Когортный анализ: полное руководство с примерами

С какой проблемой вы столкнулись? Вы видите, что клиенты уходят, бюджет на привлечение растёт, а удержание не улучшается — но непонятно, где именно ломается воронка и почему одни группы пользователей остаются, а другие исчезают после первой покупки.

Именно в такой момент маркетологи, продуктовые менеджеры и аналитики начинают искать инструмент, который покажет не просто общую статистику, а реальное поведение пользователей в динамике. Когортный анализ клиентов — это тот самый метод, который превращает размытые цифры в конкретные выводы и помогает принимать решения, основанные на данных, а не на интуиции.

=""> Что вы получите после прочтения? Это руководство написано так, чтобы когортный анализ пользователей стал понятен даже тем, кто впервые слышит этот термин, — и при этом дал практическую ценность опытным аналитикам. Вы разберётесь, что такое метод когортного анализа простыми словами, увидите когортный анализ примеры из e-commerce и SaaS, поймёте когортный анализ как делать в Excel и SQL без страха перед формулами.

Статья покрывает полный цикл: от формирования групп клиентов по периоду времени до интерпретации результатов и визуализации данных в дашборде. Каждый раздел построен по принципу «теория плюс действие» — сначала объясняем суть, затем показываем конкретный шаг, который можно повторить в своём бизнесе уже сегодня.

Когортный анализ перестанет казаться сложным инструментом для избранных: после прочтения вы будете знать, как сегментировать аудиторию, отслеживать retention rate, оценивать эффективность онбординга и обосновывать инвестиции в удержание перед руководством. Аналитика — это не магия, это навык, и это руководство поможет вам его освоить.

Что такое когортный анализ и зачем он нужен

Когортный анализ — это метод, при котором пользователей или клиентов делят на группы по общему признаку и отслеживают их поведение на протяжении определённого промежутка времени. Звучит просто, но именно эта простота делает метод когортного анализа одним из самых ценных инструментов в арсенале маркетолога и продуктового менеджера.

Источник: shutterstock.com

Ключевое слово здесь — «отслеживают». Когортный анализ пользователей не фиксирует моментальный снимок, а показывает движение: как группа ведёт себя на второй неделе, спустя несколько недель, через полгода после первого контакта с продуктом. Показатели поведения клиентов меняются со временем, и именно эту динамику важно использовать в работе.

Что такое когорта: разбираем на примере

Когорта — это группа людей, которых объединяет одно событие, произошедшее в один период. Например, все пользователи мобильного приложения или сайта, зарегистрировавшиеся в феврале, образуют одну когорту. Те, кто зарегистрировался в марте, — другую. Казалось бы, разница невелика, но на практике эти группы клиентов могут вести себя принципиально по-разному.

Представьте: февральская когорта пришла до обновления онбординга, а мартовская — уже после. Спустя 30 дней февральская группа показывает удержание 18%, мартовская — 31%. Это не случайность и не статистический шум. Это сигнал: обновление онбординга работает, и его стоит развивать дальше. Подобные показатели удержания аудитории сложно выявить без когортного анализа.

Признак для формирования когорты может быть любым: дата первой покупки, каналы привлечения (контекстная реклама, органика, реферальная программа), тарифный план, география, устройство. Например, клиентов можно группировать по источнику трафика на сайт или по типу первого взаимодействия. Главное условие — признак должен быть общим для всей группы и фиксироваться в один момент времени.

Чем когортный анализ отличается от сегментации

Многие путают когортный анализ с обычной сегментацией аудитории — и это понятная ошибка. Разница принципиальная.

Сегментация — это статичный срез. Вы берёте базу клиентов прямо сейчас и делите её по возрасту, городу, среднему чеку. Вы видите, кто ваши пользователи сегодня. Когортный анализ — это динамика. Вы берёте когорту, сформированную в конкретный момент, и смотрите, как она меняется во времени, отслеживая показатели поведения клиентов на каждом этапе.

Сегментация аудитории отвечает на вопрос «кто?». Когортный анализ отвечает на вопрос «что происходит с этими людьми со временем?».

Источник: shutterstock.com

Именно поэтому сегментация аудитории не покажет вам, почему клиенты, пришедшие через каналы контекстной рекламы в октябре, уходят на третьей неделе, а привлечённые через реферальную программу — остаются надолго. Когортный анализ покажет. Например, сравнивая показатели разных когорт клиентов по каналам привлечения на сайт, можно точно определить наиболее ценные источники трафика.

Какие задачи решает метод когортного анализа

Метод охватывает широкий круг задач — от операционных до стратегических. Его можно использовать как для оценки отдельных показателей, так и для стратегического планирования:

• Оценка удержания клиентов (Retention Rate): вы видите, какой процент когорты возвращается на второй, третий, четвёртый период, и где начинается массовый отток. Показатели удержания — один из ключевых индикаторов здоровья продукта.

• Расчёт LTV (Lifetime Value): когортный анализ позволяет точно посчитать, сколько денег приносит клиент за весь период жизни в продукте. Например, когорты клиентов из разных каналов нередко показывают кардинально разные значения LTV.

• Сравнение каналов привлечения: когорта из органического поиска на сайт и когорта из платной рекламы могут давать одинаковый первый заказ, но принципиально разные показатели LTV — и это видно только в динамике. Использовать такой анализ для оценки каналов значительно эффективнее, чем стандартные отчёты.

• Проведение A/B-тестов: когда вы меняете онбординг, ценообразование или интерфейс сайта, когортный анализ показывает, как это повлияло на поведение новых групп клиентов по сравнению с предыдущими когортами.

• Выявление оттока: вы находите конкретный момент в жизненном цикле клиента, когда люди уходят чаще всего, и работаете именно с этой точкой. Например, анализ показателей оттока помогает понять, на каком этапе аудитории не хватает ценности продукта.

«Голодные игры» для бизнеса:
Как занять нишу за 3-4 месяца, пока конкуренты режут бюджеты

Рынок уже делят заново — и прямо сейчас вы либо забираете клиентов, либо отдаёте их. Пока одни компании сокращают штат и бюджеты, другие кратно наращивают продажи за счёт правильной системы роста.

Мы разработали стратегию, которая помогла 196 нашим клиентам стать №1 в своих нишах за 3–6 месяцев.

Что показали кейсы:

• стратегия сработала в 93%;
• средняя окупаемость инвестиций — 312%;
• в сложных нишах заявка в 7 раз дешевле, чем в Директе;
• клиенты в среднем увеличили прибыль на 217% за первые 3 месяца.

Мы уверены в результате, поэтому даём финансовую гарантию в договоре.
И да, вы можете внедрить стратегию сами (хотя мы будем немного ревновать).

Скачайте бесплатно нашу пошаговую стратегию с кейсами в 78 нишах и начните забирать в 3-5 раз больше клиентов, пока конкуренты продолжают терять рынок.

Скачать стратегию роста

PDF 2,3 MB

Кому и когда нужен когортный анализ

Этот метод универсален, но особенно критичен для бизнесов, где клиент возвращается повторно или платит регулярно. Использовать когортный анализ можно в самых разных нишах:

• E-commerce: анализ повторных покупок клиентов, сравнение когорт по каналам привлечения на сайт, оценка влияния акций на долгосрочное поведение аудитории. Например, показатели когорт из разных каналов помогают перераспределить бюджет.

• SaaS-продукты: отслеживание churn rate по периодам подписки, оценка эффективности онбординга, расчёт окупаемости привлечения клиентов. Когортный анализ здесь — основной инструмент работы с показателями удержания.

• Мобильные приложения: измерение показателей дневного и недельного удержания (Day 1, Day 7, Day 30 Retention), анализ монетизации аудитории. Использовать когортный подход здесь удобно через специализированные сервисы аналитики.

• Онлайн-игры: сравнение когорт по дате старта, оценка влияния игровых событий на активность клиентов. Например, показатели вовлечённости когорты после запуска нового контента дают чёткий сигнал о его качестве.

Маркетологи используют когортный анализ, чтобы обосновать бюджет на удержание перед руководством и сравнить показатели каналов привлечения. Продуктовые менеджеры — чтобы понять, какие изменения на сайте и в продукте реально работают. Аналитики — чтобы строить прогнозы выручки на основе исторических паттернов поведения когорт клиентов.

Если ваш бизнес зависит от повторных визитов на сайт, подписок или регулярных покупок — когортный анализ уже сейчас даёт вам ответы на вопросы об аудитории, которые не видны в стандартных отчётах. Использовать этот инструмент значит принимать решения на основе реальной динамики поведения клиентов во времени.

Ключевые метрики когортного анализа

Прежде чем погружаться в практику, стоит разобраться с языком, на котором «говорит» когортный анализ клиентов. Каждая метрика — это отдельный угол зрения на поведение группы. Одна показывает, сколько людей осталось, другая — сколько денег они принесли бизнесу, третья — когда затраты на их привлечение наконец окупились. Разберём шесть ключевых метрик по порядку: с формулой, живым примером и выводом для бизнеса.

Retention Rate — коэффициент удержания

Retention Rate показывает, какой процент пользователей когорты остался активным спустя определённый период после первого действия — регистрации, покупки или установки приложения.

Формула:

Пример: в январе зарегистрировались 500 пользователей. Через 30 дней из них вернулись 150. Retention Rate = (150 / 500) x 100% = 30%.

Что это означает для бизнеса: если коэффициент удержания падает от когорты к когорте, значит, продукт или сервис не даёт людям повода вернуться. Для SaaS-продуктов нормой считается Retention Rate на уровне 35–40% на 30-й день. Для мобильных игр 20% уже хороший показатель. Сравнивайте эту метрику внутри каждой когорты, а не по всей базе сразу — иначе новые пользователи «разбавят» картину и выводы для бизнеса окажутся ошибочными.

Churn Rate — отток клиентов

Churn Rate — зеркальное отражение Retention Rate. Он показывает, какой процент пользователей прекратил целевые действия за тот же период.

Если Retention Rate за месяц составил 30%, то Churn Rate = 70%. Именно когортный анализ пользователей позволяет увидеть, в каком именно месяце отток резко вырастает. Например, у SaaS-компании может оказаться, что 60% оттока происходит между 14-м и 21-м днём — то есть сразу после окончания пробного периода. Без разбивки по когортам эта закономерность остаётся невидимой, а значит, бизнеса решения принимаются вслепую.

LTV — пожизненная ценность клиента

LTV (Lifetime Value) — суммарный доход, который клиент приносит бизнесу за всё время взаимодействия с ним.

Базовая формула:

Когортный анализ делает расчёт LTV точнее: вместо усреднённого значения по всей базе вы видите метрики каждой когорты отдельно. Клиенты, привлечённые через контекстную рекламу в марте, могут иметь LTV в 2 раза ниже, чем пришедшие по рекомендации в апреле. Это прямая подсказка для бизнеса — куда направить бюджет и какие каналы развивать.

ARPU — средний доход на пользователя

ARPU (Average Revenue Per User) показывает, сколько в среднем зарабатывает компания с одного пользователя когорты за выбранный период. Эта метрика особенно полезна при сравнении когорт из разных каналов привлечения.

Формула:

Пример: когорта февраля из 200 пользователей принесла за 3 месяца 400 000 рублей. ARPU = 2 000 рублей. Сравнив метрики ARPU разных когорт, бизнеса аналитики легко определяют, какой канал привлечения приводит наиболее «дорогих» клиентов.

Conversion Rate — конверсия внутри когорты

Конверсия в когортном анализе измеряет, какой процент пользователей группы совершил целевые действия: первую покупку, переход на платный тариф, оформление подписки. Для каждого типа бизнеса набор таких действий будет своим.

Формула:

Для интернет-магазина это может быть конверсия из первого визита в первый заказ. Для SaaS — переход с бесплатного плана на платный. Отслеживая метрику конверсии каждой когорты, бизнес видит, как изменения в онбординге или акционные предложения влияют на конкретные группы пользователей и их последующие действия.

CAC и Payback Period — стоимость привлечения и окупаемость

CAC (Customer Acquisition Cost) — сколько стоит привлечь одного клиента из конкретной когорты. Payback Period — за сколько месяцев этот клиент «отобьёт» затраты на своё привлечение. Обе метрики критически важны для оценки эффективности каналов.

Формула Payback Period:

Если CAC когорты составляет 3 000 рублей, а месячный ARPU — 1 000 рублей, окупаемость наступит через 3 месяца. Когортный анализ позволяет сравнивать эти метрики по каналам и периодам привлечения — и отказываться от тех, где окупаемость превышает средний срок жизни клиента. Для бизнеса это один из главных критериев при распределении маркетингового бюджета.

Какие метрики важнее: SaaS против e-commerce

В SaaS бизнес строится на повторяющихся платежах, поэтому метрики Retention Rate и Churn Rate определяют выживаемость продукта. В e-commerce важнее понимать, как часто клиент возвращается и растёт ли его средний чек — здесь на первый план выходят LTV и ARPU каждой когорты. Оба типа бизнеса выигрывают от регулярного мониторинга всех перечисленных метрик в разрезе когорт.

Теперь, когда метрики разложены по полочкам, самое время перейти к практике: как именно собрать данные, сформировать группы и построить когортную матрицу шаг за шагом.

Как провести когортный анализ: пошаговая инструкция

Теория без практики — это просто красивые слова. Поэтому разберём когортный анализ как делать его правильно: от первого вопроса до последнего вывода. Шесть шагов, которые вы сможете повторить уже сегодня.

Шаг 1. Определите цель и ключевую метрику

Прежде чем открывать Excel или писать SQL-запрос, ответьте на один вопрос: что именно вы хотите понять? Без чёткой цели анализ превращается в бесконечное листание таблиц.

Источник: shutterstock.com

Вот три типичные цели, с которыми приходят к методу когортного анализа:

• Снизить отток — понять, на каком этапе клиенты массово перестают покупать.

• Оценить рекламные кампании — сравнить, насколько «дорогие» клиенты из разных каналов на самом деле окупаются.

• Найти лучший период для онбординга — выяснить, влияет ли дата регистрации на дальнейшую активность.

Под каждую цель выбирайте одну главную метрику. Набор метрики зависит от задачи бизнеса: Retention rate подходит для анализа оттока, Revenue per cohort — для оценки монетизации, CAC Payback Period — для сравнения каналов привлечения. Одна цель, одна метрика: это правило спасает от аналитического паралича.

Шаг 2. Сформируйте когорты

Формирование когорт — это выбор признака, по которому вы будете группировать пользователей. Самый распространённый вариант — дата первого события: первой покупки, регистрации или установки приложения. Реже используют источник трафика или тип тарифного плана.

Параллельно выберите временной интервал: день, неделя или расчётный период. Для интернет-магазина с редкими покупками логичны квартальные или ежемесячные когорты. Для мобильного приложения с ежедневными сессиями — недельные или даже дневные.

Важный практический совет: следите за размером когорты. Если в январской когорте 2 000 клиентов, а в февральской — 47, сравнивать их некорректно. Маленькая когорта даёт статистически ненадёжные результаты. Минимально допустимый размер зависит от специфики бизнеса, но ориентируйтесь на 100+ пользователей в группе.

Шаг 3. Соберите данные

Для проведения когортного анализа вам понадобятся три типа данных: идентификатор пользователя, дата первого события и дата каждого последующего целевого действия (покупки, визита, оплаты).

Источники сбора данных зависят от инфраструктуры вашего бизнеса:

• CRM-система — история покупок и взаимодействий с клиентом.

• Google Analytics 4 — события и сессии для веб-продуктов.

• База данных — самый гибкий вариант, особенно если пишете SQL-запросы.

• Excel или Google Sheets — подходит для небольших выгрузок и ручного анализа.

Проверьте качество данных до начала анализа. Дубли пользователей, пропущенные даты и некорректные идентификаторы исказят любой результат. Потратьте 20% времени на очистку данных — это сэкономит 80% нервов при интерпретации.

ТОП-7 кейсов
из разных ниш с ростом
от 89% до 1732%

Узнать подробнее

Шаг 4. Постройте когортную таблицу

Это центральный элемент всего анализа. Структура когортной таблицы выглядит так: строки — это когорты (январь, февраль, март и так далее), столбцы — периоды после первого события (период 0, период 1, период 2...), ячейки — значение выбранной метрики.

Ниже — реальный пример когортной таблицы для интернет-магазина. Метрика: retention rate (доля клиентов, совершивших повторную покупку).

Обратите внимание на «лестницу» в правой части таблицы: чем новее когорта, тем меньше заполненных столбцов. Это не ошибка — просто у апрельских клиентов ещё не прошло достаточно времени, чтобы дойти до второго или третьего периода. Феномен «лестницы» — нормальное явление для любого когортного анализа примеры которого вы встретите в открытых источниках.

Что видно из таблицы? Retention в первый период растёт от когорты к когорте: 38%, 41%, 44%, 46%. Это хороший сигнал — возможно, изменения в продукте или маркетинге дают эффект. Но для окончательного вывода нужно дождаться данных по следующим периодам для новых когорт.

Шаг 5. Визуализируйте результаты

Числа в таблице — это сырой материал. Визуализация превращает его в историю, которую легко рассказать руководителю или инвестору.

Источник: shutterstock.com

Тепловая карта — самый популярный формат для представления метрики удержания. Ячейки закрашиваются по градиенту: тёмно-зелёный означает высокий retention, красный — низкий. Взгляда на такую карту достаточно, чтобы мгновенно увидеть проблемные периоды или аномально сильные когорты.

График динамики retention по когортам показывает кривые для каждой группы на одном поле. Если кривые февраля и марта идут выше январской — это визуальное подтверждение улучшения. Если все кривые падают одинаково — проблема системная, не зависит от периода привлечения.

Как читать отчёт: сначала смотрите на первый критический столбец — это первый момент оттока. Затем сравнивайте строки между собой, чтобы найти лучшую и худшую когорты. Наконец, ищите аномалии: резкий провал в конкретном периоде может указывать на технический сбой или неудачное изменение продукта.

Шаг 6. Интерпретируйте и принимайте решения

Последний шаг — самый важный, и именно здесь большинство останавливается. Цифры собраны, таблица построена, карта раскрашена. Что дальше?

Сравнивайте разные когорты по одному признаку. Если январская когорта привлечена через контекстную рекламу, а февральская — через email-рассылку, и у второй retention выше на 8 процентных пунктов, это аргумент для перераспределения бюджета. Выбор метрики сравнения должен отражать реальные приоритеты бизнеса.

Что считать хорошим результатом? Универсального ответа нет, но ориентиры такие: для e-commerce retention в первый расчётный период выше 30% — уже неплохо, выше 40% — сильный показатель метрики удержания. Для SaaS с ежемесячной подпиской нормой считается retention 85–90% в первый период.

Переходите от цифр к действиям по простой схеме: нашли проблему на конкретном этапе — выдвиньте гипотезу о причине — проверьте её через эксперимент. Например, если все когорты теряют 60% клиентов на второй стадии, возможно, именно тогда заканчивается скидка или бонусный период. Решение — продлить программу лояльности или добавить триггерное письмо на 45-й день.

Провести когортный анализ от начала до конца — это реально за один рабочий день, если данные уже собраны и структурированы. Шесть шагов дают вашему бизнесу не просто таблицу, а конкретную точку приложения усилий: где удерживать, когда вмешиваться и на каких клиентов делать ставку.

Инструменты для когортного анализа: Excel, SQL, Python и Google Analytics

Выбор инструмента для когортного аналитики зависит от трёх вещей: объёма данных, уровня технической подготовки и бюджета. Хорошая новость — начать можно буквально прямо сейчас, с тем, что уже есть под рукой.

Excel и Google Sheets: старт без страха

Если вы только осваиваете, как делать когортный анализ, Google Sheets — идеальная точка входа. Никакого кода, никаких установок.

Базовый алгоритм выглядит так:

• Выгрузка данных — перенесите данных о покупках или визитах в таблицу: пользователь, дата первого действия, дата каждого последующего.

• Сводная таблица — строки: месяц первой покупки (когорта), столбцы: порядковый номер периода (месяц 0, месяц 1, месяц 2...).

• Формулы аналитики — используйте COUNTIFS или SUMIFS, чтобы посчитать, сколько пользователей из каждой когорты вернулись в каждый период.

• Тепловая карта — примените условное форматирование с цветовой шкалой от зелёного к красному. Так аналитика retention сразу показывает, где показатели проседают.

Источник: shutterstock.com

Ограничение одно, но существенное: Excel и Google Sheets плохо справляются с объёмами данных свыше 50 000 строк. Для интернет-магазина с небольшим трафиком этого хватит, для крупного SaaS — уже нет.

Google Analytics 4: встроенный отчёт без лишних усилий

Google Analytics 4 позволяет провести когортный анализ буквально в три клика. Найдите раздел «Анализ» в левом меню, выберите «Галерея шаблонов» и откройте шаблон «Исследование когорт».

Что можно настроить:

• тип когорты — по дате первого посещения или первой конверсии;

• метрику — количество пользователей, количество сессий, доход;

• период — день, неделя, месяц;

• сегмент — например, только пользователи из платного трафика.

Инструмент удобен и не требует технических знаний. Но у него есть ограничения: аналитика охватывает только ваш сайт или приложение, глубина истории данных ограничена 90 днями, а гибкость настройки когорт минимальна. Для базового понимания retention по каналам трафика — отлично. Для глубокой продуктовой аналитики — недостаточно.

SQL: точность и гибкость для аналитиков

Когда данных много и нужна точность, SQL становится главным инструментом аналитики. Вот базовый шаблон запроса для построения когортной таблицы retention:

Логика простая: сначала определяем для каждого пользователя месяц первой покупки (cohort_month), затем считаем, в каких последующих периодах он был активен. Результат — таблица с числом вернувшихся пользователей по каждой когорте и периоду. Этот шаблон аналитики легко адаптировать под любую базу данных: PostgreSQL, BigQuery, ClickHouse.

Python: автоматизация и визуализация

Python с библиотеками pandas и matplotlib — выбор тех, кто хочет автоматизировать аналитику и встроить её в дашборд. Логика скрипта повторяет SQL-подход: загружаете данных в DataFrame, вычисляете cohortmonth и period через groupby и merge, строите сводную таблицу через pivottable, а затем визуализируете её как тепловую карту с помощью seaborn.heatmap. Главный плюс — скрипт можно запускать по расписанию и автоматически обновлять отчёт с актуальными данными.

Специализированные сервисы: когда нужна глубина

Если вы строите продукт и хотите выстроить аналитику поведения пользователей без написания кода, обратите внимание на специализированные инструменты когортного анализа:

• Amplitude и Mixpanel — лидеры для продуктовой аналитики. Богатые возможности сегментации, воронки, когорты по событиям. Минус — цена: от нескольких сотен долларов в месяц на серьёзных объёмах данных.

• AppMetrica — бесплатный инструмент от Яндекса для мобильных приложений. Аналитика хорошо подходит для российского рынка.

• Roistat — ориентирован на маркетинговую аналитику и сквозную аналитику, когортный анализ присутствует как дополнительный модуль.

Сравнение инструментов: выберите свой

Итоговая рекомендация: новичкам — начинайте с Google Sheets и GA4, это даст первые инсайты уже сегодня. Специалистам — SQL плюс Python закроют 90% задач аналитики данных без лишних затрат. Бизнесу, который масштабируется, — Amplitude или Mixpanel сэкономят часы ручной работы и дадут глубину, недостижимую в таблицах.

Скачайте полезный документ по теме:

Чек-лист: Как добиваться своих целей в переговорах с клиентами

Источник изображения на шапке: shutterstock.com

Автор статьи

Дмитрий Свистунов

Руководитель SEO-отдела и разработки

Последние статьи этого автора:

• Как провести вебинар: правила, этапы, полезные инструменты
• Массовая рассылка email: задачи, виды, этапы создания

Забрать подарок