CRM-аналитика
Когортный анализ: когда клиенты с разным «временем рождения» ведут себя по-разному
Время чтения: 3 мин
Уровень материала: Для начинающих
Содержание
Что это вообще?
Когортный анализ — это способ изучать клиентов, разделяя их на группы по дате первого взаимодействия (когортам) и отслеживая, как они ведут себя со временем.
Представь, что клиенты — это ученики разных классов:
- Кто-то пришёл в сентябре
- Кто-то в октябре
- Кто-то в ноябре
И вот вы наблюдаете, как живёт и учится каждый класс:
- Кто быстро сбежал
- Кто остался надолго
- Кто стал отличником
- Кто ушёл после контрольной
Зачем это нужно?
Потому что в среднем по больнице не работает.
Средний срок возвращения полезен как ориентир, но может скрывать различия между группами. А вот если выяснится, что:
- Те, кто пришли в июле, возвращаются чаще
- А ноябрьские покупают один раз и исчезают → Это уже инсайт
Когортный анализ помогает:
- понять качество привлечения
- отслеживать LTV по когортам
- выявлять паттерны оттока
- измерять эффективность изменений в маркетинге или продукте
Условный пример
Ты запустила акцию в августе: «первый заказ — с подарком». В сентябре просто гнала трафик без подарков.
Когортный анализ показывает:
- Августовская когорта: 40% вернулись в течение месяца
- Сентябрьская когорта: только 15%
Вывод: когорты различаются. Причиной могут быть подарок, сезонность, канал привлечения или состав покупателей. Проверить эффект подарка поможет отдельный эксперимент со случайным распределением клиентов.
Как устроен когортный анализ
Формируем когорты — по дате первой покупки, регистрации, визита
Смотрим активность этих когорт в динамике:
- сколько остались через 1 месяц
- сколько купили 2-й, 3-й раз
- сколько живы на 90-й день
- Сравниваем когорты между собой
- Визуально это похоже на таблицу с диагоналями (cohort table) или на кривую выживаемости клиентов
Что можно увидеть
Показатели когорты хуже → проверяем качество трафика, предложение, клиентский опыт и сопоставимость наблюдений
Новая когорта активна дольше → проверяем гипотезу о влиянии welcome-цепочки и другие возможные причины
LTV по когортам вырос → разбираемся, связано ли это с маржой, составом клиентов, сроком наблюдения или допродажами
Примеры бизнес-задач
| Задача | Что даст когортный анализ |
|---|---|
| Проверить влияние нового оффера | Видны различия в удержании; причинный эффект требует проверки |
| Измерить реакцию на изменение цены | Сравниваем поведение до и после |
| Оценить welcome-цепочку | Живут ли клиенты дольше после её запуска? |
| Анализ канала привлечения | Когорта из Яндекса vs когорта из Telegram |
| Понять, когда чаще всего уходит клиент | Где начинается отток: через 7, 14, 30 дней? |
Ошибки в когортном анализе
Сравнивать по календарю, а не по возрасту клиента → «Что делали все в январе» — это не когорта. Когорта — это «что делали клиенты на 14-й день с момента старта»
Оперировать слишком широкими когортами → Годовая когорта допустима, но может скрывать различия между месяцами и каналами
Не учитывать источник трафика → Изменение долей каналов может объяснять различия когорт; при необходимости сравнивайте их отдельно
Для сравнения выбирайте одинаковый возраст когорт: например, первые 30 дней после первой покупки каждого клиента. Когорта — сама группа, а 14-й день — момент наблюдения. Сравнение когорт выявляет различия, но само по себе не устанавливает причинность.
Вывод
- Когортный анализ — это способ не гадать, а видеть, кто и когда с вами остаётся
- Помогает находить слабые места в онбординге, контенте, предложениях
- А главное — помогает делать маркетинг не по ощущениям, а по поведению реальных групп