ПаветтаКогорта — группа пользователей, объединённая общим событием в общем периоде: «все, кто впервые купил в марте», «все, кто зарегистрировался в первой неделе октября». Когортный анализ показывает поведение группы во времени отдельно от притока новых пользователей.
Когортный анализ нужен, чтобы видеть реальную картину удержания и LTV без «разбавления» новыми клиентами. Без когорт средние метрики обманывают: продукт может тонуть, а общий retention показывать рост за счёт активного притока.
Когорта «купившие в марте» — 240 человек. В апреле вернулись 120 (50%), в мае — 84 (35%), в июне — 60 (25%). Видно естественное затухание.
Когорты бывают не только по дате первого касания. Поведенческие когорты режут аудиторию по действию: «прошли онбординг», «подключили оплату», «добавили второй товар в корзину» — и часто объясняют отток точнее, чем календарь. Канал привлечения — отдельная ось: пользователи из коммерческого поиска и из таргета ВКонтакте при одинаковой первой покупке дают разный retention, и усреднять их в одну строку — терять сигнал.
Типичная ошибка — сравнивать когорты на разной «глубине». У мартовской когорты к июню есть 3 месяца истории, у майской — один; ставить их рядом в одной колонке некорректно. Правильно выравнивать по возрасту когорты (месяц 0, месяц 1, месяц 2), календарь для этого не подходит. И помните про сезонность: декабрьская когорта e-commerce почти всегда «худшая» по LTV— пришли за подарками и за скидкой, продукт им был не нужен.
Когорту определяет одно событие в одном периоде — первая покупка, регистрация, установка.
Метрики считают по шагам жизни когорты (месяц 0, 1, 2), календарные даты тут ни при чём.
Приток новых пользователей не маскирует отток внутри старых групп — видно реальное затухание.
Две когорты января: из Яндекс Директа (180 чел.) и из бесплатного органического трафика (220 чел.). К месяцу 3 у органики retention 31%, у Директа — 14%: платный трафик пришёл за скидкой и отвалился, и общий «средний retention 22%» скрыл бы, что канал перформанса не окупает LTV.
Когорту собирают по дате первого действия: месяц регистрации, неделя первой покупки, день установки приложения. Дальше для каждой когорты считают одно и то же число на первый, седьмой, тридцатый день и сравнивают строки между собой. Так видно, что изменилось в продукте: если у сентябрьской когорты удержание на тридцатый день выше августовской, правки сработали.
Главная ошибка — сравнивать когорты разного размера и происхождения. Тысяча человек из платного трафика и сто из рекомендаций ведут себя по-разному, поэтому рядом с датой фиксируют канал. Второй подводный камень — незрелые когорты: у пришедших на прошлой неделе просто не было времени дожить до тридцатого дня, и их строку в выводы не берут.
Частые вопросы
Чем когортный анализ отличается от обычного отчёта?
Обычный отчёт смешивает новых и старых пользователей за период и усредняет их поведение. Когорта фиксирует группу по дате входа и следит за ней во времени, поэтому показывает влияние изменений в продукте и качество привлечения.
По какому признаку собирать когорту?
По первому значимому действию: регистрация, первая покупка, установка. Для сравнения каналов добавляют второй признак — источник привлечения. Смешивать в одну когорту разные каналы означает получить среднюю температуру.
Какой период брать?
Такой, за который у продукта происходит повторное обращение. Для сервиса ежедневного пользования это недели, для сезонного товара — кварталы. Слишком короткий шаг даёт шум, слишком длинный прячет отток.
Где смотреть когорты в аналитике?
В отчётах веб-аналитики есть готовые когортные таблицы по возвращаемости, а для продуктовых расчётов данные выгружают через интерфейс доступа и считают в таблице. Главное — договориться о едином определении активного пользователя.