RFM-анализ и сегментация по когортам (часть 1)

Когортный анализ позволяет компаниям глубже понять поведение различных групп клиентов и принимать количественно обоснованные решения в маркетинге, продуктовом развитии и работе с клиентской базой. В этом материале рассматриваются ключевые принципы когортного анализа, определения когорт, основные метрики (retention, churn, LTV), временные методы наблюдения, визуализации, ограничения метода и ошибки интерпретации.

Введение: зачем бизнесу когортный анализ

Когортный анализ — это аналитический метод, в рамках которого пользователей группируют по определённому признаку (когорте) и отслеживают их поведение на протяжении времени. Такой подход позволяет увидеть динамические процессы, которые стандартные агрегированные метрики и срезы скрывают.

Для компаний, работающих по подписной или повторной модели, когортный анализ становится инструментом диагностики и прогноза: он помогает выявить, когда и у кого происходят ключевые изменения — например, отток или рост ценности клиента. Применяя этот подход, бизнес может оценивать результаты изменений продуктов, маркетинговых акций, программ удержания и других воздействий точечно, устраняя искажения из-за сезонности или общей динамики рынка.

Определение когорт и принцип группировки

Когорта — это группа пользователей, объединённых общим признаком, который связан с временным событием или характеристикой их поведения. Классический пример: все, кто зарегистрировался на сервисе в одну и ту же неделю, образуют недельную когорту.

При группировке клиентской базы важно, чтобы выбранная переменная действительно отражала разницу во взаимодействии пользователей с продуктом или сервисом. Чаще всего используют дату первого действия (регистрации или покупки), но в зависимости от бизнес-модели сегментацию строят и по другим событиям: активации, достижению функционального порога, переходу в платящий статус.

Типы когорт: по дате привлечения, по событию, по поведению

• Когорты по дате привлечения (acquisition cohorts) формируют на основе даты первого взаимодействия. Например, клиенты, пришедшие в январе 2024 года, составят январскую когорту.

• Когорты по событию (event cohorts) собирают пользователей, совершивших определённое действие. Классика: все, кто впервые оформил заказ в марте, образуют специальную когорту. Такой подход позволяет изучать особенности взаимодействия с конкретными точками воронки.

• Когорты по поведению (behavioral cohorts) выделяют по паттернам использования продукта. Пример: группа клиентов, заказавших больше 3 раз за первый месяц после регистрации. Этот тип помогает выявлять взаимосвязь между типом пользовательского поведения и долгосрочной ценностью.

Ключевые метрики когорт

Для оценки результатов когортного анализа применяют метрики удержания, оттока и долгосрочной ценности клиента (LTV). Данные показатели позволяют сравнивать эффективность работы с разными группами пользователей и принимать решения о доработках в продукте или маркетинге.

Retention и удержание по периодам

Retention rate — это доля пользователей когорты, которые продолжают взаимодействовать с продуктом спустя определённый период. Классические периоды: первый день (D1), первая неделя (W1), первый месяц (M1) и так далее.

Формула retentionrate:

Retention rate = (Количество активных пользователей когорты в период N) / (Общее число пользователей в когорте) × 100%

Например, если из 1 000 новых пользователей на третий месяц активны 150, то retention M3 = 15%. В большинстве SaaS- и EdTech-продуктов показатели D1 retention варьируются от 20% до 40%, а трёхмесячное удержание редко превышает 10–20%.

Очень важно использовать одинаковое определение "активности" при расчете метрики, чтобы сравнения между когортами были валидны.

Churn и время до оттока

Churn — это показатель оттока пользователей, то есть доля клиентов, переставших пользоваться сервисом за определённый период. В когортном анализе обычно рассчитывают:

Churn rate = (Количество ушедших пользователей когорты в период N) / (Общее число в когорте) × 100%

Иногда к churn относят не только абсолютный уход (отписка или удаление приложения), но и пассивность свыше определённого времени. В правдоподобных сценариях время до оттока задают разумными интервалами и критериями: для SaaS — более 30 дней без логина, для сервисов заказа еды — 90 дней без покупок.

LTV и срок жизни клиента

LTV — Lifetime Value, долгосрочная ценность клиента. Это сумма всех доходов, полученных от одного клиента за весь период его жизни в системе. В когортном анализе LTV позволяет сопоставлять когорты по их экономической отдаче.

Расчёт LTV для когорты:

LTV = (Общий доход, принесённый когортой за период) / (Число пользователей в когорте)

В сервисах с подпиской LTV часто считают по выручке с момента старта до момента ухода или окончания периода наблюдения (при этом корректируют оценку с учетом неполного срока — правого цензурирования).

Периодизация и методика расчета: день/неделя/месяц, окна и правое цензурирование

Периодизация — это выбор временных интервалов для анализа поведения когорт: дни (D), недели (W) или месяцы (M). Корректная периодизация помогает выявлять закономерности, связанные с особенностями продукта, маркетинга или сезонными изменениями.

В большинстве analytical платформ, таких как Amplitude и Google Analytics 4, можно гибко настраивать окна и щаги анализа: от дня и недели до квадалей и годов. Для коротких жизненных циклов (например, flash sale или быстрый onboarding) используют ежедневную детализацию, для более длинных (подписка, EdTech-рутина) — недельную или месячную.

С точки зрения временной глубины важно помнить о правом цензурировании. Этот термин означает, что не для всех пользователей можно наблюдать одинаковую продолжительность активности (к примеру, недавние когорты физически не могут пройти длинный срок анализа). Поэтому при сравнении когорт по метрикам надо ограничиваться только завершёнными периодами, чтобы избежать искажения данных.

Визуализации: тепловые карты и кривые удержания

Визуализация когортных данных ускоряет анализ и делает закономерности очевидными даже при большом объёме информации. Основные форматы:

• Тепловая карта удержания (retention heatmap): таблица, где строки — когорты, колонки — периоды, а цвет — процент удержания. Яркость сразу показывает «провалы» и «успехи» групп; обычно оттенки темнеют по мере оттока.

• Кривая удержания (retention curve): график, на котором ось X — время, а ось Y — процент активных пользователей. Кривые отдельных когорт позволяют сравнить их траектории. В SaaS среде часто видно, как после первоначального «обрыва» часть пользователей стабильно задерживается на продукте на долгом отрезке.

Ограничения и типичные ошибки интерпретации

Хотя когортный анализ — мощный инструмент, он не раскрывает причинно-следственные связи. Его задача — описывать паттерны, а не объяснять их природу. Важно знать ограничения метода:

• Малые когорты создают статистический шум. Для обеспечения достоверности используйте только группы достаточного размера (обычно >300-500 пользователей для B2B/B2C digital).

• Сезонные всплески и специальные кампании могут искажать траектории удержания и LTV. При оценке результативности учётывайте периодические факторы, сравнивая только близкие по времени когорты.

• Ошибки в дедупликации и трекинге событий приводят к завышению/занижению данных по удержанию и оттоку. Автоматизированные системы аналитики, такие какMixpanel или GA4, требуют строгой унификации обработок событий.

• Недозревшие когорты не можно сравнивать с устоявшимися по метрикам LTV или churn. Это приводит к ошибочным решениям в маркетинге и продукте.

• При объединении когорт по разным признакам (например, по региону и дате привлечения) требует слияние только когорт с сопоставимым циклом жизни.

Практические выводы и чек-лист

Когортный анализ — один из базовых инструментов в аналитике ретеншна, оттока и LTV. Его сила в том, что он разлагает массовые метрики на группы с разными динамиками, помогая точечно усиливать лучшие сегменты.

Для эффективной работы с когортным анализом:

• Грамотно определяйте признак для группировки.
• Проверяйте дедупликацию и консистентность данных.
• Строьте retention, churn и LTV только на завершённых периодах.
• Избегайте смешивания зрелых и молодых когорт.
• Анализируйте результаты с учётом сезонных факторов и акций.
• Используйте визуализации для отслеживания трендов и выявления инсайтов.

Для построения стратегий повторных продаж в сегменте EdTech, E-commerce или SaaS критично выявлять возраст и траектории когорт, чтобы своевременно усиливать зоны роста. Для таких задач оптимальна «аналитика продаж и писем», где реализация когортного анализа выводится в отдельные дашборды для руководителя.

Заказать Monitor Analytics →

Когортный анализ не раскрывает напрямую причин, однако быстро адаптируется к изменяющимся бизнес-моделям, и незаменим для диагностики изменений в продуктовой воронке и удержании клиентов. Обращаясь к Артёму Седову, вы сможете выстроить системный отдел аналитики или внедрить автоматизацию работы с когортами на профессиональном уровне.