Представьте, что в вашем интернет-магазине каждый месяц совершают покупки тысячи клиентов, а общая конверсия и средний чек выглядят стабильно. На первый взгляд всё в порядке, но эти цифры не отвечают на один критически важный вопрос: останутся ли с вами клиенты, пришедшие в январе, спустя полгода, или они купят один раз и исчезнут? Именно здесь средние показатели скрывают истину, потому что они сваливают новых и старых клиентов в один котёл и размывают реальные закономерности поведения. Когортный анализ поднимает эту завесу и точно показывает, как меняется поведение клиентов с течением времени.
Слово «когорта» происходит от латинского «cohors» и изначально обозначало группу солдат в римском легионе. В аналитике же когорта — это группа клиентов, объединённых общим признаком, чаще всего временем их первого взаимодействия с сайтом. Например, все пользователи, совершившие первую покупку в январе 2026 года, образуют одну когорту, а пришедшие в феврале — другую. Отслеживая эти группы по отдельности на протяжении времени, мы можем очень точно оценить, как изменения в продукте, маркетинге и качестве сервиса повлияли на клиентов разных периодов.
Почему средних показателей недостаточно
Допустим, общее число активных клиентов на вашем сайте растёт на 5 процентов от месяца к месяцу. Для руководства это звучит как хорошая новость, но под этой цифрой может скрываться опасный процесс. Возможно, вы каждый месяц привлекаете много новых клиентов через рекламу, но старые клиенты уходят стремительными темпами. Общий рост держится только за счёт притока новичков, тогда как реальная удерживающая сила продукта слаба. Когортный анализ вскрывает этот скрытый поток, потому что он отслеживает каждую группу независимо, начиная с момента её привлечения.
Сила этого подхода в том, что он показывает связь между причиной и следствием. Если в марте вы провели редизайн сайта или запустили новый процесс онбординга, и удержание у мартовских когорт оказалось выше, чем у предыдущих, это свидетельствует о том, что изменение сработало. И наоборот, если новые когорты уходят быстрее, значит вы привлекаете не ту аудиторию или в продукте появилась проблема. Ничего из этого невозможно увидеть в усреднённых общих показателях, и именно поэтому опытные аналитики никогда не принимают решений, опираясь лишь на средние значения.
Типы когорт: по дате привлечения и по поведению
На практике используются два основных типа когорт. Первый — когорта по дате привлечения (acquisition cohort), где клиенты группируются по времени первой регистрации или покупки. Это самый распространённый тип, который формирует группы вроде «клиенты января», «клиенты февраля» и показывает, как со временем угасает их активность. Такой анализ очень полезен для оценки эффективности маркетинговых каналов и влияния сезонности на поведение покупателей.
Второй тип — поведенческая когорта (behavioral cohort), где клиенты группируются на основе конкретного действия. Например, вы можете отдельно отслеживать пользователей, которые в первую неделю заполнили профиль, установили мобильное приложение или совершили вторую покупку. Этот тип помогает выявить, какие именно действия приводят к долгосрочной лояльности. Если наблюдение показывает, что клиенты, совершившие две покупки в первую неделю, удерживаются на уровне 70 процентов даже через полгода, это даёт вам чёткую задачу: создавайте кампании, побуждающие новых клиентов ко второй покупке как можно раньше.
Как читать таблицу удержания
Сердце когортного анализа — это матрица, называемая таблицей удержания или когортной таблицей. В её левом столбце расположены когорты (обычно месяцы привлечения), а в верхней строке — периоды, прошедшие с момента привлечения (месяц 0, месяц 1, месяц 2 и так далее). В каждой ячейке указано, какой процент данной когорты всё ещё оставался активным в соответствующий период. Столбец месяца 0 всегда равен 100 процентам, поскольку это момент первого прихода клиентов, а последующие столбцы обычно снижаются.
При чтении таблицы обращайте внимание на два направления. Горизонтальное чтение (вдоль строки) показывает, как угасает одна когорта во времени, и формирует кривую удержания. Вертикальное чтение (вдоль столбца) сравнивает разные когорты на одной и той же стадии жизни — например, сопоставив удержание январской и апрельской когорт на третий месяц, вы определите, как изменения в продукте повлияли на новых клиентов в лучшую или худшую сторону. Ниже приведена таблица на реальном примере:
- Январская когорта (1000 клиентов): месяц 0 — 100%, месяц 1 — 42%, месяц 2 — 31%, месяц 3 — 27%, месяц 4 — 25%, месяц 5 — 24%
- Февральская когорта (1200 клиентов): месяц 0 — 100%, месяц 1 — 45%, месяц 2 — 33%, месяц 3 — 29%, месяц 4 — 27%
- Мартовская когорта (1500 клиентов): месяц 0 — 100%, месяц 1 — 51%, месяц 2 — 40%, месяц 3 — 36%
- Апрельская когорта (1400 клиентов): месяц 0 — 100%, месяц 1 — 53%, месяц 2 — 42%
Эта таблица раскрывает очень многое. Во-первых, в каждой когорте наибольшее падение происходит в первый месяц — больше половины клиентов не возвращается, что указывает на необходимость работать над онбордингом и первым впечатлением. Во-вторых, к четвёртому-пятому месяцу кривая выполаживается, то есть оставшиеся клиенты образуют стабильное лояльное ядро. Самое главное, мартовская и апрельская когорты удержались на уровне 51–53 процентов в первый месяц, тогда как январская — лишь 42 процента, а значит некое изменение, внедрённое в конце февраля (например, обновлённый онбординг или более качественный источник трафика), оказало заметное положительное влияние.
Применение на практике: решения по продукту и маркетингу
Ценность когортного анализа не в красивой таблице, а в конкретных решениях, которые он порождает. Если вы видите резкое падение в первый месяц, направьте усилия на первые 30 дней удержания клиента: автоматические приветственные письма, советы по использованию, скидку на первую повторную покупку. Если когорты из определённого маркетингового канала уходят быстрее остальных, значит этот канал приводит некачественную аудиторию и бюджет нужно перераспределить. Так анализ направляет ваши маркетинговые деньги в каналы, приводящие самых лояльных клиентов, что напрямую повышает окупаемость вложений.
Со стороны продукта когорты — самый надёжный способ измерить влияние новых функций. Сравнив когорты, появившиеся после внедрения новой возможности, со старыми когортами, вы увидите, повысило изменение удержание или снизило. В отличие от A/B-тестов, это показывает долгосрочный эффект — останется ли клиент даже через полгода, — что зачастую ценнее множества краткосрочных метрик, которые легко поддаются случайным колебаниям.
Какими инструментами пользоваться
Чтобы начать когортный анализ, дорогие системы не нужны. Google Analytics 4 (GA4) предлагает в своих стандартных отчётах готовый раздел исследования когорт (cohort exploration), где можно увидеть когорты по дате привлечения и удержание буквально в несколько кликов. Для малого и среднего бизнеса это достаточно мощный и бесплатный инструмент. Для более сложных поведенческих когорт и глубокой продуктовой аналитики специализированные платформы вроде Amplitude или Mixpanel позволяют детально отслеживать каждое действие пользователя и строить когорты на основе любого события.
Самое простое начало — работа с собственными данными: если на вашем сайте хранится база клиентов и история покупок, вы можете построить свою когортную таблицу даже в обычной электронной таблице, сгруппировав клиентов по месяцу первой покупки и подсчитав повторную активность по месяцам. Главное не в инструменте, а в формировании привычки регулярно смотреть в эту таблицу и принимать на её основе решения. Создавая бизнес-сайт на sayt.uz, убедитесь, что вы правильно собираете данные о клиентах и закладываете необходимый фундамент для проведения подобной аналитики в будущем.