Когортный анализ: что это и как построить

Автор

Когортные методы пришли из демографии и социологии (монография Норвала Гленна в издательстве Sage); в метрики стартапов их принёс Эрик Рис, гостевая статья Риса, 2009

Уровень

201 · Инструмент

Подходит

стартап, малый и средний бизнес, растущая компания

Время на внедрение

полдня на первую когортную таблицу, дальше разбор раз в месяц

Что понадобится

дата старта каждого клиента (регистрация, первая покупка или первая платная подписка) · записи с датами о возвратном действии: визите, заказе, платеже · история минимум за три месяца, чтобы хотя бы две когорты были достаточно взрослыми для сравнения

Когортный анализ сравнивает группы клиентов, которые начали в одно время. Вместо одной цифры удержания на всех вы получаете строку на каждый месяц старта и смотрите, как меняется каждая строка со временем. Метод родом из демографии и социологии: в монографии Sage Норвал Гленн разбирает, как разделить влияние возраста, календарного времени и года рождения группы. В практику стартапов метод пришёл через Эрика Риса: в 2009 году он писал, что одни агрегированные данные могут скрыть важные тенденции, например отток, оставшийся от прежнего всплеска регистраций.

Что показывает когортная таблица

В таблице одна строка на когорту и один столбец на возраст. Каждая ячейка отвечает на один вопрос: сколько из клиентов, начавших в этом месяце, совершили возвратное действие в этом возрасте? Если читать строку слева направо, видно, как стареет одна группа. Если читать столбец сверху вниз, сравниваются разные группы в одном возрасте.

В этой таблице удержание на первом месяце растёт с 42% до 52% от когорты к когорте. Общее среднее по всем клиентам сдвигалось бы медленно и спрятало бы этот рост, потому что в базе преобладают старые клиенты. Разбор Tribe Capital добавляет второе применение: важен и размер когорты, потому что растущие когорты способны скрыть падение ценности клиента.

Полосы в таблице указывают на разные причины. Закономерность, которая повторяется в том же возрасте в каждой когорте, например спад на ежегодном продлении, называется эффектом возраста. Закономерность, которая задевает одну когорту во всех возрастах, например кампания, приведшая не ту аудиторию, — событие когорты. Закономерность вдоль календарной диагонали, например сезонный всплеск налоговой кампании в примере Tribe с Intuit, — календарный эффект. Гленн в своей книге называет трудность прямо: эффекты возраста, периода и когорты переплетены, и разделить их — это проблема идентификации.

Три выбора, которые задают таблицу

Любой инструмент для когорт просит одно и то же: кто входит в когорту, что считается возвратом и какова длина периода. У разных вендоров настройки разные, поэтому сверяйте определения, прежде чем сравнивать цифры из разных систем.

Правило подсчёта меняет кривую. В описании расчёта Amplitude режим «вернулся в этот день или позже» считает пользователей, которые пришли в день X или в любой более поздний, а режим «вернулся ровно в этот день» — только в день X. Первая кривая с возрастом никогда не растёт, вторая может. С данными сайта сложнее: у Яндекса, судя по документации, нет такого же отчёта, как для приложений, поэтому руководство Yandex Cloud строит недельные когорты вручную по данным о хитах Метрики, беря дату первого визита каждого пользователя.

Незавершённые когорты и растущий хвост

Чаще всего ложную кривую даёт незавершённый период. Amplitude описывает это так: пока окно анализа открыто, линия может загибаться вверх, потому что пользователи, которые ещё не дошли до поздних интервалов, убираются из знаменателя. Mixpanel по той же причине помечает звёздочкой интервалы, которые ещё идут.

Анализ выживаемости решает ту же проблему правилом из метода Каплана — Мейера: оцените выживаемость по одному интервалу, используя только тех клиентов, за кем можно было наблюдать в этом интервале, а затем перемножьте. Возьмите 1000 подписчиков (пример иллюстративный). 800 остаются на весь месяц 1, то есть 0,80. Из них 720 остаются на весь месяц 2, то есть 0,90. Из этих 684 остаются на весь месяц 3, то есть 0,95. Выживаемость к месяцу 3 равна 0,80 × 0,90 × 0,95 = 0,684, то есть 684 из 1000. У когорты, стартовавшей в прошлом месяце, месяца 3 ещё нет, и её ячейка остаётся пустой.

Почему удержание растёт внутри когорты

В завершённой когорте удержание часто растёт с возрастом, и это не признак того, что клиенты становятся лояльнее. В статье 2007 года Фейдер и Харди используют данные о выживаемости безымянного подписочного бизнеса. В сегменте Regular первый год переживают 63,1% клиентов, второй — 46,8%, третий — 38,2%. Если разделить каждый год на предыдущий, удержание составит 63%, 74% и 82%, затем 85%, 89% и 91%.

Авторы объясняют это моделью, в которой у каждого клиента постоянная вероятность остаться, но у разных клиентов она разная. Клиенты с высоким оттоком уходят рано, и в оставшейся группе отток в среднем ниже. Они называют это «уловкой неоднородности» (ruse of heterogeneity). Продолжение 2018 года показывает, что учёт различий между клиентами важнее, чем моделирование изменений в поведении отдельного человека. Практическое правило: читайте плато кривой как смену состава оставшихся, а не как доказательство того, что продукт воспитал лояльность.

Когорты выручки и чистое удержание

Когорта выручки следит за деньгами, а не за числом людей. Чистое удержание MRR в ChartMogul делит регулярную выручку, которая всё ещё идёт от подписок когорты, на то, что они платили на старте. Расширение и реактивация поднимают показатель, а сокращение и отток снижают, и он может превысить 100%. Форму накопленной выручки на клиента Tribe Capital описывает так же: кривая с изгибом вверх означает, что оставшиеся клиенты со временем тратят больше, прямая — что траты не меняются, изгиб вниз — что траты падают.

Поэтому в примере с платёжным стартапом выше в том же возрасте 80% мерчантов и 112% выручки. Growth accounting раскладывает изменение числа активных пользователей за период на новых, удержанных, вернувшихся и ушедших. Джонатан Хсу ставит его в один ряд с когортным анализом и анализом концентрации: это три разных подхода. Таблицы отвечают на разные вопросы, поэтому при проверке product-market fit обычно читают обе.

От когортных таблиц к деньгам

Из когортных таблиц считают пожизненную ценность клиента (LTV). Гупта, Леманн и Стюарт оценили пять компаний по денежным потокам от клиентов и сообщили, что улучшение удержания на 1% повышало стоимость клиентов и компании на 3–7%. Статья Фейдера и Харди 2010 года показывает: если взять одну среднюю долю удержания, остаточная стоимость клиентской базы получается заниженной, потому что удержание на уровне когорт обычно растёт. Маккарти, Фейдер и Харди оценили Dish Network и Sirius XM по раскрытому каждой числу клиентов, а обзор Wharton сообщает, что их оценка Dish оказалась примерно в пределах 5% от цены на бирже.

Когортный анализ, воронки и пути клиента

План Growth Lab начинается с первой когортной таблицы: одно стартовое событие, одно возвратное и ежемесячный разбор.

Как применять: Когортный анализ: что это и как построить по шагам

1. Выберите стартовое событие. Решите, что отправляет клиента в когорту: первый визит, регистрация, первый заказ или первая платная подписка. Берите событие, с которого начинаются отношения, которые вы хотите сохранить. Результат: одна фраза о том, кто попадает в январскую когорту.
2. Выберите возвратное событие и единицу времени. Решите, что считается возвратом. Лучше основное действие, а не вход в аккаунт: повторный заказ, прошедший платёж, запись на приём. Единицу времени (день, неделя или месяц) подберите по тому, как часто клиенты должны пользоваться вами. Результат: одно возвратное событие и одна единица.
3. Постройте таблицу. Поставьте по одной когорте в строку, а возраст (месяц 0, месяц 1, месяц 2) разнесите по столбцам. Разделите каждую ячейку на размер когорты на старте. Результат: треугольник из процентов.
4. Оставьте пустыми ячейки, которых ещё не случилось. Не заполняйте ячейки с возрастом, которого когорта ещё не достигла, и неполные периоды. Если посчитать их как ноль или усреднить, кривая искажается. Результат: таблица, где каждая цифра полная.
5. Сравнивайте когорты в одном возрасте. Читайте один столбец сверху вниз, например месяц 1, и смотрите, лучше или хуже старых новые когорты. Затем найдите, где каждая строка выходит на плато. Результат: вывод о том, растёт ли удержание.
6. Разрежьте таблицу и действуйте. Разбейте таблицу по источнику привлечения, тарифу или первому продукту и проверьте, не объясняет ли сдвиг изменение состава клиентов. Запишите одно изменение для проверки и после его запуска перечитайте когорты, которые стартовали позже. Результат: гипотеза с датой проверки.

Примеры

Стоматологическая клиника

Пример иллюстративный. Когорта — новые пациенты по месяцу первого визита, возвратное событие — второй визит в течение 90 дней. В январе пришло 400 новых пациентов, вернулись 156, то есть 39%. В марте пришло 440, вернулись 211 — 48%. Таблица показывает разрыв, но не причину. Поэтому клиника сначала смотрит, что изменилось между двумя месяцами (например, напоминания пациентам или новый скрипт администратора), и только потом приписывает заслугу чему-либо.

Платёжный стартап

Пример иллюстративный. Когорта — мерчанты по месяцу первого проведённого платежа. В одной когорте 200 мерчантов, и оборот в месяце 1 равен 50 000 000 ₽. В месяце 6 активны ещё 160 мерчантов, и они проводят 56 000 000 ₽. Удержание по числу клиентов: 160 / 200 = 80%. Удержание по выручке: 56 / 50 = 112%. Рост оборота у оставшихся мерчантов с запасом покрывает 40 ушедших, а простой счёт активных мерчантов этого не покажет.

Когда применять

Применяйте, когда клиенты приходят в разное время и вы хотите понять, улучшаются ли удержание, повторные покупки или выручка на клиента. Метод подходит подпискам, приложениям, маркетплейсам, клиникам и любому бизнесу с повторным использованием. Запускайте его до того, как судить об изменениях в онбординге, ценах или структуре каналов.

Когда не применять

Не берите метод, когда данных всего несколько недель или когорты совсем маленькие: проценты скачут от нескольких клиентов. Он не объясняет, почему люди остаются или уходят, поэтому дополняйте его интервью или анализом воронки. Для бизнеса с одним визитом и без повторного поведения лучше подойдёт воронка.

Частые ошибки

• Считать неполные периоды. Amplitude предупреждает: пока окно ещё открыто, кривая может расти, потому что пользователи, которые ещё не дошли до поздних интервалов, выпадают из знаменателя. Дождитесь, когда окно закроется, или пометьте ячейку.
• Брать вход в аккаунт как возвратное событие. Если возвратом считается любой визит, одни уведомления могут держать таблицу в хорошей форме, пока основное действие затухает. Выбирайте действие, которое несёт ценность.
• Принимать выход кривой на плато за рост лояльности отдельных клиентов. Фейдер и Харди показывают, что удержание внутри когорты может расти только из-за неоднородности: первыми уходят те, кто и так чаще всего уходит.
• Смешивать каналы в одной строке. Если платная кампания удвоила размер когорты, общая строка может упасть, даже когда каждый канал стабилен. Прежде чем делать выводы, разделите данные по источнику.
• Сравнивать когорты разного возраста. Март в месяце 1 и январь в месяце 3 отвечают на разные вопросы. Сравнивайте столбцы, а не диагонали.

Вопросы и ответы

Что такое когортный анализ в маркетинге?

Это способ объединить клиентов по общему старту, например по месяцу первой покупки, и следить за каждой группой в одном возрасте. Маркетологи с его помощью сравнивают каналы привлечения, кампании и изменения в продукте по тому, как долго остаются и сколько тратят привлечённые клиенты, а не по общим итогам.

Какие показатели отслеживает когортный анализ?

Чаще всего это удержание клиентов (доля тех, кто ещё активен), отток, удержание выручки (доля стартовой выручки, которая сохранилась; она может быть выше 100%), накопленная выручка на клиента и конверсия в платных. GA4 показывает активных пользователей по когортам, ChartMogul предлагает удержание клиентов, отток и удержание чистой MRR.

Чем когорта отличается от сегмента?

Сегмент задаётся признаком, например страной или тарифом. Когорта задаётся временем события, и её участников отслеживают по мере взросления. Их можно сочетать: постройте когорты по месяцу регистрации, затем разделите каждую по тарифам и посмотрите, какой тариф удерживает клиентов дольше.

Почему моя кривая удержания в конце идёт вверх?

Причин две. Если окно ещё открыто, в поздних интервалах не учитываются пользователи, которые до них ещё не дошли, и цифра завышается, как описывает Amplitude. Если когорта завершена, рост удержания — это нормально: те, кто склонен уходить, уже ушли, и оставшиеся в среднем лояльнее.

Можно ли строить когортный анализ в GA4 или Яндекс Метрике?

В GA4 есть когортное исследование с шагом в день, неделю или месяц и не более чем 60 когортами. Для приложений Яндекс описывает когортный отчёт в AppMetrica. Для данных сайта в учебном руководстве Yandex Cloud недельные когорты строятся по данным Logs API Метрики в ClickHouse и DataLens.

Источники

1. Google, [GA4] Cohort exploration, Analytics Help
2. Google, The Cohort Analysis report [Legacy], Analytics Help (Universal Analytics)
3. Yandex AppMetrica, Cohort analysis, documentation
4. Yandex Cloud, Web analytics with funnels and cohorts based on Yandex Metrica data, tutorial
5. Amplitude, Build a Retention Analysis chart, vendor documentation
6. Amplitude, How the Retention Analysis chart calculates retention, vendor documentation
7. Mixpanel, Retention report, vendor documentation
8. ChartMogul, Cohort analysis, help center
9. ChartMogul, Cohort: Net MRR Retention, help center
10. Peter S. Fader, Bruce G. S. Hardie, How to project customer retention, Journal of Interactive Marketing 21(1), 2007
11. Peter S. Fader, Bruce G. S. Hardie, Customer-base valuation in a contractual setting: the perils of ignoring heterogeneity, Marketing Science 29(1), 2010
12. Peter S. Fader, Bruce G. S. Hardie, Yuzhou Liu, Joseph Davin, Thomas Steenburgh, How to project customer retention revisited, Journal of Interactive Marketing, 2018
13. Peter S. Fader, Bruce G. S. Hardie, Ka Lok Lee, Counting your customers the easy way, Marketing Science 24(2), 2005
14. Daniel McCarthy, Peter Fader, Bruce Hardie, Valuing subscription-based businesses using publicly disclosed customer data, Journal of Marketing 81(1), 2017
15. Knowledge at Wharton, Why your business really is only as valuable as your customers, 2016
16. Sunil Gupta, Donald Lehmann, Jennifer Ames Stuart, Valuing customers, Journal of Marketing Research 41(1), 2004
17. J. Martin Bland, Douglas G. Altman, Survival probabilities (the Kaplan-Meier method), BMJ 317, 1998
18. Norval D. Glenn, Cohort Analysis, 2nd edition, Sage, 2004
19. Jonathan Hsu, Growth accounting, Amplitude blog
20. Tribe Capital, A quantitative approach to product market fit, 2019
21. Eric Ries, Vanity metrics vs. actionable metrics, guest post on The Blog of Author Tim Ferriss, 2009

Обновлено 15 октября 2026

Илья ПушинОснователь PUSHERS & COO Fintech ServiceИлья строит операционные системы для растущих компаний в медицине и финтехе. С 2021 года руководит трансграничными платежами в ARBI Exchange, лицензированном обменнике в Таиланде, включая KYC, AML и выход в новые юрисдикции.Об автореLinkedIn