Джобстер сайт для поиска работы и сотрудников в digital 
Тендеры и лиды
Информация
Когортный анализ в маркетинге — это способ увидеть, что на самом деле происходит с клиентами после первого касания, когда средние цифры в отчётах уже ничего не объясняют. Знакомая ситуация: бюджет растёт, трафик идёт, лидов вроде бы много, а выручка стоит на месте. В девяти случаях из десяти проблема не в количестве заявок, а в удержании — и именно её вскрывают когорты. Ниже разберу простыми словами, что такое когортный анализ, чем он отличается от сегментации, как построить когортную таблицу в Excel и настроить отчёт в Яндекс Метрике, покажу примеры с реальными цифрами, дам ориентиры «что считать нормой» и список того, что стоит почитать по теме.
Меня зовут Павел, я руковожу отделом маркетинга. Когортный анализ — один из тех инструментов, которые я включаю в работу каждой команды в первый же месяц. Не потому что это модно, а потому что он экономит бюджеты и снимает иллюзии. Рассказываю на практике, без воды.
Когорта — это группа пользователей, которых объединяет одно общее событие в один и тот же период времени. Чаще всего это месяц первого визита, регистрации, установки приложения или первой покупки. Январская когорта — все, кто впервые пришёл к вам в январе. Февральская — те, кто пришёл в феврале. И так далее.
Суть когортного анализа в том, чтобы не смешивать этих людей в одну кучу, а отслеживать каждую группу отдельно во времени: сколько из январской когорты вернулось на второй месяц, сколько на третий, сколько денег они принесли за полгода жизни. Вы буквально смотрите на жизненный цикл клиента, а не на моментальный снимок.
Представьте таблицу. По строкам — месяцы, когда клиенты впервые купили: январская когорта, февральская, мартовская. По столбцам — возраст когорты: нулевой месяц, первый, второй, третий. На пересечении — доля тех, кто вернулся. Январская когорта: в нулевой месяц это все 100%, во второй месяц вернулись 22%, в третий — 15%. Февральская: 100%, потом 28%, потом 19%. Уже по двум строкам видно, что февральские клиенты держатся лучше январских. Значит, в феврале вы либо привлекли более качественную аудиторию, либо что-то поправили в продукте. Средний отчёт по выручке вам этого не покажет никогда — он усреднит всё в одну цифру.
[ИЗОБРАЖЕНИЕ: пример когортной таблицы (heatmap) — строки-когорты по месяцам, столбцы-возраст когорты, ячейки окрашены от зелёного к красному по проценту возвращаемости]
Здесь путаются даже опытные маркетологи, поэтому разложу по полочкам. Сегмент — это группа по признаку без привязки ко времени: например, все пользователи из Москвы, все с мобильных устройств, все, кто пришёл из Яндекс Директа. Сегмент статичен, это срез здесь и сейчас.
Когорта — это всегда группа плюс время. Ключевое слово — «когда». Не просто «пользователи из Директа», а «пользователи, которые пришли из Директа в марте». И дальше мы смотрим, как эта мартовская группа ведёт себя месяц за месяцем. Именно временная ось превращает обычный сегмент в когорту и позволяет сравнивать одну группу с другой на одинаковом отрезке жизни.
Проще так: сегментация отвечает на вопрос «кто эти люди», когортный анализ — на вопрос «что с ними происходит со временем». Часто их комбинируют: берут сегмент по источнику трафика и разбивают его на когорты по месяцам. Тогда видно не только откуда пришли клиенты, но и как долго они с вами остаются в зависимости от канала.
Это главная причина, по которой я вообще завёл разговор о когортах. Средние показатели маскируют проблемы. Классический пример: у вас общая возвращаемость клиентов держится на уровне 20%, месяц за месяцем цифра стабильна, все спокойны. А когортный анализ показывает, что старые когорты возвращаются на 35%, а новые — всего на 8%. Среднее держится только за счёт лояльной старой базы, которая постепенно тает. По факту продукт или трафик деградируют, и через полгода вы это почувствуете кассой, но будет поздно.
Обратная ситуация тоже частая. Общая выручка растёт, руководство довольно, а по когортам видно, что рост идёт только за счёт увеличения объёма нового трафика. Каждая новая когорта приносит на клиента всё меньше денег. Вы наливаете больше воды в дырявое ведро — и до поры кажется, что воды становится больше. Когортный анализ вскрывает дыру раньше, чем она обойдётся вам в квартальный план.
Когортный анализ нужен там, где важно повторное взаимодействие: подписки, интернет-магазины, приложения, сервисы, инфопродукты, любой бизнес с LTV. Вот конкретные задачи, которые он закрывает в моей практике.
Оценка качества трафика по каналам. Не по цене лида и даже не по первой продаже, а по тому, сколько клиент приносит за всю жизнь. Канал может давать дешёвые заявки, но его когорты рассыпаются через месяц — и по-настоящему он самый дорогой.
Проверка гипотез и изменений в продукте. Поменяли онбординг, переписали письма, добавили фичу — сравниваете когорту «до» и когорту «после» на одном отрезке жизни. Если новая когорта держится лучше, изменение сработало. Это честнее любого A/B-отчёта по конверсии первого дня.
Прогноз выручки и расчёт окупаемости. Зная кривую удержания и средний чек когорты, вы прогнозируете LTV и понимаете, за сколько месяцев окупится привлечение. Это фундамент юнит-экономики.
Поиск точки оттока. Когорты показывают, на каком именно месяце жизни клиенты массово уходят. Если провал стабильно на втором месяце — значит, проблема в этом месте пути клиента, и работать надо точечно, а не «улучшать всё сразу».
Работа с удержанием и повторными продажами. Анализ удержания клиентов без когорт невозможен в принципе. Только они показывают реальную возвращаемость пользователей, отделяя новичков от старожилов.
Когорты формируют по разным признакам, и от выбора признака зависит, какой вопрос вы себе задаёте.
Временные когорты — самые распространённые. Группируем по дате первого действия: месяц регистрации, неделя установки, день первой покупки. Отвечают на вопрос «как меняется поведение клиентов, привлечённых в разные периоды». С них стоит начинать всем.
Поведенческие когорты — по совершённому действию. Например, все, кто оформил подписку, все, кто прошёл онбординг до конца, все, кто совершил вторую покупку. Отвечают на вопрос «как ключевое действие влияет на дальнейшую жизнь клиента». Мощнейший инструмент для продуктовых команд: часто оказывается, что пользователи, совершившие определённое действие в первые дни, удерживаются в разы лучше. Это и есть та самая «магическая метрика», к которой имеет смысл подтягивать всех остальных.
Когорты по источнику привлечения. Группируем по каналу: органика, Яндекс Директ, VK Ads, Telegram Ads, email, реферальная программа. Отвечают на вопрос «трафик из какого канала приносит клиентов, которые остаются». Это то, ради чего когортный анализ в маркетинге стоит запускать в первую очередь при работе с платным трафиком.
Размерные и стоимостные когорты — по сумме первого чека, по тарифу, по региону. Отвечают на более узкие вопросы, но бывают очень полезны, когда основные гипотезы уже проверены.
На практике я советую начинать с временных когорт по месяцу первого касания, потом накладывать источник трафика, и только затем идти в поведенческие. Пытаться сразу построить сложную многомерную модель — верный способ утонуть и ничего не внедрить.
Когортная таблица сама по себе — просто сетка. Смысл ей придают метрики, которые вы кладёте на пересечения. Разберу три главные.
Retention Rate, он же коэффициент удержания или возвращаемость — доля пользователей когорты, которые вернулись и проявили активность в определённый период жизни. Формула простая: количество активных пользователей когорты в N-й период делим на исходный размер когорты и умножаем на сто процентов.
Пример. В мартовскую когорту пришло 1000 пользователей. Через месяц активными остались 260. Retention первого месяца (M1) = 260 / 1000 = 26%. Через два месяца активны 170 — retention второго месяца 17%. Дальше кривая обычно продолжает падать, но у здорового продукта она выполаживается: приходит к плато, ниже которого удержание уже почти не падает. Это ваше ядро лояльных клиентов, и именно высота плато определяет, есть ли у бизнеса устойчивый фундамент.
Для приложений и сервисов часто считают retention по дням — D1, D7, D30 (удержание на первый, седьмой и тридцатый день). Для интернет-магазинов и подписок логичнее считать по месяцам. Отдельно смотрят churn rate — процент оттока, зеркальную метрику к удержанию: если retention 26%, то отток за период 74%.
[ИЗОБРАЖЕНИЕ: график кривой удержания (retention curve) — несколько когорт, ось X — возраст когорты в месяцах, ось Y — % активных; видно, как кривая падает и выходит на плато]
LTV (пожизненная ценность клиента) по когортам — это накопленная выручка, которую приносит средний клиент когорты за всё время жизни. В когортной таблице LTV не падает, а растёт слева направо: чем старше когорта, тем больше денег каждый её клиент успел принести суммарно.
Считается накопительно. Мартовская когорта: в нулевой месяц средний клиент принёс 1500₽, к концу первого месяца накопленный LTV дорос до 2100₽, к третьему — до 3400₽, к шестому — до 4200₽. Сравнивая LTV разных когорт на одном возрасте, вы видите, какие клиенты ценнее. Апрельская когорта к шестому месяцу дала 5100₽ против 4200₽ у мартовской — значит, апрельские клиенты выгоднее, и стоит понять, чем они отличаются.
Важная оговорка про методику: для сравнения с расходами на привлечение LTV честнее считать по марже, а не по выручке. То есть из выручки клиента вычесть себестоимость и переменные расходы. Выручка-LTV годится, чтобы сравнивать когорты между собой, но как только вы сопоставляете LTV со стоимостью привлечения — переходите на маржинальную базу, иначе экономика будет выглядеть красивее, чем есть.
Здесь когортный анализ бьёт наотмашь. ROMI (окупаемость маркетинговых инвестиций) считается как отношение прибыли от привлечённых клиентов к затратам на их привлечение. Но если вы считаете ROMI по первой продаже, вы почти всегда недооцениваете хорошие каналы и переоцениваете плохие.
Смотрите. Канал А даёт клиента за 800₽, и он сразу покупает на 1500₽ — вроде плюс. Канал Б даёт клиента за 1200₽, первая покупка тоже 1500₽ — вроде хуже. Но по когортам видно: клиенты из канала А почти не возвращаются, их LTV к полугоду — те же 1800₽. А клиенты канала Б держатся отлично, их LTV к полугоду — 4600₽. С учётом удержания канал Б в разы выгоднее, хотя по первому чеку проигрывал. Без когорт вы бы срезали бюджет именно на нём. Я такие развороты видел не раз, и каждый раз это буквально спасало деньги.
Самый частый вопрос от команды, когда таблица готова: «26% на первом месяце — это хорошо или плохо?» Отвечаю честно: универсального «хорошо» нет, всё зависит от ниши, модели и маржи. Но рыночные ориентиры есть, и держать их в голове полезно, чтобы не радоваться слабым цифрам и не хоронить нормальные.
Доля повторных покупок (Repeat Purchase Rate) в e-commerce и офлайн-рознице обычно живёт в диапазоне примерно 20–35%. То есть если у вас каждый четвёртый-третий покупатель возвращается за второй покупкой — вы в рынке. Для приложений, облачных и подписочных сервисов планка выше: там здоровым считается удержание платящих от 60% и выше, потому что вся модель построена на регулярности.
Ещё один ориентир для зрелого бизнеса: у компаний, которые на рынке 5–7 лет, повторные продажи обычно дают порядка 40–60% всей выручки. Если у вас база копится годами, а повторные продажи — это жалкие 10–15% оборота, это не «стабильность», это упущенный рост и явная точка приложения сил.
По юнит-экономике главный ориентир — соотношение LTV к CAC. Здоровым для большинства бизнесов считается LTV:CAC от 3 к 1: на каждый рубль в привлечение возвращается минимум три рубля ценности клиента за его жизнь. Соотношение около 1 к 1 — вы работаете в ноль и не масштабируетесь. Ниже единицы — теряете на каждом клиенте. А вот заметно выше 4–5 к 1 — сигнал не «мы молодцы», а «мы недоинвестируем в маркетинг и упускаем рост». Отдельно смотрят срок окупаемости привлечения (payback): у сильных подписочных моделей CAC отбивается за 5–7 месяцев, и когорты — единственный способ увидеть этот срок честно.
Оговорюсь дважды. Первое: считайте LTV:CAC на марже, а в CAC включайте не только рекламу, но и зарплаты команды продаж и маркетинга — иначе картинка будет обманчиво радужной. Второе: бенчмарки — это ориентир, а не приговор. Ваша реальная норма — это ваша же прошлая когорта. Растёт удержание и LTV от когорты к когорте — вы движетесь правильно, какими бы ни были абсолютные цифры.
Не нужно сразу городить BI-систему. Уровень инструмента должен соответствовать уровню задачи. Даю три способа — от простого к сложному.
Общая логика для любого способа одна. Первое: определите событие входа в когорту (первый визит, регистрация, первая покупка). Второе: выберите шаг группировки (день, неделя, месяц). Третье: выберите метрику наблюдения (возвращаемость, выручка, число покупок, retention). Четвёртое: выберите горизонт анализа (за сколько периодов смотрим жизнь когорты). И только потом стройте таблицу.
Для старта и небольших объёмов данных Excel или Google Таблицы — нормальный рабочий инструмент, не стыдитесь его. Понадобится выгрузка сырых данных: идентификатор клиента, дата действия и сумма — по строке на каждую транзакцию. Дальше по шагам, с конкретными функциями (даю названия для русской версии Excel).
Шаг 1. Определите дату входа в когорту для каждого клиента. Это дата его первой покупки. Формула через МИНЕСЛИ: =МИНЕСЛИ(диапазон_дат; диапазон_ID; ID_клиента) — она находит минимальную (самую раннюю) дату среди всех строк этого клиента.
Шаг 2. Присвойте когорту. Из даты первой покупки вытащите год и месяц функцией ТЕКСТ: =ТЕКСТ(дата_первой_покупки; "ГГГГ-ММ"). Получите метку вида «2026-03» — это и есть название когорты, по которому удобно группировать.
Шаг 3. Посчитайте возраст каждой покупки — сколько полных месяцев прошло от входа в когорту до самой покупки. Функция РАЗНДАТ: =РАЗНДАТ(дата_первой_покупки; дата_текущей_покупки; "m"). Ноль — покупка в месяц входа, единица — на следующий месяц и так далее.
Шаг 4. Постройте сводную таблицу. В строки поставьте когорту, в столбцы — возраст, в значения — количество уникальных клиентов (в сводной это «Количество различных элементов», если добавить данные в модель) либо сумму выручки, смотря что анализируете.
Шаг 5. Переведите абсолютные числа в проценты. Каждую ячейку разделите на размер когорты — значение в столбце возраста «0», закрепив ссылку через доллары ($). Получите кривую удержания в процентах.
Шаг 6. Включите условное форматирование — цветовые шкалы — чтобы взглядом ловить, где когорта проседает. Красное пятно на определённом возрасте по всем строкам сразу — ваша точка оттока.
Минус Excel — ручная работа и потолок по объёму. Как только данных становится много или анализ надо обновлять еженедельно, пора переходить к специализированным инструментам. Но для проверки первой гипотезы и обучения команды когортный анализ в Excel незаменим: вы руками собираете таблицу и наконец понимаете, из чего она состоит.
Для рынка РФ Яндекс Метрика — инструмент номер один, и не только из-за привычки. С середины 2025 года использование Google Analytics в России стало юридически рискованным: сервис передаёт данные за рубеж, а требования по локализации персональных данных ужесточились, поэтому большинство компаний либо уже ушли с GA4, либо держат его на птичьих правах. Метрика хранит данные в России и заточена под наш трафик, включая корректную обработку визитов из Директа и поиска Яндекса.
Базовый когортный анализ в Яндекс Метрике собирается через отчёты. Логика такая: вы задаёте условие формирования когорт (например, по месяцу первого визита), выбираете период и детализацию, а затем метрику, которую хотите положить на график — визиты, целевые визиты, достижения цели или количество покупок, если подключена электронная коммерция. Метрика строит линейный график по когортам разных месяцев, и вы сразу видите, какая группа возвращается активнее. Данные выгружаются в Excel, если хочется досчитать своё.
[ИЗОБРАЖЕНИЕ: скриншот когортного отчёта в Яндекс Метрике — выбор условия формирования когорт, период, метрика и линейный график по когортам]
Важная оговорка честно: встроенный когортный отчёт Метрики хорош для быстрого взгляда, но глубокий когортный анализ по retention и LTV на нём упирается в потолок агрегированных данных. При небольшом трафике цифры скачут, и выводы делать тяжело. Для интернет-магазина обязательно настройте модуль электронной коммерции и передавайте идентификатор покупателя — без этого связать заказы одного человека во времени не выйдет, а значит и когорты по деньгам не построятся.
Когда объёмы серьёзные и нужен точный когортный анализ по retention и LTV, идут в сырые данные. Из Яндекс Метрики их выгружают через Logs API — это доступ к детальной информации по каждому пользователю и его действиям, в отличие от готовых агрегированных отчётов. Дальше данные складывают в хранилище (часто ClickHouse), считают когорты на SQL и визуализируют в BI — Yandex DataLens, Grafana или подобном.
Этот путь требует аналитика или хотя бы уверенного владения SQL, зато даёт полную свободу: любые признаки когорт, любые метрики, автоматическое обновление дашбордов. Для среднего и крупного бизнеса это правильная конечная точка. Ещё вариант — сквозная аналитика (Roistat, Calltouch, Callibri и аналоги): многие такие платформы считают когорты из коробки и связывают их с рекламными расходами, что снимает половину ручной работы.
Мой совет по инструментам простой. Малому бизнесу и на старте — Excel плюс встроенный отчёт Метрики. Когда данных и гипотез стало много — сквозная аналитика или связка Logs API плюс BI. Не покупайте комбайн, если вам нужно забить один гвоздь.
Наша система сама подберет вам исполнителей на услуги, связанные с разработкой сайта или приложения, поисковой оптимизацией, контекстной рекламой, маркетингом, SMM и PR.
Заполнить заявку
13757 тендеров
проведено за восемь лет работы нашего сайта.
Теория без практики мертва. Три примера из реальной работы — цифры округлил и слегка изменил, но пропорции и выводы настоящие.
Магазин товаров для дома лил трафик из двух источников: контекст в Директе и закупы у скидочных телеграм-каналов и купонников. По цене лида купонники выигрывали с разгромом — заявка выходила почти вдвое дешевле. Отдел закупок настаивал перелить весь бюджет туда.
Собрали когорты по месяцу первой покупки, разбили по источнику, наложили LTV. Картина по контексту: первый чек в среднем 2300₽, возвращаемость на второй месяц 24%, и за полгода средний клиент делал ещё примерно 1,5 покупки со средним чеком около 2050₽.
Покажу, как собралась итоговая цифра, чтобы она не висела в воздухе. Выручка-LTV клиента из контекста за 6 месяцев ≈ 2300 + 1,5 × 2050 ≈ 2300 + 3075 ≈ 5375₽, округлённо 5400₽. Купонники: первый чек 1900₽, но повторные покупки почти отсутствовали — в среднем 0,1 заказа на клиента за полгода, поэтому их LTV замирал около 1900 + 0,1 × 2000 ≈ 2100₽. Числа здесь по выручке, не по марже, и специально не идеально круглые — потому что реальные когорты никогда не бывают ровными.
Пересчёт с учётом удержания перевернул решение: реальная стоимость привлечения окупаемого клиента у купонников оказалась выше, а не ниже. Люди приходили строго за скидкой и исчезали. Бюджет оставили в контексте, купонники срезали до тестового минимума, а высвободившиеся деньги пустили на email-реактивацию первой когорты. Через квартал доля повторных заказов выросла с 19% примерно до 27% — то есть вышли к верхней границе нормы для e-commerce. Ни один отчёт по цене лида этого решения не подсказывал — только когорты.
SaaS-сервис с месячной подпиской жаловался на отток. Общий retention болтался около 30% и не двигался. Построили когорты по месяцу регистрации и увидели провал: массовый отток стабильно приходился на конец первого месяца. Люди регистрировались, не доходили до ключевого действия (в их случае — не подключали первую интеграцию) и отваливались, так и не почувствовав пользы.
Сделали поведенческую когорту: сравнили тех, кто подключил интеграцию в первую неделю, с теми, кто нет. Retention M1 у первых — 61%, у вторых — 22%. Разрыв колоссальный — вот то самое ключевое действие, к которому нужно подтягивать всех новичков. Всю работу переориентировали на одну цель: довести нового пользователя до первой интеграции как можно быстрее. Переписали онбординг, добавили подсказки и цепочку писем первых дней.
Сравнили когорту до изменений и после на одном отрезке. Retention первого месяца по свежей когорте поднялся с 34% до 41% — не фантастика, но на дистанции это заметный плюс к выручке, потому что каждый удержанный процент капает каждый месяц. Что важно: без когортного анализа мы бы «улучшали продукт вообще» и распыляли силы. Когорты показали точку удара.
Мобильное приложение сервиса услуг гнало установки через платный трафик. Стоимость установки радовала, план по загрузкам выполнялся, все были довольны. Пока не посмотрели retention по когортам установок по дням.
Органические установки давали D1 около 38%, D7 около 19%, D30 около 11%. Платные установки из одной сети: D1 около 25%, D7 около 7%, D30 около 4%. То есть платная когорта осыпалась почти полностью за месяц. С учётом того, что монетизация начиналась в среднем только к третьей неделе жизни пользователя, платный трафик из этой сети не окупался в принципе — люди уходили раньше, чем приносили деньги.
Отключили худшую сеть, перераспределили бюджет в источники с адекватным D30 и в работу над самим удержанием первых дней. Вывод кейса универсален: считать привлечение по стоимости установки или лида без ретеншена — значит обманывать себя. Когорты по дням D1–D30 обязательны для любого приложения и любого сервиса с быстрым циклом.
За годы я собрал коллекцию граблей. Делюсь, чтобы вы на них не наступали.
Слишком маленькие когорты. Если в когорте 40 человек, любые проценты будут скакать от случайности. На малом трафике укрупняйте шаг: не по неделям, а по месяцам, иногда по кварталам. Статистика любит объём.
Путаница удержания и повторной активности. Решите заранее, что считаете «возвращением»: любой визит, целевое действие или именно покупка. Разные определения дают разные кривые, и сравнивать их между собой нельзя.
Игнорирование сезонности. Декабрьская когорта в e-commerce почти всегда ведёт себя иначе новогодней волны ради. Сравнивайте сопоставимые периоды и держите сезонность в голове, иначе примете сезонный всплеск за успех маркетинга.
Анализ ради анализа. Самая частая и самая дорогая ошибка. Построили красивую когортную таблицу, полюбовались, закрыли. Когорты нужны не для отчёта, а для решения: срезать канал, переписать онбординг, сдвинуть бюджет. Нет решения на выходе — вы потратили время зря.
Смешивание разнородной аудитории в одну когорту. B2B и B2C, опт и розница, разные продукты живут по разным законам. Складывать их в одну когорту — всё равно что мерить среднюю температуру по больнице.
Отказ от когорт из-за «мало данных». Даже на скромном трафике когорты по месяцам покажут тренд. Ждать «идеальных данных» — значит не начать никогда.
Инструмент работает, только когда встроен в процесс, а не запускается раз в год перед защитой бюджета. Как это делаю я.
Определите одну ключевую метрику удержания для вашего бизнеса — retention M1, D7 или доля повторных покупок — и выведите её на общий дашборд. Одна цифра, за которой следят все.
Заведите привычку смотреть свежую когорту раз в две недели или раз в месяц, в зависимости от цикла. Не «когда что-то пошло не так», а регулярно, как проверку пульса.
Каждое заметное изменение — в продукте, онбординге, трафике — фиксируйте и потом сравнивайте когорту «до» и «после». Это дисциплинирует и превращает интуицию в доказанные факты.
Свяжите когорты с деньгами. Retention без LTV — половина картины. Как только удержание сцеплено с выручкой и расходами на канал, вы управляете юнит-экономикой, а не просто любуетесь графиками.
И не тащите в это одного человека. Аналитик строит таблицу, но выводы делает вся команда — маркетинг, продукт, продажи. Иначе цифры так и останутся цифрами.
Тема на стыке маркетинга, продукта и аналитики, поэтому и источники разные. Собрал то, что реально помогает, без списка ради списка.
Из книг — «Lean Analytics» Алистера Кролла и Бенджамина Йосковица. Это база по продуктовой аналитике, где когорты и удержание разбираются как основа для роста, а не как отдельный трюк. Читается тяжеловато, но окупается. Для понимания LTV и юнит-экономики полезна любая толковая книга по unit-экономике стартапов — там когорты идут рука об руку с расчётом окупаемости.
Из практических материалов — документация и учебные разделы Яндекса по Метрике и когортному анализу: там же лежат пошаговые инструкции по встроенному отчёту и по выгрузке сырых данных через Logs API. Блоги аналитиков вроде Осипенкова хороши тем, что показывают связку Метрика — ClickHouse — DataLens на живых примерах со скриншотами.
Англоязычные ресурсы Amplitude и Mixpanel — золотой стандарт по retention и когортам в продуктовой аналитике: у обоих есть развёрнутые гайды по кривым удержания и работе с ключевым действием. Материалы Reforge (Brian Balfour и команда) — для тех, кто хочет глубоко в механику роста и удержания.
Из курсов на русском смотрите программы по веб-аналитике и продуктовой аналитике у крупных школ — важно, чтобы в программе были практические работы с реальными данными и разбор когорт, а не только теория. И честно: один построенный своими руками когортный отчёт по собственному проекту научит вас большему, чем три курса, просмотренных фоном. Начните с Excel и своих данных.
Прежде чем закрывать статью, ответьте себе на эти вопросы — они покажут, готовы ли вы строить когорты на своём проекте.
По какому событию вы сформируете когорту в своём бизнесе: первый визит, регистрация, установка или первая покупка? Какой шаг группировки вам подходит — день, неделя или месяц? Какую метрику вы положите на пересечения таблицы — возвращаемость, retention, выручку или LTV? На каком возрасте когорты вы ожидаете увидеть провал и почему? Отличается ли поведение когорт из разных каналов трафика — и проверяли ли вы это вообще? Как ваши цифры удержания и LTV:CAC выглядят на фоне рыночных ориентиров из этой статьи? Какое конкретное решение вы примете, если увидите, что новые когорты держатся хуже старых?
Если на большинство вопросов ответ пока «не знаю» — это и есть ваш список задач на ближайший месяц.
Отдельный блок для тех, кто растёт в профессии и держит руку на пульсе рынка. Аналитика аналитикой, но работа в digital во многом делается через telegram: там и вакансии появляются быстрее, чем на классических площадках, и кейсы обсуждают живьём. Подобрал каналы, которые сам читаю и рекомендую — миксуйте их под свои цели, будь то поиск работы, найм или просто чтобы держаться в теме.
Профильные вакансии для маркетологов, PR-специалистов, контент-менеджеров и SMM — если ищете работу в маркетинге или пришли нанимать, начните отсюда. Свежие предложения без мусора и «вакансий-призраков»:
https://t.me/digital_jobster
Вакансии в продажах и маркетинге, живые проекты — тг-канал для тех, кто хочет не просто «откликаться», а найти интересную задачу и адекватного работодателя. Хорошая точка входа, если ищете сильного менеджера по продажам или сами метите в сильные:
https://t.me/rabota_go
Удалёнка и онлайн-проекты — telegram-канал для любителей работать из любой точки, хоть с ноутбуком на пляже под стакан джуса. Удалённые вакансии в digital, фриланс и проектная занятость собраны в одном месте:
https://t.me/rabota_freelancee
Разместить резюме и посмотреть кандидатов — тг канал, где соискатели выкладывают резюме, а работодатели ищут людей напрямую. Удобно, когда нужно быстро оценить, кто сейчас в активном поиске на рынке:
https://t.me/jobster_resume
Рабочий юмор, будни коллег, разборы кейсов маркетинга и полезности по контенту и SMM — telegram канал, чтобы выдохнуть и подсмотреть рабочие фишки. Тот случай, когда мемы и польза уживаются в одной ленте:
https://t.me/jobster_guru
Совет: если серьёзно ищете работу или сотрудника, подпишитесь сразу на несколько — вакансии в тг разлетаются быстро, и выигрывает тот, кто откликнулся первым.
Когортный анализ, юнит-экономика, работа с retention и LTV — это ровно те навыки, за которые сегодня борются компании и которыми зарабатывают специалисты. Вопрос в том, где эти две стороны быстро находят друг друга. Отвечаю по делу.
Джобстер — одна из ведущих платформ для найма и поиска работы в маркетинге, digital и продажах. Нас выбирают компании, которым важен результат и быстрый найм, а не поток случайных откликов. И к нам приходят соискатели, которые хотят работать в маркетинге по-настоящему, а не «попробовать себя».
Мы выстроили систему, в которой нет случайной аудитории: только профильные специалисты — маркетологи, аналитики, SMM-менеджеры, контент-специалисты, дизайнеры и продажники. Меньше мусора, меньше потерь времени, выше шанс сразу выйти на сильного кандидата. В отличие от гигантских досок, где вакансия маркетолога тонет между грузчиками и бухгалтерами, каждое размещение на Джобстере дополнительно усиливается нашей сетью Telegram-каналов — это ускоряет отклики и закрытие позиций.
Если вы бизнес и ищете человека, который умеет считать ROMI и строить когорты, а не просто «делать красиво» — вам сюда. Если вы специалист и хотите расти в деньгах и задачах без бесконечных кругов собеседований — тоже сюда.
Витрина открытых вакансий: https://jobster.pro/work
База соискателей: https://jobster.pro/baza_rezume_specialistov
Разместить вакансию: https://jobster.pro/employer
Разместить резюме: https://jobster.pro/razmestit_rezume
Джобстер — это про зрелый найм, когда важны не отклики, а сильные люди. Нужен сотрудник, который реально усилит маркетинг, — вы найдёте его здесь. Ищете ту самую работу — тоже.
Чем когортный анализ отличается от RFM-анализа? RFM сегментирует текущую базу по давности, частоте и сумме покупок — это срез «здесь и сейчас» для работы с клиентами. Когортный анализ смотрит на группы во времени и отвечает на вопрос удержания и жизненного цикла. Они не конкуренты, а дополняют друг друга: RFM — кому писать сегодня, когорты — как в целом живёт база.
Сколько данных нужно для когортного анализа? Формально когорту можно построить и на сотне пользователей, но чем меньше группа, тем сильнее шумят цифры. Ориентир: от нескольких сотен человек в когорте выводы становятся устойчивыми. На малом трафике укрупняйте шаг до месяца или квартала.
Можно ли делать когортный анализ в Яндекс Метрике бесплатно? Да, встроенный когортный отчёт доступен бесплатно, как и вся Метрика. Для интернет-магазина нужно дополнительно настроить электронную коммерцию и передачу идентификатора покупателя, иначе когорты по деньгам не построятся.
Какой retention считается нормальным? Зависит от ниши. Для e-commerce нормальна доля повторных покупок в районе 20–35%, для подписок и приложений планка выше — от 60% удержания платящих. Но главный ваш бенчмарк — предыдущая собственная когорта: если удержание растёт от периода к периоду, вы на верном пути.
Как часто нужно обновлять когортный анализ? Зависит от цикла бизнеса. Для приложений и подписок — раз в неделю-две. Для e-commerce и услуг с длинным циклом — раз в месяц. Главное, чтобы это была регулярная привычка, а не разовый героизм перед защитой бюджета.
Подходит ли когортный анализ для малого бизнеса и малого трафика? Подходит, просто на меньших объёмах берите более крупный шаг группировки и не гонитесь за дробными процентами. Даже простая когортная таблица в Excel по месяцам покажет, растёт ваша база или тает.
Что важнее — retention или LTV? Это две стороны одной монеты. Retention показывает, остаются ли клиенты, LTV — сколько денег они при этом приносят. Смотреть надо вместе: высокий retention без выручки и высокий первый чек без удержания одинаково обманчивы.
С какого признака когорты начать новичку? С месяца первого касания — визита, регистрации или первой покупки. Это самый понятный и универсальный вариант. Освоите временные когорты — дальше накладывайте источник трафика и поведение.
