Определение
Когортный анализ — это метод продвинутой аналитики в e-commerce и DTC, при котором пользователи группируются по времени их первого значимого действия (первая покупка, регистрация, первое добавление в корзину), а затем отслеживается поведение каждой группы на протяжении последующих периодов.
В отличие от «срезовых» отчётов (например, «выручка за март»), когортный анализ отвечает на вопрос: «Как ведут себя клиенты, пришедшие в конкретный момент времени, спустя 1, 3, 6, 12 месяцев?» Это ключевой инструмент для оценки удержания (Retention), LTV и реальной эффективности каналов привлечения.
Аналогия
Представьте винный погреб. Каждый год вы закладываете новый урожай (когорту). Через год вы сравниваете: урожай 2022-го дал 80% выживаемости, урожай 2023-го — только 65%. Вы понимаете, что дело не в погребе, а в качестве винограда (канала привлечения) или в погодных условиях (сезонность, акции, продукт).
В DTC всё так же: когорта января 2024 (привлечена через Black Friday-остатки) может иметь Retention D30 = 18%, а когорта марта 2024 (органика из блога) — D30 = 34%. Без когортного анализа вы бы увидели только «средний Retention 26%» и не поняли, что один канал сжигает бюджет.
Формула
Retention для когорты C в период t:
Retention(C, t) = (Активные пользователи из когорты C в период t) / (Размер когорты C на старте) × 100%
LTV когорты (упрощённо, через кумулятивный ARPU):
LTV(C) = Σ (ARPU_t × Retention(C, t)) для t = 0..N
где ARPU_t — средняя выручка на пользователя в период t.
Пример с конкретными данными:
- Когорта «Январь 2024»: 10 000 клиентов
- Retention M1 = 42%, M3 = 28%, M6 = 19%
- ARPU M1 = 1 800 ₽, M3 = 2 400 ₽, M6 = 2 100 ₽
- LTV за 6 месяцев = 1 800×0,42 + 2 400×0,28 + 2 100×0,19 = 756 + 672 + 399 = 1 827 ₽
Сравнительная таблица
| Критерий | Когортный анализ | Срезовый анализ (Aggregate) |
|---|---|---|
| Группировка | По времени первого действия | По календарному периоду |
| Что показывает | Динамику удержания и LTV | Общие метрики за период |
| Чувствительность к миксу | Высокая — видит разные каналы | Низкая — усредняет всё |
| Пример вопроса | «Клиенты из TikTok окупаются к 4-му месяцу?» | «Сколько выручки в марте?» |
| Риск | Сложнее настроить, нужна история | Может скрывать убыточные когорты |
| Для DTC-решений | Основа для CAC/LTV-юнит-экономики | Для оперативного P&L |
Применение в DTC и e-commerce
1. Оценка каналов привлечения. Сравните когорты по источнику: Instagram Ads, email-рассылка, SEO. Если когорта из платного трафика имеет Retention M3 = 12%, а из органики — 31%, вы переплачиваете за CAC.
2. Прогноз LTV и окупаемости. Когортный LTV позволяет рассчитать, за сколько месяцев клиент окупает CAC. Пример: CAC = 2 500 ₽, когортный LTV достигает 2 500 ₽ к 5-му месяцу — значит, payback period = 5 месяцев.
3. Эффект акций и сезонности. Когорты, привлечённые на распродаже (−40%), часто имеют Retention M1 на 15–20 п.п. ниже, чем когорты из контент-маркетинга. Это влияет на решение о глубине скидок.
4. Продуктовые изменения. После редизайна onboarding когорта «после» может показать Retention D7 = 44% против 29% у когорты «до». Это прямой evidence impact.
5. RFM и сегментация. Когортный анализ — база для RFM-сегментации: вы видите, какие когорты становятся «чемпионами», а какие уходят после первой покупки.
Частые ошибки
- Слишком маленькие когорты. Если в когорте < 500 пользователей, колебания Retention могут быть статистическим шумом, а не сигналом.
- Игнорирование сезонности. Когорта декабря и когорта июля несравнимы напрямую: праздничный спрос искажает Retention.
- Смешение определений «активности». Если в одной когорте активность = «открыл email», а в другой — «купил», выводы невалидны. Определите активность один раз и для всех.
- Когортный анализ без LTV-модели. Retention сам по себе не показывает деньги. Всегда связывайте с ARPU и маржой.
- Ожидание мгновенных результатов. Когортный анализ требует накопления истории (минимум 3–6 месяцев), иначе кривые Retention недостоверны.
- Сравнение когорт разного размера без нормализации. Всегда приводите к процентам, а не к абсолютным числам.
Связанные термины
- Retention Rate — процент пользователей, возвращающихся в период t.
- LTV (Lifetime Value) — совокупная ценность клиента за всё время.
- CAC (Customer Acquisition Cost) — стоимость привлечения одного клиента.
- Payback Period — срок окупаемости CAC за счёт выручки когорты.
- RFM-анализ — сегментация по давности, частоте и сумме покупок.
- Churn Rate — процент оттока, обратный Retention.
- ARPU — средняя выручка на пользователя за период.
- Юнит-экономика — система метрик, где когортный анализ — фундамент для DTC-решений.