Когортный анализ: как считать удержание и LTV клиентов

Общий отчёт по продажам за месяц почти всегда выглядит стабильно и обнадёживающе: выручка растёт, новых клиентов достаточно, средний чек в норме. Проблема в том, что этот отчёт маскирует главный, самый важный вопрос — а возвращаются ли клиенты за повторными покупками, или бизнес каждый месяц заново набирает новую аудиторию взамен ушедшей. Ответ на этот вопрос даёт только когортный анализ.

Я подключаю когортный анализ практически на каждом проекте, где считаю юнит-экономику для клиента — без разбивки клиентов на когорты LTV превращается в усреднённую догадку, а не в цифру, на которую можно опираться при масштабировании рекламного бюджета.

В этой статье разберу, что такое когортный анализ простыми словами, как считать retention rate и отток по когортам, как когортный анализ связан с LTV, и покажу, как построить и читать когортную таблицу на практике, опираясь на реальные примеры из своей работы.

Отдельно отмечу: когортный анализ не заменяет обычные отчёты по продажам, а дополняет их. Общая выручка нужна для оперативного контроля бизнеса, когортный анализ — для стратегических решений о том, куда двигаться дальше: удерживать существующих клиентов или наращивать приток новых. Игнорировать любой из этих двух уровней аналитики — значит принимать решения вслепую хотя бы в одной из половин картины.

Что такое когортный анализ простыми словами

Когортный анализ — это метод, при котором клиентов группируют в когорты по общему признаку, чаще всего по дате первой покупки или первого визита, а затем отслеживают поведение каждой группы отдельно во времени. Вместо того чтобы смотреть на всех клиентов сразу одной цифрой, когортный анализ показывает, как ведёт себя конкретная группа людей неделю за неделей или месяц за месяцем после того, как они впервые стали клиентами.

Ключевое отличие от обычной аналитики — время в когортном анализе отсчитывается не от календарной даты, а от момента входа клиента в воронку. Это позволяет корректно сравнивать когорты между собой: клиенты, пришедшие в январе, и клиенты, пришедшие в июне, сравниваются не по календарным месяцам, а по одинаковому количеству дней или месяцев с момента первой покупки — иначе сравнение искажается сезонностью и разной длительностью наблюдения. Такой подход также снимает вопрос о том, какой календарный период считать «нормальным» для сравнения — точкой отсчёта всегда служит поведение самого клиента, а не произвольная дата в календаре.

Название «когорта» пришло из демографии, где так называют группу людей, объединённых общим событием — например, годом рождения. В маркетинге и аналитике смысл тот же: когорта — это группа клиентов, объединённых общей начальной точкой отсчёта.

На практике когортный анализ обычно визуализируют в виде таблицы, где строки — это когорты по датам входа, а столбцы — периоды с момента этого входа. Такая форма представления быстро выявляет закономерности, которые незаметны в обычном линейном отчёте: достаточно посмотреть, темнеют или светлеют ячейки слева направо и как эта динамика меняется от строки к строке, чтобы понять, улучшается или ухудшается удержание со временем.

Зачем маркетологу когортный анализ

Обычные агрегированные метрики — общая выручка, количество заказов за месяц, средний чек — легко маскируют проблему удержания клиентов. Бизнес может показывать стабильный рост выручки просто за счёт постоянного притока новых клиентов через рекламу, при этом теряя почти всех прежних клиентов уже после первой покупки. Пока приток новых клиентов не иссякнет или не подорожает, эта проблема остаётся невидимой в обычных отчётах.

Когортный анализ решает три практические задачи. Во-первых, он показывает реальную динамику удержания — сколько клиентов из конкретной группы возвращается через месяц, три месяца, полгода. Во-вторых, он помогает честно считать LTV клиента, потому что показывает фактическую частоту повторных покупок, а не предположение о ней. В-третьих, когортный анализ позволяет сравнивать качество трафика из разных источников: если клиенты с одного рекламного канала стабильно возвращаются чаще, чем с другого, это сильный аргумент для перераспределения бюджета — даже если стоимость привлечения у этих каналов одинаковая.

Есть и четвёртая причина, которая особенно важна для растущих проектов: когортный анализ показывает проблему раньше, чем она станет заметна в общих цифрах. Если каждая новая когорта чуть хуже предыдущей, суммарная выручка ещё какое-то время может расти за счёт увеличения потока новых клиентов, маскируя нарастающую проблему. К моменту, когда падение станет видно и в общих отчётах, счёт уже может идти на несколько кварталов упущенного роста.

Как формируются когорты: виды группировки

Чаще всего когорты формируют по времени первого действия — дате регистрации, первой покупки или первого визита на сайт. Это самый распространённый вид группировки, потому что он напрямую отвечает на вопрос об удержании во времени.

Но группировать можно и по другим признакам. По источнику привлечения — когорта клиентов из контекстной рекламы против когорты из органического поиска, это помогает сравнивать качество разных каналов трафика между собой. По типу первой покупки — клиенты, купившие товар из одной категории, могут вести себя иначе, чем купившие из другой, и это влияет на то, каким сегментам стоит предлагать те же товары повторно. По размеру первого чека — крупные и мелкие первые покупки часто предсказывают разное поведение в будущем, и эта закономерность становится видна только через когортное сравнение. Ещё один вариант — группировка по географии или устройству первого визита, которая полезна для проектов с выраженными региональными различиями в поведении аудитории.

На практике я обычно начинаю с самого простого варианта — когорт по времени первого действия, и только после того, как найдены общие закономерности в удержании, добавляю дополнительные разрезы по источнику или типу покупки. Строить сразу сложную многомерную группировку без базового понимания общей картины — типичная ошибка, которая усложняет анализ, но редко даёт больше пользы на старте.

Retention rate: как считать удержание по когортам

Retention rate — доля клиентов из когорты, которые остаются активными или совершают повторное действие в конкретный период после первой покупки. Это центральная метрика когортного анализа.

Пример: в январе сервис привлёк когорту из 500 новых клиентов. Через месяц активными остались 210 из них — retention rate первого месяца составил 42%. Через три месяца активными остались уже 140 клиентов — retention rate снизился до 28%. Это типичная динамика: удержание почти всегда падает быстрее всего в первые периоды после привлечения, а затем кривая выравнивается — те, кто остался спустя несколько месяцев, обычно продолжают оставаться клиентами намного дольше.

Периодичность расчёта retention rate зависит от цикла покупки в конкретной нише. Для сервисов с еженедельными заказами имеет смысл считать retention по неделям, для товаров длительного пользования — по месяцам или даже кварталам. Слишком мелкая разбивка для редких покупок даёт таблицу, состоящую почти целиком из нулей и статистического шума, а слишком крупная — упускает важные детали динамики в первые дни после привлечения, когда обычно происходит основной отток.

В таблице выше хорошо видна ещё одна причина ценности когортного анализа: мартовская когорта удерживает клиентов лучше январской уже в первый месяц — 48% против 42%. Если посмотреть только на общую выручку за квартал, эта разница осталась бы незамеченной, а ведь именно в марте могло произойти изменение, которое стоит закрепить — новая акция, улучшенный онбординг или более качественный источник трафика.

Когортный анализ и LTV: как связаны

Когортный анализ — это фактически единственный точный способ посчитать LTV, а не оценить его приблизительно. Формула LTV через средний чек и предполагаемую частоту покупок опирается на допущения, а когортный анализ показывает реальную кривую удержания и реальную сумму, которую конкретная группа клиентов принесла бизнесу к текущему моменту.

На практике LTV когорты считается как накопленная выручка от всех клиентов этой когорты, делённая на размер когорты, с учётом того, сколько времени прошло с момента привлечения. Важный нюанс: LTV молодой когорты — это всегда неполное число, потому что клиенты из неё ещё могут совершать покупки в будущем. Сравнивать LTV когорты за последний месяц с LTV когорты за прошлый год напрямую некорректно — вторая уже прошла весь или почти весь свой жизненный цикл, а первая только начала его.

Ещё один практический приём — прогнозирование LTV по кривой удержания раньше, чем когорта завершит полный жизненный цикл. Если retention rate стабильно снижается по предсказуемой кривой в первых когортах, эту кривую можно экстраполировать на новые когорты и оценивать их будущий LTV заранее, не дожидаясь полугода или года наблюдений. Точность такого прогноза растёт по мере накопления исторических данных по нескольким когортам подряд.

Отток (churn): что показывает когортный анализ

Отток, или churn rate — показатель, обратный retention rate: доля клиентов, которые перестали быть активными за период. Если retention rate первого месяца составил 42%, churn rate этого же периода — 58%.

Когортный анализ показывает не просто общий процент оттока, а то, на каком именно этапе жизненного цикла клиенты уходят чаще всего. Часто выясняется, что основной отток происходит в первые дни или недели после первой покупки — а значит, проблема не в продукте в целом, а конкретно в опыте первого использования, доставке первого заказа или первом контакте со службой поддержки. Такую проблему можно решить точечно, не переделывая весь продукт.

Полезно разделять отток на добровольный и вынужденный, особенно для сервисов с подпиской. Добровольный отток — клиент сознательно решил больше не пользоваться продуктом. Вынужденный — клиент хотел бы остаться, но ушёл из-за технической проблемы, например неудачного списания оплаты по карте. Второй тип оттока обычно решается гораздо проще и дешевле первого — иногда достаточно улучшить механику повторных списаний или напоминаний об оплате, чтобы заметно снизить общий churn rate без каких-либо изменений в самом продукте.

Как построить когортную таблицу в Excel или Google Таблицах

Для базового когортного анализа не обязательно специализированное аналитическое ПО — таблицу можно построить вручную, если есть выгрузка данных о клиентах с датами покупок.

Минимальный набор полей для выгрузки: идентификатор клиента, дата первой покупки, даты всех последующих покупок и, если планируется расчёт LTV, суммы этих покупок. Источник трафика — опциональное, но крайне полезное дополнительное поле. Большинство CRM и платформ для интернет-магазинов позволяют выгрузить такие данные в CSV буквально за несколько минут, не привлекая программиста.

Практический совет по оформлению: используйте условное форматирование в Google Таблицах или Excel, чтобы окрашивать ячейки в градиент от тёмного к светлому в зависимости от значения retention rate. Такая визуализация сразу показывает проблемные зоны — резкое посветление в определённой колонке значит, что именно в этом периоде клиенты массово перестают возвращаться, и туда стоит смотреть в первую очередь.

Когортный анализ в Яндекс Метрике и системах аналитики

Если ручное построение таблицы кажется трудоёмким, можно использовать готовые отчёты систем аналитики. В Яндекс Метрике есть отчёт «Когортный анализ» в разделе стандартных отчётов, который автоматически группирует посетителей по дате первого визита и показывает возврат на сайт по периодам — это удобно для быстрой оценки, но для точного расчёта LTV по деньгам, а не по визитам, обычно всё равно нужна связка с сквозной аналитикой и данными о реальных покупках из CRM.

Отчёты систем аналитики хорошо подходят для быстрой диагностики — увидеть общий тренд удержания без ручной сборки таблицы. Но как только нужно связать когорты с деньгами, а не только с визитами или сессиями, точнее выгружать сырые данные о заказах и клиентах и считать retention и LTV самостоятельно, ориентируясь на реальные покупки, а не поведенческие метрики вроде повторных визитов на сайт. Такой переход от поведенческих метрик к финансовым обычно и становится тем моментом, когда когортный анализ из любопытной статистики превращается в инструмент принятия решений о бюджете.

Есть и промежуточный вариант — настроить в CRM автоматический еженедельный или ежемесячный отчёт по когортам с помощью встроенных инструментов сегментации, если платформа их поддерживает. Это избавляет от ручной пересборки таблицы каждый раз, хотя требует времени на первоначальную настройку сегментов и правильной привязки покупок к дате первого контакта клиента с бизнесом.

Как читать когортную таблицу: на что обращать внимание

При чтении когортной таблицы полезно смотреть не на отдельные цифры, а на три вещи сразу: форму кривой удержания, различия между когортами и точку стабилизации.

Точка стабилизации особенно важна для расчёта LTV: если retention rate выходит на плато на уровне 15% начиная с четвёртого месяца, разумно предположить, что эти клиенты останутся активными ещё долго, и включить это предположение в прогноз LTV. Без когортных данных такое предположение пришлось бы делать вслепую.

Ещё один полезный приём при чтении когортной таблицы — сравнение не только соседних столбцов, но и диагоналей. Если посмотреть на retention rate первого месяца у всех когорт подряд, эта диагональ показывает динамику качества привлечения во времени гораздо точнее, чем сравнение только последней и предпоследней когорты. Улучшение или ухудшение по этой диагонали — один из самых ранних сигналов изменения в бизнесе, который стоит замечать раньше, чем он отразится на общей выручке.

Когортный анализ для рекламных каналов: сравнение источников

Один из самых практичных сценариев использования когортного анализа в контекстной рекламе — сравнение качества трафика из разных источников не по стоимости привлечения, а по тому, как ведут себя привлечённые клиенты дальше. Два канала могут давать одинаковый CAC, но совершенно разное удержание: клиенты с поиска Яндекс Директа могут возвращаться заметно чаще, чем клиенты из РСЯ, просто потому что на поиске человек уже искал именно этот продукт, а не просто увидел баннер во время чтения новостей.

Чтобы построить такое сравнение, при выгрузке данных для когортного анализа нужно сохранять источник привлечения каждого клиента — обычно через UTM-метки, зафиксированные в CRM при первой покупке. Без этой метки когорты по каналам собрать не получится, и придётся ограничиться только временными когортами без разбивки по источнику трафика.

Такое сравнение особенно ценно перед принятием решения о масштабировании нового канала. Если пробный запуск показывает хорошую стоимость привлечения, но когортный анализ первых недель уже сигнализирует о слабом удержании по сравнению с проверенными каналами, разумнее сначала разобраться с причиной, а не увеличивать бюджет на канал, который приводит клиентов с изначально невысоким потенциалом повторных покупок.

Типичные ошибки когортного анализа

За практику работы с когортными таблицами я регулярно вижу одни и те же ошибки, которые обесценивают собранные данные ещё до того, как из них сделаны выводы.

Пример когортного анализа на практике

Разберу пример из практики — сервис доставки продуктовых наборов по подписке. Общая выручка сервиса росла на протяжении полугода, и на первый взгляд всё выглядело благополучно. Когортный анализ показал другую картину: retention rate первого месяца упал с 55% в когорте за январь до 34% в когорте за май — рост выручки маскировал ухудшение удержания, которое компенсировалось только увеличением расходов на привлечение новых клиентов.

Дальнейший разбор по источникам привлечения показал, что доля трафика из одного из партнёрских каналов выросла с 10% до 45% за этот период, а retention rate именно у этой когорты был почти вдвое ниже, чем у клиентов из контекстной рекламы. Проблема оказалась не в продукте, а в качестве привлекаемой аудитории — партнёрский канал приводил людей с более низкой мотивацией к регулярным заказам.

После сокращения доли партнёрского трафика и перераспределения бюджета в пользу контекстной рекламы retention rate новых когорт восстановился до 48-50% уже через два месяца, а рост выручки перестал требовать постоянного увеличения расходов на привлечение.

Этот кейс хорошо иллюстрирует главную ценность метода: без разбивки на когорты по источникам проблема выглядела бы как общее ухудшение продукта, и, скорее всего, ресурсы направили бы на доработку самого сервиса доставки — хотя реальная причина крылась в изменившемся составе привлекаемой аудитории, а не в качестве продукта как такового.

Как использовать выводы когортного анализа для роста

Когортный анализ ценен не сам по себе, а как источник конкретных управленческих решений. Если удержание падает резко в первый период — приоритет отдаётся улучшению первого опыта клиента, а не привлечению новых. Если retention стабилизируется на невысоком, но устойчивом плато — стоит инвестировать в увеличение частоты покупок у этого «ядра» через CRM-маркетинг, а не только в привлечение новых клиентов. Эти два сценария требуют разных бюджетов и разных команд, поэтому правильная диагностика на старте экономит месяцы работы в неверном направлении.

Главная ценность когортного анализа — он превращает вопрос «растём мы или нет» в гораздо более полезный вопрос «за счёт чего именно мы растём и устойчив ли этот рост». Ответ на второй вопрос почти всегда важнее для долгосрочного планирования, чем красивая цифра общей выручки за отчётный период.