Cohort Analysis (когортный анализ)

Retention по всей базе пользователей стабилен — 45%. Картина спокойная. Но если разбить пользователей на когорты по месяцу регистрации, окажется: когорта марта держится на 65%, когорта июля — на 52%, а сентябрьская когорта — на 28%.

Что-то случилось с продуктом, опытом или рынком. Общая цифра скрывает это изменение, потому что усредняет зрелые когорты с новыми. Cohort analysis — инструмент, который разбирает общую метрику на составляющие по времени и выявляет то, что среднее маскирует.

Определение

Cohort Analysis (когортный анализ) — метод сегментации данных, при котором пользователи группируются в когорты по общему признаку (чаще всего — дате первого события: регистрация, первая покупка, первый контакт) и отслеживаются во времени. Позволяет отделить эффекты зрелости пользователей от реальных изменений в продукте или маркетинге. Широко применяется в анализе удержания, LTV, поведения продуктовых метрик, эффективности маркетинговых кампаний. Отдельный вид продольного исследования.

Что такое когорта

Когорта — группа пользователей, объединённая общим признаком в фиксированный момент времени. Наиболее распространённые типы:

По времени первого контакта. Все, кто зарегистрировался в январе — когорта января. В феврале — когорта февраля. Самый частый вариант. Позволяет сравнивать, как ведут себя пользователи, пришедшие в разное время.

По каналу прихода. Когорта "пришедших через органический поиск", когорта "пришедших через платный таргет". Полезно при анализе качества трафика из разных источников.

По продукту или первому действию. Когорта "купивших базовый тариф первым", когорта "купивших премиум первым". Показывает, как первый выбор влияет на дальнейшее поведение.

По демографии или сегменту. Когорта B2B-клиентов с численностью больше 100 человек. Позволяет анализировать поведение по бизнес-сегментам.

Как строить когортный анализ

Классическая когортная таблица — двумерная:

• По строкам — когорты (месяцы регистрации, каналы и т.д.)
• По столбцам — периоды жизни клиента после события ("месяц 0", "месяц 1", "месяц 2"...)
• В ячейках — значение метрики для этой когорты на этом периоде

Пример таблицы retention:

Когорта	М0	М1	М2	М3
Январь	100%	72%	60%	55%
Февраль	100%	74%	62%	55%
Март	100%	65%	50%	—
Апрель	100%	68%	—	—

Паттерны, которые видны:

• "Свежие" когорты (март, апрель) показывают более слабое удержание — что-то изменилось
• В когортах январь-февраль кривая стабилизировалась к третьему месяцу на 55%
• Основной отток происходит в первый месяц — это критическая точка для улучшения онбординга

Без когортного разбиения вы бы увидели только общую цифру retention — и не заметили бы, что у последних когорт она хуже.

Что анализируют через когорты

Retention (удержание). Какой процент пользователей остаётся активным через N периодов. Классический продуктовый показатель. Когорты показывают, меняется ли удержание с новыми приходами.

Revenue retention (удержание дохода). Сколько денег приносит когорта в месяц N от первоначального дохода. NRR > 100% — когорта растёт в доходе (апсейлы превышают отток). NRR < 100% — сокращается.

LTV по когортам. Сколько суммарного дохода принесла когорта за всю её жизнь. Позволяет оценить LTV по разным каналам привлечения или периодам регистрации.

Конверсия в ключевые действия. Процент когорты, совершивший первую покупку, добравшийся до активного использования, пригласивший друга. Показывает, где в пользовательском пути узкие места.

NPS и удовлетворённость по когортам. Оценки удовлетворённости могут сильно отличаться между "старожилами" и новичками. Когорты помогают увидеть этот паттерн и отличать проблемы онбординга от проблем долгосрочного использования.

Пример: выявление просадки через когортный анализ

SaaS-компания в октябре замечает: общий retention последних 6 месяцев составляет 48% (на 3-й месяц). Вроде стабильно. Но когортная таблица показывает иное:

• Май: на 3-м месяце 55%
• Июнь: на 3-м месяце 54%
• Июль: на 3-м месяце 50%
• Август: на 3-м месяце 44%
• Сентябрь: на 3-м месяце 38%

Общее среднее (48%) скрывало явный нисходящий тренд. Команда начала расследовать: что изменилось между маем и сентябрём? Обнаружили — в июле сменился канал основного трафика (перешли с контекста на таргетинг), качество аудитории упало. Также в августе релизнули редизайн онбординга, который, как оказалось, хуже старого. Два фактора совпали по времени и исказили метрику.

Без когортного анализа проблема была бы замечена гораздо позже — когда просадка дошла до общих цифр и уже сформировалась устойчивой. С ним — видна сразу по первым когортам.

Когорты и опросы

Опросы дополняют когортный анализ качественными данными. Стандартные сценарии:

• NPS/CSAT по когортам. Сравнение удовлетворённости между новыми и старыми клиентами выявляет, что изменилось в опыте
• Exit-опросы уходящих. Когорта ушедших в этом месяце — какие причины указали? Разные когорты могут уходить по разным причинам
• Churn interviews. Глубинные интервью с представителями каждой когорты уходящих — качественное объяснение количественных различий
• Onboarding surveys. Опросы сразу после регистрации помогают понять, что отличает когорты с хорошим и плохим retention

Типичные ошибки в когортном анализе

Когорты слишком маленькие. Для статистической надёжности каждая когорта должна содержать минимум 50-100 пользователей. При 10 человеках в когорте случайные колебания поведения маскируются под "паттерн". Объединяйте мелкие когорты: не помесячно, а поквартально.

Сравнивать когорты разной зрелости. Январская когорта "имеет" 9 месяцев жизни на момент анализа в октябре, сентябрьская — только 1 месяц. Корректно сравнивать только одинаковые точки (M1 с M1, M3 с M3), а не одну дату по всем когортам.

Игнорировать внешние события. Если в августе был сбой сервиса или изменение в конкурентной среде — это может объяснять просадку когорт, приходящих позже. Всегда накладывайте контекст на когортные данные.

Только одна метрика. Retention может расти, а revenue retention — падать (клиенты остаются, но платят меньше). Или наоборот. Когортный анализ должен идти по нескольким метрикам параллельно для полной картины.

Когортный анализ в WebAsk

Опросы WebAsk — часть когортного анализа на стороне обратной связи. Для работы с когортами удобно использовать скрытые переменные — при отправке опроса клиенту можно передать дату регистрации, источник прихода, тариф. Это позволяет при анализе ответов сразу видеть когорту респондента и сравнивать удовлетворённость, NPS, причины оттока между когортами.

Регулярные опросы — пульс-опросы или квартальные NPS — дают данные для продольного отслеживания настроений когорт во времени, что дополняет количественный panel-анализ.

Cohort analysis разбирает среднюю метрику на составляющие по времени. Там, где общее число показывает "стабильность", когорты могут показать скрытый тренд — улучшение или ухудшение. Когортная таблица + несколько метрик одновременно (retention, revenue, NPS) = полноценная система мониторинга здоровья клиентской базы. Без неё вы видите только результирующую картину; с ней — можете предсказать её.

Частые вопросы

Как выбрать период для когорт?

Зависит от частоты событий и размера аудитории. Для B2C с десятками тысяч регистраций в месяц — помесячные когорты. Для B2B с несколькими сделками в месяц — квартальные или полугодовые. Цель — набрать в каждую когорту не менее 50-100 человек для статистической стабильности.

Когортный анализ применим только к SaaS?

Нет. Применяется везде, где пользователи взаимодействуют с продуктом или услугой во времени: интернет-магазины (повторные покупки), мобильные приложения (retention), подписочные сервисы, банки, телеком, HR (анализ удержания сотрудников), обучающие платформы. Везде, где важно, что было "потом" после первого события.

Сколько периодов отслеживать в когорте?

Достаточно длинные, чтобы увидеть плато — когда кривая retention стабилизируется. Для B2C-продуктов обычно 6-12 месяцев, для B2B — 12-24 месяца. После плато дальнейшее отслеживание даёт мало нового информации, но имеет смысл для расчёта LTV.

Как сравнивать когорты между собой, если у них разный стартовый размер?

Использовать относительные метрики (процент удержания, retention rate), а не абсолютные цифры. Когорта из 1000 человек с 60% retention сравнима с когортой из 200 с тем же 60%. При этом абсолютная потеря (400 vs 80) разная, но это уже следующий слой анализа.

Как интерпретировать ситуацию, когда новые когорты стабильно хуже старых?

Может быть несколько причин: изменение качества трафика (новые каналы дают менее целевых пользователей), изменения в продукте, которые хуже воспринимаются, насыщение рынка (остаётся менее заинтересованная аудитория). Для диагностики дополните когортный анализ опросами новых пользователей: что они ожидали? что получили? чего не хватило?