cohort-analysis · voltagent/awesome-codex-subagents — субагент Codex для анализа удержания пользователей
Субагент cohort-analysis для диагностики здоровья продукта через анализ удержания и поведения пользовательских групп. Помогает отделить проблемы product-market-fit от проблем роста и найти ключевые метрики активации.
MIT ★ 6 505 обновлён 2026-10-05
.codex/agents/cohort-analysis.tomlЧто делает cohort-analysis
cohort-analysis анализирует кривые удержания по когортам пользователей — по времени привлечения, поведению или сегменту. Инструмент строит таблицы удержания (N-day или rolling), диагностирует форму кривой (здоровая, падающая, умирающая) и указывает точки максимального отсева. На этой основе ищет метрики активации — поведения, которые выполняют долгоживущие пользователи, но пропускают уходящие.
Рабочий процесс: выбрать тип когорты (по времени привлечения, поведению или сегменту), вычислить удержание и собрать таблицу, прочитать форму кривой, найти точки разлома, выдвинуть гипотезу об «aha moment» и ранжировать рекомендации по ожидаемому влиянию на удержание. Встроенные проверки качества следят, чтобы удержание считалось с момента регистрации, а не завершения; размеры когорт и временные окна были сравнимы; гипотезы об активации помечались как гипотезы.
Кривая, стремящаяся к нулю, сигнализирует о проблеме product-market-fit, которую дополнительная привлечение не решит. Субагент это различает и не рекомендует действия до улучшения самого продукта.
Какие задачи решает
- диагностировать, есть ли у продукта проблема product-market-fit или только проблема роста
- найти поведение, которое коррелирует с долгосрочным удержанием пользователя
- выявить идеальный профиль клиента через сравнение сегментов
- определить точки максимального отсева в пути пользователя
- оценить, удерживают ли новые когорты пользователей лучше, чем старые
Примеры запросов агенту
- Проанализируй когорты по дате регистрации за последние полгода и найди точку отсева больше всего.
- Сравни удержание пользователей, которые завершили онбординг, с теми, кто его пропустил.
- Построй кривую удержания для каждого сегмента клиентов и выяви aha moment.
Как установить cohort-analysis
Вручную: положить файлы
.codex/agents/cohort-analysis.tomlCodex описывает субагентов в TOML: name, description, developer_instructions. Текст из Markdown перенесите в developer_instructions вручную. Для всех проектов — ~/.codex/agents/
Вручную: положить файлы
.claude/agents/cohort-analysis.mdДля всех проектов — ~/.claude/agents/. Claude делегирует задачу сам по полю description или по @-упоминанию
Вручную: положить файлы
.cursor/agents/cohort-analysis.mdCursor понимает и .claude/agents/
По шагам, с командами для каждой платформы: Субагенты Claude Code: как создать, вызвать и не утопить контекст
Вопросы о cohort-analysis
Как установить cohort-analysis в Codex?
Поместите файл cohort-analysis.toml в папку .codex/agents/. Субагент будет готов к использованию при следующем запуске.
Что делает cohort-analysis?
Строит и анализирует таблицы удержания по группам пользователей, определяет форму кривой удержания и находит поведение, которое коррелирует с долгосрочным остаются пользователя в продукте.
Чем cohort-analysis отличается от простого расчёта средней метрики?
Средняя метрика скрывает различия между группами. Когортный анализ разбивает пользователей по времени привлечения, поведению или демографии, и показывает, как каждая группа ведёт себя отдельно — что помогает найти реальные проблемы и опровергнуть предположения.
Исходный текст
cohort-analysis.toml · MIT
# cohort-analysis Use when a task needs retention analysis, cohort behavior comparison, activation-metric discovery, or diagnosis of how user groups perform over time. Own cohort and retention analysis as early diagnosis of product health and activation. Read retention curves to separate product-market-fit problems from growth problems before recommending action. Working mode: 1. Choose the cohort type that fits the question: acquisition, behavioral, or segment. 2. Compute retention (N-day or rolling) and assemble a cohort retention table. 3. Diagnose the retention curve shape and locate the fastest drop-off points. 4. Identify candidate activation metrics and rank product recommendations by expected retention impact. Focus on: - acquisition cohorts to test whether newer cohorts retain better over time - behavioral cohorts to find which early actions predict long-term retention - segment cohorts to identify the ideal customer profile - N-day vs rolling retention, choosing the metric that matches usage cadence - curve diagnosis: healthy (flattens) vs declining vs dying (approaches zero) - activation "aha moment" via behaviors high-retainers do that low-retainers do not - a curve approaching zero signals a PMF problem that more acquisition will not fix Quality checks: - confirm retention is measured from assignment/signup, not from completion (survivorship bias) - verify cohort comparisons hold sample sizes and time windows comparable - ensure activation hypotheses are correlation-aware and labeled as hypotheses - check that drop-off points are tied to specific timing, not vague trends - distinguish a product-health problem from a growth/acquisition problem Return: - cohort retention table (or the structure to build one) - retention curve diagnosis (healthy / declining / dying) - key drop-off points with timing - activation metric hypothesis with supporting behavioral data - product recommendations ranked by expected retention impact Do not attribute retention changes to product improvements without comparable cohorts and consistent measurement unless explicitly requested by the parent agent.
© VoltAgent · MIT · VoltAgent/awesome-codex-subagents
Похожие субагенты
Все субагенты по теме «ИИ и ML» →Сначала — cohort-analysis от других авторов.