Когортный анализ: что это, примеры таблиц и как применять для роста бизнеса

Когортный анализ — это инструмент, который превращает безликую массу пользователей в группы со своей судьбой и позволяет увидеть то, что усреднённые отчёты надёжно прячут. Когда руководитель смотрит на «общий retention 35%» или «средний чек 4 200 ₽», он наблюдает за статистическим миражом: внутри одной такой цифры может скрываться канал, который убивает бизнес, и канал, который его кормит. Когортный анализ разрезает этот мираж и показывает реальные процессы — разную лояльность пользователей, разную окупаемость каналов, эффект от обновлений продукта и качество онбординга. В этой статье я разберу, как устроен когортный анализ, какие виды когорт бывают, какие метрики имеет смысл считать, как построить такой отчёт за один рабочий день и как избежать классических ошибок, превращающих полезный инструмент в красивые, но бесполезные графики.

Что такое когортный анализ простыми словами

Когорта — это группа пользователей, объединённых одним признаком и одним временным окном. Самый частый пример: «все пользователи, которые впервые зарегистрировались в марте 2025». Когортный анализ — это наблюдение за такой группой во времени по одной или нескольким метрикам: сколько из них вернулись через месяц, сколько заплатили во второй раз, сколько остались с продуктом через год.

В отличие от среза «здесь и сейчас», когортный анализ показывает динамику и историю каждой группы. Это принципиально другой угол зрения: вы смотрите не на статичную фотографию, а на серию рентгеновских снимков, сделанных через равные промежутки времени.

Чем когортный анализ отличается от средних показателей

Средние показатели — это полезный, но очень грубый инструмент. Они смешивают всех пользователей в одном котле и выдают одно число. Проблема в том, что этот котёл постоянно пополняется: вчерашние новички, сегодняшние «середнячки» и трёхлетние ветераны вносят в среднее совершенно разный вклад. Когда среднее меняется, вы не понимаете, что произошло — улучшился ли новый трафик или просто продлились старые подписки.

Когортный анализ снимает эту неопределённость. Он отвечает на вопрос «как ведёт себя именно та группа пользователей, которая пришла в апреле» и позволяет сравнивать апрельскую когорту с майской, июньской и так далее. Любое изменение в продукте, маркетинге или ценообразовании отражается в свежих когортах, тогда как старые продолжают жить по своим законам.

Простой бытовой пример

Представьте фитнес-клуб. В среднем 60% клиентов продляют абонемент на второй месяц. Звучит неплохо. Но если разрезать клиентов по когортам по месяцу первой покупки, картина может быть другой: те, кто пришёл по акции «1 месяц за рубль», продляются в 18% случаев, а те, кто купил полный годовой абонемент, продляются в 92%. Среднее в 60% не существует ни в одной реальной группе — оно живёт только на бумаге.

Зачем нужен когортный анализ: парадокс Симпсона на практике

Главная причина использовать когортный анализ — он защищает от собственных иллюзий. Существует классическая статистическая ловушка, известная как парадокс Симпсона: когда тенденция, явно видимая в группах, исчезает или даже меняется на противоположную при объединении этих групп.

Пример парадокса Симпсона в маркетинге

Допустим, у вас два рекламных канала: контекст и таргет. По общим цифрам конверсия контекста — 3,1%, конверсия таргета — 2,4%. Кажется, что контекст эффективнее. Но если разделить пользователей по сегментам (например, мобильные и десктопные), может выясниться, что на мобильном таргет конвертит лучше контекста, и на десктопе таргет тоже конвертит лучше контекста. Просто контекст приводит больше десктопного трафика, у которого средняя конверсия выше — и это смещает усреднённую цифру в его пользу.

Без сегментации и когортного разреза вы будете принимать решения на основе цифры, которая системно врёт. И таких ловушек в маркетинге десятки: канал кажется хорошим, потому что приводит «правильную» географию; продукт кажется удерживающим, потому что когорта старых пользователей тащит средние; обновление выглядит провальным, потому что одновременно с релизом был наплыв нового мусорного трафика.

Что показывает когортный анализ, а средние — нет

Когортный анализ позволяет увидеть три типа явлений, скрытых от усреднённых отчётов:

• Эффект новизны. Свежие когорты могут вести себя иначе, чем старые, из-за изменений в продукте, цене, аудитории или конкурентном поле
• Эффект жизненного цикла. У любой когорты есть ранние, средние и поздние стадии. Метрики на этих стадиях принципиально разные, и без когортного разреза они смешиваются в кашу
• Эффект состава. Если вы внезапно начали привлекать другую аудиторию (например, подключили новый канал), общие метрики начнут «дрейфовать», но причина этого дрейфа — не в продукте, а в составе пользователей

Виды когорт: по чему группировать пользователей

Не существует «единственно правильного» способа резать пользователей на когорты. Под каждую гипотезу — свой признак. На практике в SaaS, e-commerce и онлайн-сервисах используется шесть основных типов когорт, и хороший аналитик жонглирует ими в зависимости от вопроса, на который нужно ответить.

Когорты по дате регистрации или первой покупки

Самый популярный и базовый тип. Пользователи группируются по месяцу (или неделе, или дню) первого взаимодействия с продуктом. Этот разрез отвечает на главный вопрос: насколько хорошо мы удерживаем тех, кого привели. По нему легко увидеть эффект изменений в продукте: если ноябрьская когорта удерживается лучше октябрьской, значит обновление ноября сработало.

Когорты по каналу привлечения

Группировка пользователей по источнику первого визита: SEO, контекст, таргет, реферальная программа, прямой трафик. Этот разрез показывает, какой канал приводит долгосрочно более ценных пользователей. На практике CAC из контекста часто ниже, чем из SEO, но retention пользователей из SEO выше — и в долгосроке SEO выигрывает по LTV.

Когорты по продукту или тарифному плану

Если у вас несколько тарифов или несколько продуктовых линеек, разрез по ним покажет, какая часть продукта реально удерживает аудиторию. Часто выясняется, что бесплатный тариф приводит огромное количество пользователей, но почти не конвертит их в платных — и тогда экономика бесплатного канала под вопросом.

Поведенческие (behavioral) когорты

Группировка по действию: «пользователи, которые в первую неделю прошли онбординг», «пользователи, которые добавили двух участников команды», «пользователи, которые сделали более трёх заказов в первый месяц». Этот разрез даёт самые ценные инсайты для продакт-менеджеров: он показывает, какое именно действие отличает удерживаемых пользователей от уходящих. На основе таких когорт строятся северные звёзды и активационные метрики.

Географические когорты

Разрез по странам, регионам или городам. Полезен для глобальных продуктов и для локальных бизнесов с несколькими филиалами. Часто обнаруживает огромные различия в поведении: пользователи из Москвы, Казани и Алматы могут иметь разный средний чек, частоту и retention при одинаковом продукте.

Сегментные когорты

Разрез по характеристикам пользователя или компании: размер бизнеса (для B2B), индустрия, возраст, должность, размер семьи. Особенно важен в B2B-SaaS: enterprise-клиенты ведут себя совершенно иначе, чем малый бизнес, и смешивать их в одной аналитике — методологическая ошибка.

Метрики, которые меряют когортно

Когортный разрез применим практически к любой метрике, но шесть из них формируют золотой стандарт продуктовой и маркетинговой аналитики.

Таблица: Шесть основных метрик когортного анализа

Главная ошибка — пытаться сразу мерить всё. Начинайте с одной-двух ключевых метрик, наиболее связанных с экономикой бизнеса. Для SaaS это retention и MRR retention. Для e-commerce — repeat purchase rate и revenue per cohort. Для медиа — DAU/MAU и frequency сессий. Расширять набор метрик имеет смысл уже после того, как базовая когортная инфраструктура заработает.

Большая таблица retention curve: пример для SaaS

Лучше всего когортный анализ объясняет сама таблица. Ниже — пример retention-таблицы для SaaS-компании с месячной подпиской: 12 когорт по месяцам, retention за 12 последующих месяцев. Цифры демонстрируют, как продукт эволюционировал со временем и где проявились конкретные проблемы и улучшения.

Таблица: Retention curve по 12 когортам SaaS-продукта (помесячно)

Что эта таблица говорит о бизнесе

Здесь сразу видны три истории. Первая: январь–апрель 2025 retention M1 держится около 55–62% и постепенно ухудшается. Это классический симптом проблем с онбордингом — пользователи приходят, но не доживают до второго месяца. Вторая: в мае 2025 retention M1 резко вырастает с 55% до 72% и стабильно держится на этом уровне в последующих когортах. Это сигнал о том, что в апреле–мае произошло конкретное продуктовое улучшение — например, переработали онбординг, добавили активационные сценарии или подключили email-цепочку. Третья: после первого скачка retention в более поздних когортах продолжает медленно расти — это «накопительный эффект» от итеративных улучшений и более качественного нового трафика.

Без когортного анализа эти истории были бы скрыты. Если просто смотреть на средний retention M1 за весь 2025 год, вы получите цифру около 67% — но эта цифра не существовала ни в одном реальном месяце. До мая retention был 55–62%, после мая — 72–78%. Усреднение убивает инсайт.

Алгоритм построения когортного анализа за один день

Большинство компаний откладывают когортный анализ годами, считая его сложным. На самом деле базовый когортный отчёт строится за один рабочий день силами одного аналитика. Алгоритм состоит из пяти последовательных шагов.

Шаг 1: подготовка данных

Вам нужны два датасета. Первый — список пользователей с датой регистрации и атрибутами для группировки (канал, тариф, страна). Второй — лог действий пользователей с датой каждого события: вход в продукт, оплата, заказ. Для базового retention достаточно понимать, был ли пользователь активен в каждом месяце своей жизни.

Шаг 2: группировка пользователей в когорты

Решите, по какому признаку режете пользователей. Для первого отчёта используйте дату регистрации, округлённую до месяца. Каждый пользователь должен попасть ровно в одну когорту. Размер когорты должен быть достаточным для статистической значимости — не менее 100 пользователей, а лучше 500–1000.

Шаг 3: расчёт метрики по периодам

Для каждой когорты посчитайте, сколько пользователей были активны (или совершили целевое действие) в каждом последующем периоде. Период — это месяц, неделя или день в зависимости от частоты использования продукта. Для SaaS — месяц, для социальной сети — неделя, для гипер-казуальной игры — день.

Шаг 4: визуализация в виде матрицы

Постройте таблицу, где строки — когорты, столбцы — периоды жизни (M0, M1, M2 и так далее), а ячейки — значения метрики (абсолютные или в процентах от M0). Это и есть когортная таблица. Для наглядности раскрасьте ячейки в условном форматировании от красного (низкие значения) до зелёного (высокие).

Шаг 5: формулировка выводов

Изучите таблицу по двум осям. По вертикали (сравнение когорт в одном и том же M-периоде): улучшается ли retention в свежих когортах? Если да — что конкретно изменилось в продукте или маркетинге? По горизонтали (как ведёт себя одна когорта во времени): где основной отвал? В первый месяц (проблема онбординга) или в третий (проблема ценности продукта)?

Когортный анализ в e-commerce: повторные покупки

В электронной торговле когортный анализ строится не вокруг подписки, а вокруг покупательского поведения. Главный вопрос: какая доля купивших впервые возвращается за следующей покупкой и через какое время. Без этой цифры невозможно правильно посчитать LTV и понять реальную экономику привлечения.

Таблица: Когортный анализ повторных покупок интернет-магазина

Декабрьская когорта здесь — типичный пример сезонного «мусорного» трафика: новогодние подарки, разовые покупки, низкий retention. Без сегментации на когорты эта картина искажает все средние показатели четвёртого квартала. С января, после запуска email-цепочки реактивации и программы лояльности, метрики уверенно растут: повторная покупка за 30 дней выросла с 11% до 22%, а среднее время между первой и второй покупкой сократилось с 53 до 33 дней.

Когортный анализ в SaaS: MRR retention и NRR

В SaaS когортный анализ — это не приятное дополнение, а инструмент выживания. Инвесторы, оценивая SaaS-компанию, в первую очередь смотрят именно на когортные метрики, а не на средний MRR. Три ключевых разреза, которые должны быть у любого SaaS-стартапа.

Таблица: Ключевые когортные метрики SaaS

Самая интересная цифра — NRR. Если она выше 100%, компания растёт даже без привлечения новых клиентов: расширение существующих когорт перекрывает их естественный отток. У лучших мировых SaaS NRR составляет 130–150%, и именно это позволяет им расти на 50–100% в год при умеренных маркетинговых бюджетах. Цифра ниже 100% означает, что компания должна постоянно бежать только для того, чтобы стоять на месте.

Logo retention vs Revenue retention

В SaaS легко перепутать два разных вида retention. Logo retention считает клиентов: ушёл клиент или нет. Revenue retention считает деньги: сколько MRR от когорты осталось. Они могут расходиться драматически: если ушли пять мелких клиентов, а один крупный сделал апсейл — logo retention упал, а revenue retention вырос. Для оценки здоровья продукта смотрите оба показателя одновременно.

Когортный анализ маркетинговых каналов

Один из самых ценных применений когортного анализа — оценка качества маркетинговых каналов в долгосроке. Стандартные отчёты показывают CPA или CPL по каналам, но не учитывают, как ведут себя пользователи через 3, 6 и 12 месяцев после первой покупки. А именно это определяет реальную окупаемость канала.

Почему SEO часто выигрывает у контекста по LTV

Классическая ситуация: контекст приводит лида за 1 200 ₽, SEO — за 2 800 ₽. Кажется, что контекст в 2,3 раза эффективнее. Но если посчитать LTV когорты через год, картина обычно переворачивается. Пользователи из SEO приходят с конкретной потребностью и понимаем, что именно ищут, — у них выше retention и средний чек. Пользователи из контекста часто кликают «на интерес» и не доходят до повторных покупок.

Реальные пропорции по нашим данным: LTV 12 месяцев у SEO-когорты в среднем в 1,8–2,5 раза выше, чем у контекстной. С учётом этого «дорогой» SEO оказывается дешевле «дешёвого» контекста в перерасчёте на LTV. Но без когортного разреза этот вывод недоступен — стандартные отчёты по CPA приведут вас к противоположному решению.

Как построить когортную атрибуцию каналов

Возьмите всех пользователей за период, разделите на когорты по каналу первого визита и постройте retention curve и LTV для каждой когорты. Для статистической значимости каждая когорта должна содержать не менее 200–500 пользователей. Если каналов много — объедините слабые в группу «прочее», чтобы не плодить когорты по 30 человек.

Визуализация: heatmap, retention curve, layer cake

Когортные данные можно изобразить разными способами, и каждый способ отвечает на свой вопрос.

Heatmap (тепловая карта)

Самая популярная визуализация. Это таблица из примера выше, но с цветовой заливкой ячеек от красного (низкое значение) до зелёного (высокое). Heatmap позволяет за две секунды увидеть три вещи: где у когорт самые провальные периоды, какие когорты лучше других и есть ли тренд улучшения или ухудшения. Используйте, когда нужно дать обзор всех когорт сразу.

Retention curve (кривая удержания)

Линейный график, где по оси X — периоды (M0, M1, M2…), по оси Y — процент retention. Каждая когорта — отдельная линия. Этот формат хорош, чтобы сравнить кривые нескольких когорт между собой и увидеть, в каком месяце они расходятся. Используйте, когда нужно показать конкретное сравнение 2–5 когорт.

Layer cake chart (слоёный пирог)

Накопительный график, где каждая когорта — это отдельный слой, а высота слоя в каждый момент времени равна сохранившемуся количеству пользователей или MRR. Этот формат показывает, как старые когорты вместе с новыми формируют общую массу аудитории. Особенно нагляден для SaaS: сразу видно, какая доля сегодняшнего MRR построена на свежих когортах, а какая — на старых.

Инструменты для когортного анализа

Когортный анализ можно делать в очень разных инструментах — от Excel до специализированных платформ. Выбор зависит от объёма данных, требуемой автоматизации и зрелости аналитической культуры в компании.

Таблица: Сравнение инструментов для когортного анализа

Практическая рекомендация: первые когорты постройте в Excel или Google Sheets — это позволит понять структуру данных и осознать, что вы реально хотите видеть. Дальше переходите либо на Metabase + SQL (если есть инженер), либо на Mixpanel/Amplitude (если фокус на продуктовой аналитике). Сразу прыгать в Tableau или Power BI без устоявшейся методологии — верный путь к красивым, но неработающим дашбордам.

Кейс: как когортный анализ изменил канал-микс SaaS-компании

Реальная ситуация из практики. SaaS-компания в сегменте автоматизации продаж, средний чек подписки 12 000 ₽/мес. Маркетинг распределён между контекстом, SEO, таргетом и партнёрской программой. Управленческая отчётность строилась на CPL и конверсии в платную подписку — обе метрики выглядели приемлемо.

Что показал когортный разрез

После построения когортного анализа по каналу первого визита картина оказалась шокирующей. Когорта из контекста имела churn 12% в месяц — то есть полностью обновлялась за восемь месяцев. Когорта из SEO имела churn 4%. Партнёрская когорта — 5%. Таргет — 14%. CAC при этом был обратным: контекст и таргет давали лидов в 2–3 раза дешевле, чем SEO.

Прежняя логика: «контекст эффективнее, потому что лиды дешевле» — оказалась ошибочной. С учётом разного churn реальный LTV-on-CAC по каналам выглядел так: SEO — 6,2; партнёрка — 5,1; контекст — 1,8; таргет — 1,4. Контекст и таргет сжигали бюджет на привлечении пользователей, которые уходили раньше, чем окупали свою стоимость.

Что сделали и какой результат

Принятые решения за следующие три месяца: бюджет таргета сокращён на 70%, бюджет контекста — на 40% (оставили только высокоинтентные брендовые и продуктовые запросы), освободившиеся деньги перенесли в SEO-контент и партнёрскую программу. Через шесть месяцев: общий MRR вырос на 18% при том же маркетинговом бюджете, средний LTV когорты вырос на 32%, а NRR поднялся с 102% до 118%. Всё это — без новых каналов, без увеличения штата маркетинга. Просто перераспределение бюджета на основании когортной правды вместо усреднённой иллюзии.

Распространённые ошибки когортного анализа

Когортный анализ — мощный инструмент, но при неаккуратном применении он не помогает, а вводит в заблуждение. Ошибки, которые я регулярно встречаю в реальных проектах.

Смешивание когорт разной природы

Самая частая ошибка — складывать в одну когорту пользователей, пришедших по принципиально разным сценариям. Например, когорта «март 2025» включает и тех, кто пришёл по платной рекламе, и тех, кто зарегистрировался по реферальной ссылке от друга. У этих групп разное поведение, и общая когортная цифра ничего полезного не сообщает. Решение — резать когорты по нескольким признакам одновременно (дата + канал + тариф).

Слишком мелкие когорты

Когорта меньше 100 пользователей — это статистический шум. Любая случайная флуктуация будет выглядеть как тренд. Если ваш сервис набирает 200 регистраций в месяц, не режьте на недельные когорты — берите квартальные. Лучше иметь четыре больших когорты в год, чем 52 маленьких, по которым ничего не видно.

Отсутствие нормализации

Когорты часто имеют разный размер из-за сезонности или маркетинговых всплесков. Если в декабре пришло 5 000 пользователей, а в январе 1 500, сравнивать абсолютные цифры retention бесполезно. Всегда приводите к процентам от M0 и сравнивайте именно процентные значения.

Игнорирование контекста изменений

Когортный анализ показывает что произошло, но не почему. Если июньская когорта удерживается лучше майской — это может быть результат продуктового улучшения, а может — следствие смены источника трафика, акции или сезонности. Всегда фиксируйте календарь изменений в продукте и маркетинге, чтобы можно было соотнести когортные сдвиги с конкретными событиями.

Анализ ради анализа

Самая опасная ошибка — построить красивую когортную таблицу и не сделать на её основании ни одного управленческого решения. Когортный анализ имеет ценность только тогда, когда он меняет действия: перераспределение бюджета, переработку онбординга, изменение тарифной сетки. Если по итогам когортного отчёта вы не запланировали ни одного эксперимента — вы потратили время впустую.

Когортный анализ + AB-тестирование: как сочетать

Когортный анализ и AB-тесты — это два дополняющих инструмента. Когортный анализ показывает долгосрочные эффекты, AB-тесты — краткосрочные. Их разумное сочетание даёт самые точные ответы.

Стандартная практика: AB-тест запускается на 1–4 недели и измеряет немедленные метрики (конверсия, CTR, активация в первый день). Но многие изменения в продукте проявляются позже: новый онбординг улучшает retention M3, а не конверсию первого дня. Поэтому после успешного AB-теста разумно отслеживать долгосрочные когортные метрики тестовой и контрольной групп ещё 2–6 месяцев. Только так можно убедиться, что краткосрочный эффект не сменится долгосрочным регрессом.

Обратная история тоже встречается: AB-тест показал нейтральный или слабо отрицательный краткосрочный результат, но через три месяца когорта тестовой группы держится заметно лучше контрольной. Без долгосрочного когортного отслеживания вы бы выкатили AB-тест с минусом и потеряли работающее улучшение.

Чек-лист «Готова ли ваша когортная аналитика»

Десять пунктов, которые я использую при аудите аналитической инфраструктуры в клиентских компаниях. Если по большинству пунктов ответ «нет» — когортный анализ в компании де-факто не работает.

1. В CRM или продуктовой базе для каждого пользователя зафиксирована точная дата регистрации и канал привлечения
2. Все ключевые события пользователя (вход, оплата, основное действие продукта) логируются с timestamp
3. Существует единый дашборд с retention curve по когортам, обновляемый автоматически
4. Для SaaS — построены отдельные отчёты по GRR, NRR и logo retention
5. Для e-commerce — построен отчёт по repeat purchase rate и LTV когорт
6. Когорты режутся не только по дате, но и по каналу первого визита
7. Размер каждой когорты — не менее 100 пользователей (лучше 500+)
8. Все продуктовые и маркетинговые изменения фиксируются в общем календаре, чтобы можно было соотнести их с когортными сдвигами
9. Раз в квартал когортные данные обсуждаются на уровне руководства и приводят к конкретным решениям
10. Когортная инфраструктура переживает смену маркетолога или аналитика — она не привязана к одному человеку