Когортный анализ: как за 4 шага увидеть, какие клиенты реально окупаются

Когортный анализ — это метод, который группирует клиентов по дате первого касания (регистрация, первая покупка, первый визит) и отслеживает их поведение во времени: retention, LTV, повторные покупки. Провести его можно за 4 шага: выбрать признак когорты и метрику, построить таблицу «когорта × период», нормализовать данные в проценты или деньги на клиента и сравнить когорты между собой, чтобы найти точку перелома в юнит-экономике. Разница с обычной аналитикой в том, что вы смотрите не на общий график продаж, а на поведение конкретной группы людей от их первого дня — и именно это показывает, какие клиенты приносят деньги, а какие только создают иллюзию роста.

Зачем вообще считать когорты, если есть общая аналитика

Общий график выручки или MAU врёт по конструкции. Он суммирует старых лояльных клиентов, которые платят третий год подряд, с новыми, которые пришли вчера с распродажи и уйдут через неделю. Если новых стало больше — график растёт, даже когда качество базы падает.

Когортный анализ разделяет эти два процесса. Он отвечает на вопрос, который не видно в среднем: удерживаем ли мы клиентов, которых привлекли в июне, лучше или хуже тех, кого привлекли в марте. Это критично для трёх управленческих решений:

• Оценка канала привлечения. Канал может давать дешёвый CAC, но приводить клиентов, которые отваливаются после первой покупки. Без когорт вы этого не увидите месяцами.
• Проверка гипотезы продукта или сервиса. Изменили онбординг, добавили подписку, поменяли тарифную сетку — когорта «после» либо держится лучше когорты «до», либо нет. Это прямой A/B-тест во времени.
• Прогноз денежного потока. Зная, как обычно ведёт себя когорта на 3–6–12-м месяце, вы можете прогнозировать выручку от новых клиентов, а не гадать.

Собственнику это отвечает на главный вопрос P&L: мы растим бизнес или растим базу, которая утекает так же быстро, как заполняется. Без когортного разреза легко принять временный всплеск новых регистраций за устойчивый рост, а на деле — просто перекладывать деньги из маркетингового бюджета в отток, который никто вовремя не заметил.

Шаг 1. Определите признак когорты и метрику

Когорта — это группа клиентов, объединённых одним событием в одну единицу времени. Чаще всего это дата первой покупки или дата регистрации, сгруппированная по неделе или месяцу. Реже — источник трафика, тип первого товара, регион.

Важное решение здесь — единица времени. Для B2C с частыми покупками (доставка еды, e-com с высокой частотой) берите недельные когорты — месяц смажет динамику. Для B2B и услуг с длинным циклом сделки уместнее месячные или квартальные когорты, иначе данных в каждой группе будет слишком мало для выводов.

Метрику выбирайте под задачу:

• Retention rate — доля клиентов когорты, совершивших действие (визит, покупку) в период N. Отвечает на вопрос «сколько людей осталось».
• Revenue retention / LTV — сумма денег, которую когорта принесла к периоду N. Отвечает на вопрос «сколько денег осталось».
• Repeat purchase rate — доля клиентов, сделавших вторую и последующие покупки. Хорошо работает как ранний индикатор для e-com.

Если считаете деньги, методика пересекается с тем, как обычно считают LTV — когортная таблица по сути и есть развёрнутый во времени расчёт LTV по группам, а не единая усреднённая цифра.

Шаг 2. Постройте таблицу «когорта × период»

Классическая форма — матрица: строки это когорты (по дате входа), столбцы — периоды жизни (месяц 0, месяц 1, месяц 2…), а в ячейках — значение метрики.

Пример для retention по когортам месячной регистрации (доля активных клиентов, %):

Такую таблицу проще всего собрать в SQL или BI-инструменте (Amplitude, Mixpanel, GoodData, самописный дашборд поверх DWH) — вручную в Excel это реально только при небольшой базе и малом числе периодов. Ключевое требование — единый источник данных о заказах и клиентах, без ручных склеек из трёх систем. Если у вас нет сквозной связки данных, сначала стоит закрыть эту базовую инфраструктуру — иначе когортная таблица будет собираться из противоречивых цифр. Это тот же фундамент, который нужен для сквозной аналитики.

Диагональ таблицы показывает поведение самых свежих когорт в их первый период — это ранний сигнал. Столбцы показывают, как ведут себя все когорты на одном и том же этапе жизни — это сравнение качества привлечения по времени.

Шаг 3. Нормализуйте данные — проценты, а не абсолютные числа

Частая ошибка — сравнивать абсолютные числа клиентов вместо долей. Если в январе пришло 500 человек, а в апреле — 1200 (сработала новая кампания), сравнение «осталось 190 против 280» ничего не говорит о качестве. Нужно сравнивать 38% против 23%.

То же самое с деньгами: считайте LTV или выручку на одного клиента когорты, а не суммарную выручку когорты. Иначе более крупная по размеру когорта всегда будет выглядеть «лучше», даже если по факту хуже удерживается.

Второй момент нормализации — сезонность. Когорта декабря (пик распродаж, случайные покупатели за скидкой) и когорта марта несравнимы напрямую без поправки на характер трафика. Если возможно, стройте когорты не только по времени, но и параллельно — по каналу привлечения или по сегменту, чтобы не путать эффект сезона с эффектом качества базы. Здесь пригодится обычная логика сегментации аудитории: у разных сегментов принципиально разная кривая удержания, и усреднение их в одну когорту размывает сигнал.

Шаг 4. Сравните когорты и найдите точку перелома

Финальный шаг — не таблица сама по себе, а выводы из сравнения. Ищите три вещи.

Тренд по столбцам. Улучшается или ухудшается удержание на одном и том же месяце жизни от когорты к когорте? Рост — сигнал, что продукт, онбординг или качество трафика становятся лучше. Падение — сигнал, что вы либо разбавили базу дешёвым, но нецелевым трафиком, либо что-то сломалось в продукте.

Точка стабилизации кривой. У большинства продуктов retention падает, а потом выходит на плато — это ядро, которое остаётся с вами надолго. Найдите период, на котором кривая перестаёт резко проседать (по разным оценкам, часто это 2–4-й месяц для подписочных продуктов, 3–6-я покупка для e-com). Именно клиенты, дожившие до плато, определяют реальный LTV бизнеса — и именно на удержание до этой точки стоит направлять ресурсы retention-команды, а не размазывать бюджет ровным слоем.

Точку окупаемости в деньгах. Наложите на когортную таблицу CAC по этой же когорте (или по каналу, которым она привлечена) и найдите период, на котором накопленная выручка на клиента превышает CAC. Это и есть операционный ответ на вопрос «когда клиент окупается» — центральный вопрос юнит-экономики. Если точка окупаемости уезжает дальше горизонта, который бизнес может финансировать (кассовый разрыв), это не абстрактная метрика — это риск для P&L прямо сейчас.

Как читать результат для решений, а не для отчёта

Когортная таблица — это не украшение для презентации, а инструмент для трёх конкретных решений.

• Перераспределение бюджета по каналам. Если когорты из канала А стабильно окупаются на 3-м месяце, а из канала Б — на 9-м (или никогда), это довод для перераспределения бюджета, даже если у канала Б ниже CPC.
• Приоритет продуктовых изменений. Если изменение (новый онбординг, программа лояльности) подняло удержание когорты «после» на 5–8 п.п. относительно «до» на том же периоде жизни — это измеримый эффект, который можно защищать перед советом директоров цифрами, а не мнением.
• Пересмотр офера для новых сегментов. Когорты с низким retention часто указывают не на «плохих клиентов», а на несовпадение офера с ожиданием — это сигнал вернуться к продуктовому позиционированию, а не просто снижать CAC.

Важно: когортный анализ — диагностика, а не терапия. Он показывает, где именно проблема (привлечение, онбординг, продукт, ценообразование), но не говорит, что с ней делать. Дальше нужна гипотеза и эксперимент, а не просто перестроенная таблица. Логика та же, что и в retention-маркетинге: не удерживать всех одинаково, а инвестировать в тех, кто уже показал шанс дожить до плато и приносить деньги стабильно, а не разово.

Частые ошибки

• Смешивают когорты по покупке и по регистрации. Это разные точки отсчёта с разной динамикой; смешивание в одной таблице делает выводы бессмысленными.
• Сравнивают абсолютные числа клиентов вместо долей или денег на клиента. Крупная когорта выглядит «лучше» просто за счёт размера, а не качества.
• Берут слишком короткий горизонт наблюдения. Для B2B и продуктов с длинным циклом окупаемости 1–2 месяца данных недостаточно, чтобы делать вывод об экономике клиента.
• Не учитывают сезонность и характер трафика при сравнении когорт. Декабрьская когорта с распродажи и мартовская органическая когорта живут по разным законам.
• Считают когорту один раз и забывают. Актуальная когортная таблица должна обновляться регулярно — иначе решения принимаются по устаревшей картине рынка и продукта.
• Путают когортный анализ с воронкой. Воронка показывает конверсию по этапам одного захода, когорта — поведение группы во времени. Это дополняющие, а не взаимозаменяемые инструменты.
• Не связывают когорты с CAC по каналам. Без этой связки таблица показывает retention, но не отвечает на главный вопрос — окупается ли канал вообще.

FAQ

Что такое когортный анализ простыми словами?

Это способ смотреть на клиентов не всех сразу, а группами, объединёнными по дате первого касания с бизнесом, и следить, как каждая группа ведёт себя со временем — покупает повторно, платит, уходит. Это позволяет отделить эффект новых поступлений от реального качества удержания.

Чем когортный анализ отличается от обычной аналитики продаж?

Обычная аналитика суммирует всех клиентов в один график и смешивает старую лояльную базу с новыми случайными покупателями. Когортный анализ разделяет их по времени входа и показывает динамику каждой группы отдельно, что убирает эффект «роста базы» из оценки качества удержания.

Какой минимальный объём данных нужен для когортного анализа?

Формального порога нет, но для устойчивых выводов нужно хотя бы несколько сотен клиентов на когорту и минимум 3–6 периодов наблюдения. При меньших объёмах колебания в проценты будут связаны со случайностью, а не с реальной динамикой.

Можно ли делать когортный анализ в Excel или обязательно нужна BI-система?

При небольшой базе и коротком горизонте Excel или Google Sheets вполне справляются — таблица «когорта × период» это просто сводная таблица по датам. При росте объёма данных и числа сегментов ручная сборка становится узким местом, и переход на BI-инструмент или SQL-запросы поверх DWH оправдан.

Как часто нужно пересчитывать когортные таблицы?

Разумная частота — раз в месяц для операционного контроля и сразу после значимых изменений (новый онбординг, смена ценовой политики, запуск канала), чтобы увидеть эффект на свежих когортах как можно раньше.

Какую метрику выбрать первой, если раньше когорты не считали?

Начните с retention rate по количеству активных клиентов — это самая простая и наглядная метрика, не требующая точных данных о выручке. Когда процесс станет рутиной, добавьте revenue retention и LTV по когортам для более точной картины по деньгам.

Что делать, если когортная таблица показывает, что канал не окупается?

Сначала проверьте, не искажена ли выборка сезонностью или разовой акцией, затем сравните точку окупаемости этого канала с горизонтом, который бизнес реально может финансировать. Если после проверки вывод подтверждается, это основание для пересмотра бюджета по этому каналу, а не для игнорирования цифр в надежде, что «выправится само».

Если хотите не просто построить когортную таблицу, а встроить её в систему принятия решений на уровне P&L — с CAC, LTV и юнит-экономикой в одной картине — приходите на интенсив Marketing OS. Там разбираем это на данных вашего бизнеса, а не на абстрактных примерах.