Когортный анализ
Когортный анализ — метод, при котором пользователей группируют в когорты по дате первого действия и отслеживают их поведение во времени. Показывает удержание, отток и реальную ценность клиентов из разных периодов.
Определение когортного анализа
Когортный анализ — это способ изучать поведение пользователей не общей массой, а группами (когортами), объединёнными по дате первого события: регистрации, первой покупки, установки приложения. Каждую когорту отслеживают во времени и сравнивают между собой. Вопрос, на который отвечает метод: «как ведут себя пользователи, пришедшие в январе, на второй, третий, шестой месяц — и отличаются ли они от пришедших в феврале». Средние цифры по всей базе это скрывают, когортный анализ — вскрывает.
Проблема усреднённых метрик в том, что они смешивают новичков и старожилов. Бизнес видит «средний чек растёт» и радуется, не замечая, что новые клиенты уходят быстрее старых, а рост держится только на лояльном ядре. Когортный анализ разделяет эти потоки и показывает правду о том, улучшается продукт или деградирует. Метод пришёл из демографии, где так изучали поколения, и стал стандартом в SaaS и мобильной аналитике.
Как работает когортный анализ
Пользователей делят на когорты по периоду первого действия, затем строят таблицу: строки — когорты, столбцы — периоды жизни (месяц 0, 1, 2...), в ячейках — метрика (доля вернувшихся, выручка, число активных). Когортный анализ — продвинутый инструмент сквозной аналитики и работы с CRM, который помогает оценивать качество трафика из рекламных каналов и эффективность мер удержания. Часто его подключают на этапе аналитического аудита.
| Когорта | Месяц 0 | Месяц 1 | Месяц 2 | Месяц 3 |
|---|---|---|---|---|
| Январь | 100% | 48% | 35% | 29% |
| Февраль | 100% | 52% | 40% | 34% |
| Март | 100% | 61% | 49% | 43% |
В этом примере видно, что каждая новая когорта удерживается лучше предыдущей: с января по март возврат на третий месяц вырос с 29% до 43%. Это сигнал, что изменения в продукте работают. Средняя цифра по всем пользователям такой динамики не показала бы.
Виды когорт и метрик
Когорты формируют по разным признакам, а внутри измеряют разные показатели.
| Тип когорты | Признак объединения | Что анализируют |
|---|---|---|
| По времени | Дата регистрации или первой покупки | Удержание, отток по месяцам |
| По каналу | Источник привлечения (реклама, SEO) | Качество трафика из разных каналов |
| По поведению | Первое действие (заполнил профиль, купил) | Влияние действия на удержание |
| По тарифу | Выбранный план подписки | Какой сегмент приносит больше LTV |
Главные измеряемые метрики — retention (доля вернувшихся), churn (отток, обратная величина) и накопленная выручка когорты. Связка retention-кривых с выручкой позволяет считать реальный LTV для каждого потока пользователей, а не усреднённый по всем.
Инструменты и пример
Когортные отчёты строят в Яндекс Метрике и Google Analytics 4 (для веба), в Amplitude и Mixpanel (для продуктовой аналитики), а для глубокого анализа выгружают данные в Excel, Power BI или считают SQL-запросами по базе.
Мини-кейс: SaaS-сервис тратил на привлечение из двух каналов одинаково и по средним цифрам считал их равноценными — стоимость регистрации совпадала. Когортный анализ по каналам показал иное: пользователи из контекстной рекламы удерживались на 6-й месяц всего 12%, а из контент-маркетинга — 38%. То есть реальный LTV второго канала был втрое выше при той же цене привлечения. Бюджет перераспределили в пользу контента, и через полгода выручка на вложенный рубль маркетинга выросла на 27% без увеличения общих затрат. Усреднённая метрика CPA эту разницу полностью скрывала.
Связанные концепции
- LTV — когортный анализ даёт точный LTV по каждому потоку пользователей вместо усреднённого по базе.
- Юнит-экономика — когортные данные об удержании и выручке кормят расчёт сходимости юнит-экономики.
- Сквозная аналитика — поставляет данные по каналам и продажам, на которых строятся когорты.
- CPA — когортный анализ показывает, что равный CPA по каналам не равен равной ценности клиентов.
- Retention rate — ключевая метрика когортного анализа: доля пользователей, вернувшихся через N периодов.
Частые ошибки
- Слишком маленькие когорты — на десятке пользователей цифры случайны; нужна статистически значимая выборка.
- Анализ удержания без выручки — высокий retention бесполезен, если эти пользователи ничего не платят.
- Сравнение когорт разной длины — у молодой когорты ещё нет данных за 6-й месяц, сравнивать её со старой некорректно.
- Игнорирование сезонности — когорту, пришедшую в распродажу, нельзя напрямую сравнивать с обычной без поправки.
- Только время как признак — самые ценные инсайты дают когорты по каналу и поведению, а не только по дате.
Частые вопросы
Чем когортный анализ отличается от обычной аналитики?
Обычная аналитика смотрит на всех пользователей разом и выдаёт усреднённые цифры: средний чек, общая конверсия, суммарный трафик. Когортный анализ разбивает пользователей на группы по дате первого действия и отслеживает каждую во времени отдельно. Это вскрывает то, что усреднение прячет: например, что новые клиенты уходят быстрее старых, хотя общая выручка растёт. Когортный подход отвечает на вопрос «улучшается продукт или нет», а не «сколько всего».
Что такое retention и churn в когортном анализе?
Retention (удержание) — доля пользователей когорты, вернувшихся или оставшихся активными через N периодов после первого действия. Churn (отток) — обратная величина, доля ушедших. Если из когорты января на третий месяц вернулось 29%, retention третьего месяца равен 29%, churn — 71% накопленным итогом. Эти метрики строят в виде кривой по месяцам жизни когорты и сравнивают между разными когортами, чтобы увидеть, растёт удержание или падает.
В каких сервисах делают когортный анализ?
Для веб-аналитики когортные отчёты есть в Яндекс Метрике и Google Analytics 4. Для продуктовой аналитики приложений и SaaS используют Amplitude и Mixpanel — они заточены под когорты и удержание. Для глубокого анализа данные выгружают в Excel или Power BI, а в крупных проектах когорты считают SQL-запросами прямо по базе данных. Выбор зависит от типа продукта и нужной глубины анализа.
Для какого бизнеса нужен когортный анализ?
Прежде всего для бизнеса с повторными покупками и подписками: SaaS, мобильные приложения, интернет-магазины, сервисы по подписке, образовательные платформы. Там, где клиент возвращается, удержание критично, и когортный анализ незаменим. Для разового бизнеса (например, продажа квартир) метод менее полезен, но даже там когорты по каналам помогают оценить качество трафика. Чем важнее повторные действия клиента, тем нужнее когортный подход.
Как часто нужно делать когортный анализ?
Регулярно, обычно раз в месяц при ежемесячных когортах. Смысл метода в отслеживании динамики: каждая новая когорта показывает, работают ли изменения в продукте и маркетинге. Разовый когортный анализ даёт срез, но не тренд. Поэтому его встраивают в постоянную отчётность: добавляют свежую когорту, обновляют кривые удержания и смотрят, улучшается ли retention новых пользователей по сравнению со старыми когортами.
Можно ли строить когорты не по времени?
Да, и часто это даёт более ценные инсайты. Когорты формируют по каналу привлечения (сравнить качество трафика из рекламы и SEO), по первому действию (как заполнение профиля влияет на удержание), по тарифу или сегменту. Например, когорты по каналам показывают, что при равной стоимости привлечения клиенты из разных источников приносят разный LTV. Временные когорты — базовый вариант, но поведенческие и канальные когорты вскрывают то, что недоступно временным.