Зачем нужен когортный анализ
Агрегатные метрики (средний retention за месяц, средний LTV) скрывают важную информацию: старые когорты с хорошим удержанием маскируют плохие показатели новых. Когортный анализ позволяет видеть динамику по каждой группе отдельно.
Типичный вопрос, на который отвечает когортный анализ: «Покупатели, пришедшие из Instagram в Q3, удерживаются лучше, чем пришедшие из контекста в Q4 — или нет?»
Структура когортной таблицы
Когорта | M+0 | M+1 | M+2 | M+3
-------------|------|------|------|------
Январь | 100% | 22% | 15% | 11%
Февраль | 100% | 25% | 17% | 13%
Март | 100% | 28% | 20% | —
Рост retention от января к марту может говорить об улучшении продукта, смене качества трафика или запуске программы персонализации. Когортный анализ позволяет это обнаружить — агрегатная метрика — нет.
Типы когортного анализа в e-commerce
Acquisition cohort — группировка по дате первой покупки или первого визита. Позволяет измерить, как меняется «качество» привлечённых покупателей.
Behavioral cohort — группировка по действию: «пользователи, активировавшие программу лояльности», «пользователи, совершившие 3+ покупки в первый месяц». Позволяет сравнивать LTV разных поведенческих сегментов.
A/B cohort — сравнение когорт из контрольной и тестовой группы по долгосрочным метрикам. Это более мощный способ оценки эффекта персонализации, чем краткосрочный A/B тест.
Когортный анализ и персонализация
Совет: запускайте когортный анализ retention при каждом значимом изменении на сайте: новый рекомендательный блок, редизайн главной, запуск программы сегментации. Когорта «после» vs когорта «до» — простой способ измерить долгосрочный эффект.
Три признака здорового состояния когорт:
— Retention-кривая выполаживается (не стремится к нулю)
— Новые когорты удерживаются лучше старых (продукт улучшается)
— LTV растёт у поведенческих когорт с персонализацией
Инструменты
Когортный анализ доступен в: GA4, Amplitude, Mixpanel, Яндекс Метрике, Tableau/Power BI (через ручные когортные таблицы из DWH). Для точного измерения влияния персонализации лучше использовать данные из DWH напрямую — больше гибкости в определении когорты и периода.