Когортный анализ — это аналитический метод, который группирует пользователей или клиентов в сегменты, называемые когортами, по общей характеристике или опыту в рамках определённого периода времени — чаще всего по дате первой регистрации, первой покупки или привлечения через конкретный канал, — а затем отслеживает, как поведение каждой когорты меняется в последующие периоды. Самый распространённый результат — таблица удержания когорт, или кривая удержания, показывающая, какой процент когорты остаётся активным, возвращается за покупкой или продолжает подписку через заданные интервалы после начальной точки — например, через 1 неделю, 1 месяц, 3 месяца и 12 месяцев, — что позволяет аналитикам сравнивать, как ведут себя на протяжении своего жизненного цикла когорты, привлечённые в разное время или через разные каналы.
Когортный анализ важен, потому что он устраняет фундаментальное ограничение агрегированных временных метрик: общий показатель удержания или средняя выручка на пользователя за месяц смешивает клиентов, находящихся на совершенно разных стадиях отношений с продуктом, — одни присоединились в этом же месяце, другие годами ранее, — что может полностью скрыть ухудшающиеся или улучшающиеся тенденции. Например, у общей пользовательской базы число ежемесячных активных пользователей может оставаться стабильным, в то время как новые когорты уходят заметно быстрее старых; этот тревожный сигнал остаётся невидимым в усреднённой метрике, но сразу становится очевидным, когда когорты разделены и сопоставлены рядом на кривой удержания.
Когорты можно определять по нескольким измерениям, помимо простой даты привлечения: это поведенческие когорты (сгруппированные по совершённому действию, например завершили онбординг или нет), когорты по каналу привлечения (по тому, пришёл ли пользователь из платного поиска, органики или по рекомендации) и когорты по выручке (сгруппированные по ценности первой покупки). Аналитики обычно визуализируют эти данные в виде треугольной таблицы удержания, где строки соответствуют когортам по начальному периоду, а столбцы — времени, прошедшему с начала; это позволяет выделить закономерности, например что когорта конкретного месяца показала худшие результаты из-за изменения цены, ошибки или менее качественной кампании привлечения, и локализовать их в этом точном периоде, а не терять в общих средних. Для таких анализов без специальной инженерной работы с данными обычно используют Mixpanel, Amplitude и встроенные отчёты когортного исследования в GA4.
Частая ошибка — делать выводы по когортам, которые слишком малы или слишком свежи, чтобы накопить статистически значимые данные: когорта, привлечённая всего две недели назад, пока ничего не может сказать об удержании через 6 или 12 месяцев, а сравнение незрелой когорты со зрелой по этим поздним метрикам создаёт искажённую картину. Другая распространённая ловушка — игнорирование внешних факторов, одновременно влияющих на всю когорту, таких как сезонный всплеск качества привлечения вокруг праздничной распродажи или временный сбой продукта, из-за которых когорта может выглядеть необычно сильной или слабой по причинам, не связанным с какими-либо намеренными изменениями продукта или маркетинга в то время.
Для консалтинга в области роста и CRO когортный анализ особенно ценен при оценке того, дают ли изменения продукта, онбординга или lifecycle-маркетинга устойчивое улучшение, а не краткосрочный всплеск: изменение, которое увеличивает число первичных регистраций, но не улучшает или даже ухудшает 30- или 90-дневное удержание в затронутой когорте, не обязательно создало долгосрочную ценность. Это также стандартный инструмент оценки качества каналов привлечения во времени: каналы можно сравнивать не только по немедленной конверсии или стоимости привлечения, но и по траектории долгосрочного удержания и пожизненной ценности создаваемых ими когорт, что нередко показывает, что канал с более высокой первоначальной стоимостью привлечения на самом деле прибыльнее, если учесть более долгосрочное поведение когорт.
Другие термины на букву C
Призыв к действию (CTA)Карточная сортировка (Card Sorting)Брошенные корзины (Cart Abandonment)Управление изменениями (Change Management)Оптимизация оформления заказа (Checkout Optimization)Коэффициент оттока (Churn Rate)Кликабельность (CTR)Клиентское тестированиеКогнитивная нагрузка (Cognitive Load)Анализ конкурентов (Competitive Analysis)Доверительный интервалРежим согласия (Consent Mode)
