Когортный анализ — это метод анализа данных, при котором пользователи (клиенты) разделяются на группы (когорты), которые объединены общим признаком в определенный промежуток времени. Т.е. изучаются признаки поведения групп с течением времени.
Простая аналогия: можно измерить среднюю успеваемость всего класса за год. Но это не покажет всей картины. Гораздо информативнее следить за успехами отдельных «когорт» — например, за учениками, которые поступили в 1-й класс в 2020, 2021 и 2022 годах. Так вы увидите, как каждая группа осваивает программу, и сможете сравнить их между собой.
Когорта (Cohort) — группа пользователей, объединённых общим характеристическим событием за определенный период времени.
Основа для группировки
- Время/Дата (Time/Date Cohort). Самый распространенный тип. Пользователи группируются по дате первого действия (первый визит, регистрация, первая покупка). Например, «когорта января 2024 года».
- Поведение (Behavioral Cohort). Пользователи группируются по действию, которое они совершили (например, установили приложение по реферальной ссылке, воспользовались определенной функцией, купили конкретный товар).
- Размер (Size Cohort). Чаще в B2B, где компании группируются по размеру (количество сотрудников, выручка).
- Период времени (Time Frame). Это «жизненный цикл» когорты. Мы смотрим на метрики когорты не в абсолютных датах, а в относительных: «неделя 0», «месяц 1», «месяц 2» и т.д., где начало отсчета — это момент попадания пользователя в когорту.
Зачем это нужно? Цели когортного анализа
- Оценка долгосрочной ценности (LTV). Оценка того, сколько доходов приносят когорты, привлеченные в разные периоды.
- Измерение Retention (удержания). Это главное применение когортного анализа. Мы видим, какая доля пользователей возвращается в продукт со временем, и как это меняется от когорты к когорте.
- Оценка эффективности изменений. Выкатили новую фичу или изменили онбординг? Сравните ретеншн когорты «до» и «после» — это даст чистый результат без влияния сезонности и других факторов.
- Оценка качества трафика. Показывает, какие маркетинговые каналы привлекают целевой трафик.
Какие метрики используют в лучших практиках?
Лучшие практики сфокусированы на Retention-таблицах, так как они наглядно показывают «здоровье» продукта.
1. Retention Curve (Кривая удержания)
Это визуализация данных из таблицы ретеншена. Она показывает, как со временем «проседает» когорта.
Что смотрим. Идеальная кривая сначала падает, а затем выходит на плато. Если она не выходит на плато и продолжает падать — это тревожный знак: продукт не удерживает пользователей в долгосрочной перспективе.
Сравнение когорт. Наложение кривых нескольких когорт друг на друга покажут— на сколько хорошо работают изменения в продукте.
2. Retention Rate (Уровень удержания)
- Вопрос. Какая доля пользователей из когорты вернулась в продукт на N-й день/неделю/месяц?
- Как считается. (Число активных пользователей из когорты на конец периода) / (Исходное число пользователей в когорте) × 100%.
- Пример. Из когорты января (1000 пользователей) через 30 дней (месяц 1) в продукте осталось 250 активных человек. Retention Rate (Month 1) = (250 / 1000) × 100%= 25%.
- Практика. Строят Retention Table (таблицу удержания), где по вертикали — когорты, а по горизонтали — периоды их жизни.
- Вывод из примера. Видно, что когорта «Неделя 3» имеет лучший ретеншн на 1-й неделе (50% против 45% и 48%). Возможно, мы улучшили онбординг и это дало результат.
3. Метрика. Churn Rate (Уровень оттока)
- Вопрос. Какая доля пользователей из когорты ушла на N-й день/неделю/месяц?
- Как считается. Churn Rate = 100% – Retention Rate.
- Пример. Для когорты января на 30-й день Retention = 25%, значит, Churn Rate = 75%. Это не значит, что 75% пользователей удалили аккаунт, но они были неактивны в течение этого периода.
4. Метрика. Cumulative Revenue / LTV (Накопленный доход / Lifetime Value)
- Вопрос. Сколько в среднем приносит один пользователь из когорты за N-й период своего жизненного цикла?
- Как считается. Сумма всех доходов от когорты на период N, поделенная на размер когорты.
- Пример. Строится такая же таблица, но вместо % удержания — средний доход на пользователя.
- Вывод. Мы видим, что LTV когорты января за 3 месяца составил 11₽. Это помогает рассчитать окупаемость CAC (стоимости привлечения клиента). Если CAC < 11₽, мы в плюсе.
Пример применения на практике. Поиск точки сохранения (Quick Win)
Задача. Улучшить удержание новых пользователей.
Что делает аналитик. Аналитик строит когортный анализ по неделям и смотрит на Retention Rate.
Видно, что 70% пользователей, которые выполнили ключевое действие «Х» (например, добавили в друзья 3-х человек) в первую неделю, остаются в продукте и на 4-й неделе.
Среди тех, кто не выполнил действие «Х», на 4-й неделе остается только 10%.
Вывод и действие. Действие «Х» — это «quick win», точка сохранения пользователя. Продуктовая команда фокусируется на том, чтобы максимально упростить и подтолкнуть всех новых пользователей к выполнению этого действия как можно раньше. Это резко повысит ретеншн всех будущих когорт.
Резюме
Когортный анализ — это «лакмусовая бумажка» здоровья продукта. Он отвечает на самый главный вопрос: «Становимся ли мы лучше?». Лучшие практики требуют регулярного построения и анализа Retention-таблиц, чтобы принимать решения основанные на реальных данных.