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.»
Коммерческий директор
Сеть фитнес-клубов, Алматы
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.
Одни и те же данные — разная картина
Без когорт (средние)
Средний LTV клиента: 87 000 ₸
Средняя частота покупок: 3.2 раза/год
Retention rate: 45%
Вывод: «Всё стабильно, продолжаем в том же духе»
С когортами
LTV когорты Q1 2024: 112 000 ₸
LTV когорты Q2 2024: 78 000 ₸
LTV когорты Q3 2024: 54 000 ₸
Тренд: ↓ падение на 52%
Вывод: «Срочно разбираться, что изменилось в привлечении»
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:
| Тип бизнеса | Рекомендуемый период | Почему |
|---|---|---|
| FMCG, продукты, кофейни | Неделя | Высокая частота покупок, быстрый цикл |
| E-commerce, одежда | Месяц | Оптимальный баланс детализации и объёма |
| B2B услуги, мебель | Квартал | Длинный цикл покупки, нужно время на накопление данных |
| Недвижимость, авто | Год | Очень редкие повторные покупки |
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
Пример: Retention rate по когортам (% активных клиентов)
| Когорта | Клиентов | Месяц 0 | Месяц 1 | Месяц 2 | Месяц 3 | Месяц 4 | Месяц 5 | Месяц 6 |
|---|---|---|---|---|---|---|---|---|
| Июнь 2024 | 847 | 100% | 42% | 31% | 26% | 23% | 21% | 19% |
| Июль 2024 | 923 | 100% | 38% | 27% | 22% | 19% | 17% | — |
| Авг 2024 | 1105 | 100% | 35% | 24% | 18% | 15% | — | — |
| Сен 2024 | 1287 | 100% | 29% | 19% | 14% | — | — | — |
| Окт 2024 | 1456 | 100% | 26% | 16% | — | — | — | — |
Что видим: Привлечение растёт (847 → 1456 клиентов), но retention падает. В июньской когорте через месяц оставалось 42%, в октябрьской — всего 26%. Красный флаг: что-то изменилось в качестве трафика или в продукте.
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:
- Вертикальный тренд — как меняются показатели от когорты к когорте? Если каждая новая когорта хуже предыдущей — проблема в привлечении
- Горизонтальный тренд — как ведёт себя одна когорта со временем? Где самый большой отток?
- Аномалии — есть ли когорты, которые сильно выбиваются? Что происходило в этот период?
Пример: Накопленная выручка по когортам (тенге на клиента)
| Когорта | Месяц 1 | Месяц 3 | Месяц 6 | Месяц 9 | Месяц 12 |
|---|---|---|---|---|---|
| Q1 2024 | 18 400 ₸ | 42 100 ₸ | 67 800 ₸ | 89 200 ₸ | 108 500 ₸ |
| Q2 2024 | 16 200 ₸ | 35 400 ₸ | 52 100 ₸ | 65 800 ₸ | — |
| Q3 2024 | 14 800 ₸ | 29 600 ₸ | 41 200 ₸ | — | — |
| Q4 2024 | 13 100 ₸ | 24 800 ₸ | — | — | — |
Инсайт: Клиенты Q1 2024 за год принесут ~108 500 ₸. Если тренд сохранится, клиенты Q4 2024 принесут примерно 60-70 000 ₸ — на 35-40% меньше. При одинаковом CAC это катастрофа для unit-экономики.
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.
Визуализация «точки смерти»
Главный провал:
Визит 2 → Визит 3
Теряем 38% от оставшихся
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.
Сравнение когорт: эффект нового онбординга
До изменений (Q1 2024)
Retention месяц 3: 18%
Средняя частота покупок за 6 мес: 1.4
Накопленная маржа за 6 мес: 31 200 ₸
После изменений (Q2 2024)
Retention месяц 3: 24% (+33%)
Средняя частота покупок за 6 мес: 1.8 (+29%)
Накопленная маржа за 6 мес: 42 800 ₸ (+37%)
Примечание: важно контролировать, что условия сравнимы — сезонность, акции, изменения в ассортименте могут исказить результаты.
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.
Пример расчёта прогнозного LTV
Данные по зрелой когорте (Q1 2023)
LTV за 3 месяца: 42 000 ₸ (39%)
LTV за 6 месяцев: 68 000 ₸ (63%)
LTV за 12 месяцев: 97 000 ₸ (90%)
LTV итоговый (18 мес): 108 000 ₸ (100%)
Прогноз для новой когорты (Q3 2024)
LTV за 3 месяца (факт): 38 000 ₸
Коэффициент созревания 3 мес: 39%
Прогнозный LTV 18 мес: 38 000 / 0.39 = ~97 400 ₸
Примечание: прогноз предполагает, что паттерн поведения сохранится
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
Типичные проблемы с данными
- Дубли клиентов — один человек заведён несколько раз (разные email, телефоны). Когортный анализ покажет фантомный «приток новых клиентов». Решение: дедупликация.
- Пропуски в дате первой покупки — особенно для клиентов, мигрировавших из старой системы. Решение: восстановить по истории транзакций.
- Неразмеченные источники — 30% клиентов с источником «Неизвестно». Когортный анализ по каналам будет неполным.
- Путаница новый/повторный — если CRM неправильно определяет первую покупку, когорты будут искажены.
Хотите настроить когортный анализ в вашей CRM?
Поможем провести аудит данных, настроить отчёты и научить команду интерпретировать результаты. Работаем с любыми CRM-системами.
Получить консультациюИнструменты: 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):
Пример SQL-запроса для когортного Retention
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
Нужна помощь с аналитикой?
Проведём аудит данных, настроим когортный анализ в вашей CRM, научим команду читать отчёты и принимать решения на их основе.
Обсудить проектИтог: 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.