Cohort Analysis (Kohort Analizi)

#VeriAnalizi #VeriBilimi #MakineOgrenimi #UrunAnalitigi

Ortak özellikler veya zaman dilimi paylaşan kullanıcı gruplarının davranışlarını süreç boyunca izleyen veri analizi tekniği.

Kohort analizi (cohort analysis), ortak bir özelliği ya da başlangıç noktasını paylaşan kullanıcı veya müşteri gruplarının (kohortların) davranışlarını belirli bir süre boyunca takip eden veri analizi yöntemidir. Epidemiyoloji araştırmalarından doğan bu teknik, dijital ürün analitiği ve makine öğrenmesi alanlarında temel bir araç hâline gelmiştir. Kohort analizinin iki ana türü vardır. Edinim kohortları (acquisition cohorts), kullanıcıları ilk etkileşim tarihlerine göre —kayıt tarihi, ilk satın alma ya da uygulama yükleme anı— gruplar ve zamanla nelerin değiştiğini ortaya koyar. Davranışsal kohortlar ise kullanıcıları belirli eylemler temelinde —onboarding'i tamamlama, belirli bir özelliği kullanma, belirli bir eşiği geçme— gruplar ve "neden" sorusuna yanıt verir. Pratik uygulamalar üç alanda yoğunlaşır. Müşteri elde tutma ve churn azaltma: hangi kohortların daha hızlı terk ettiği belirlenir ve hedefli kampanyalarla erken müdahale edilir. Pazarlama ROI ölçümü: farklı edinim kanallarından gelen kohortların yaşam boyu değeri (LTV) karşılaştırılır; LTV = ARPA ÷ Churn Rate formülü kullanılır ve 3:1 LTV/CAC oranı kârlılık eşiği kabul görür. Ürün performansı: yeni kullanıcıların önceki nesillere kıyasla daha iyi ya da daha kötü deneyim yaşayıp yaşamadığı ölçülür. Makine öğrenmesiyle birleşince kohort analizi tahmine dayalı bir boyut kazanır: ML modelleri, tarihsel kohort verilerinden öğrenerek bireysel kullanıcıların gelecekteki davranışlarını —churn olasılığı, dönüşüm ihtimali— tahmin eden prediktif kohortlar oluşturur ve proaktif müdahaleyi mümkün kılar. Kümeleme (clustering) algoritmaları, otomatik olarak anlamlı kohort sınırları belirleyerek analisti el ile tanımlama zahmetinden kurtarır. Kısıtlamalar arasında Simpson Paradoksu (birleşik trendin segmentlere ayrıldığında tersine dönmesi), verinin olgunlaşma süresinin uzunluğu ve korelasyonun nedensellik sanılması yer alır. Python (Pandas), SQL, Amplitude ve Mixpanel bu analizin temel araç ekosistemini oluşturur.

Kohort Analizi Nasıl Çalışır?

Kohort analizi üç temel adımla uygulanır. Birincisi kohort tanımı: kullanıcılar ortak bir özelliğe (kayıt tarihi, edinim kanalı, tamamlanan eylem) göre gruplara ayrılır. İkincisi metrik seçimi: her kohort için elde tutma oranı, churn, LTV veya dönüşüm gibi temel metrikler belirlenir. Üçüncüsü zaman serisi karşılaştırması: kohortların seçilen metrik değerleri periyodik tablolar veya ısı haritalarıyla görselleştirilir ve gruplar arası farklar yorumlanır.

Kohort Analizi Türleri

check_circle Edinim Kohortları: Kullanıcıları sisteme katılış tarihine göre gruplar; D1, D7, D30 elde tutma oranlarını kanal veya dönem bazında karşılaştırır.
check_circle Davranışsal Kohortlar: Belirli bir eylemi (onboarding tamamlama, premium geçiş) gerçekleştirip gerçekleştirmeme durumuna göre kullanıcıları segmentler.
check_circle Prediktif Kohortlar: ML modelleri tarihsel verilerden öğrenerek gelecekteki churn veya dönüşüm olasılığına göre kullanıcıları otomatik olarak gruplar.
check_circle Mevsimsel Kohortlar: Tatil, kampanya veya ürün lansmanı gibi dışsal faktörlerin farklı dönemlerdeki kullanıcı davranışı üzerindeki etkisini ölçer.

LTV ve Churn Hesaplama

Kohort analizinin en sık kullanıldığı alan müşteri yaşam boyu değeri (LTV) ve churn tahminidir. LTV = ARPA (kullanıcı başına ortalama aylık gelir) ÷ Aylık Churn Rate formülüyle hesaplanır. Sektörde kabul gören kârlılık eşiği LTV/CAC oranının 3:1'in üzerinde olmasıdır. Churn analizi için kohort tabloları, kullanıcıların hangi ay veya haftada en çok terk ettiğini göstererek ürün ekibine müdahale noktası sunar.

Makine Öğrenmesi ile Kohort Analizi

Geleneksel kohort analizi tanımlayıcıdır; ML entegrasyonu onu tahmine dayalı hâle getirir. K-means ve DBSCAN gibi kümeleme algoritmaları anlamlı kohort sınırlarını otomatik belirler. Hayatta kalma analizi (survival analysis) modelleri, belirli kullanıcının ne zaman terk edeceğini olasılıksal tahmin eder. Gradient boosting ve lojistik regresyon modelleri erken churn sinyallerini yakalayarak proaktif pazarlama akışlarını tetikler.

Araçlar ve Ekosistem

check_circle Python / Pandas: Özel kohort tabloları oluşturmak ve görselleştirmek için en esnek seçenek; seaborn ile ısı haritası üretimi yaygın kullanım kalıbıdır.
check_circle SQL: Veri ambarı ortamlarında (BigQuery, Snowflake) kohort sorguları doğrudan SQL ile yazılır; window functions bu işin temel aracıdır.
check_circle Amplitude / Mixpanel: Kod yazmadan görsel kohort analizi sunan ürün analitiği platformları; A/B test entegrasyonu ve funnel analizi ile birlikte kullanılır.
check_circle dbt + Looker / Metabase: Veri dönüşüm katmanı ile BI aracı kombinasyonu; kurumsal ölçekte tekrarlanabilir kohort analizi iş akışları kurar.

Sık Sorulan Sorular

check_circle Kohort analizi ile segmentasyon arasındaki fark nedir? Segmentasyon anlık bir kesit sunarken kohort analizi zamansal bir boyut ekler; aynı segmentin farklı dönemlerdeki davranış değişimini izlemeye olanak tanır.
check_circle Kohort analizinde kaç kullanıcı yeterlidir? İstatistiksel anlamlılık için her kohortun en az 30-100 kullanıcı içermesi önerilir; küçük kohortta gürültü fazla olacağından yanlış yorumlama riski artar.
check_circle Simpson Paradoksu kohort analizini nasıl etkiler? Birleşik veride görünen bir trend, alt gruplara ayrıldığında tam tersi yönde olabilir. Bu nedenle toplam metriğe ek olarak her kohortu bağımsız incelemek şarttır.
check_circle Kohort analizi hangi sektörlerde kullanılır? SaaS, e-ticaret, mobil oyun, fintech ve sağlık teknolojisi başta olmak üzere kullanıcı yaşam döngüsünün ölçüldüğü her sektörde temel analiz aracı olarak kullanılır.