# Когортний аналіз: що це таке, на прикладі когортної таблиці

> Що таке когортний аналіз на прикладі: будуємо місячну когортну таблицю, читаємо утримання когорт за рядками, стовпчиками й діагоналями.

- Джерело: https://productovi.com/uk/blog/cohort-analysis-example
- Автор: Sergey Bruh
- Опубліковано: 2026-09-30
- Теми: Когортний аналіз

Що таке когортний аналіз? **Когортний аналіз групує користувачів за тим, коли вони прийшли (когорта, cohort), і стежить за кожною групою окремо.** Його найпростіше зрозуміти на прикладі, тож візьмемо пів року реєстрацій у застосунку, складемо когортну таблицю і прочитаємо її так, як це має робити продуктова команда. Так видно, чи продукт стає кращим для нових людей, чи одна подія зачепила всіх одразу і чи не бреше число на дашборді. Нижче — таблиця, три способи її читати, правильне середнє і дві пастки, через які усереднена крива вводить в оману.

## Приклад когортного аналізу: шість місячних когорт

Halves — вигаданий застосунок, у якому сусіди по квартирі, пари й друзі в поїздках ділять спільні витрати. Кожен рядок нижче — **когорта**: усі, хто зареєструвався того місяця, без акаунтів команди. Кожен стовпчик — місяць від реєстрації, а в клітинці — скільки людей із когорти хоча б раз відкрили застосунок у цьому місяці. Дані закінчуються наприкінці березня 2026 року, тому в молодших когорт стовпчиків менше.

| Когорта       | Користувачі | M1  | M2  | M3  | M4  | M5  | M6  |
| ------------- | ----------- | --- | --- | --- | --- | --- | --- |
| Вересень 2025 | 900         | 405 | 324 | 288 | 270 | 222 | 252 |
| Жовтень 2025  | 1 000       | 450 | 360 | 320 | 255 | 290 |     |
| Листопад 2025 | 3 000       | 750 | 510 | 357 | 390 |     |     |
| Грудень 2025  | 1 100       | 506 | 337 | 352 |     |     |     |
| Січень 2026   | 1 200       | 479 | 432 |     |     |     |     |
| Лютий 2026    | 1 000       | 480 |     |     |     |     |     |

У клітинці — кількість людей. Щоб отримати утримання, поділіть її на розмір когорти: для вересня в першому місяці $405 / 900 = 45{,}0\%$. Уся таблиця у відсотках:

| Когорта       | M1     | M2     | M3     | M4     | M5     | M6     |
| ------------- | ------ | ------ | ------ | ------ | ------ | ------ |
| Вересень 2025 | 45,0 % | 36,0 % | 32,0 % | 30,0 % | 24,7 % | 28,0 % |
| Жовтень 2025  | 45,0 % | 36,0 % | 32,0 % | 25,5 % | 29,0 % |        |
| Листопад 2025 | 25,0 % | 17,0 % | 11,9 % | 13,0 % |        |        |
| Грудень 2025  | 46,0 % | 30,6 % | 32,0 % |        |        |        |
| Січень 2026   | 39,9 % | 36,0 % |        |        |        |        |
| Лютий 2026    | 48,0 % |        |        |        |        |        |

Це утримання за місячними періодами: «активний хоча б раз у k-му місяці». Чи це правильна міра саме для вашого продукту, залежить від ритму використання; про це — у статті [як порахувати retention](/uk/blog/how-to-calculate-retention-rate).

## Як читати когортну таблицю

[Когортна таблиця](/uk/glossary/pa-cohort-table) відповідає на три різні запитання залежно від того, в якому напрямку її читати.

### Рядки: життя однієї когорти

Прочитайте вересень зліва направо: 45,0 %, 36,0 %, 32,0 %, 30,0 %, потім провал до 24,7 % і повернення до 28,0 %. Спершу падіння різке, і це нормально: цікаві спробували й пішли. Далі воно сповільнюється, і це добра новина: ті, хто лишився, знаходять причину лишатися.

### Стовпчики: когорти одного віку

Прочитайте перший місяць згори вниз: 45,0; 45,0; 25,0; 46,0; 39,9; 48,0. Тут ставлять запитання «чи стає перший місяць кращим для нових користувачів?». Вирізняються дві клітинки: листопад значно нижчий за решту, а січень нижчий за сусідів. Перш ніж їх пояснювати, погляньмо в третьому напрямку.

### Діагоналі: один календарний місяць

Діагональ іде знизу зліва вгору направо і збирає всі клітинки, що припали на той самий календарний місяць. Лютий 2026 — це M1 січня, M2 грудня, M3 листопада, M4 жовтня і M5 вересня: 39,9 %, 30,6 %, 11,9 %, 25,5 % і 24,7 %. Кожне з цих чисел нижче, ніж можна чекати з його рядка, і кожен рядок відновлюється в березні.

Коли всі когорти просідають в одному календарному місяці, причина в цьому місяці, а не в когортах. У Halves лютневий реліз зламав нагадування про нерозраховані борги, і його полагодили на початку березня. Тож слабкий перший місяць січня нічого не каже про січневих користувачів: це той самий лютневий баг, побачений із наймолодшої когорти.

Це найкорисніша звичка в когортному аналізі: перш ніж хвалити чи сварити когорту, перевірте її діагональ.

![Когортну таблицю читають уздовж рядка (життя однієї когорти), вниз по стовпчику (когорти одного віку) і по діагоналі (один календарний місяць, як-от лютневий провал 2026 року)](/blog/cohort-analysis-example/diagram-uk.png)

## Як правильно усереднити утримання когорт

Вас просять назвати «наше утримання першого місяця». Швидка відповідь — середнє шести відсотків першого місяця:

$$
\frac{45{,}0 + 45{,}0 + 25{,}0 + 46{,}0 + 39{,}9 + 48{,}0}{6} = 41{,}5\%
$$

Так 3 000 людей листопада і 900 людей вересня важать однаково. Щоб описати всіх, хто зареєструвався, додайте активних і поділіть на всіх користувачів:

$$
\frac{405 + 450 + 750 + 506 + 479 + 480}{900 + 1\,000 + 3\,000 + 1\,100 + 1\,200 + 1\,000} = \frac{3\,070}{8\,200} = 37{,}4\%
$$

Різниця в чотири пункти — це листопад, найбільша й найслабша когорта. Листопадова кампанія в платних соцмережах привела втричі більше реєстрацій, ніж зазвичай, і чимало цих людей встановили застосунок з цікавості, не маючи жодного спільного рахунку. Без листопада зважене утримання першого місяця — $2\,320 / 5\,200 = 44{,}6\%$.

Усі три числа арифметично правильні. Чесний звіт дає зважені 37,4 %, додає 44,6 % без когорти кампанії й пояснює різницю. Просте середнє 41,5 % відповідає на запитання, якого ніхто не ставив.

## Усереднена крива, що росте без причини

Тепер побудуймо одну «середню криву утримання», взявши зважене середнє кожного стовпчика:

| Місяць від реєстрації | M1     | M2     | M3     | M4     | M5     | M6     |
| --------------------- | ------ | ------ | ------ | ------ | ------ | ------ |
| Когорт у середньому   | 6      | 5      | 4      | 3      | 2      | 1      |
| Зважене утримання     | 37,4 % | 27,3 % | 22,0 % | 18,7 % | 27,0 % | 28,0 % |

Утримання ніби стрибає з 18,7 % у четвертому місяці до 27,0 % у п'ятому. Ніхто не повернувся. У четвертому місяці ще є листопад, а в п'ятому лишилися тільки вересень і жовтень, які від початку були сильнішими. Кожен стовпчик усереднює **інший набір когорт**, тож крива змішує зміну людей зі зміною часу.

Виправлення — порівнювати місяці на тих самих когортах:

- Місяць 1 → місяць 2 на когортах з вересня по січень (п'ять когорт, у яких є обидва стовпчики): $2\,590 / 7\,200 = 36{,}0\%$ → $1\,963 / 7\,200 = 27{,}3\%$.
- Місяць 4 → місяць 5 на вересні й жовтні: $525 / 1\,900 = 27{,}6\%$ → $512 / 1\,900 = 26{,}9\%$. Невелике падіння, а не стрибок.

Або відмовтеся від усередненої кривої і намалюйте кожну когорту окремою лінією. Око швидше за будь-яке середнє помітить іншу форму, і лютневий провал буде видно на кожній лінії.

## Розбийте когорти на сегменти

Місяць реєстрації — лише один спосіб поділити користувачів. Та сама таблиця за **сегментами** часто розповідає більше. У Halves когорти, поділені за типом першої групи, поводяться зовсім по-різному. Серед тих, хто зареєструвався влітку 2025 року, пари через рік утримуються на рівні 52,7 % і тримають пласку лінію з шостого місяця. Поїздки падають до 5,6 % на п'ятий місяць і повертаються до 21,8 % на дванадцятий, здебільшого в нових групах для наступної подорожі.

Група поїздки, що закінчується разом із поїздкою, — це не [відтік користувачів](/uk/glossary/pa-user-churn): завершилося життя групи, а не людини. Змішайте сегменти в одну криву, і вона не описуватиме нікого. Читайте кожен сегмент у його власному ритмі; саме цьому присвячено [кейс про пари, квартири й поїздки](/uk/courses/product-analytics/retention-by-segment/theory).

## Когорти не лише для утримання

Та сама таблиця працює для будь-якої метрики, яку можна відстежувати за віком когорти:

- **Дохід:** накопичений валовий прибуток на користувача когорти — це крива LTV. Вона показує, скільки вартий новий користувач через 3, 6 чи 12 місяців, і саме це порівнюють із вартістю залучення у статті про [LTV/CAC](/uk/blog/ltv-cac-ratio).
- **Перехід на платний план:** частка когорти, що оформила підписку до k-го місяця.
- **Залученість:** середня кількість витрат на активного користувача за місяцями від реєстрації.

Правила ті самі: зважуйте за розміром когорти, перевіряйте діагоналі й порівнюйте місяці на тих самих когортах.

## Як побудувати когортну таблицю

1. **Оберіть ключ когорти:** за замовчуванням — дата реєстрації; альтернативи — перша покупка чи перша група.
2. **Оберіть період:** дні, тижні чи місяці, відповідно до того, як часто повертається задоволений користувач.
3. **Визначте цільову дію:** «відкрив застосунок», а не «будь-яка подія», якщо сервер сам створює події.
4. **Виключіть** акаунти команди, тестові акаунти й ботів.
5. **Порахуйте** унікальних користувачів для кожної когорти й періоду від старту; клітинки, чий період ще не минув, лишайте порожніми.
6. **Поділіть** на розмір когорти і тримайте кількості поруч із відсотками, щоб будь-хто міг перезважити.

Більше когортній таблиці нічого не потрібно; її побудує будь-який інструмент, що вміє групувати за двома стовпчиками. Як когортний аналіз вписується в ширшу картину, читайте в статті [що таке продуктова аналітика](/uk/blog/what-is-product-analytics).

## Головне

- Когортний аналіз стежить за групами людей, що прийшли одночасно, тож зміни в продукті не ховаються за зміною того, хто ним користується.
- Рядки показують життя когорти, стовпчики порівнюють когорти одного віку, діагоналі показують календарні події.
- Перш ніж оцінювати когорту, перевірте діагональ: тут січень здавався слабким через лютневий баг.
- Середнє стовпчика зважуйте за розміром когорти (37,4 %, а не 41,5 %) і називайте когорти-викиди.
- Усереднена крива зі стовпчиків з різними когортами може зростати без причини; порівнюйте місяці на тих самих когортах.

## FAQ

### Що таке когортний аналіз?

Спосіб вимірювати поведінку за групами користувачів, які прийшли одночасно, зазвичай за тиждень чи місяць реєстрації. Замість одного числа утримання для всіх ви бачите утримання кожної когорти в часі, поруч одна з одною, тож кращий онбординг чи зламаний реліз видно саме в тих когортах, яких він стосувався.

### Який приклад когортного аналізу найпростіший?

Згрупуйте користувачів за місяцем реєстрації, порахуйте, скільки людей із кожного місяця активні через один, два, три місяці, і складіть результати в таблицю. Порівняння рядків покаже, чи нові користувачі лишаються краще за старших.

### Як читати когортну таблицю?

Уздовж рядка — утримання однієї когорти в часі, вниз по стовпчику — порівняння когорт одного віку, по діагоналі — усе, що сталося в одному календарному місяці.

### Просте чи зважене середнє для утримання когорт?

Зважене за розміром когорти, якщо ви описуєте всіх користувачів: сума активних ÷ сума розмірів когорт. Просте середнє годиться лише для порівняння когорт як окремих одиниць, і про це варто прямо сказати.

### Скільки когорт потрібно?

Стільки, щоб побачити закономірність, сильнішу за шум. Коли в когорті близько 1 000 людей, утримання першого місяця випадково коливається приблизно на ±3 пункти, тож різниця в один-два пункти між двома когортами мало що означає.

## Спробуйте на практиці

У безкоштовному уроці [Як читати когортну таблицю](/uk/courses/product-analytics/cohort-table/theory) ви усередните, виправите й підготуєте для ради директорів когортну таблицю Halves, з тестами й письмовим завданням, яке перевіряє ШІ. Далі — урок [Крива LTV](/uk/courses/product-analytics/ltv-curve/theory), де та сама когортна логіка застосована до доходу. Обидва входять до безкоштовного курсу [Продуктова аналітика: від даних до рішень](/uk/courses/product-analytics).

## Пов’язані уроки

- [Як читати когортну таблицю](https://productovi.com/uk/courses/product-analytics/cohort-table.md)
- [Кейс: аналіз утримання за сегментами](https://productovi.com/uk/courses/product-analytics/retention-by-segment.md)
- [Крива LTV](https://productovi.com/uk/courses/product-analytics/ltv-curve.md)