Когортный анализ: ключ к пониманию удержания и LTV
Коротко. Когортный анализ — метод, при котором клиенты группируются по общему признаку (чаще всего по дате первой покупки или регистрации) и их поведение отслеживается во времени. Он позволяет увидеть, что именно меняется в продукте, маркетинге и удержании, чего нельзя увидеть в усреднённой статистике. Без когортного анализа большинство выводов о росте, удержании и unit-экономике методологически некорректны.
Логика когортного анализа
flowchart TD A["Пользователи"] --> B["Январская когорта"] A --> C["Февральская когорта"] A --> D["Мартовская когорта"] B --> E["Оценка Retention во времени"] C --> E D --> E
1. Что такое когорта
Когорта — группа клиентов, объединённых общим событием в общее время. Самый частый случай — когорта по месяцу первой покупки (или регистрации, или подписки). Все клиенты, совершившие первую покупку в марте, образуют «мартовскую когорту».
Другие варианты:
— по каналу привлечения (когорта SEO, когорта контекста, когорта реферальных); — по тарифу при подписке; — по гео; — по сегменту (новый сегмент, изменение позиционирования); — по фиче (когорта пользователей, начавших пользоваться функцией X).
Главный принцип: внутри когорты участники имеют общее «начало», поэтому их можно корректно сравнивать друг с другом и с другими когортами.
2. Зачем нужен когортный анализ
Усреднённая метрика часто маскирует противоположные процессы. Пример:
В компании ежемесячная выручка растёт. На первый взгляд, всё хорошо. Когортный анализ показывает:
— старые когорты постепенно затухают (retention падает); — новые когорты компенсируют падение объёмом (приток новых пользователей); — но качество новых когорт хуже: их retention и LTV ниже, чем у старых.
Без когорт компания видит «рост» и продолжает наращивать привлечение. С когортным анализом видно, что текущая модель неустойчива: при остановке маркетинга компания потеряет в выручке быстрее, чем кажется.
Это не редкий случай, а типичная ситуация в B2C-продуктах и подписочных бизнесах.
3. Виды когортного анализа
Retention cohort. Что доля когорты остаётся активной через 1, 7, 30, 90, 180 дней. Базовая метрика для продуктов с регулярным использованием.
Revenue cohort. Сколько денег приносит когорта на 1, 3, 6, 12 месяце после старта. Основа корректного расчёта LTV.
Behavioural cohort. Когорта пользователей, совершивших конкретное действие (например, прошедших onboarding). Сравнивается их retention с теми, кто этого действия не совершил.
Acquisition cohort. Когорта по источнику привлечения. Помогает увидеть качество каналов: канал может давать дешёвые лиды, но при этом плохой retention и низкий LTV.
Survival analysis. Расширение когортного анализа: вместо «доли оставшихся» считается распределение времени до отвала. Используется для прогнозирования churn и LTV.
4. Когортная таблица: как читать
Стандартная когортная таблица — это треугольник:
| Когорта | Месяц 0 | Месяц 1 | Месяц 2 | Месяц 3 | … |
|---|---|---|---|---|---|
| Январь | 100% | 60% | 45% | 38% | … |
| Февраль | 100% | 62% | 48% | 41% | … |
| Март | 100% | 58% | 42% | … | |
| Апрель | 100% | 55% | … |
Что искать в таблице:
— горизонтали показывают, как затухает конкретная когорта; — вертикали показывают, как меняется retention одного и того же возраста для разных когорт; — диагонали соответствуют календарным периодам и помогают увидеть сезонные эффекты.
Если retention новых когорт хуже, чем у старых, это сигнал ухудшения качества привлечения, изменения сегмента или проблем в onboarding.
5. Когорты и LTV
Корректный LTV считается на когортах. Распространённая ошибка — считать «LTV в среднем по компании» как ARPU, поделённый на churn rate. Эта формула предполагает стационарность поведения, чего почти никогда не бывает.
Когортный LTV считается прямо: для когорты с фиксированным «временем жизни» (например, 12 или 24 месяца) суммируются её доходы по периодам, делятся на число клиентов в когорте на старте. Для оценки LTV до времени, превышающего наблюдение, используют экстраполяцию (часто с помощью кривых выживания).
Когортный LTV — единственный методологически корректный способ оценки в подписочных и e-commerce продуктах.
6. Когорты и unit-экономика
Когортный анализ — фундамент работающей unit-экономики. Сопоставление CAC и LTV имеет смысл только тогда, когда:
— CAC посчитан на ту же когорту, что и LTV; — LTV рассчитан на временном горизонте, реалистичном для бизнеса; — учтены retention, частота покупки и средний чек именно этой когорты.
Сравнение «средний CAC» и «средний LTV» без когортного контекста часто даёт картину, не имеющую отношения к реальности.
7. Когорты и тестирование
Когорты — естественная основа для оценки эффекта изменений. Если в апреле компания внедрила новый onboarding, апрельская когорта должна быть сравнима с январской, февральской, мартовской на тех же возрастных периодах.
Это не A/B-тест, но это полезный квазиэкспериментальный анализ, особенно для долгосрочных эффектов, которые трудно поймать в коротких A/B-тестах.
8. Ограничения
Когортный анализ опирается на достаточный объём данных. На малых выборках разница между когортами может быть статистическим шумом.
Когорты не объясняют причину различий. Они показывают, что «апрель отличается от марта». Найти причину можно только через дополнительный качественный анализ: что менялось в продукте, маркетинге, рынке.
Когорты страдают от «сезонной путаницы». Январская когорта в B2C может быть систематически другой по составу, чем июньская — из-за праздников, акций, поведения пользователей.
9. Частые ошибки
Первая — считать «средний LTV» вне когорт. Это часто приводит к завышенной оценке LTV и переинвестированию в маркетинг.
Вторая — измерять retention только по последним когортам, у которых ещё нет длинной истории. Это даёт неполную картину.
Третья — не сегментировать когорты по каналам и тарифам. Усреднённые когорты маскируют структурные различия.
Четвёртая — не использовать когортный анализ для тестирования продуктовых изменений. Тогда команды не видят реального долгосрочного эффекта своих решений.
10. Связанные концепты
LTV, CAC, unit-экономика, retention, churn, RFM-анализ, тестирование и оптимизация, атрибуция, базовые метрики маркетинга.
Источники
- Eric Ries. The Lean Startup (2011) — популяризация когортного мышления в продуктовой аналитике.
- Alistair Croll, Benjamin Yoskovitz. Lean Analytics (2013).
- Sean Ellis, Morgan Brown. Hacking Growth (2017).
- Peter Fader, Bruce Hardie. Работы по probabilistic models of customer behaviour (Wharton, 2005–2020).
11. Формы кривых удержания (Retention Curves)
3. Формы кривых удержания
Падающая в ноль. Транзакционные продукты, где удержание не предполагается (разовые услуги, многие e-commerce категории).
Падающая, но стремящаяся к плато. Самая полезная форма для подписочных моделей. Резкое падение в первые месяцы, затем стабилизация на «ядре» лояльных клиентов. Высота плато — главная характеристика здоровья продукта.
С отрицательным churn. Когорта растёт в выручке во времени, потому что апселлы и расширения превышают отток. Признак сильной unit-экономики и здоровой бэкенд-стратегии.
Навигация:
- Раздел: Аналитика → Базовые метрики
- Категории: analytics, Экспертный, Продающее_письмо, Формула, Кейс, Лендинг
- Порталы: Запустить email-канал