Miten käyttää kohortti-analyysiä päätöksenteossa

#Miten käyttää kohortti-analyysiä päätöksenteossa?

Kohortti-analyysi on yksi tärkeimmistä analytiikkatyökaluista kasvuhakkeroinnissa. Se paljastaa mitä aggregoitu data piilottaa.

#Miksi kohortti-analyysi on välttämätön

#Ongelma: Aggregoitu data valehtelee

Kuukausi 1: 1000 käyttäjää, 50% aktiivisia
Kuukausi 2: 2000 käyttäjää, 45% aktiivisia
Kuukausi 3: 3000 käyttäjää, 40% aktiivisia

Päätelmä: "Retention laskee, ongelma!"

Todellisuus kohorteittain:
- Kuukauden 1 kohortti: 50% → 45% → 42%
- Kuukauden 2 kohortti: 45% → 43%
- Kuukauden 3 kohortti: 40%

→ Retention on itse asiassa parantunut!
→ Uudet kohortit vain suurempia

#Kohorttityypit

#1. Acquisition cohorts

Ryhmittely: Milloin liittyivät
Käyttö: Retention, LTV
Esimerkki: "Tammikuun 2024 rekisteröityneet"

#2. Behavioral cohorts

Ryhmittely: Mitä tekivät
Käyttö: Feature adoption, engagement
Esimerkki: "Käyttäjät jotka lähettivät >5 viestiä"

#3. Size/value cohorts

Ryhmittely: Asiakkaan arvo/koko
Käyttö: Segmentointi, prioriteetti
Esimerkki: "Enterprise vs SMB asiakkaat"

#4. Channel cohorts

Ryhmittely: Hankintakanava
Käyttö: Kanavan laatu
Esimerkki: "Google Ads vs Orgaaninen"

#Retention-kohorttitaulu

#Rakenne

         Viikko 0  Viikko 1  Viikko 2  Viikko 3
Kohortti 1  100%      35%       25%       22%
Kohortti 2  100%      38%       28%       25%
Kohortti 3  100%      42%       32%       29%
Kohortti 4  100%      45%       35%       31%

#Tulkinta

1. Diagonaali ylöspäin = Paraneva retention
2. Diagonaali alaspäin = Heikkenevä retention
3. Tasainen = Stabili
4. Käyrä = Normaali retention curve

#Käytännön sovellukset

#1. Muutosten vaikutuksen mittaaminen

Onboarding-muutos viikolla 10:

Ennen (kohortit 1-9): D7 retention 25%
Jälkeen (kohortit 10+): D7 retention 32%

→ Muutos paransi retentiota 28%

#2. Kanavakohtainen laatu

         D0    D7    D30   D90
Google   100%  30%   15%   8%
Meta     100%  25%   10%   4%
Referral 100%  45%   30%   20%

→ Referral tuottaa parhaita käyttäjiä

#3. Feature-adoption

Käyttäjät jotka käyttivät Feature X:
- D30 retention: 45%
- Avg revenue: 120€

Käyttäjät ilman Feature X:
- D30 retention: 20%
- Avg revenue: 40€

→ Feature X korreloi vahvasti arvoon

#4. LTV-ennustaminen

Historiallinen kohortti-data:
- D30 retentio ennustaa D365 LTV:n (R² = 0.85)
- Voit ennustaa uusien kohorttien arvon

Esimerkki:
Jos D30 retention = 40% → Ennustettu LTV = 500€

#Kohortti-analyysin workflow

#Viikoittain

1. Päivitä kohorttitaulut
2. Vertaa uusimpia kohortteja edellisiin
3. Tunnista poikkeamat

#Kuukausittain

1. Syvempi kohortti-analyysi
2. Kanavakohtainen vertailu
3. Feature-kohorttien analyysi

#Kvartaaleittain

1. LTV-kohorttien päivitys
2. Predictive model -validointi
3. Strategisten päätösten tuki

#Työkalut

#Analytics-alustat

• Amplitude (paras kohorteille)
• Mixpanel
• Heap
• Google Analytics 4

#DIY (SQL)

-- Retention-kohortti SQL
SELECT
  DATE_TRUNC('week', first_seen) as cohort_week,
  DATE_TRUNC('week', event_time) as activity_week,
  COUNT(DISTINCT user_id) as active_users
FROM events
GROUP BY 1, 2
ORDER BY 1, 2

#Visualisointi

• Retention heatmap
• Cohort curve overlay
• Comparison charts

#Sudenkuopat

#1. Liian pienet kohortit

Kohortti: 50 käyttäjää
D30: 20% retention (10 käyttäjää)

→ Liian pieni luotettaviin päätelmiin
→ Yhdistä pienempiä kohortteja

#2. Sesongiksi erehtyä muutokseen

Joulu-kohortti vs Tammi-kohortti
→ Ero voi johtua sesongista, ei muutoksesta
→ Vertaa sama ajanjakso edellisvuonna

#3. Survivorship bias

"Power userit ostavat enemmän"
→ Tautologia: he ovat power usereita KOSKA ostavat
→ Etsi ennustavia signaaleja aikaisemmista vaiheista

#Best practices

✅ Käytä acquisition-kohortteja oletuksena ✅ Varmista riittävä kohorttikoko (>100) ✅ Vertaa aina samoihin päiviin (D7 vs D7) ✅ Huomioi sesongit ✅ Dokumentoi muutokset aikajanalle ✅ Yhdistä kvalitatiiviseen dataan

#Lue lisää

• miten tehda kohortti analyysi
• mita on retention rate ja miksi se on tarkea
• miten hyodyntaa dataa kasvupaatoksissa