Когортный анализ простыми словами

Когортный анализ звучит как термин из учебника по статистике, который пугает предпринимателей и маркетологов. На деле это один из самых наглядных способов понять, что на самом деле происходит с вашими клиентами или пользователями. Обычные отчёты показывают общую картину: столько-то регистраций, такая-то выручка, средний чек вырос. Но за этими средними легко не заметить, что новые клиенты уходят быстрее, реклама перестала окупаться, а рост держится только на старой базе. Когортный анализ снимает эту маскировку. В этой статье разберу его по-человечески: что это такое, зачем нужно, как своими руками построить когортную таблицу удержания на простом числовом примере, где это применяют и какие ошибки совершают чаще всего.

Что это простыми словами

Когорта (cohort, от латинского «группа») — это набор пользователей, объединённых общим признаком и общим моментом времени. Чаще всего когорту формируют по дате первого действия: все, кто зарегистрировался в январе, — это одна когорта, кто в феврале — другая. Когортный анализ — это наблюдение за каждой такой группой отдельно на протяжении времени: что с ней происходило через неделю, через месяц, через полгода после старта.

Сравним с обычным подходом. Если вы просто смотрите «сколько активных пользователей было в каждом месяце», вы видите общий котёл, куда свалены и новички, и старожилы. Растёт число — вроде хорошо. Но вы не понимаете, за счёт чего: то ли старые клиенты остаются, то ли просто залили много новых через рекламу, а они тут же отваливаются. Когортный анализ разделяет поток: вы берёте январских новичков и следите именно за ними, отдельно от февральских и мартовских. И сразу видно, как ведёт себя каждое «поколение».

Аналогия простая: это как наблюдать не за всем классом школы сразу, а за конкретным набором первоклассников — сколько из них дошло до второго класса, до третьего и так далее. Если в этом году до второго класса дошло меньше детей, чем в прошлом, значит, что-то изменилось именно для нового набора, и это сигнал разобраться.

Признак для когорты не обязан быть датой. Можно группировать по каналу привлечения (пришли из рекламы, по рекомендации, из поиска), по тарифу, по первому купленному товару, по региону. Но самый частый и базовый вариант — именно время регистрации или первой покупки, потому что он позволяет честно сравнивать разные «поколения» клиентов между собой.

Зачем это нужно

Главная причина — средние показатели врут. Точнее, они не врут, но скрывают важное. Представьте: сервис показывает стабильные 10 000 активных пользователей месяц за месяцем. Выглядит как здоровое плато. Но за этой цифрой может прятаться тревожная картина: каждый месяц вы привлекаете 4000 новых, и ровно столько же старых уходит. База не растёт, вы просто заливаете дыру рекламой. Средний показатель этого не покажет — а когортный анализ покажет сразу.

Второй смысл — увидеть удержание (retention), то есть какая доля пользователей возвращается и продолжает пользоваться продуктом со временем. Это, пожалуй, главная метрика здоровья почти любого бизнеса с повторными покупками или подпиской. Когортная таблица наглядно показывает, на каком шаге люди отваливаются: сразу после регистрации, через месяц, после первой оплаты. Зная точку оттока, вы понимаете, где чинить продукт.

Третий смысл — оценить реальную динамику и эффект изменений. Допустим, в марте вы переделали онбординг (первое знакомство пользователя с продуктом). Если у мартовской когорты удержание на втором месяце заметно выше, чем у январской и февральской, — изменение сработало. Без разбивки на когорты этот эффект растворился бы в общей массе.

Четвёртый смысл — деньги и реклама. Когортный анализ позволяет считать окупаемость рекламы по группам привлечения. Вы видите не просто «потратили на рекламу столько-то», а сколько принесла конкретная когорта за всё время жизни и когда именно расходы на её привлечение отбились. Это напрямую выводит на метрику LTV (lifetime value, пожизненная ценность клиента) — сколько денег приносит средний клиент за всё время, что остаётся с вами.

Как применить у себя

Хорошая новость: чтобы построить базовую когортную таблицу удержания, не нужны сложные системы. Достаточно данных о том, кто и когда зарегистрировался, и кто в какие месяцы был активен. Разберём на числовом примере.

Допустим, у вас есть три когорты по месяцу регистрации, в каждой — определённое число новичков. Дальше мы каждый месяц смотрим, сколько из них остались активными. Строки — когорты, столбцы — сколько месяцев прошло с момента старта (нулевой месяц — это сам месяц регистрации, там всегда 100%).

Как это читать. В январской когорте было 1000 человек. Через месяц активными остались 45% — то есть 450 человек, остальные 550 отвалились. Ещё через месяц осталось 30% (300 человек), к третьему месяцу — 24% (240 человек). Прочерк означает, что данных пока нет: февральская когорта прожила всего два месяца, а мартовская — один, так что заглянуть в их будущее мы ещё не можем.

Что сразу бросается в глаза. У мартовской когорты удержание на первом месяце — 52%, заметно выше, чем у январской (45%) и февральской (43%). Если в феврале-марте вы что-то улучшили в продукте или стали привлекать более подходящую аудиторию — вот его эффект, видимый чёрным по белому. Если же ничего не меняли, стоит разобраться, не случайность ли это.

Чтобы построить такую таблицу у себя, действуйте по шагам. Первое — определите событие старта: регистрация, первая покупка, установка приложения. Второе — определите событие активности: что считается «остался» (зашёл в сервис, сделал заказ, открыл приложение). Третье — разнесите пользователей по когортам месяца старта. Четвёртое — для каждой когорты посчитайте долю активных в каждом последующем периоде. Пятое — сравните строки между собой и ищите, где удержание растёт или падает от когорты к когорте.

По тому же принципу строят денежные когорты: вместо процента активных в ячейку ставят накопленную выручку с когорты. Тогда видно, на каком месяце расходы на привлечение группы окупились, и какой LTV выходит у разных «поколений» клиентов.

Частые ошибки

Самая частая ошибка — вообще не делать когортный анализ и судить о бизнесе только по средним показателям всей базы. Общая выручка и общее число активных скрывают, что новые клиенты уходят быстрее старых или что окупаемость рекламы падает. Пока рост держится на старой базе, проблема незаметна — а когда старая база истощается, всё рушится разом. Когорты показывают это заранее.

Вторая ошибка — делать выводы по слишком маленьким когортам. Если в группе всего 10 человек, то уход двоих — это сразу минус 20% удержания, хотя статистически это может быть просто случайность. На малых числах проценты скачут как угодно и вводят в заблуждение. Сравнивайте когорты сопоставимого размера и не стройте серьёзных решений на группах из единиц и десятков человек.

Третья ошибка — путать когорты с обычными сегментами. Сегмент — это просто срез по признаку (например, все женщины старше 30). Когорта обязательно привязана к моменту времени старта и наблюдается в динамике. Если вы не следите за группой во времени, а просто один раз посчитали показатель по срезу — это не когортный анализ, и динамику вы не увидите.

Четвёртая ошибка — сравнивать когорты разной «зрелости» в лоб. У январской когорты есть данные за три месяца, у мартовской — только за один. Нельзя говорить «март лучше января», глядя на общий процент, — нужно сравнивать одинаковые периоды жизни: первый месяц с первым, второй со вторым. Сравнение по диагонали вместо вертикали даёт ложные выводы.

Пятая ошибка — смотреть на таблицу и не делать ничего. Когортный анализ ценен не сам по себе, а как повод задать вопрос: почему вот эта когорта отваливается на втором месяце? Что изменилось у того поколения, где удержание просело? Без действий по итогам красивая таблица остаётся просто красивой таблицей.

Частые вопросы

Чем когорта отличается от сегмента? Сегмент — это срез аудитории по признаку без привязки ко времени: например, все клиенты из Москвы. Когорта обязательно объединена общим моментом старта (месяцем регистрации, первой покупки) и наблюдается в динамике на протяжении периодов. Главное отличие — когорту всегда смотрят во времени, а сегмент можно посчитать разово.

По какому признаку формировать когорты? Самый частый и универсальный — месяц регистрации или первой покупки, он позволяет честно сравнивать разные поколения клиентов. Но можно группировать и по каналу привлечения, тарифу, региону, первому товару. Выбор зависит от вопроса, на который вы ищете ответ: если интересует эффект рекламы — берите канал, если общее здоровье — берите время старта.

Как часто строить когортные таблицы? Для большинства задач достаточно обновлять их раз в месяц, по мере того как появляются новые когорты и у старых накапливаются новые периоды наблюдения. Если вы активно тестируете изменения в продукте или рекламе, имеет смысл смотреть чаще — чтобы быстрее заметить, как новая когорта отреагировала на правки.

Как когортный анализ связан с churn, retention и LTV? Напрямую. Retention (удержание) — это и есть проценты в когортной таблице: доля оставшихся со временем. Churn (отток) — обратная величина: доля ушедших. А LTV (пожизненная ценность клиента) считается на основе того, как долго когорта остаётся активной и сколько денег приносит за это время. Когортная таблица — наглядная основа для всех трёх метрик.

Нужны ли специальные программы для когортного анализа? Нет. Базовую когортную таблицу удержания можно построить в обычной электронной таблице, если у вас есть данные о датах старта и активности пользователей. Специализированные системы аналитики удобны, когда данных много и нужна автоматизация, но сам метод доступен на любом масштабе и не требует дорогих инструментов для старта.

Коротко о главном

Когортный анализ — это способ перестать смотреть на клиентов одним общим котлом и начать наблюдать за группами (когортами), объединёнными моментом старта, отдельно и во времени. Его главная сила в том, что он вскрывает реальную динамику и удержание, которые прячутся за средними показателями: общее «всё стабильно» может маскировать тот факт, что новые поколения клиентов уходят быстрее старых. Основной инструмент — когортная таблица: строки-когорты, столбцы-периоды, в ячейках доля оставшихся активными. Построить её можно даже в обычной таблице, имея данные о датах регистрации и активности. Метод напрямую связан с метриками churn, retention и LTV и помогает считать окупаемость рекламы по группам привлечения. Главное — не судить о бизнесе только по средним, не делать выводов по крошечным когортам и не сравнивать поколения разной зрелости в лоб. И самое важное — превращать наблюдения в действия: каждая просевшая когорта это вопрос, на который стоит найти ответ.