Когортный анализ клиентов: как перестать верить в «среднюю температуру»

Почему «средние» метрики подставляют маркетолога

Обычная картина в отчётах: есть «средний» LTV, «средний» CR повторной покупки, «средний» ROMI по каналу. Проблема в том, что эти средние часто маскируют то, что у разных волн клиентов всё очень по‑разному. Условно, клиенты, пришедшие в январе по одной акции, могут жить долго и приносить прибыль, а февральская акция даёт всплеск первых покупок и провал в удержании.

Когортный анализ как раз и нужен, чтобы перестать смотреть на усреднённую кашу и увидеть поведение когорт клиентов во времени. Вместо одного числа по удержанию вы видите, как каждый «пласт» клиентов (мартовская когорта, когорта «после ребрендинга», когорта из Директа и т.д.) ведёт себя на горизонте месяцев.

На практике это часто приводит к пересборке бюджета: оказывается, что «дорогой» канал даёт когорту с высоким LTV и удержанием, а «дешёвый» — красивый CPA и мёртвых клиентов через 1–2 месяца.

Что такое когортный анализ по‑человечески

Когортный анализ — это способ группировать клиентов не по текущему статусу, а по общему событию в прошлом: дате первой покупки, каналу привлечения, тарифу, ключевому действию. Каждая такая группа — когорта — наблюдается во времени: месяц 0, месяц 1, месяц 2… и т.д.

Типичные варианты когорт в маркетинге:

• по дате первого заказа (клиенты «волны марта 2026»);
• по источнику / кампании (клиенты из Яндекс Директа vs из соцсетей);
• по продукту или тарифу (клиенты, стартовавшие с триала vs сразу с платного тарифа);
• по ключевому действию (прошли онбординг, добавили товар в избранное и т.п.).

Идея простая: мы сравниваем не всех со всеми, а похожих с похожими — внутри каждой когорты клиентские условия примерно одинаковые, поэтому различия в их динамике легче привязать к реальным изменениям в маркетинге или продукте.

Какие бывают когорты и какие вопросы они решают

Таблица — чтобы не путаться, какие когорты когда использовать.

Примеры когорт и бизнес‑вопросы

Тип когорты	Как формируем	На какие вопросы отвечает
Временная (по дате первой покупки)	Все, кто сделал первый заказ в конкретном месяце/неделе	Как меняется удержание и выручка новых волн клиентов со временем?
По каналу привлечения	Клиенты из Яндекс Директа, соцсетей, email, рекомендаций	Какие каналы дают лучшие когорты по LTV и повторным покупкам?
По продукту/тарифу	Клиенты, начавшие с триала, базового или премиум‑тарифа	Какие стартовые предложения дают более «живучие» когорты?
Поведенческая	Те, кто прошёл онбординг, добавил товар в корзину, открыл рассылку	Какие действия в начале пути повышают удержание по когортам?

Ключевой плюс подхода — можно изолировать эффект отдельных изменений: новой акции, редизайна, смены УТП или изменения цены. Вы смотрите не только на график «в среднем по всем», а сравниваете когорты «до» и «после» конкретного события.

Какие метрики смотреть по когортам

Удержание по когортам (retention)

Базовая история — retention rate: какой процент клиентов из когорты остаётся активным через месяц, два, три и так далее. В продуктовой аналитике это часто Day 1 / Day 7 / Day 30 retention, в маркетинге и e‑commerce — Weekly или Monthly retention.

В реальных проектах ориентиры такие:

• для e‑commerce месячный retention по активным клиентам часто держится в районе 25–40% в массовых категориях и до 50–65% в премиальном сегменте;
• для SaaS‑сервисов нормальные значения месячного retention по платящим клиентам могут быть 70–90% и выше, в зависимости от модели;
• для мобильных приложений и игр Day‑7 retention в 15–25% считается реальным рабочим диапазоном, а не «катастрофой».

Если вы видите, что когорта из конкретного канала стабильно показывает retention в нижней границе вашей нормы или ниже, — это первый кандидат на жёсткий аудит креативов, оффера и качества трафика.

Аналитика повторных покупок

Вторая важная тема — аналитика повторных покупок по когортам. Здесь смотрим:

• долю клиентов в когорте, совершивших 2‑ю, 3‑ю, N‑ю покупку;
• выручку по когортам на горизонте 3–6–12 месяцев;
• долю клиентов, вернувшихся после «спячки» (реактивация).

По данным обзоров по e‑commerce, нормальный Repeat Purchase Rate на горизонте 6–12 месяцев для массового ритейла часто находится в диапазоне 20–30%: то есть до трети клиентов из исходной когорты вернутся за повторной покупкой. В сегментах с частым потреблением (продукты, косметика) цифры выше, в дорогих категориях — ниже, но чек выше.

Когортный анализ позволяет отделить «одноразовых промо‑покупателей» от нормальной лояльной аудитории и перестать считать первую покупку признаком настоящей победы.

Выручка и LTV по когортам

Третье, что имеет смысл смотреть — выручка и LTV по когортам:

• суммарный доход от когорты по месяцам;
• средний доход на клиента в когорте;
• время, через которое LTV когорты покрывает CAC (окупаемость).

Исследования и практические обзоры показывают: компании, которые регулярно используют когортный анализ для оценки LTV и окупаемости маркетинга, на 30–40% эффективнее оптимизируют рекламный бюджет и стратегии удержания. Это логично — они видят не только CPA «в моменте», но и как когорта отрабатывает на длинном горизонте.

Как настроить отчёты когорт в аналитике

Когортный анализ в Яндекс Метрике

В Яндекс Метрике когортный анализ доступен через специализированные отчёты, где пользователи группируются по дате первого визита или покупки и анализируются во времени.

Общий путь такой:

1. Задаёте параметр формирования когорты — чаще всего это «первая покупка» или «первый визит», если вы смотрите поведение ещё до конверсии.
2. Выбираете шаг когорты — день, неделя или месяц. Для маркетинга удобнее недели и месяцы, чтобы не тонуть в шуме.
3. Выбираете метрику — конверсии, выручка, достижение цели, возвраты на сайт.
4. Смотрите «лестницу» удержания: по строкам когорты, по столбцам — периоды после старта.

Если Метрики не хватает (нужно больше срезов, свои формулы, связка с CRM), данные можно выгружать через Logs API и строить когортные отчёты в BI‑системах.

Roistat, Callibri и другие сквозные системы

Сквозные системы типа Roistat и Callibri тоже предлагают отчёты по когортам и удержанию:

• Roistat позволяет оценивать, как ведут себя клиенты из разных каналов и кампаний по выручке, повторным покупкам и LTV, а не только по первому заказу.
• Callibri, помимо коллтрекинга и лид‑менеджмента, даёт сквозную аналитику с разрезами по каналам и периодам, что позволяет собирать когорты и отслеживать их во времени.

Смысл один: связать источник привлечения, CRM и поведение клиентов после первой покупки, чтобы удержание по когортам перестало быть «чем‑то из продуктовой аналитики» и стало рабочим инструментом маркетинга.

Как читать поведение когорт клиентов

Чаще всего отчёты когорт в аналитике выглядят как таблица‑тепловая карта:

• строки — разные когорты (например, месяц первой покупки);
• столбцы — периоды после старта (месяц 0, 1, 2, 3…);
• значения — retention, доля повторных покупок, выручка или другая метрика.

Пример упрощённой картинки для retention (проценты условные, но в реальных диапазонах для e‑commerce и сервисов):

Схема динамики удержания по когортам

Когорта (месяц первой покупки)	М0	М1	М2	М3
Январь	100%	40%	30%	22%
Февраль	100%	35%	25%	18%
Март	100%	45%	32%	24%

На что смотреть:

• Сдвиг по строкам. Если у когорт после изменений (например, новой программы лояльности) retention стабильно выше, значит, изменения реально работают, а не просто дали всплеск первых покупок.
• Провалы в отдельные месяцы. Если в определённый месяц retention падает у всех когорт — возможно, проблема в сезонности, логистике, ценовой политике, а не в привлечении.
• Разные паттерны по каналам. Когорта из одного канала может выглядеть хуже по первой покупке, но лучше по удержанию и LTV — это важный аргумент в медиа‑миксе.

Мини‑кейсы: где когортный анализ решает реальные задачи

Кейс 1. E‑commerce: акция «‑20% на первый заказ»

Ситуация: магазин запускает агрессивную скидку на первую покупку, CR из рекламы растёт, CPA падает — вроде бы праздник. В когортном отчёте по выручке и повторным покупкам через 3–6 месяцев видно, что новая когорта «акционных» клиентов приносит в 1,5–2 раза меньше выручки, чем предыдущие, и retention у неё ниже на 10–15 п.п.
Вывод: акцию оставляют только для части трафика, а на остальных тестируют более мягкие механики, чтобы не засорять базу «одноразовыми» клиентами.

Кейс 2. SaaS: новый онбординг

SaaS‑сервис переработал онбординг: убрали лишние шаги, добавили подсказки и триггерные письма. В когортном анализе по месяцам видно, что начиная с когорты «апрель» месячный retention вырос с условных 75% до 85%, а LTV когорты за три месяца начал обгонять старые волны.
Вывод: гипотеза подтверждена, изменения закрепляются и масштабируются.

Кейс 3. Каналы привлечения и качество трафика

Команда смотрит поведение когорт клиентов, пришедших из разных источников: Яндекс Директ, соцсети, партнёрские размещения. Оказывается, что когорта из канала с более высоким первым CPA даёт лучший retention и LTV, чем «дешёвый» канал.
Вывод: медиаплан перетаскивают в сторону более дорогого, но качественного источника, а дешёвый оставляют только для спец‑задач (например, лид‑магнитов).

Пошаговый чек‑лист запуска когортного анализа

Если кратко, как маркетологу «завести» когортный анализ клиентов без боли:

1. Определите цель.
   Что вы хотите проверить: эффект акций, качество каналов, изменения продукта, удержание по сегментам?
2. Выберите признак когорты.
   Для маркетинга чаще всего это дата первой покупки + канал привлечения. Для продуктовых задач — дата регистрации или ключевое действие (онбординг, установка, и т.п.).
3. Определите горизонт и шаг.
   Для e‑commerce — месяцы и кварталы, для приложений и игр — дни/недели, для B2B и SaaS — месяцы.
4. Выберите 2–3 ключевых метрики.
   Retention, доля повторных покупок, выручка/LTV по когортам — не надо сразу тащить всё.
5. Соберите первый отчёт в Яндекс Метрике или сквозной системе.
   В Метрике — отчёты по когортам; в Roistat / Callibri — отчёты по повторным покупкам и LTV в разрезе каналов и дат.
6. Сравните когорты «до» и «после» ключевых изменений.
   Например, до запуска программы лояльности и после, до изменения цены и после.
7. Сформулируйте решения по бюджету и продукту.
   Кого имеет смысл активнее ретаргетировать, где стоит снизить/повысить агрессию промо, какие каналы реально окупаются на горизонте 3–6 месяцев.

Где когортный анализ не спасёт и может навредить

Когортный анализ — мощный инструмент, но есть ситуации, где он либо не нужен, либо даёт шум вместо инсайтов:

• Слишком мало данных. Если у вас по 20–30 клиентов в месяц, строить сложные когорты бессмысленно — статистический шум будет сильнее закономерностей.
• Слишком частые изменения. Если вы каждую неделю меняете цены, акционные условия и креативы — когорты просто не успевают «созревать», и вы будете пытаться объяснить хаос.
• Нет связки с CRM. Если вы видите только сессии и клики, но не видите повторные покупки и выручку, когортный анализ половинчатый — вы оцениваете удержание трафика, а не клиентов.

Иногда честный ответ: «нам пока рано делать глубокий когортный анализ, сначала нужно поднять объём и наладить сбор данных».

Где обычно ошибаются с когортами

Пара типичных ошибок, которые я регулярно вижу у команд:

• Строят когорты по регистрации, а смотрят на покупки.
  Пользователь мог зарегистрироваться в январе, а купить в марте — но вы считаете его частью январской когорты и удивляетесь, почему «плохо». Для маркетинга чаще корректнее когорты по первой покупке.
• Смешивают старых и новых пользователей.
  В одном отчёте оказываются клиенты, которые с вами год, и те, кто пришёл неделю назад. Логично, что удержание и LTV будут «плавать», но это не повод делать выводы. Когорта = единая отправная точка для всех.
• Слишком мелкая детализация.
  Дневные когорты в небольшом проекте превращают отчёт в «телематику»: красиво, но бесполезно. Для маркетинга удобнее месяцы/недели, чтобы видеть тренды, а не шум.
• Смотрят только на первую строку.
  Если вы смотрите только на последнюю когорту, а старые игнорируете, — вы видите только влияние последних акций, а не динамику в целом. В когортном анализе важна именно «ступенька» от волны к волне.

Ближайшие шаги по когортному анализу

Чтобы не превращать когортный анализ в «когда‑нибудь потом», можно начать с очень простого плана на ближайшие 7–10 дней:

1. Соберите первый базовый отчёт когорт в Яндекс Метрике.
   Выберите когорты по дате первой покупки и посмотрите хотя бы удержание по месяцам.
2. Сравните хотя бы две волны.
   Возьмите когорты «до крупного изменения» (акции, программы лояльности, смены цен) и «после» и посмотрите на удержание и повторные покупки.
3. Сделайте один вывод для бюджета и один — для CRM.
   Например: «этот канал даёт когорты с лучшим LTV — повышаем ставку» и «эти когорты массово отваливаются на втором месяце — ставим триггерочные коммуникации перед этим моментом».

Когортный анализ — не про красивые таблицы, а про честный разговор с данными: кто из клиентов действительно с нами, кто уходит, и какие решения маркетинга это меняют.