenileme tarihine yakın, kullanım düşük
- Destek talebi olumsuz sonuçlanmış
- Rakip ürün araştırması yapıyor (eğer izlenebiliyorsa)
Orta Riskli Sinyaller:
- Aktivite sıklığı %50+ 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
Karmaşık makine öğrenmesi modellerine gerek kalmadan, basit puanlama yöntemiyle churn riski hesaplayabilirsiniz:
| 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: Düşük risk (yeşil)
- 2.1 - 3.5: Orta risk (sarı)
- 3.6 - 5.0: Yüksek risk (kırmızı)
GA4'te Cohort Raporları
Google Analytics 4, yerleşik cohort analizi sunar. Nasıl kullanılacağını adım adım görelim.
GA4 Cohort Exploration Kurulumu
- GA4'te Explore bölümüne gidin
- Cohort Exploration şablonunu seçin
- Cohort dahil etme koşulunu belirleyin (örneğin:
first_visit) - Geri dönüş koşulunu belirleyin (örneğin:
session_start,purchase) - Cohort ayrıntı düzeyini seçin (günlük, haftalık, aylık)
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
- Müşteri kazanım kanalı stratejinizi optimize edin
Soru 3: "Mobil kullanıcılar masaüstüne göre nasıl performans gösteriyor?"
- Cihaz bazlı cohort + engagement retention
- Mobil deneyim yatırım kararlarınızı yönlendirin
BigQuery ile Gelişmiş Cohort Analizi
GA4 verilerini BigQuery'ye aktararak çok daha detaylı cohort analizleri yapabilirsiniz. Özellikle büyük veri setlerinde ve özel metrikler için BigQuery güçlü bir araçtır.
Cohort Analizinden Aksiyon Çıkarma
Cohort analizi yapmak tek başına yeterli değildir. Önemli olan, çıkan içgörüleri aksiyona dönüştürmektir.
Framework: Gözlem → Hipotez → Aksiyon
Gözlem: Ocak cohort'unun Ay 1 retention'ı önceki aylara göre %10 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 Google Ads kampanyasından gelen kullanıcıların kalitesi düşük.
Doğrulama: Kanal bazlı cohort analizi yaparak Google Ads cohort'unu ayrı inceleyin.
Aksiyon: Google Ads hedefleme kriterlerini daraltın veya landing page'i optimize edin.
Retention İyileştirme Stratejileri
Cohort analizinden en sık çıkan aksiyon alanları:
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, verilerinizin yüzeyinin altına bakmanızı sağlayan güçlü bir lens. Ortalamalar yerine trendlere, genel rakamlara yerine segment performansına odaklanarak gerçek büyüme dinamiklerini anlayabilirsiniz. Düzenli cohort analizi, ürün geliştirme, pazarlama ve müşteri deneyimi kararlarınızı veriye dayalı hale getirir.
Maviona olarak müşterilerimize cohort analizi, retention optimizasyonu ve kullanıcı davranış analizi konularında derinlemesine danışmanlık sunuyoruz. Kullanıcılarınızı daha iyi anlamak için iletişime geçin.
