Когорта — это группа пользователей или клиентов, которых объединяет одно и то же стартовое событие в одну и ту же единицу времени. Например, все, кто зарегистрировался в приложении в марте, или все, кто оформил первый заказ в понедельник. Разбор по когортам показывает, как ведет себя именно эта группа со временем, а не усредненную картину по всей клиентской базе сразу.
Средние цифры по всем пользователям часто врут. 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 работает когортный анализ
Пользователей делят на группы по дате или событию первого контакта с продуктом: регистрация, первая покупка, установка приложения. Дальше для каждой группы отдельно считают одну и ту же метрику через равные промежутки времени: через день, неделю, месяц после старта.
Результат обычно оформляют таблицей: строки в ней — это когорты по дате старта, а столбцы показывают недели или месяцы жизни группы. На пересечении стоит процент пользователей, которые остались активны, или сумма выручки с этой когорты за период. Такую таблицу называют когортной сеткой, и по ней сразу видно, тает аудитория быстро или держится ровно.
Смысл метода в том, чтобы сравнивать сопоставимое с сопоставимым. Клиент, который пришел неделю назад, и клиент, который пользуется продуктом полгода, находятся на разных этапах жизненного цикла, и валить их в одну метрику некорректно. Когорта убирает эту разницу, сравнивая группы на одинаковой дистанции от старта.
Виды когорт
По дате привлечения делят пользователей, пришедших в один календарный период: неделю, месяц, квартал. Это самый частый вид, и именно его чаще всего имеют в виду, когда говорят о когортном анализе без уточнений.
По каналу привлечения группируют пользователей из одного источника трафика: контекстная реклама, соцсети, органический поиск, рекомендации. Такой разрез отвечает на вопрос, какой канал приводит клиентов, которые реально остаются, а не разовых покупателей по низкой цене клика.
По поведению объединяют пользователей, совершивших конкретное действие, независимо от даты: например, всех, кто хотя бы раз воспользовался промокодом, или всех, кто добавил товар в избранное. Этот вид когорт помогает понять, как отдельная функция продукта влияет на удержание и повторные покупки.
По сумме первой покупки собирают когорты из клиентов с похожим средним чеком старта: отдельно тех, кто в первый раз потратил меньше тысячи рублей, отдельно тех, кто сразу оформил заказ на десять тысяч и больше. Такой разрез показывает, действительно ли дорогой первый заказ предсказывает более высокую пожизненную ценность клиента, или это просто разовая крупная покупка без продолжения.
Выбор вида когорты зависит от вопроса, на который ищут ответ. Если нужно понять, стал ли продукт лучше со временем, подходят когорты по дате. Если нужно сравнить эффективность вложений в разные каналы, логичнее строить когорты по источнику трафика. Смешивать несколько разрезов в одной таблице не стоит: результат становится нечитаемым, и проще один раз построить два разных отчета, чем пытаться уместить все измерения в одну сетку.
Пример когортного анализа
Интернет-магазин собрал когорту из 500 покупателей, впервые оформивших заказ в январе. Через месяц повторную покупку сделали 90 человек из этой когорты, это 18 процентов удержания. Через три месяца осталось 60 активных покупателей, 12 процентов. Через полгода активными остались только 40 человек, 8 процентов от исходной группы.
Такая кривая называется кривой удержания, и по ней видно скорость оттока: самое резкое падение обычно приходится на первый месяц, а дальше кривая выполаживается и держится на стабильном уровне. Магазин может сравнить эту кривую с когортой февраля, когда запустили программу лояльности, и увидеть, выросло удержание после нового месяца или осталось прежним.
Если у февральской когорты удержание через месяц выросло до 24 процентов, а не 18, программа лояльности сработала, и стоит масштабировать похожий механизм на новых покупателей. Без разбивки по когортам этот эффект потерялся бы в общей средней цифре.
Типичные ошибки при работе с когортами
Смешивают когорты разного размера без поправки на масштаб: сравнение группы из 50 человек с группой из 5000 напрямую по абсолютным числам искажает картину, нужно сравнивать проценты, а не количество людей.
Берут слишком короткий период наблюдения и делают выводы раньше времени: у продуктов с длинным циклом покупки, например мебели или недвижимости, повторное обращение может произойти через полгода-год, и оценка удержания через неделю после первого контакта ничего не покажет.
Не учитывают сезонность при сравнении когорт разных месяцев: декабрьская когорта интернет-магазина закономерно ведет себя не так, как майская, из-за предновогодних покупок, и списывать разницу на маркетинговые решения без поправки на сезон некорректно.
Путают когорту с обычным сегментом аудитории: сегмент — это любая группа по признаку (возраст, город, тип устройства), а когорта обязательно привязана к общему стартовому моменту во времени. Разбивка клиентов по полу когортой не считается, даже если ее тоже называют группой.
Частые вопросы
Чем когорта отличается от сегмента? Сегмент группирует людей по любому признаку без привязки ко времени, а когорта обязательно объединяет тех, кто начал взаимодействие с продуктом в один и тот же период. Сегменты можно строить хоть по цвету глаз, когорты всегда завязаны на дату или событие.
Нужен ли когортный анализ маленькому бизнесу? Да, если есть повторные покупки или подписка. Даже с базой в пару сотен клиентов когортная таблица покажет, держится аудитория после первой сделки или уходит, а это важнее общего числа заказов за месяц.
Как часто пересматривать когортные данные? Для быстрого продукта с коротким циклом покупки достаточно смотреть раз в месяц, для бизнеса с длинным циклом сделки, вроде B2B, разумнее раз в квартал: более частые проверки просто не успевают набрать статистику для выводов.
Когортный анализ тесно связан с конверсией, потому что показывает, как она меняется на разных этапах жизни клиента, и с LTV, суммарной прибылью с одной группы за все время. Без разбивки по когортам оба показателя остаются усредненной цифрой, за которой не видно ни сильных, ни слабых точек воронки.
Разобраться, какие каналы и решения на самом деле удерживают клиентов, а какие приводят разовый трафик без возврата, помогает регулярная аналитика с построением когортных отчетов под конкретный бизнес.