Когортный анализ в маркетинге

1. Что такое когортный анализ и почему «усредненные» метрики врут
2. Пять ключевых задач, которые решает когортный анализ в бизнесе
3. Какие метрики смотреть: от Retention до LTV
4. Как провести когортный анализ: пошаговая инструкция от СМО
5. В каких инструментах работать: от Excel до BI-систем
6. Топ-5 частых ошибок начинающих (и как их избежать)
7. Заключение: почему когортный анализ — это мышление, а не просто отчет

Простыми словами, когортный анализ — это метод изучения поведения не всей аудитории разом, а отдельных групп пользователей, объединенных общим действием в один период времени. Эти группы и называются когортами.

Представьте, что у вас есть онлайн-школа. В январе к вам пришли 1000 новых студентов, в феврале — еще 1200. Общая конверсия в покупку второго курса — 15%. Вроде неплохо. Но это «средняя температура». Когортный анализ позволит вам увидеть, что из январской когорты на второй курс пошли 22%, а из февральской — только 8%. Возникает вопрос: что такого особенного было в январе? Может, запустили новую рекламную кампанию, изменили программу первого курса или работал особый преподаватель? Общие метрики скрывают такие различия, а когортный анализ — выявляет.

Когорту можно создать по любому значимому событию: дата первой покупки, источник перехода (таргетированная реклама, контекст, email), тип купленного продукта или даже демографический признак (если данные есть). Суть в том, чтобы наблюдать за «судьбой» этой конкретной группы во времени.

Из моего опыта в EdTech: Когда мы анализировали общий процент завершения курсов, цифра была стабильной. Но, разбив студентов на когорты по дате старта, мы увидели, что летние группы имеют на 30% ниже completion rate. Оказалось, люди чаще уезжают в отпуска. Это знание позволило нам адаптировать программу под летний период (больше записанных видео-уроков, гибкие дедлайны), а не гадать, почему «в целом» что-то не так.

Это не просто «интересная аналитика». Это инструмент для принятия конкретных решений.

• Понимание и удержание ценной аудитории. Вы узнаете не просто, сколько клиентов ушло, а какие именно клиенты уходят и когда. Например, вы видите, что когорта, пришедшая по рекомендациям, имеет вдвое выше удержание, чем когорта с контекстной рекламы. Вывод: вкладываемся в программу лояльности и рефералов.

• Оценка истинной эффективности каналов привлечения. Один канал может приводить много дешевых лидов, которые отваливаются после первой покупки. Другой — меньше, но это клиенты с высокой жизненной ценностью (LTV). Общий CAC (стоимость привлечения) по ним может быть сопоставим, но ценность для бизнеса — разная. Когортный анализ помогает перераспределить бюджет между каналами осознанно.

• Анализ влияния изменений в продукте. Вы обновили интерфейс личного кабинета. Общая активность выросла. Но когортный анализ может показать, что для новых пользователей изменения пошли на пользу (удержание выросло), а для старых, привыкших к старому интерфейсу, — навредило (в их когорте начался отток).

• Точное прогнозирование доходов (LTV). Проследив, сколько дохода приносит каждая когорта в первый, второй, третий месяц, вы можете строить гораздо более точные финансовые модели. Вы будете знать: если в этом месяце мы привлекли N новых клиентов, то через квартал от них можно ожидать примерно Х рублей выручки.

• Проведение глубоких A/B-тестов. Стандартный A/B-тест показывает, какая версия кнопки или заголовка дает большую конверсию здесь и сейчас. Когортный анализ в рамках A/B-теста покажет, как ведут себя пользователи из группы А и группы B в долгосрочной перспективе. Может оказаться, что более «агрессивный» вариант B дает сиюминутный прирост заявок, но клиенты из этой когорты реже возвращаются. Важно смотреть не на разовый всплеск, а на долгосрочный эффект.

Работая с когортами, вы оперируете набором ключевых метрик. Вот главные из них:

• Коэффициент удержания (Retention Rate, RR). Процент пользователей из когорты, которые продолжают активность (покупают, заходят, пользуются) через определенное время (день, неделю, месяц). Формула: (Клиенты на конец периода - Новые клиенты за период) / Клиенты на начало периода * 100%. Высокий RR — индикатор здоровья продукта и счастливых клиентов.

• Коэффициент оттока (Churn Rate, CR). Обратная метрика: какой процент клиентов из когорты перестал быть активным. Формула: (Клиенты, которые ушли / Клиенты на начало периода) * 100%. Мониторить нужно в динамике: снижение Churn Rate для всех когорт — отличный сигнал.

• Пожизненная ценность клиента (Lifetime Value, LTV). Сколько денег в среднем приносит один клиент из конкретной когорты за все время сотрудничества. Простая формула: LTV = Средний чек * Частота покупок за период * «Срок жизни» клиента. Сравнение LTV разных когорт — прямое указание на то, какие клиенты самые ценные.

• Конверсия и средний чек по когортам. Всегда смотрите не только на удержание, но и на коммерческие метрики. Одна когорта может хуже удерживаться, но приносить больше денег за счет высокого среднего чека. Другая — массово возвращаться, но покупать мелкие товары.

Давайте разберем на гипотетическом примере из сферы digital-образования.

Шаг 1. Определяем цель и формируем когорты.

Вопрос: «Почему студенты, пришедшие весной, реже доходят до конца продвинутых курсов?».

Формируем временные когорты по месяцу первой покупки любого курса: «Март», «Апрель», «Май».

Шаг 2. Строим и заполняем когортную таблицу.

Строки — наши когорты. Столбцы — периоды (месяцы после первой покупки). В ячейки вносим выбранную метрику, например, количество активных студентов (тех, кто заходил в личный кабинет или проходил уроки).

Шаг 3. Ищем закономерности и строим гипотезы.

Сразу видна аномалия: Майская когорта резко «просела» на третьем месяце. В то время как мартовская и апрельская когорты демонстрировали плавное снижение.

Гипотеза: Для майской когорты третий месяц (июль) пришелся на период отпусков. Возможно, у нас не было гибкости в программе, и студенты, уехав в отпуск, не смогли нагнать материал и потеряли мотивацию.

Шаг 4. Проверяем гипотезы дополнительными данными.

Добавим в таблицу метрику среднего времени в личном кабинете за третий месяц. Если гипотеза верна, у майской когорты оно будет значительно ниже в июле. Также можно провести опрос среди этой группы.

Шаг 5. Принимаем решения и внедряем улучшения.

На основе анализа:

1. Действие: Внедряем для всех летних когорт «заморозку» курса на 2 недели по запросу.
2. Действие: Добавляем в июльскую программу больше автономных материалов (вебинары в записи, PDF-гайды).
3. Действие: Запускаем специальную email-рассылку для «заснувших» студентов майской когорты с предложением помощи и мотивацией вернуться.

• Для старта и простых срезов: Excel/Google Таблицы. Идеально, чтобы разобраться в логике, построить первые таблицы и графики вручную. Подходит для анализа небольших объемов данных.
• Встроенная аналитика: Яндекс.Метрика, Google Analytics. В них есть готовые отчеты по когортам (обычно по дате первого визита). Отлично подходит для анализа поведения на сайте, но может быть недостаточно гибким для глубокой бизнес-аналитики.
• CRM-системы (ваш главный помощник). Хорошая CRM (я не буду называть бренды, но вы их знаете) хранит всю историю клиента. Именно она — источник истины для формирования когорт не только по времени, но и по продукту, каналу, тегу. Большинство современных CRM позволяют строить когортные отчеты внутри системы.
• Для серьезной аналитики: SQL + BI-системы (Power BI, Tableau, DataLens). Когда данных много, а когорты нужны специфические, аналитики пишут запросы к базам данных, а результаты визуализируют в мощных BI-инструментах. Это уровень продвинутых аналитических отделов.

1. Слишком маленькие когорты. 20-30 человек в группе — это не статистика, а случайные колебания. Решение: старайтесь формировать когорты, где от 100-200 человек (в идеале — больше).
2. Игнорирование сезонности. Сравнивать когорту декабря (предновогодний ажиотаж) с когортой января (шок после праздников) — некорректно. Решение: сравнивайте когорты с одинаковыми сезонными периодами (январь с прошлым январем) или всегда делайте поправку на сезонный фактор.
3. Анализ только одной метрики. Смотреть только на удержание — опасно. Решение: всегда используйте «связку» метрик: Retention Rate + LTV + средний чек. Когорта может быть не самой стабильной, но при этом сверхприбыльной.
4. Смешивание разных типов когорт в одном анализе. Нельзя в одной таблице сравнивать когорты по «времени» и по «источнику трафика» — это разные логические уровни. Решение: проводите отдельные исследования для каждого типа сегментации.
5. Анализ ради анализа. Самый главный промах. Решение: перед началом всегда задавайте вопрос: «Как я буду использовать результат этого анализа? Какое конкретное бизнес-решение я смогу принять?». Если ответа нет, возможно, анализ не нужен.

Когортный анализ — это не просто кнопка в интерфейсе аналитической системы. Это способ мышления, который заставляет вас перестать воспринимать аудиторию как безликую массу и начать видеть в ней конкретные группы людей с разными путями, мотивами и поведением.

Он учит задавать правильные вопросы: не «почему упала конверсия?», а «почему упала конверсия именно у клиентов, которые пришли к нам в прошлом месяце из Instagram?». Ответы на такие вопросы и приводят к точным, выверенным действиям, которые реально влияют на бизнес-результат.

Начните с малого: выделите одну ключевую когорту за последний месяц и проследите за ней. Постройте простую таблицу в Excel. Вы удивитесь, сколько инсайдов вы найдете даже на этом базовом уровне.