Galeinai

Когортный анализ

Средний показатель удержания в 30% выглядит нормально, пока вы не разбили пользователей на группы. Такие группы называют когортами: это люди с общим признаком, например датой регистрации. С помощью когортного анализа сравнивают их поведение во времени, и это помогает понять, где уходят клиенты.

Лупа выделяет группу деревянных фигурок среди других групп на столе

Когортный анализ: что это и зачем он нужен

Представьте типичную ситуацию. Вы открываете отчёт и видите, что общее удержание, то есть доля людей, которые возвращаются в продукт, равно 30%. Цифра выглядит нормально, тревоги нет. Но когда вы разбиваете пользователей по месяцу регистрации, картина меняется: люди, пришедшие в этом месяце, возвращаются на 12 процентных пунктов (п.п.) реже, чем весной. Средняя цифра скрывала проблему, и теперь непонятно, когда всё пошло не так.

Страх здесь понятный. Если пропустить причину падения, потери продолжатся ещё несколько месяцев. Но есть и обратный риск: найти «причину» и ошибиться в выводах, потому что сравнивали не те группы. Средний показатель не врёт, но правды в нём мало. Группы показывают то, что спрятано в среднем.

Что такое когортный анализ

Когортный анализ, или анализ когорт, решает эту задачу. Когорта, или группа пользователей, — это набор людей с общим признаком. Чаще всего таким признаком становится дата первого визита, первой покупки или регистрации. Реже берут тариф, канал прихода или версию приложения. Дальше вы смотрите, как ведёт себя каждая группа во времени: сколько людей вернулось на второй день, на седьмой, через месяц, сколько совершили повторную покупку.

Это не магия, а таблица и одно правило: сравнивать нужно только тех, кто начал путь в одно время. Так становится видно, лучше ли продукт для новых пользователей, а не просто растёт ли общая цифра.

Почему средний показатель обманывает

Среднее смешивает старых и новых клиентов в одну кучу. Давние пользователи, которые уже привыкли к сервису, своим поведением перекрывают проблемы тех, кто пришёл недавно.

Пример: интернет-магазин одежды. В базе 20 000 клиентов, и половина из них купила впервые два года назад и заказывает раз в квартал. Новички после первой покупки не возвращаются. Общая доля повторных покупок выглядит ровно, потому что постоянные клиенты её держат.

Антипример: команда видит стабильную цифру, решает, что с продуктом всё в порядке, и наращивает рекламный бюджет на привлечение. При этом новые клиенты уходят после первого заказа. Через квартал выручка стоит на месте, а расходы растут.

Где это применяют

Метод подходит не только для магазинов. Сервис для управления задачами по подписке может строить когорты по тарифу или по версии онбординга, то есть по обучению новых пользователей. Так видно, какой сценарий входа приводит к регулярной работе с продуктом. Мобильное приложение разбивает пользователей по каналу установки: отдельно платная реклама, отдельно органика. Если эти группы ведут себя по-разному, рекламные деньги стоит перераспределить.

В Google Analytics есть готовый отчёт по когортам, и для знакомства с методом его хватает. Но для гибкой настройки, например для своих признаков группировки и нестандартных периодов, аналитики чаще собирают таблицу вручную в Google Sheets или Excel. Это проще, чем кажется, и нагляднее показывает динамику.

Дальше разберём, как собрать такую таблицу, какие ключевые метрики в ней считать и как читать строки и столбцы. Статья про практику: порядок действий и вопрос, который стоит задать каждой группе. Отдельно поговорим о типичной ошибке, когда сравнивают когорты разного размера и не учитывают сезонность. Приток пользователей в декабре и спад летом нельзя ставить рядом без оговорок.

Как провести когортный анализ шаг за шагом

Шаг 1. Выбираем признак и период группировки

Чтобы провести когортный анализ, сначала выберите признак, по которому разделите пользователей на группы. Чаще всего берут дату первого визита, дату первой покупки или дату регистрации. Для сайта без входа в аккаунт подходит первый визит. Для интернет-магазина, где важна выручка, удобнее первая покупка. Для сервиса с бесплатным тарифом обычно выбирают регистрацию.

Признак определяет, кто попадёт в группу. Если взять первую покупку, в когорту войдут только те, кто купил. Люди, которые зарегистрировались и ушли, в анализе не появятся, и удержание будет выглядеть лучше, чем есть на самом деле.

Затем выберите период группировки: неделю или месяц. Недельные когорты дают больше точек и быстрее показывают перемены, но в каждой группе людей меньше, а случайного шума больше. Месячные когорты стабильнее, зато реакцию на изменения в продукте видно только через несколько недель. Магазин одежды обычно берёт месяц, а сервис, которым люди пользуются каждый день, берёт неделю.

Шаг 2. Собираем таблицу когорт

Строки таблицы — это когорты, то есть группы пользователей, которые впервые совершили выбранное действие в один и тот же период. Столбцы показывают периоды после этого действия: нулевой, первый, второй и так далее. В ячейке стоит доля пользователей из когорты, которые в этом периоде вернулись.

Допустим, в когорту января 2026 года вошли 800 новых пользователей. Через месяц вернулись 240. В ячейке первого столбца будет 30%.

Таблицу можно собрать в Google Sheets или запросом к базе данных. Логика запроса простая: для каждого пользователя находим дату первого действия, затем считаем активных пользователей по парам «когорта и номер периода». Шаблон выглядит примерно так:

SELECT cohort_month, months_since_start, COUNT(DISTINCT user_id) AS active_users
FROM user_activity
GROUP BY cohort_month, months_since_start;

В Google Sheets то же самое делает сводная таблица. Строки — месяц первого визита, столбцы — номер периода, значения — количество уникальных пользователей. Затем каждое число делите на размер когорты, то есть на значение нулевого столбца.

При выгрузке из базы уберите имена и телефоны. Для расчёта хватает идентификатора пользователя, а обработку персональных данных стоит согласовать с политикой компании.

Шаг 3. Читаем таблицу

Сначала смотрим по строкам. Идите слева направо внутри одной когорты и отмечайте, где доля резко падает. Удержание 30% в первом месяце и 8% в третьем выглядит обычной картиной. Но если обрыв приходится на первую неделю, проверьте первое знакомство с продуктом: понятно ли, что делать дальше и дошёл ли человек до главной функции.

Затем сравниваем соседние когорты по столбцам. Возьмите один период, например второй месяц, и посмотрите, как меняется доля от строки к строке. Если у январской когорты 25%, а у мартовской 14%, ищите, что изменилось между этими месяцами: версия приложения, канал привлечения или состав рекламы. Средний показатель в 30% может скрывать, что новые когорты уступают старым на 12 процентных пунктов.

Размер когорты влияет на надёжность выводов. В группе из 40 человек каждый пользователь сдвигает проценты заметно, поэтому разница между строками может оказаться случайной. Для уверенных выводов обычно нужны группы из сотен людей.

Период времени тоже должен быть достаточно длинным. Если пользователи возвращаются раз в квартал, таблица на два месяца покажет только первую волну и ничего не скажет о долгом удержании.

Если сомневаетесь в методе, проверьте его вручную на трёх когортах. Возьмите три строки, выгрузите по ним сырые данные и посчитайте доли калькулятором. Если цифры совпали с таблицей, формулы настроены верно, и остальным строкам можно доверять.

Примеры, ошибки и выводы для роста продукта

Интернет-магазин одежды: когорты по месяцу первой покупки

Когорта здесь — это все клиенты, которые совершили первую покупку в одном месяце. Каждая строка таблицы показывает одну когорту, а столбцы показывают, какая доля клиентов вернулась в следующие месяцы. Так видно, какие сезоны приводят лояльных клиентов. Например, люди, пришедшие на распродажу в конце зимы, могут возвращаться реже тех, кто купил осенью по полной цене. Цветная тепловая карта (heatmap) помогает увидеть это без вычислений: тёмные ячейки означают высокую долю повторных покупок.

Антипример: один общий показатель за год. Он скроет, что одна группа держится хорошо, а другая уходит сразу после первой покупки.

SaaS-сервис для управления задачами: тариф и версия онбординга

Онбординг — это вводные шаги, через которые проходит новый пользователь. В таком сервисе когорты строят по двум признакам: по тарифу, на котором человек зарегистрировался, и по версии онбординга, которую он прошёл. Когда команда выкатывает новый онбординг, сравните когорты до и после релиза по доле пользователей, которые вернулись на второй неделе. Если новая версия удерживает заметно лучше, сценарий сработал. Если разница укладывается в случайные колебания, рано записывать победу.

Антипример: сравнивать релиз с прошлым месяцем целиком. За это время могли поменяться реклама и состав новых пользователей, и причина роста останется неизвестной.

Мобильное приложение: каналы привлечения

Когорты по каналу установки делят пользователей на тех, кто пришёл из рекламной кампании, и тех, кто установил приложение сам: через поиск или по рекомендации. Такой приход без платного продвижения называют органикой. Нередко выясняется, что платная реклама приносит много установок мобильного приложения, но эти пользователи почти не открывают его. Органика даёт меньше установок, зато такие люди чаще возвращаются и совершают ключевое действие.

Антипример: команда видит рост установок и увеличивает бюджет рекламной кампании, не проверив, как ведут себя новые пользователи через неделю.

Типичная ошибка: сравнение когорт разного размера без учёта сезонности

Эта ошибка встречается чаще других. Допустим, в декабре пришла когорта из 40 человек, а в марте — несколько сотен. Декабрьская строка выглядит лучше, потому что в маленькой группе случайно оказались активные люди. Кроме того, декабрь — праздничный месяц: часть клиентов купила подарки и за одеждой для себя возвращаться не собиралась. Если команда объявит декабрьскую акцию образцом и уберёт деньги из мартовской рекламной кампании, решение будет принято по шуму и сезону, а не по поведению клиентов. Перед выводом проверьте, сопоставимы ли размеры групп и месяцы, в которые они пришли.

Выводы: куда перераспределять бюджет и на что смотреть

Результаты когортного анализа показывают, где деньги теряются. Если старые когорты уходят после первой покупки, бюджет на новую рекламу окупается хуже, чем письма, напоминания и программа повторных покупок. Здесь помогает пожизненная ценность клиента (lifetime value, LTV): сумма выручки, которую приносит один клиент за всё время работы с компанией. Сравните стоимость привлечения одного клиента с его LTV по каждой группе, и приоритеты станут понятнее. Если пользователи отваливаются на вводных шагах, задача для команды проще: доработать онбординг, а не добавлять новые функции.

Ограничение есть. На маленькой базе выводы могут оказаться неустойчивыми: если в когорте несколько десятков человек, один крупный заказ заметно сдвигает проценты. В таком случае подождите накопления данных или объедините месяцы, а не меняйте бюджет по одной строке.

Проверить удержание своей базы проще, чем кажется. Создайте когортную таблицу в Google Sheets, вставьте даты первых покупок и даты последней активности. За 30 минут вы увидите, как ведут себя ваши группы, и поймёте, стоит ли трогать рекламу. Начните с одной когорты, остальное решите потом.

Наверх