Когортный анализ — это метод анализа данных, при котором клиентов делят на группы по общему стартовому событию и сравнивают, как каждая группа ведет себя со временем. Такую группу называют когортой: например, все, кто зарегистрировался в марте, или все, кто оформил первый заказ в понедельник. Разбор по когортам показывает поведение конкретной группы отдельно, вместо того чтобы смешивать ее с остальной клиентской базой в одну усредненную цифру.
Обычный отчет по всем клиентам сразу часто скрывает реальную картину. Если в феврале компания запустила рекламу с новой аудиторией, а в марте поменяла посадочную страницу, общий график конверсии смешает эффект обоих решений в одну линию, и разобраться, что именно сработало, будет невозможно. Когортный анализ разводит эти группы по отдельности и показывает вклад каждой.
Как проводят когортный анализ
Сначала выбирают событие, которое станет точкой отсчета для когорты: регистрацию, первую покупку, установку приложения. Все, у кого это событие произошло в один и тот же период, например в одну неделю или месяц, попадают в одну когорту.
Дальше выбирают метрику, которую будут отслеживать во времени: возвращаются ли пользователи в приложение, делают ли повторные покупки, сколько денег в среднем тратит когорта на второй, третий, шестой месяц после старта. Данные сводят в таблицу, где по строкам идут когорты по дате старта, а по столбцам, сколько времени прошло с этой даты.
Такая таблица наглядно показывает, ухудшается или улучшается поведение новых клиентов со временем: если когорта за март удерживает клиентов хуже, чем когорта за январь, значит что-то изменилось в продукте, рекламе или обслуживании именно с февраля-марта, и это стоит проверить отдельно.
Что показывает когортный анализ
Удержание клиентов. Какая доля когорты продолжает пользоваться продуктом через неделю, месяц, полгода после первого касания. Резкое падение удержания на определенном сроке часто указывает на конкретную проблему, например неудобный процесс продления подписки.
Динамику выручки. Сколько денег в среднем приносит клиент из конкретной когорты на каждом этапе жизни, и как эта сумма растет или падает по сравнению с более ранними или поздними когортами.
Эффект изменений в продукте или маркетинге. Сравнение когорт до и после запуска новой функции или смены рекламного канала показывает, действительно ли изменение повлияло на поведение клиентов или просто совпало по времени со сторонним фактором.
На чем строят когортный анализ
Google Analytics и подобные сервисы веб-аналитики уже включают базовый когортный отчет по датам первого визита, доступный без дополнительной настройки, но с ограниченным набором метрик.
Специализированные продуктовые аналитические платформы, например Amplitude или Mixpanel, строят более гибкие когорты по любому событию в продукте, дата визита здесь лишь один из вариантов, и позволяют сравнивать десятки метрик одновременно.
Таблицы вручную на основе выгрузки из CRM или базы данных подходят для небольшого бизнеса без сложной аналитики: даты первых и повторных покупок клиентов сводят в таблицу и считают долю вернувшихся по каждому периоду самостоятельно.
Как читать таблицу когорт
В типичной таблице каждая строка это отдельная когорта, а каждый столбец показывает долю оставшихся активных клиентов через одну неделю, две недели, месяц с момента старта. Например, из когорты в 200 новых пользователей за январь через месяц активными остаются 80 человек, это 40 процентов удержания.
Если у февральской когорты через месяц активными остаются уже только 50 из 200 против прежних 80, это явный сигнал: что-то изменилось в продукте, рекламном канале или качестве привлеченной аудитории между январем и февралем, и стоит разобраться, что именно произошло за этот месяц.
Пример из практики
Сервис доставки продуктов заметил, что общая выручка за квартал растет, и посчитал это хорошим знаком. Когортный анализ показал другую картину: удержание клиентов, пришедших в последний месяц квартала, было на треть ниже, чем у когорты трехмесячной давности, а рост общей выручки держался на увеличенном бюджете на рекламу и притоке новых клиентов, тогда как сам продукт лучше не стал.
Разбор выявил причину: команда упростила регистрацию, убрав шаг с подтверждением адреса доставки, из-за чего часть заказов позже отменялась службой доставки, а недовольные клиенты просто не возвращались. После возврата шага с подтверждением удержание новых когорт вернулось к прежнему уровню в течение полутора месяцев.
Типичные ошибки
- Смотрят только на общие показатели по всей базе клиентов и не разбивают их по когортам, из-за чего проблема с конкретной группой остается незамеченной на фоне общего роста.
- Берут слишком короткий период наблюдения, например неделю, для продукта, где решение о повторной покупке клиент принимает через несколько месяцев, и делают выводы на неполных данных.
- Сравнивают когорты разного размера без поправки на масштаб, например когорту из 50 человек и когорту из 5 тысяч, и переоценивают значимость колебаний в маленькой группе.
- Проводят анализ один раз после запуска изменения и не возвращаются к нему позже, хотя эффект от многих решений становится заметен только через несколько месяцев наблюдения за когортами.
Частые вопросы
Чем когортный анализ отличается от обычной сегментации клиентов? Сегментация делит клиентов по признаку в конкретный момент времени, например по городу или сумме покупок. Когортный анализ прослеживает поведение группы во времени от общей стартовой точки, поэтому показывает динамику там, где сегментация дает лишь статичный срез.
Какой минимальный размер данных нужен для когортного анализа? Точного порога нет, но чем меньше клиентов в когорте, тем менее надежны выводы: колебания на выборке в 20-30 человек вполне могут оказаться случайными, за ними не стоит никакого реального тренда.
Можно ли делать когортный анализ без специальных инструментов аналитики? Да, для небольшого бизнеса таблицу с датами первых покупок и повторных заказов можно собрать вручную из данных CRM или кассы, хотя специальные сервисы аналитики строят такие отчеты автоматически и быстрее.
Как часто нужно пересматривать когортные отчеты? Периодичность зависит от того, как быстро меняется продукт: при частых обновлениях сайта или приложения отчет стоит смотреть раз в две-четыре недели, а для более стабильного бизнеса достаточно ежеквартального разбора.
Когортный анализ обычно проводят вместе со сквозной аналитикой, которая связывает расходы на привлечение клиента с его дальнейшим поведением и выручкой. Настроить регулярный когортный анализ и связать его с остальными метриками бизнеса помогает услуга аналитики и performance.