Когортный анализ — это метод аналитики, при котором пользователи группируются в когорты по общему признаку (дате регистрации, первой покупке, каналу привлечения) и их поведение отслеживается во времени для выявления трендов удержания, монетизации и вовлечённости.
Когортный анализ — это аналитический метод, при котором пользователи объединяются в группы (когорты) на основе общего признака, произошедшего в определённый период времени, и далее поведение каждой когорты отслеживается на протяжении последующих временных интервалов. Наиболее распространённый тип — когорты по дате первого действия (регистрация, первая покупка), но возможны группировки по каналу привлечения, географии, тарифному плану или любому другому атрибуту.
Главная ценность когортного анализа — возможность отделить эффект «взросления» клиентской базы от реальных изменений в поведении пользователей. Например, если общий Retention Rate компании падает, это может означать либо ухудшение продукта, либо просто приток большого количества новых пользователей, которые ещё не стали лояльными. Когортный анализ позволяет увидеть, что retention январской когорты стабилен на уровне 40%, а падение общего показателя связано с низким качеством трафика в феврале.
Результаты когортного анализа обычно представляются в виде треугольной таблицы (cohort table) или тепловой карты, где строки — это когорты, столбцы — периоды после начального события, а значения в ячейках — метрика (retention, выручка, количество заказов). Визуализация позволяет мгновенно обнаружить паттерны: стабилизацию удержания, всплески оттока, влияние сезонности и маркетинговых акций на поведение.
Когортный анализ отвечает на вопросы, которые агрегированные метрики не способны раскрыть. Компания может видеть общий рост выручки на 20%, но когортный анализ покажет, что это целиком заслуга новых клиентов, а выручка от старых когорт снижается — тревожный сигнал будущих проблем.
Для e-commerce когортный анализ раскрывает реальную картину повторных покупок: какой процент клиентов январской когорты совершил вторую покупку в феврале, третью — в марте. Это позволяет точно рассчитать LTV и payback period маркетинговых инвестиций. По данным McKinsey, компании, активно использующие когортный анализ, принимают инвестиционные решения на 35% точнее и сокращают расходы на неэффективные каналы привлечения на 20–25%.
Когортный анализ также незаменим для оценки эффекта продуктовых изменений: если после обновления онбординга retention апрельской когорты значимо выше мартовской, это подтверждает успешность изменения. Без когортного анализа такие выводы невозможно сделать корректно.
Построение когортного анализа включает три этапа: определение когорт, выбор метрики и расчёт значений по периодам. Для определения когорт необходимо зафиксировать «начальное событие» каждого пользователя — обычно это дата регистрации или первой покупки. Пользователи группируются по неделям или месяцам этого события.
Далее для каждой когорты рассчитывается выбранная метрика в каждом последующем периоде. Например, для retention-когорты: сколько клиентов из январской когорты (100 человек) были активны в феврале (60), марте (45), апреле (38). Результат: 60%, 45%, 38%. Аналогично строятся когорты по выручке, количеству заказов, среднему чеку.
Технически для расчёта необходимо аналитическое хранилище, способное быстро агрегировать данные по двум измерениям: когорте и периоду. SQL-запрос объединяет таблицу клиентов (с датой первого события) и таблицу событий (с временными метками), группирует по когорте и смещению от начального события, и рассчитывает метрику. ClickHouse оптимально подходит для таких запросов благодаря колоночному хранению и функциям работы с датами.
Сервис подписки на книги провёл когортный анализ удержания и обнаружил, что когорты, привлечённые через контекстную рекламу, имеют 3-месячный retention 15%, а когорты из органического трафика — 42%. При одинаковом CAC это означало, что органический трафик в 2,8 раза ценнее. Маркетинговый бюджет был перераспределён в пользу SEO и контент-маркетинга, что за полгода увеличило общий retention на 8 процентных пунктов.
Маркетплейс продуктов питания сравнил когорты по среднему чеку и выявил, что клиенты, использовавшие промокод при первой покупке, имеют средний чек на 30% ниже в последующих заказах по сравнению с клиентами, пришедшими без скидки. Это привело к пересмотру стратегии промоакций: вместо скидки на первый заказ была внедрена программа лояльности с бонусами за повторные покупки.
Онлайн-школа использовала когортный анализ для оценки нового онбординга. Когорты до внедрения (январь–февраль) показывали 7-дневный retention 28%, а когорты после (март–апрель) — 41%. Статистическая значимость различия была подтверждена, и новый онбординг был закреплён как стандарт.
Trigly предоставляет инструментарий для построения когортного анализа на нескольких уровнях. CampaignAnalyticsService включает метод get_cohort, который строит когорты получателей кампаний по дате первого взаимодействия и отслеживает метрики вовлечённости (opens, clicks, conversions) в последующих периодах.
Аналитический модуль использует ClickHouse для высокоскоростной агрегации событий. Таблица events хранит все действия клиентов с временными метками, а materialized view events_daily_mv агрегирует данные по дням для быстрого доступа. CDP-платформа с 45+ полями клиента фиксирует дату регистрации, первой покупки, источник привлечения — все необходимые атрибуты для формирования когорт. Динамические сегменты позволяют создавать когорты на основе любых комбинаций правил и отслеживать их поведение через дашборд аналитики.
Для статистически значимых выводов рекомендуется минимум 100 пользователей в когорте. При меньшем размере отдельные пользователи создают слишком сильный «шум» в данных. Для A/B-сравнения когорт минимальный размер каждой когорты должен составлять 200–300 человек в зависимости от ожидаемого размера эффекта.
Выбор зависит от бизнес-вопроса. Для анализа удержания — по дате первого события (регистрация, покупка). Для оценки эффективности каналов привлечения — по источнику трафика. Для оценки продуктовых изменений — по дате до/после изменения. Можно комбинировать: когорты по месяцу регистрации с сегментацией по каналу.
Рекомендуется ежемесячно обновлять когортные отчёты для отслеживания трендов. При запуске значимых изменений (новый онбординг, новая ценовая политика, крупная кампания) — анализировать когорты еженедельно в течение первого месяца для быстрого обнаружения эффекта.
Объединение всех клиентов, зарегистрировавшихся за квартал, в одну когорту скрывает важные детали. Если в январе был запущен крупный рекламный канал с низкокачественным трафиком, а в марте — органический рост, квартальная когорта усреднит показатели и маскирует проблему. Для e-commerce оптимальный размер когорты — 1 неделя, для SaaS — 1 месяц. В Trigly аналитический модуль на ClickHouse позволяет гибко задавать гранулярность группировки по датам.
Когортный анализ показывает, что мартовская когорта лучше февральской, но это не означает, что именно изменение онбординга стало причиной. Одновременно могли измениться сезонность, рекламные каналы или конкурентная среда. Для подтверждения причинно-следственной связи нужен A/B-тест или контрольная группа. ABTestService в Trigly с байесовским анализом помогает корректно измерить эффект изменений с учётом статистической значимости.
Компании часто строят когорты только по retention и не анализируют выручку. Retention может быть стабильным, но средний чек когорт — падать. Или наоборот: retention снижается, но оставшиеся клиенты покупают значительно больше. Полноценный когортный анализ включает минимум три метрики: retention, выручку на клиента и количество заказов. RFM-анализ в Trigly дополняет когортный анализ, автоматически рассчитывая rfm_recency, rfm_frequency и rfm_monetary для каждого клиента.
AI-платформа автоматизации маркетинга с лучшими инструментами