Однажды ко мне пришёл руководитель отдела продаж с вопросом: «Retention упал на 10%. Это катастрофа?» Я задал встречный вопрос: «А когда именно упал? У каких клиентов — тех, кто пришёл из рекламы, или по рекомендациям? После изменения цен или до?» Он не знал. И это типичная ситуация: бизнес видит итоговую цифру, но не понимает, что за ней стоит.
Без когортного анализа попытки улучшить retention — это гадание на кофейной гуще. Вы можете запустить дорогую программу лояльности для всех клиентов, хотя проблема касается только одного сегмента. Или вложиться в онбординг, когда на самом деле клиенты уходят из-за повышения цен месяц назад.
Когортный анализ — это, по сути, рентген вашей клиентской базы. Он показывает, как меняется поведение клиентов во времени, и помогает найти причины проблем (а иногда и успехов, которые стоит масштабировать). В этой статье разберёмся, как его строить, читать и — главное — какие решения на его основе принимать.
Что такое когорты и когортный анализ (простым языком)
Когорта — это просто группа клиентов, объединённых по какому-то признаку. Чаще всего их группируют по времени первой покупки или регистрации, но можно выбрать любой критерий: источник привлечения, первый купленный продукт, регион.
Когортный анализ — это сравнение поведения разных когорт во времени. Представьте, что вы отслеживаете судьбу каждого «набора» клиентов: смотрите, как те, кто пришёл в январе, ведут себя через месяц, два, три — и сравниваете с теми, кто пришёл в феврале, марте и так далее.
Почему это важно? Потому что простой показатель retention за месяц смешивает всех клиентов в одну кучу. Вы видите, что в апреле вернулись 30% клиентов, но не понимаете: это новички плохо «прилипают» или старые клиенты начали уходить? Когортный анализ разделяет эти группы и показывает реальную картину.
Пример когортной таблицы (Retention):
| Когорта | Месяц 0 | Месяц 1 | Месяц 2 | Месяц 3 |
|---|---|---|---|---|
| Январь | 100% | 45% | 32% | 28% |
| Февраль | 100% | 42% | 30% | — |
| Март | 100% | 35% | — | — |
Видим проблему: у мартовской когорты retention на 1-й месяц сильно ниже. Что изменилось в марте?
Посмотрите на таблицу выше. Сразу видно, что мартовская когорта ведёт себя иначе: retention на первый месяц упал с 42-45% до 35%. Это сигнал к расследованию. Может, в марте изменились рекламные каналы? Или пришла другая аудитория из-за сезонной акции? Когортный анализ не даёт ответов напрямую, но задаёт правильные вопросы.
Типы когорт
Группировать клиентов можно по-разному — в зависимости от того, какой вопрос вы хотите решить. Вот три основных подхода, которые я использую чаще всего:
По дате регистрации
Самый популярный тип. Группируем клиентов по месяцу/неделе первой покупки.
Отвечает на: Как меняется retention со временем?
По источнику привлечения
Группируем по каналу: реклама, органика, рекомендации.
Отвечает на: Какой канал даёт самых «долгоиграющих» клиентов?
По первому продукту
Группируем по тому, что купили первым.
Отвечает на: Какой продукт лучше «цепляет» клиента?
На практике часто комбинируют несколько признаков. Например, можно сравнить когорты января из рекламы с когортами января из органики. Или посмотреть, как ведут себя клиенты, которые начали с премиум-продукта, versus те, кто пришёл через бесплатный триал. Такая многослойность даёт гораздо более глубокое понимание бизнеса.
Как построить когортный анализ в CRM (пошагово)
Хорошая новость: для когортного анализа не нужны сложные инструменты. Достаточно CRM с историей транзакций и Excel (или Google Sheets). Давайте разберём процесс шаг за шагом.
Шаг 1: Определите когорту
Сначала решите, по какому признаку будете группировать клиентов. Для первого анализа рекомендую взять дату первой покупки или регистрации — это самый понятный и универсальный вариант. Период группировки зависит от вашего бизнес-цикла: для SaaS обычно берут месяц, для e-commerce с частыми покупками — неделю, для B2B с длинным циклом — квартал.
Шаг 2: Определите метрику
Следующий вопрос — что именно будем измерять? Выбор метрики зависит от целей анализа:
- Retention: процент клиентов, которые остались активными или совершили повторную покупку. Это классика — показывает, насколько хорошо вы удерживаете аудиторию.
- Revenue: выручка от когорты по периодам. Полезно, если хотите понять, как меняется монетизация со временем.
- LTV: накопленная выручка от когорты за всё время. Ключевая метрика для понимания реальной ценности клиентов.
- Средний чек: как меняется размер покупки со временем. Иногда клиенты остаются, но тратят всё меньше — это тоже проблема.
Мой совет: начните с retention — он самый наглядный. Потом добавьте LTV, чтобы увидеть полную картину.
Шаг 3: Выгрузите данные
Из CRM вам понадобится минимальный набор данных: ID клиента, дата первой покупки (или регистрации) и история всех транзакций с датами и суммами. Если ваша CRM интегрирована с аналитикой, добавьте источник привлечения — это откроет возможности для более глубокого анализа.
Шаг 4: Постройте таблицу
Теперь самое интересное — собираем всё вместе. Логика когортной таблицы проста:
Структура когортной таблицы:
- Строки: когорты (месяц регистрации) — каждая строка представляет группу клиентов, пришедших в определённый период
- Столбцы: периоды с момента регистрации (месяц 0, 1, 2...) — показывают, сколько времени прошло с первой покупки
- Значения: выбранная метрика (retention %, выручка, количество активных клиентов)
В Excel это делается через сводные таблицы. Если раньше не работали с ними — не пугайтесь, принцип простой: в строки добавляете месяц первой покупки, в столбцы — разницу между датой транзакции и датой первой покупки (в месяцах), в значения — нужную метрику.
Шаг 5: Визуализируйте
Голые цифры в таблице — это хорошо, но тепловая карта (heatmap) гораздо нагляднее. Суть простая: чем выше значение — тем «теплее» цвет ячейки. Глаз моментально выхватывает проблемные зоны: если одна строка или столбец резко «холоднее» остальных — это сигнал для расследования.
В Excel это делается через условное форматирование за пару кликов. В Google Sheets — аналогично. А в BI-системах типа Power BI или DataLens такие визуализации строятся автоматически.
Как читать когортную таблицу (примеры интерпретации)
Построить таблицу — полдела. Главное — правильно её прочитать. Есть несколько способов смотреть на когортные данные, и каждый отвечает на свой вопрос:
Читаем по строкам →
Двигаясь по строке слева направо, вы видите, как одна когорта ведёт себя со временем. Это история жизни конкретной группы клиентов.
Вопрос: Как быстро «отваливаются» клиенты? На каком этапе самый большой отток?
Читаем по столбцам ↓
Двигаясь по столбцу сверху вниз, вы сравниваете разные когорты на одном и том же этапе их жизненного цикла.
Вопрос: Становятся ли новые клиенты лучше или хуже старых?
Читаем по диагонали ↘
Диагональ показывает, что происходило в конкретный календарный месяц со всеми когортами одновременно. Это мощный инструмент для поиска внешних факторов.
Вопрос: Было ли событие, которое повлияло на всех клиентов сразу?
Ищем аномалии
На тепловой карте аномалии видны сразу — это резко «холодные» или «горячие» ячейки, выбивающиеся из общего паттерна.
Вопрос: Что изменилось в это время? Почему эта точка отличается от остальных?
Пример из практики:
В одном из проектов мы заметили, что retention на первый месяц резко упал у когорт март-апрель — с привычных 45% до 30%. Первая мысль: маркетинг привёл «плохую» аудиторию. Но мы решили посмотреть по диагонали и обнаружили, что в апреле провал был у всех когорт, включая старые.
Вывод: проблема не в новых клиентах, а в чём-то, что случилось в апреле. Оказалось, что в это время подняли цены на 15% — и это ударило по всей базе. Если бы смотрели только общий retention, решили бы урезать бюджет на маркетинг. А на самом деле нужно было пересмотреть ценовую политику.
5 инсайтов, которые даёт когортный анализ
За годы работы с данными разных компаний я выделил пять типов инсайтов, которые когортный анализ даёт практически всегда. Если вы не находите ничего из этого списка — скорее всего, либо данных недостаточно, либо стоит перепроверить методологию.
1. Качество привлечения меняется
Если новые когорты систематически хуже старых — это тревожный сигнал. Либо маркетинг гонит не ту аудиторию (гнались за объёмом, потеряли качество), либо продукт стал менее «липким». Когортный анализ поможет понять, когда именно началась деградация.
2. Эффект изменений
Подняли цены в марте? Сравните когорты до и после — увидите реальный эффект. Запустили новый онбординг? Посмотрите на retention новых когорт. Это единственный честный способ измерить влияние изменений на клиентов.
3. Точный LTV
Средний LTV по всей базе — это ложь. Он смешивает старых клиентов (которые уже принесли деньги) с новыми (которые ещё ничего не купили). LTV по когортам показывает реальную картину: сколько денег приносит клиент к 3-му, 6-му, 12-му месяцу.
4. Лучший канал привлечения
Когорты по источникам открывают глаза на реальную эффективность каналов. Часто оказывается, что органика даёт в 3 раза меньше лидов, чем платный трафик, но эти клиенты остаются на 40% дольше и тратят больше. Считайте LTV, а не только CPA.
5. Сезонность
Когорты декабря всегда хуже? Возможно, это «подарочные» покупки — люди получают товар в подарок и не становятся постоянными клиентами. Или августовские когорты стабильно лучше, потому что в это время люди планируют осенний сезон и более мотивированы. Понимание сезонности помогает не тратить деньги на ретеншн-кампании для заведомо «холодных» сегментов.
Инструменты: встроенные в CRM vs внешние
Часто спрашивают: «Какой инструмент лучше для когортного анализа?» Честный ответ — зависит от зрелости вашей аналитики и ресурсов. Вот сравнение основных вариантов:
| Инструмент | Плюсы | Минусы |
|---|---|---|
| Встроенные отчёты CRM | Данные уже в системе, доступ за пару кликов | Ограниченная кастомизация, не все CRM поддерживают |
| Excel/Google Sheets | Полная гибкость, понятно всем в команде | Ручная работа при каждом обновлении, легко ошибиться |
| BI (Power BI, DataLens) | Автоматическое обновление, красивые визуализации, можно шарить | Нужна начальная настройка и понимание BI |
| Amplitude, Mixpanel | Готовые шаблоны когортного анализа, продуктовая аналитика | Дорого на больших объёмах, требуется интеграция |
Мой совет: начните с Excel или Google Sheets. Да, это ручная работа, но так вы разберётесь в методе и поймёте, какие именно отчёты вам нужны. Когда станет ясно, что анализ нужен регулярно (а он станет нужен) — автоматизируйте в BI-системе. А продуктовые инструменты типа Amplitude имеет смысл подключать, если у вас цифровой продукт с большим количеством пользовательских событий.
Практикум: строим когортный анализ для вашего бизнеса
Мы поможем построить когортный анализ на данных вашей CRM: выгрузим транзакции, рассчитаем retention по когортам, найдём проблемные зоны и дадим рекомендации по улучшению.
Построить когортный анализЧек-лист: что проверить в когортном анализе
Когда таблица готова, пройдитесь по этому списку. Каждый пункт — это потенциальный инсайт и, возможно, точка роста для бизнеса:
- ☐ Retention падает быстрее у новых когорт? Это сигнал о проблемах с привлечением (приходит не та аудитория) или онбордингом (не понимают ценность продукта).
- ☐ Резкий провал у одной конкретной когорты? Вспомните, что происходило в тот месяц — запуск рекламной кампании, изменение продукта, внешние события.
- ☐ Все когорты провалились в один период (по диагонали)? Ищите внешний фактор или внутреннее изменение: повышение цен, проблемы с сервисом, сезонный спад.
- ☐ LTV новых когорт ниже CAC? Красный флаг — бизнес теряет деньги на каждом новом клиенте. Срочно пересматривайте unit-экономику или каналы привлечения.
- ☐ Одни каналы дают стабильно лучшие когорты? Перераспределите бюджет в их пользу, даже если стоимость привлечения там выше — LTV это окупит.
- ☐ Сезонные когорты систематически хуже? Адаптируйте стратегию: возможно, в «плохие» месяцы стоит меньше тратить на привлечение и больше — на удержание текущих клиентов.
Частые ошибки при когортном анализе
За время работы я видел десятки когортных анализов — и у начинающих, и у опытных аналитиков. Вот ошибки, которые повторяются чаще всего:
- Слишком мелкие когорты. Если в группе 10-20 человек, статистика не работает. Один «аномальный» клиент может исказить всю картину. Минимум — 50-100 клиентов в когорте, а лучше больше.
- Слишком крупные когорты. Группировка по году — другая крайность. За год происходит слишком много изменений, и вы не поймёте, что именно повлияло на результаты. Для большинства бизнесов оптимальны месячные когорты.
- Игнорирование сезонности. Сравнивать декабрьскую когорту с июльской напрямую — ошибка. Сезонность может маскировать реальные тренды или, наоборот, создавать ложные паттерны. Лучше сравнивать год к году: декабрь 2024 с декабрём 2023.
- Одна метрика. Retention без выручки — полкартины. Бывает, что клиенты остаются, но покупают всё меньше. Или наоборот: retention падает, но оставшиеся тратят больше. Смотрите минимум две метрики одновременно.
- Анализ ради анализа. Самая обидная ошибка — потратить время на построение красивых таблиц и... ничего не сделать. Каждый инсайт должен превращаться в гипотезу, гипотеза — в эксперимент, эксперимент — в решение.
Вместо заключения
Когортный анализ — это не модная метрика и не отчёт для инвесторов. Это инструмент, который помогает принимать решения на основе данных, а не интуиции. Он не даёт готовых ответов, но задаёт правильные вопросы: «Что изменилось?», «Когда началось?», «Кого это затронуло?».
Если вы никогда не строили когортный анализ — начните с простого: выгрузите транзакции за последний год, сгруппируйте клиентов по месяцу первой покупки и посчитайте retention. Уверен, вы увидите что-то неожиданное. А дальше — копайте глубже.
Полезные материалы
Если хотите погрузиться в тему глубже, вот несколько связанных статей:
- Удержание и отток клиентов — как выявлять риски заранее с помощью CRM
- Сегментация клиентов в CRM — от RFM до предиктивных моделей
- Unit-экономика через CRM — LTV, CAC, Payback Period