Когортный анализ: что это и как читать когортные таблицы

Когортный анализ — метод, который превращает поток клиентских данных в понятную карту того, как люди ведут себя со временем. Без когортного анализа любой отчёт о retention рискует ввести в заблуждение: средняя цифра удержания за месяц 60% звучит хорошо, пока не выясняется, что клиенты, привлечённые год назад, имеют retention 85%, а свежие — 25%, и общее среднее маскирует катастрофическое падение качества аудитории.

В этой статье — что такое когортный анализ, чем он отличается от обычной аналитики, как читать когортные таблицы, какие тригерные паттерны искать и какие инструменты использовать для разных типов бизнеса.

Что такое когорта и когортный анализ

Когорта — группа пользователей, объединённых по общему признаку, чаще всего — по моменту первого контакта с продуктом. Когорта «март 2026» — все пользователи, которые впервые зарегистрировались, оформили подписку или сделали покупку в марте 2026 года.

Когортный анализ — изучение поведения каждой когорты во времени, отдельно от других. Каждая когорта прослеживается на горизонте 1, 2, 3… месяцев после события, и сравнивается с другими когортами. Это позволяет увидеть тренды, которые скрыты в усреднённых цифрах.

Термин пришёл в маркетинг и продуктовую аналитику из эпидемиологии и социологии, где когорты изучаются десятилетиями: «когорта людей, родившихся в 1970», «когорта переболевших гриппом весной 2020». В digital-аналитике подход применяется с 2010-х, когда стало понятно, что AARRR-метрики (acquisition, activation, retention, revenue, referral) Дэйва МакКлюра без когортного среза дают неполную картину.

Чем отличается от обычной аналитики

Классическая ловушка обычной аналитики: компания запускает агрессивную рекламу, привлекает много дешёвых пользователей, общее число активных растёт. Менеджмент доволен. Через год выручка не растёт пропорционально — потому что новые когорты дают слабый retention и LTV. Когортный анализ выявил бы проблему через 2–3 месяца после изменения стратегии.

Виды когорт

Признак объединения в когорту может быть любой, но чаще используются три типа.

По дате привлечения

Самый распространённый вариант. Когорта = все пользователи, пришедшие в определённый месяц / неделю / день. Подходит для:

• Анализа изменений в маркетинге
• Оценки сезонности привлечения
• Сравнения качества аудитории во времени

По каналу привлечения

Когорта = все пользователи из конкретного канала за период. Когорта «Яндекс Директ за Q1 2026» сравнивается с «ВКонтакте Q1 2026» и «email-рассылки Q1 2026». Подходит для:

• Сравнения качества разных каналов
• Решений о перераспределении бюджета
• Оценки LTV по источникам

По поведенческому признаку

Когорта = все пользователи, совершившие определённое действие. Например, «пользователи, прошедшие онбординг», «пользователи, добавившие 5+ товаров в избранное», «пользователи, купившие из категории X». Подходит для:

• Поиска паттернов «активирующих» действий
• Сегментации в продукте
• Гипотез о росте retention

Метрики для когортного анализа

В каждой когорте отслеживается одна или несколько метрик во времени.

Retention rate

Доля пользователей когорты, остающихся активными через 1, 2, 3… месяцев после привлечения.

Retention(месяц N) = Активные пользователи когорты в месяц N / Всего пользователей в когорте

Активность определяется по продукту: для SaaS — login или action в продукте, для e-commerce — покупка, для мобильного приложения — открытие.

Cumulative revenue

Накопленная выручка от когорты за N месяцев. Подходит для бизнесов с разными чеками и редкими покупками. Показывает, сколько денег принесла когорта за всё время с момента привлечения.

LTV в когортном разрезе

Прогнозная или фактическая пожизненная ценность когорты. В отличие от «средней LTV», когортная LTV показывает реальные кривые накопления выручки и позволяет видеть, как меняется качество клиентов от месяца к месяцу.

ARPU когорты

Средняя выручка с одного пользователя когорты в каждый период после привлечения. Полезна для подписочных моделей.

Как читать когортные таблицы

Стандартное представление когортного анализа — треугольная матрица.

Каждая строка — отдельная когорта. Столбец 0 — это всегда 100% (момент привлечения). Дальше показано, какая доля когорты осталась активной через 1, 2, 3 месяца. Прочерки — данные ещё не накоплены (когорта существует меньше N месяцев).

Что читать из таблицы:

• Горизонталь. Как ведёт себя одна когорта во времени. Какой retention через месяц, два, три. Где стабилизируется.
• Вертикаль. Как меняется качество разных когорт на одной и той же стадии. Месяц 1 у январской — 62%, у апрельской — 52%. Сигнал: новые когорты слабее.
• Диагональ. Что произошло в продукте или маркетинге в конкретный календарный месяц. Если в марте 2026 все когорты показали резкое падение, в марте что-то произошло с продуктом.

Триггерные паттерны: что искать в данных

Здоровый паттерн

Retention плавно снижается в первые 2–3 месяца, потом стабилизируется на каком-то уровне. Когорты по месяцам показывают примерно одинаковые кривые с небольшими колебаниями. Это нормальная картина для зрелого продукта.

Резкое падение между месяцами 0 и 1

Из 100% в месяц 0 остаётся 20–30% через месяц. Сигнал: проблема в активации или онбординге. Пользователи приходят, не находят ценности, уходят. Решение — улучшать первичный опыт, не первичное привлечение.

Плато retention

Кривая выходит на горизонталь и держится на определённом уровне (например, 35%) месяцами. Хороший признак: продукт нашёл свою аудиторию, и эти пользователи возвращаются стабильно. Размер плато — индикатор Product-Market Fit.

Smile-кривая (улыбка)

Retention падает в первые месяцы, потом начинает расти. Очень редкий паттерн, признак выдающегося продукта. Обычно встречается в продуктах с сетевым эффектом (соцсети, маркетплейсы), где ценность для пользователя растёт по мере наполнения базы.

Деградация когорт

Каждая новая когорта показывает retention ниже предыдущей при тех же временных лагах. Сигнал: качество привлечения падает. Причины — изменение каналов, демпинговые скидки, привлечение «не той» аудитории. Игнорирование тренда ведёт к долгосрочному падению экономики бизнеса даже при росте абсолютных цифр.

Внезапный провал в одном календарном месяце

На определённой диагонали все когорты резко проседают. Сигнал: что-то случилось в продукте или внешней среде в этот месяц. Поломка функции, изменение цен, конкурент запустил аналог, кризис в индустрии — нужно разобраться в причине.

Применение в SaaS

SaaS — родная среда когортного анализа. Подписочная модель даёт регулярные точки контакта (ежемесячная оплата), а высокая чувствительность к churn делает retention ключевой метрикой.

Стандартный набор когортных отчётов для SaaS:

• Logo retention — сохранение количества клиентов в когорте
• Revenue retention — сохранение выручки от когорты (с учётом upsell и downgrade)
• Net Revenue Retention (NRR) — выручка от когорты + апсейлы минус оттоки; для здорового SaaS > 100%
• Net Dollar Retention (NDR) — то же, но в денежном выражении

В B2B SaaS NRR выше 110% — признак выдающейся продуктовой модели. NRR ниже 90% — сигнал к серьёзной работе с удержанием.

Применение в e-commerce

В e-commerce когорты считаются по моменту первой покупки. Метрики — повторные покупки, накопленная выручка, частота заказов.

Полезные когортные срезы для e-commerce:

• Доля покупателей, сделавших вторую покупку в первые 90 дней
• Среднее число заказов в течение года после первой покупки
• Накопленная выручка по когорте за 12 месяцев
• Доля Champions в каждой когорте через 6 месяцев

Эти данные используются для оценки эффективности каналов привлечения и предсказания будущей выручки.

Применение в мобильных приложениях

Мобильные приложения имеют специфическую динамику когорт: критичен retention первого дня (Day 1), седьмого (Day 7), тридцатого (Day 30). Эти контрольные точки — индустриальные стандарты.

Когорта с Day 1 ниже 20% — почти всегда означает проблему в первичном онбординге или несоответствие ожиданий рекламы и продукта.

Инструменты для когортного анализа

Для большинства задач хватает Amplitude или Mixpanel — они специализированы на когортной аналитике и имеют удобные интерфейсы. Для команд, привыкших к BI-инструментам, связка BigQuery + Looker даёт максимум гибкости. Excel остаётся жизнеспособным вариантом для разовых задач на малых объёмах.

Типичные ошибки интерпретации

• Сравнение неполных когорт. Когорта апреля 2026 в марте 2026 не имеет данных. Сравнивать её ретеншн через 6 месяцев с январской, у которой уже есть 6 месяцев данных, нельзя.
• Игнорирование сезонности. Когорты, привлечённые в декабре, и когорты, привлечённые в августе, часто имеют разную динамику из-за сезонных факторов.
• Усреднение разных каналов. Когорта «март 2026» состоит из 60% Яндекс Директа и 40% ВКонтакте. Если эти каналы дают разный retention, средняя цифра скрывает реальную картину.
• Малые когорты. Когорта из 30 пользователей даёт высокую статистическую погрешность. Минимум — 100 пользователей, идеально — 500+.
• Концентрация на retention без выручки. 80% retention при падающем ARPU = деградация бизнеса. Нужно смотреть и retention, и revenue retention параллельно.
• Игнорирование reactivation. Пользователь, который ушёл и вернулся, — отдельный кейс. Обычные retention-расчёты его не видят.
• Отсутствие действий после анализа. Когортный анализ показал проблему — нужны изменения в продукте или маркетинге. Без действий анализ остаётся документом в Confluence.

Часто задаваемые вопросы

Сколько пользователей нужно для когортного анализа?

Минимум 100 пользователей в когорте. Идеально — от 500. На меньших объёмах статистические колебания превышают сами эффекты, которые анализ должен выявить.

Какой период использовать для когорт — день, неделя, месяц?

Зависит от продукта. Мобильные приложения и продукты с ежедневным использованием — дневные когорты. SaaS с месячной подпиской — месячные. E-commerce с длинным циклом — квартальные или месячные.

Через сколько месяцев виден retention плато?

В большинстве продуктов 3–6 месяцев. После шестого месяца кривая обычно стабилизируется или становится плоской. Если retention продолжает падать через 12 месяцев — проблема с долгосрочным удержанием.

Когортный анализ работает для разовых покупок?

Ограниченно. Для бизнесов, где 90% клиентов делают одну покупку, retention-кривые тривиальны: 100% → 5% → 3% → 3%. Полезнее анализировать не retention, а cumulative revenue или конверсию в повторную покупку как отдельную метрику.

Можно ли делать когортный анализ в Excel?

Да, через pivot-таблицы и формулу COUNTIFS. Для базы до 10 000 пользователей работает. На больших данных Excel становится медленным, переходят на специализированные инструменты.

Что важнее — retention или LTV?

Они связаны: LTV = ARPU / Churn (упрощённо), а retention = 1 — Churn. Высокий retention автоматически даёт высокую LTV при стабильном ARPU. На практике смотрят оба показателя, потому что retention легче связать с действиями в продукте, а LTV — с финансовой картиной.

Заключение

Когортный анализ — рабочий инструмент, который меняет способ принятия решений в продукте и маркетинге. Команды, которые работают только со средними метриками, видят бизнес через искажающую призму: всё кажется в порядке, пока внезапно не оказывается, что качество новых пользователей деградирует месяц за месяцем. Когорты делают эту динамику видимой сразу. Внедрение когортного анализа не требует heavy data-инфраструктуры — на старте хватает Amplitude или Excel. Главное — привычка смотреть на данные через призму времени и групп, а не как на один большой обезличенный поток.