Когортный анализ в CRM: как строить когорты и понимать поведение клиентов

Дамир управляет сетью кофеен в Астане. На еженедельной планёрке маркетолог с гордостью докладывает: «В ноябре мы привлекли на 40% больше новых клиентов, чем в октябре!» Цифры выглядят впечатляюще. Все аплодируют. Но Дамир хмурится – он заметил кое-что странное в отчётах. Несмотря на рост новых клиентов, общая выручка почти не изменилась.

Вечером он открыл CRM и начал копать глубже. И обнаружил неприятную правду: клиенты, которых привлекли в сентябре, приходили в среднем 4.2 раза за следующие три месяца. А вот октябрьские – всего 2.1 раза. Ноябрьские и того хуже – пока только 1.3 раза. Компания генерировала всё больше «первых визитов», но теряла в повторных покупках. Привлечение работало, удержание – нет.

Это открытие стало возможным благодаря когортному анализу – способу смотреть на клиентов не как на однородную массу, а как на группы, объединённые временем первого контакта с бизнесом. И сегодня я расскажу, как построить такой анализ на данных вашей CRM, какие инсайты он даёт, и почему без него вы принимаете решения вслепую.

«Мы три года смотрели на среднюю выручку с клиента и радовались росту. А когда разбили клиентов по когортам, увидели, что каждая следующая когорта приносит меньше. Рост средней – это эффект "старичков", которые тянут показатели. Новые клиенты уходили всё быстрее. Без когортного анализа мы бы заметили проблему, только когда "старички" закончились.»

Что такое когортный анализ и почему это не просто «ещё один отчёт»

Начнём с определения. Когорта – это группа клиентов, объединённых общим признаком, чаще всего временем первого действия. Например, все клиенты, совершившие первую покупку в марте 2024 года – это одна когорта. Апрельские покупатели – другая. И так далее.

Когортный анализ – это метод, который позволяет отслеживать поведение этих групп во времени. Вместо вопроса «Сколько клиенты в среднем покупают за год?» мы задаём вопрос «Как ведут себя клиенты, которые пришли год назад? А полгода назад? А месяц?»

Разница колоссальная. Средние показатели по всей базе маскируют реальность. Представьте бассейн, в который постоянно вливается холодная вода и выливается тёплая. Средняя температура может оставаться стабильной, но состав воды постоянно меняется. То же самое с клиентской базой – вы можете смотреть на стабильные метрики и не замечать, что под капотом всё ломается.

Какие вопросы решает когортный анализ

Когортный анализ – это не отчёт ради отчёта. Он отвечает на конкретные бизнес-вопросы, которые невозможно решить другими методами:

• Улучшается ли качество привлечения? Если LTV новых когорт падает – проблема в каналах или в продукте
• Когда клиенты «умирают»? После 3-го месяца? 6-го? Года? Это определяет, когда включать удержание
• Какие каналы привлекают лучших клиентов? Не самых дешёвых, а самых ценных в долгосроке
• Работают ли программы лояльности? Сравниваем когорты до и после внедрения
• Сколько реально стоит клиент? Не прогноз на основе средних, а факт по зрелым когортам

Как построить когортный анализ: пошаговое руководство

Теперь давайте от теории к практике. Я покажу, как построить когортный анализ на данных из CRM, шаг за шагом. Будем использовать реальный пример – интернет-магазин товаров для дома в Казахстане.

Шаг 1: Определите, что считать «рождением» клиента

Первый и самый важный вопрос: какой момент считать началом жизни клиента? Варианты:

• Первая покупка – самый распространённый вариант для ритейла и e-commerce
• Первая регистрация – для SaaS и сервисов с бесплатным периодом
• Первое обращение – для B2B с длинным циклом продаж
• Первая оплата подписки – для подписных моделей

Выбор зависит от бизнес-модели. Главное правило: это должен быть момент, который чётко определён, легко отслеживается в CRM и имеет бизнес-смысл.

Шаг 2: Выберите период когорты

Как группировать клиентов – по дням, неделям, месяцам, кварталам? Это зависит от объёма данных и частоты покупок:

Шаг 3: Определите метрику для отслеживания

Что именно вы хотите измерить по когортам? Основные варианты:

• Накопленная выручка (или маржа) – сколько денег принесла когорта за N месяцев с момента первой покупки
• Retention rate – какой процент когорты всё ещё активен через N месяцев
• Частота покупок – сколько транзакций в среднем совершила когорта за период
• Средний чек – как меняется размер покупки со временем

Для большинства бизнесов я рекомендую начать с двух метрик: Retention rate (показывает удержание) и накопленная маржа (показывает ценность). Вместе они дают полную картину.

Шаг 4: Постройте таблицу когорт

Классическая когортная таблица выглядит как матрица, где:

• Строки – когорты (месяц первой покупки)
• Столбцы – периоды с момента «рождения» (месяц 0, месяц 1, месяц 2...)
• Ячейки – значение метрики

Шаг 5: Визуализируйте и интерпретируйте

Таблица с числами – это хорошо, но человеческий мозг лучше воспринимает визуализацию. Есть несколько способов показать когортные данные:

• Тепловая карта (heatmap) – классика, цветом показываем значения (зелёный = хорошо, красный = плохо)
• Линейный график – каждая когорта как отдельная линия, показывает динамику во времени
• Stacked bar chart – для сравнения абсолютных значений между когортами

При интерпретации смотрите на три вещи:

1. Вертикальный тренд – как меняются показатели от когорты к когорте? Если каждая новая когорта хуже предыдущей – проблема в привлечении
2. Горизонтальный тренд – как ведёт себя одна когорта со временем? Где самый большой отток?
3. Аномалии – есть ли когорты, которые сильно выбиваются? Что происходило в этот период?

Какие инсайты даёт когортный анализ: реальные примеры

Теория – это хорошо, но давайте посмотрим, какие конкретные решения можно принять на основе когортного анализа. Вот несколько историй из практики.

История 1: Найти «точку смерти» клиента

Сеть салонов красоты в Алматы заметила, что большинство клиентов «умирают» между 2-м и 3-м визитом. Первый визит – пришли по акции. Второй – понравилось, вернулись. А вот третьего не случалось.

Когортный анализ показал чёткую картину: retention после первого визита – 45%, после второго – всего 28%. Провал именно на этом переходе.

Решение: Ввели специальную программу «третий визит» – персональное предложение для клиентов, которые были ровно два раза. Не скидка (это обесценивает), а бонусная услуга: бесплатная укладка при записи на окрашивание, например.

Результат: Retention на переходе 2→3 вырос с 28% до 41% за три месяца.

История 2: Оценить качество рекламных каналов

Интернет-магазин товаров для детей тратил 60% рекламного бюджета на Instagram и 40% на Google. По стоимости привлечения Instagram выглядел лучше: CAC 3 500 ₸ против 5 200 ₸ в Google.

Но когортный анализ по источникам показал другую картину. Клиенты из Instagram за 6 месяцев приносили в среднем 28 000 ₸ маржи. Клиенты из Google – 52 000 ₸. При пересчёте LTV:CAC получилось: Instagram – 8:1, Google – 10:1.

Решение: Перераспределили бюджет 40/60 в пользу Google. Параллельно начали анализировать, почему Instagram-аудитория хуже удерживается – оказалось, там больше «охотников за скидками».

Результат: Общий LTV:CAC по новым клиентам вырос с 8.5:1 до 9.8:1 за квартал.

История 3: Измерить эффект изменений

Производитель мебели изменил процесс онбординга: вместо стандартного письма «Спасибо за заказ» начал отправлять серию из 5 писем с советами по уходу за мебелью, приглашением в программу лояльности и персональным промокодом на следующую покупку.

Как оценить эффект? Сравнили когорты до изменений (январь-март) и после (апрель-июнь). Условия были схожие: сезон, бюджеты, ассортимент примерно те же.

Когортный анализ и прогнозирование LTV

Одно из главных применений когортного анализа – прогнозирование LTV (Lifetime Value). Вместо того чтобы гадать, сколько принесёт клиент за жизнь, мы смотрим на зрелые когорты и экстраполируем.

Метод кривой созревания

Идея простая: когорты «созревают» по предсказуемой кривой. Если когорта годовой давности за 12 месяцев принесла 100 000 ₸, а за первые 6 месяцев она принесла 60 000 ₸ (то есть 60% от итогового), – можно предположить, что новая когорта, которая за 6 месяцев принесла 45 000 ₸, к 12 месяцам принесёт примерно 75 000 ₸.

Формула:

Прогнозный LTV = Текущий LTV / Коэффициент созревания

Где коэффициент созревания – это отношение LTV на текущем месяце к итоговому LTV у зрелых когорт.

Этот метод работает хорошо, когда бизнес стабилен. Но если что-то изменилось (новый продукт, кризис, смена позиционирования), паттерны могут нарушиться. Поэтому важно:

• Регулярно пересчитывать коэффициенты созревания
• Использовать несколько референсных когорт, а не одну
• Строить прогнозы с доверительным интервалом, а не точечные оценки

Что должно быть в CRM для когортного анализа

Когортный анализ требует данных. Без правильной структуры данных в CRM вы не сможете его построить – или построите с ошибками. Вот минимальный чек-лист:

Обязательные поля

• ID клиента – уникальный идентификатор, который связывает все сделки одного клиента
• Дата первой покупки/регистрации – для определения когорты
• История всех транзакций – с датами и суммами
• Маржа или маржинальность – для расчёта реальной ценности, а не выручки

Желательные поля

• Источник привлечения – для анализа по каналам
• Сегмент/категория клиента – B2B/B2C, VIP/обычный и т.д.
• География – для регионального анализа
• Категории купленных товаров – для анализа по продуктовым линейкам

Инструменты: где и как строить когортный анализ

Когортный анализ можно строить разными способами – от Excel до специализированных BI-систем. Вот обзор вариантов.

Вариант 1: Excel / Google Sheets

Для небольших объёмов (до 10 000 клиентов) вполне подойдёт таблица. Выгружаете данные из CRM, строите сводную таблицу, где строки – когорты (месяц первой покупки), столбцы – периоды.

Плюсы: Бесплатно, гибко, всё под контролем.

Минусы: Ручная работа, легко ошибиться, не масштабируется.

Вариант 2: BI-системы (Power BI, Yandex DataLens, Metabase)

Если данных много и нужна автоматизация – лучше использовать BI-дашборды. Подключаете CRM как источник данных, строите визуализации, которые обновляются автоматически.

Плюсы: Автоматизация, красивые визуализации, доступ для команды.

Минусы: Требует настройки, иногда нужен аналитик для поддержки.

Вариант 3: Специализированные инструменты

Некоторые платформы имеют встроенный когортный анализ:

• Amplitude, Mixpanel – для продуктовой аналитики (больше про поведение, чем про деньги)
• RetentionGrid, Baremetrics – для SaaS и подписных бизнесов
• Некоторые CRM (например, HubSpot) – имеют базовые когортные отчёты из коробки

Вариант 4: SQL + визуализация

Если у вас есть аналитик со знанием SQL – это самый гибкий вариант. Пишете запрос, который строит когортную таблицу из сырых данных, визуализируете в любом удобном инструменте.

Пример SQL-запроса для когортного анализа (PostgreSQL):

WITH first_purchase AS (
    SELECT
        customer_id,
        DATE_TRUNC('month', MIN(order_date)) AS cohort_month
    FROM orders
    GROUP BY customer_id
),
monthly_activity AS (
    SELECT
        o.customer_id,
        fp.cohort_month,
        DATE_TRUNC('month', o.order_date) AS activity_month,
        (DATE_PART('year', o.order_date) - DATE_PART('year', fp.cohort_month)) * 12
        + (DATE_PART('month', o.order_date) - DATE_PART('month', fp.cohort_month)) AS month_number
    FROM orders o
    JOIN first_purchase fp ON o.customer_id = fp.customer_id
)
SELECT
    cohort_month,
    month_number,
    COUNT(DISTINCT customer_id) AS active_customers,
    ROUND(100.0 * COUNT(DISTINCT customer_id) /
        FIRST_VALUE(COUNT(DISTINCT customer_id)) OVER (PARTITION BY cohort_month ORDER BY month_number), 1) AS retention_pct
FROM monthly_activity
GROUP BY cohort_month, month_number
ORDER BY cohort_month, month_number;

Типичные ошибки при когортном анализе

Когортный анализ мощный, но его легко сделать неправильно. Вот ошибки, которые мы видим чаще всего.

Ошибка 1: Игнорирование сезонности

Когорта декабря всегда будет выглядеть лучше, чем когорта февраля – потому что первая покупка в декабре часто крупнее (подарки). Если не учитывать сезон, вы можете сделать неверные выводы о качестве привлечения.

Решение: Сравнивайте когорты одинаковых сезонов (декабрь 2023 vs декабрь 2022), а не последовательных месяцев.

Ошибка 2: Слишком маленькие когорты

Если в когорте 50 клиентов, статистическая погрешность будет огромной. Один крупный клиент может исказить всю картину.

Решение: Объединяйте периоды (недели в месяцы, месяцы в кварталы), пока размер когорты не станет статистически значимым. Минимум – 100-200 клиентов на когорту.

Ошибка 3: Путать корреляцию с причинностью

«Когорта апреля показывает лучший retention, потому что мы запустили новую программу лояльности» – может быть, а может, и нет. В апреле могло случиться много чего: сезонный фактор, конкурент ушёл с рынка, изменился ассортимент.

Решение: Для проверки гипотез используйте A/B-тесты, а не только когортное сравнение. Или контролируйте другие факторы.

Ошибка 4: Смотреть только на retention без денег

Retention 40% – это хорошо или плохо? Зависит от того, сколько эти 40% приносят. Можно иметь высокий retention с низким LTV (клиенты возвращаются, но покупают мало). Или низкий retention с высоким LTV (редко, но много).

Решение: Всегда смотрите retention вместе с накопленной маржой. Это две стороны одной медали.

Ошибка 5: Не действовать по результатам

Самая печальная ошибка – построить красивый отчёт, посмотреть на него... и ничего не сделать. Когортный анализ – это инструмент принятия решений, а не украшение дашборда.

Решение: Каждый когортный отчёт должен заканчиваться вопросом «И что мы с этим делаем?»

Особенности для казахстанского рынка

Несколько нюансов, которые важно учитывать при когортном анализе в Казахстане.

Выраженная сезонность

В Казахстане сезонность более выражена, чем во многих других рынках. Наурыз (март), курортный сезон (июль-август), предновогодний период – это пики активности. При этом февраль и ноябрь часто провальные. Учитывайте это при сравнении когорт.

Kaspi как отдельный канал

Клиенты, пришедшие через Kaspi Магазин, ведут себя иначе. Обычно у них ниже первый чек, но выше частота покупок. Обязательно выделяйте их в отдельную когорту для анализа – иначе смешаете разные паттерны поведения.

Региональные различия

Поведение клиентов в Алматы, Астане и регионах может сильно отличаться. Средний чек, частота покупок, retention – всё это варьируется. Если у вас национальный бизнес, имеет смысл строить когорты отдельно по регионам.

Мультивалютность

Если часть клиентов платит в долларах или рублях – приводите к тенге по курсу на момент транзакции. Иначе когортный LTV будет скакать из-за валютных колебаний, а не из-за изменения поведения клиентов.

Пошаговый план: как начать использовать когортный анализ

Неделя 1: Аудит данных

• Проверьте, есть ли в CRM дата первой покупки для всех клиентов
• Найдите и объедините дубли клиентов
• Проверьте качество заполнения поля «Источник»
• Убедитесь, что есть данные о марже или можете её рассчитать

Неделя 2: Первый отчёт

• Выберите период когорты (месяц – универсальный выбор)
• Постройте базовую когортную таблицу Retention
• Постройте таблицу накопленной маржи
• Визуализируйте – хотя бы тепловую карту в Excel

Неделя 3: Анализ и гипотезы

• Найдите вертикальные тренды: качество когорт растёт или падает?
• Найдите «точку смерти»: где самый большой отток?
• Выявите аномальные когорты: что происходило в этот период?
• Сформулируйте 2-3 гипотезы для проверки

Неделя 4 и далее: Действия

• Запустите эксперимент для проверки главной гипотезы
• Настройте регулярное обновление когортных отчётов (еженедельно/ежемесячно)
• Добавьте когортные метрики в регулярную отчётность для руководства
• Расширьте анализ: когорты по каналам, по регионам, по категориям

Итог: когортный анализ как способ видеть правду

Вернёмся к истории Дамира из начала статьи. После внедрения когортного анализа он увидел, что проблема не в продукте и не в сервисе – клиенты, которые доходили до третьего визита, становились лояльными. Проблема была в маркетинге: новые кампании привлекали «охотников за акциями», которые приходили один раз ради скидки и исчезали.

Решение? Изменить стратегию привлечения. Меньше агрессивных скидок, больше контентного маркетинга, который привлекает людей, заинтересованных в продукте, а не в халяве. Через полгода когортные метрики выровнялись – новые когорты снова показывали здоровый retention.

Без когортного анализа эту проблему было бы не заметить. Общие средние показатели выглядели нормально – за счёт «старичков», которые тянули цифры. Но бизнес медленно умирал, генерируя всё больше одноразовых клиентов.

Когортный анализ – это не отчёт ради отчёта. Это способ увидеть правду о том, как на самом деле работает ваш бизнес. И эта правда иногда неприятная, но она позволяет действовать до того, как станет слишком поздно.

Начните с простого: одна когортная таблица, retention по месяцам. Посмотрите, что увидите. А потом – действуйте.

Читайте также

• LTV/CAC и unit-экономика: как считать на данных CRM
• Сквозная аналитика: связка Яндекс Метрики и CRM
• ABC/XYZ-анализ клиентов в CRM
• Анализ оттока клиентов: как находить ранние сигналы
• BI-дашборды для CRM: Power BI, DataLens и другие