Когортный анализ клиентов: привлечение и повышение лояльности клиентов

Когда вы запускаете новую рекламную кампанию или обновляете сайт, хочется знать наверняка, работает ли он и насколько эффективно клиенты могут взаимодействовать с ним. Кажется, что если вчера было 100 заявок, а сегодня - 120, то все идет отлично. Но на самом деле ключевое здесь не только сколько, но и кто пришел, как долго остается, сколько тратит и стоит ли вообще вкладываться в такой трафик. Для этого маркетологи, аналитики и владельцы бизнеса используют когортный анализ.

Что такое когортный анализ

Когорта - это группа людей, которые совершили одно и то же действие в один и тот же период времени. Например:

• Пользователи, впервые зашедшие на сайт в мае 2026 года;
• Клиенты, оформившие подписку в первую неделю апреля;
• Покупатели, пришедшие из рекламы в ВК за последний месяц.

А когортный анализ - это метод, при котором поведение таких групп отслеживается во времени. Вместо того чтобы смотреть на "всех подряд", вы наблюдаете за конкретной группой клиентов и видите, как они покупают, возвращаются, уходят.

Зачем проводить когортный анализ

Без когортного анализа легко обмануться и неправильно оценить результаты.

• Может показаться, что если рост числа заказов растет, то все в порядке. Но если новые клиенты тут же уходят (высокий отток), то бизнес теряет деньги.
• Или, наоборот, вы думаете, что реклама не работает, потому что заявок мало. Но если эти клиенты остаются надолго и тратят много, то беспокоиться не о чем.

Основные цели когортного анализа

• Оценить эффективность каналов привлечения, понять, откуда приходят постоянные клиенты.
• Повысить удержание (Retention Rate), выявить, когда и почему люди уходят, и вовремя вмешаться.
• Увеличить LTV (Lifetime Value) - рост жизненной ценности клиента напрямую влияет на прибыль.
• Оптимизировать бюджет - перераспределить деньги туда, где они дают долгосрочный результат.
• Готовить данные для A/B-тестов и, например, сравнить поведение двух групп после изменения лендинга.

Где применяется

Главная сила этого инструмента в том, что он не привязан к конкретному типу продукта. Все равно, что вы продаете - кроссовки, облачные серверы или онлайн-курсы. Когортный анализ можно провести везде, где есть отрезок времени или последовательность этапов, которые клиент должен пройти для получения ценности. Инструмент оцифровывает, на каком именно шаге цепочка рвется.

E-commerce и SaaS

Здесь мы анализируем именно переход от разового интереса к системному потреблению.

• В E-commerce (товарном бизнесе)

Инструмент изучает "петлю лояльности". Выявляется когорта клиентов, купивших товар впервые. Анализируются конкретные триггеры. Открыл ли клиент посылку вовремя? Оставил ли отзыв? Зашел ли в карточку сопутствующего товара в первую неделю после получения?

• В SaaS (B2B-сервисы)

Инструмент связывает возврат с завершением ключевых этапов. Если клиент прекращает попытки войти ровно после неудачной загрузки данных, продуктовая команда получает конкретный сломанный экран или ошибку на стороне сервера, которая убивает целый сегмент пользователей.

Подписки и сервисы

Для подписной модели важно не только то, что человек платит сейчас, а вероятность того, что он заплатит в следующем цикле.

• Анализ "пульса"

Оценивается динамика потребления внутри оплаченного периода. Серия действий здесь - это частота использования ядра сервиса. Например, пользователь оплатил подписку на музыку, но за первые 15 дней не создал ни одного плейлиста и не добавил треков в избранное. Инструмент вычленяет таких клиентов, и пока их деньги списываются, но "возврат ценности" не происходит. Это позволяет запустить автоматическую кампанию по вовлечению до того как придет счет за следующий месяц.

• Когортный срез

Сервис смотрит, как ведет себя когорта февраля по сравнению с когортой января. Если подписка продлевается, но глубина использования упала на 40%, это отложенный кризис. Инструмент сигнализирует, что клиенты уходят на автопилоте и скоро перестанут платить.

Мобильные приложения

Для приложений важно количество сессий пользователя.

• Привязка к версиям и багам

Инструмент накладывает график удержания на даты релизов.

• Корреляция с действиями

Удержание на 3-й и 7-й дни анализируется через призму выполненных действий. К примеру, если оказывается, что пользователи, дошедшие до "дня 7", в 80% случаев на "день 3" использовали функцию расширенного поиска, значит, маркетинг должен подводить к этому действию через онбординг.

Инфобизнес

В сфере образовани когортный анализ ловит момент, где интерес сменяется апатией.

• Контроль целостности курса

Мы анализируем длительность пребывания внутри урока. Если 70% учеников бросают просмотр видео на 12-й минуте 3-го модуля, значит, контент срочно нужно доработать.

• Точки застоя

Инструмент выявляет места, где ученик залогинился, посмотрел расписание и даже скачал методичку, но почему-то не пришел на воркшоп. Система видит, что пользователь проявляет активность, но его мотивация к основному действию упала.

В этот момент куратор видит сигнал и должен написать не "почему вы не учитесь?", а задать предметный вопрос по теме зависшего урока, возвращая фокус на обучение.

Показатели когортного анализа

Для комплексного анализа когорт недостаточно смотреть на показатели по отдельности. Только полная связка показателей Retention → Churn Rate → LTV → ARPU дает полную картину здоровья продукта и эффективности маркетинга.

1. Retention Rate (Коэффициент удержания)

Доля пользователей когорты, совершивших целевое действие на N-й день после установки/регистрации.

С помощью этой метрики вы видите не моментный срез аудитории, а ее "выживаемость" во времени. Именно поэтому удержание считают по когортам (группам, пришедшим в один период), а не по всем пользователям сразу.

• Считается просто: RR = (активные в день N / численность когорты в день 0) × 100%.

Если возврат на первый день ниже 30% - либо продукт сложен для новичка, либо трафик нерелевантен. Активным считается пользователь, выполнивший ключевое событие (открытие приложения, просмотр контента, покупка).

2. Churn Rate (Коэффициент оттока)

Доля пользователей когорты, прекративших быть активными за выбранный период.

Это обратная сторона Retention, но с фокусом на потери. Оперировать оттоком удобнее в зрелых продуктах или при расчете экономики подписки.

• Формула (классическая для когорты): 100% - RR. То есть если Retention = 15%, то месячный отток когорты = 85%.

Важно: не путайте отток когорты с общим оттоком активной базы. Для когортного анализа мы считаем, сколько из конкретной группы ушло безвозвратно.

3. LTV (Lifetime Value)

Прибыль (или выручка), которую приносит один пользователь когорты за весь период "жизни" в продукте. Зная LTV, вы точно можете рассчитать, сколько допустимо платить за установку (CPI) или лид (CPL), оставаясь в плюсе.

Считается по формуле: LTV = Средний чек × Число покупок в месяц × Среднее время жизни клиента

4. ARPU (Average Revenue Per User)

Средний доход с одного участника когорты за выбранный период. Является составляющей, из которой складывается LTV. Позволяет сравнивать доходность совершенно разных когорт: платный трафик vs органический, iOS vs Android, кампания А vs кампания Б.

Формула: Общий доход : Общее число пользователей

5. ROI / ROMI (Возврат инвестиций)

Показывает, окупаются ли вложенные в маркетинг средства с учетом привлечения конкретной когорты. Оценивается как в моменте, так и в долгосрочной перспективе с ростом LTV.

Формула: (Прибыль с когорты - Расходы на рекламу) : Расходы на рекламу × 100%

Что нужно для анализа

Для базового когортного анализа понадобятся:

• Дата и время первого ключевого действия

Момент, когда пользователь попал в когорту. Это может быть:

• • дата регистрации,
    • дата первой покупки,
    • дата установки приложения,
    • первый вход и т.д.

• Дата и время каждого последующего целевого действия

Что именно вы хотите считать "возвратом" или "удержанием":

• • повторные визиты на сайт,
    • следующие заказы,
    • повторные платежи,
    • запуски приложения и т.п.

• Отчетный период - 5 недель, квартал, год.

• Ключевые показатели - ROI, CAC, RR, LTV.

Этапы когортного анализа

Разберем, как сделать когортный анализ по шагам.

Выберите временной отрезок

Смотрите по своим задачам и специфике бизнеса. Если у вас продукт с долгим циклом принятия решения, скажем, полгода или год, то и анализировать конверсию лучше за такой же длительный срок. Если же спрос на услуги ситуативный и быстрый - берите короткие промежутки.

Соберите людей в группы (когорты)

Например, в одну когорту могут попасть все, кто купил в мае, а в другую - те, кто кликнул по ссылке в январе. Количество групп зависит от цели: хотите сравнить рекламные каналы - делайте по когорте на каждый. Интересует эффективность одной конкретной акции в динамике - хватит одной группы. Данные о поведении берем из CRM или систем аналитики.

Посчитайте показатели

Берите нужные вам метрики и смотрите, что получилось. Повторяйте анализ регулярно. Чтобы управлять эффективностью маркетинга и вовремя менять настройки воронки или рекламной кампании, замеры нужно делать периодически.

Как провести когортный анализ - инструкция

В Яндекс.Метрике

Зайдите в Яндекс.Метрику, чтобы построить когортный отчет. Путь такой: "Отчеты", затем "Источники" и вкладка "Источники, сводка".

1. Сначала задайте нужные даты.

2. Теперь самое важное - настроить когорты: в разделе "Группировки" выберите, по какой дате первого визита делить людей (по месяцам, неделям или даже часам), а все лишнее сбросьте.

3. Дальше откройте "Метрики" и поставьте ту цель, которую считаете нужной - например, "Целевые визиты", "Количество покупок" или просто "Визиты".

График сразу покажет, как ведут себя пользователи, пришедшие в разное время. Чтобы смотреть на линии конкретных месяцев, просто отметьте их галочками в таблице под графиком.

Если нужно поработать с цифрами отдельно, экспортируйте все в Excel.

В Excel или Google Sheets

Представим, что нужно проанализировать, какая доля пользователей, привлеченных рекламой и совершивших целевое действие в марте, остается активной в течение следующих трех месяцев.

1. Для этого мы разбиваем их на когорты по источникам трафика. В Excel создаем колонки с названием и размером каждой когорты и заносим данные о количестве заказов.

2. Удержание (Retention Rate) считаем по формуле: число клиентов на конец периода делим на число клиентов в начале и умножаем на 100%.

3. Если нужно сравнить эффективность разных каналов, метрику можно вычислить сразу по нескольким когортам - например, для контекстной рекламы, таргетированной рекламы и рассылки.

4. Результаты вычислений собираем на отдельном листе и визуализируем с помощью диаграмм или графиков, чтобы наглядно увидеть поведение каждой группы.

В Google Analytics

1. Чтобы построить когортный отчет в Google Analytics, перейдите в раздел "Аудитория", а затем выберите "Когортный анализ". В верхней части страницы расположены фильтры:

Здесь задаются четыре ключевые опции, которые мы упоминали ранее: принцип группировки пользователей, временной шаг, конкретная метрика для оценки и даты анализа.

2. Под настройками размещается визуализация: она отражает динамику выбранного показателя в целом по всем юзерам и по трем отдельным точкам для сравнения.

Допустим, на приложенном скрине мы видим, что к третьей неделе общий процент возврата клиентов равен 1,64%. А для группы тех, кто зашел на ресурс впервые в промежуток 14-20 октября, этот показатель чуть выше - 2,56%. Внизу располагается сводка по каждому временному срезу.

Для наглядности были заданы такие условия:

Метрика - возврат пользователей.

Шаг - по неделям.

Временной охват - 6 последних недель.

Вот какая картина получилась в итоге:

В начальной колонке мы видим абсолютные цифры: сколько всего новых людей пришло на сайт за выбранный срок и как они распределились по конкретным семидневкам. Остальная часть таблицы демонстрирует изменение возвращаемости в динамике: и для среднего значения по всей базе, и внутри каждой когорты в отдельности. Цвета помогают сориентироваться: чем насыщеннее оттенок ячейки, тем лучше показатель возврата.

Если взглянуть на данные, то видно, что с 30 сентября по 6 октября сайт впервые посетили 11 529 человек. Спустя 7 дней из них вернулись лишь 5,35%, а через 14 дней осталось 2,66% и т.д.

Как применять когортный анализ

Сценарий 1: Оценка качества трафика

Если когорта показывает высокую активность в момент регистрации, но ее удержание стремительно падает в первые дни, то стоит побеспокоиться. Вы привлекаете аудиторию, которая не находит ценности в продукте. Стратегию необходимо менять и оптимизировать привлечение на совершение целевых действий, улучшая онбординг или пересматривая каналы трафика.

Сценарий 2: Монетизация лояльной аудитории

Бывает так, что после определенного периода взаимодействия с продуктом отток части пользователей неизбежен, однако удержавшееся ядро демонстрирует резкий рост ценности. Это сигнал о созревшей потребности в платной услуге или продлении доступа. В такой момент критически важна техническая готовность бизнеса принять деньги. Если пользователь готов платить, но сталкивается с отказами или неудобством при оплате, накопленный потенциал лояльности сгорает. Платежная инфраструктура должна срабатывать безупречно, гарантируя комфортный опыт и моментальный вывод средств.

Сервис Lava закрывает эти задачи. Вы формируете счет через API, принимаете регулярные платежи или запускаете массовые выплаты без дополнительной нагрузки на команду.

Сценарий 3: Диагностика продуктовых изменений

Любое изменение в продукте становится гипотезой, которую нужно проверять. Сравнивая поведение пользователей до и после нововведения, можно увидеть его истинное влияние. Если краткосрочные метрики после изменений выросли, но вскоре последовало более глубокое падение, значит, что продукт стал привлекательнее внешне, но сложнее в использовании.

В любом случае, онлайн-бизнесу Lava нужна всегда. Любое нововведение - это слепой эксперимент, пока мы не видим данные. Сравнивая когорты "до" и "после", мы видим правду. Так же и с любой новой фичей на сайте. Если вы сделали интерфейс красивее, не значит, что он будет так же эффективен в привлечении клиентов и конверсии в продажу. Lava не даст обмануться и покажет правдивую аналитику продаж.