Когортный анализ

Когортный анализ — метод изучения поведения групп пользователей, объединенных общим признаком (чаще всего датой первого взаимодействия с продуктом), в динамике по времени. В отличие от агрегированных метрик, которые усредняют всех пользователей в одну точку, когортный анализ показывает, как ведут себя разные поколения клиентов по мере их жизни с продуктом.

Что такое когортный анализ

Когортный анализ строится на разбивке аудитории на группы — когорты — по выбранному признаку, после чего каждую группу отслеживают в разные временные периоды. Самый распространенный вариант — деление по месяцу или неделе первой регистрации: все пользователи, зарегистрировавшиеся в январе, составляют когорту января; в феврале — когорту февраля. Затем строится матрица, где строки — это когорты, а столбцы — периоды их жизни (1-й месяц, 2-й месяц, 3-й и так далее). Ключевой результат — видеть, как каждая когорта «живет» независимо от других: сколько пользователей остается активными через месяц, два, квартал. Это позволяет увидеть не просто текущий уровень удержания, а то, как он менялся для разных поколений клиентов. Маркетолог получает возможность сравнивать: удерживает ли продукт пользователей октября лучше, чем пользователей июня, и если да — что изменилось между этими когортами.

История термина уходит в эпидемиологию и демографию: там когортой называли группу людей с общей характеристикой (родившихся в одном году, перенесших одну болезнь), за которой наблюдали в динамике. В бизнес-аналитику подход перешел в 1990-е годы вместе с ростом баз данных клиентов — сначала в страховании и телекоме, где важно было понять, как давно привлеченные клиенты ведут себя иначе, чем новые. В цифровой среде когортный анализ взлетел после 2010 года, когда продуктовые компании — Facebook, Spotify, Airbnb — начали публично говорить о retention как ключевой метрике бизнеса. Сегодня анализ встроен в GA4, Amplitude, Mixpanel и Heap — инструменты, доступные любому digital-маркетологу без написания кода. Что раньше требовало аналитика с SQL и недели работы, теперь настраивается за час в интерфейсе.

В digital-маркетинге когортный анализ решает несколько критических задач. Первая — расчет реального LTV (lifetime value): агрегированный LTV дает среднее по больнице, тогда как когортный показывает, сколько реально принесут клиенты, привлеченные конкретным каналом в конкретный период. Вторая — оценка product-market fit: если 40% новых пользователей остаются активными через 3 месяца и кривая retention выходит в плато, продукт нашел свою аудиторию; если кривая падает к нулю — нет. Третья задача — измерение эффекта изменений: когда в октябре запустили новый онбординг, сравнение когорты октября с когортой сентября покажет, изменилось ли удержание. Без когортного разреза такое сравнение невозможно — общий retention может не измениться, а когортный покажет резкий прирост среди новых пользователей.

Маркетологу с опытом понимание когортного анализа нужно по конкретной причине: агрегированные метрики систематически вводят в заблуждение при росте бизнеса. Допустим, ежемесячный отток клиентов составляет 5% на протяжении полугода — это выглядит стабильно. Но если в этот период компания резко наращивала привлечение, новые пользователи «разбавляют» базу и маскируют рост реального оттока среди старых когорт. Когортный анализ разоблачает этот эффект. Именно поэтому инвесторы и growth-команды требуют когортные данные при оценке юнит-экономики: они хотят видеть, как ведут себя пользователи, привлеченные год назад, а не текущее среднее. Умение читать когортную матрицу и делать из нее выводы о каналах привлечения, продуктовых изменениях и сезонности — обязательный навык для маркетолога в продуктовой компании.

Как работает когортный анализ

1. Выбор когортообразующего события. Прежде чем строить анализ, нужно определить, какое событие считается «входом» в когорту. Чаще всего это дата первой регистрации, первой покупки или первого запуска приложения — то есть момент, когда пользователь впервые начал взаимодействие с продуктом. Выбор события напрямую определяет, что покажет анализ: если взять дату первой покупки вместо регистрации, когорты будут меньше и «чище» — туда попадут только те, кто конвертировался, а не все зарегистрированные.
2. Разбивка пользователей на когорты по временному периоду. После определения события всех пользователей группируют по временным интервалам — обычно по неделям или месяцам в зависимости от частоты взаимодействий с продуктом. Для мобильного приложения с ежедневным использованием подходят недельные когорты; для SaaS с месячной биллинговой логикой — месячные. Каждый пользователь попадает ровно в одну когорту: если он зарегистрировался в январе, он навсегда остается в когорте января, даже если вернулся к продукту через год.
3. Определение метрики отслеживания. Следующий шаг — выбрать, что именно измерять по каждой когорте в каждый период. Retention rate (доля активных пользователей) — самый популярный вариант, но не единственный: можно отслеживать выручку от когорты, среднее количество сессий, частоту повторных покупок или NPS. Важно зафиксировать одну метрику для конкретного анализа: смешивание метрик в одной матрице делает интерпретацию невозможной.
4. Построение матрицы удержания. Результаты собираются в таблицу, где каждая строка — это когорта (например, «Январь 2024»), каждый столбец — это период жизни («месяц 0», «месяц 1», «месяц 2» и т.д.), а значение в ячейке — выбранная метрика для данной когорты в данный период. Период 0 всегда равен 100% (все пользователи активны в момент регистрации). По диагонали матрицы читается история: насколько быстро падает удержание у разных когорт, где кривая выходит в плато.
5. Интерпретация паттернов и аномалий. Когда матрица готова, анализируют три типа паттернов. Вертикальное сравнение (по столбцу одного периода): когорты, зарегистрированные позже, удерживаются лучше или хуже, чем ранние? Горизонтальное чтение (по строке): как быстро падает конкретная когорта? Диагональное чтение: есть ли эффект сезонности или внешних событий в определенный календарный месяц. Аномалии — резкие провалы или подъемы — становятся точкой входа для дальнейшего расследования.
6. Формулировка гипотез и запуск экспериментов. Когортный анализ сам по себе не дает причин, только корреляции. Если когорта марта удерживается лучше когорты января — нужно выяснить, что изменилось между этими периодами: новый онбординг, другой канал привлечения, обновление продукта, акция. Дальше формируется гипотеза («изменение онбординга повысило retention») и запускается A/B тест или более глубокий сегментированный анализ для проверки.

Виды когортного анализа

• Временной (acquisition cohort). Самый распространенный вид: пользователей группируют по дате первого взаимодействия с продуктом — регистрации, установки приложения, первой сессии. Этот вид хорошо работает для отслеживания retention и LTV по поколениям клиентов. Большинство встроенных инструментов аналитики (GA4, Amplitude, Mixpanel) реализуют именно временной тип по умолчанию.
• Поведенческий (behavioral cohort). Группировка строится не по времени, а по конкретному действию пользователя: когорта тех, кто завершил онбординг; когорта тех, кто добавил платежный метод; когорта тех, кто использовал ключевую функцию продукта. Поведенческие когорты помогают найти «magic moment» — то действие, после которого retention резко выше. Именно так Facebook обнаружил, что добавление 10 друзей за первые 7 дней критически влияет на долгосрочный retention.
• Канальный (channel cohort). Пользователей делят по источнику привлечения: когорта с органического поиска, с таргетированной рекламы, с email-кампании, с реферальной программы. Сравнение retention и LTV по каналам позволяет не просто считать CAC (стоимость привлечения), но и видеть, насколько качественный трафик каждый канал дает на дистанции. Нередко выясняется, что канал с дешевым привлечением дает когорты с высоким оттоком через 30 дней, и реальный CAC оказывается в 3-4 раза выше цифры в отчете.
• Продуктовый (feature cohort). Группировка по первому использованному функционалу или версии продукта. Полезен при разработке новых фич: пользователи, которые первыми попробовали новый инструмент, составляют когорту, и их поведение сравнивают с теми, кто не взаимодействовал с фичей. Этот подход используют для оценки, повышает ли конкретная функция ценность продукта для удержания.
• Размерный (segment cohort). Пользователей группируют по характеристикам сегмента: размеру первой покупки, тарифному плану, географии или демографии. Этот вид помогает понять, какой сегмент наиболее ценен на горизонте 6-12 месяцев, даже если в момент привлечения разница в поведении не очевидна. Интернет-магазины нередко обнаруживают, что когорта покупателей с умеренным первым чеком дает retention в 1.5-2 раза лучше, чем сегмент с высокой первой покупкой.
• Временной срез (rolling cohort). Вариант, где когорты пересчитываются за скользящий период — например, 30-дневные когорты с ежедневным обновлением. Используется для мониторинга изменений в режиме реального времени. Полезен, когда продукт активно итерирует: можно видеть эффект каждого релиза на следующую волну пользователей без ожидания конца месяца.

Сравнение

Пример использования

B2B SaaS-платформа для управления задачами привлекала в среднем 900 новых регистраций в месяц в первом квартале 2024 года. Суммарно за январь-март через рекламу и контент пришло 2 740 пользователей. Маркетолог смотрел на агрегированные показатели и видел retention первого месяца — 34%, что соответствовало бенчмарку по отрасли. Через 90 дней retention составлял 11%, что тоже не вызывало тревоги само по себе. Команда продолжала тратить 280 000 рублей в месяц на привлечение, не зная, что по факту когорты ведут себя принципиально по-разному: 30-дневный retention когорты января составлял 28%, когорты февраля — 31%, а когорты марта — 61%. В марте запустили переработанный онбординг с интерактивными подсказками, но никто не сопоставил это изменение с аномалией в цифрах.

После построения когортной матрицы команда обнаружила, что разрыв в retention между январем и мартом объясняется именно онбордингом: пользователи, которые в первые 7 дней выполнили хотя бы 3 ключевых действия (создали проект, добавили участника, выставили дедлайн), остались в продукте в 2.4 раза чаще тех, кто этого не сделал. Онбординг марта направлял пользователей к этим действиям явно, а онбординг января — нет. Команда перенесла онбординг марта на всех новых пользователей, добавила триггерные email-напоминания на незавершенные шаги за первые 48 часов и запустила реактивацию когорт января-февраля. Через квартал 30-дневный retention вырос до 58%, LTV за 12 месяцев для новых когорт вырос в 3.4 раза, а стоимость привлечения активного пользователя за 90 дней снизилась с 4 100 до 1 200 рублей.

Частые вопросы