Средний отток клиентов 7% в месяц :это хорошо или плохо? Зависит от того, откуда идет отток: если уходят преимущественно клиенты первого месяца, а долгосрочные клиенты остаются, это одна картина. Если отток равномерно распределён по всему сроку жизни, то другая. Если за последние три месяца отток вырос именно у новых клиентов , то это вообще третья ситуация, которая требует немедленной реакции.
Агрегированный показатель оттока всего этого не покажет. А вот когортный анали покажет.
Когорта это группа клиентов, объединённых между собой общим признаком: чаще всего временем первой покупки. Когортный анализ отслеживает, как ведут себя эти группы со временем: остаются ли активными, сколько покупают, когда уходят. Это инструмент, который переводит удержание из агрегированной метрики в управляемый процесс.
В этой статье рассмотрю, как строить когортный анализ, читать матрицу удержания и использовать данные для роста LTV.
Когортный анализ: зачем он нужен?
Стандартная ошибка это смотреть на общие метрики без учёта времени. Активная клиентская база может расти, пока удержание ухудшается. Просто потому, что новые клиенты пополняют базу быстрее, чем уходят старые. Когортный анализ разделяет эти два процесса и показывает реальную картину.
- Оценка эффективности изменений. Если в марте изменили онбординг, то когортный анализ покажет, изменилось ли удержание у клиентов, привлечённых после марта, по сравнению с теми, кто пришёл до. Без когорт это невозможно увидеть.
- Прогнозирование LTV. Паттерн удержания по ранним когортам это основа для прогноза LTV новых клиентов. Если клиенты исторически теряют 30% к третьему месяцу и стабилизируются на 45%, это можно заложить в прогноз.
- Диагностика причин оттока. Высокий ранний отток (первые 1-3 месяца) это проблема онбординга или несоответствия ожиданий. Высокий поздний отток (после 12+ месяцев) это уже проблема ценности продукта в долгосрочной перспективе. Разный диагноз и разные методы работы.
- Сравнение качества клиентов по каналам. Клиенты из контекстной рекламы могут показывать отток 15% в первые три месяца, а клиенты из реферальной программы всего 5%. Это меняет оценку эффективности каналов: не только CAC, но и LTV по каналу.
Матрица когортного удержания
Основной формат визуализации когортного анализа это матрица удержания. Строки это когорты (обычно по месяцу первой покупки). Столбцы: периоды после первой покупки (М0, М1, М2…). Значение в ячейке — процент клиентов данной когорты, оставшихся активными в данный период.
| Когорта | Кл-тов | М0 | М1 | М2 | М3 | М4 | М5 | М6 |
|---|---|---|---|---|---|---|---|---|
| Январь | 120 | 100% | 68% | 54% | 48% | 44% | 41% | 39% |
| Февраль | 95 | 100% | 71% | 57% | 50% | 46% | 43% | — |
| Март | 140 | 100% | 74% | 60% | 53% | 48% | — | — |
| Апрель | 110 | 100% | 76% | 63% | 56% | — | — | — |
| Май | 130 | 100% | 78% | 65% | — | — | — | — |
| Июнь | 115 | 100% | 80% | — | — | — | — | — |
| Июль | 125 | 100% | — | — | — | — | — | — |
Несколько ключевых наблюдений из этой матрицы: удержание улучшается с каждой новой когортой (с 68% в январе до 80% в июне к первому месяцу) т.е это сигнал о позитивном изменении в продукте или онбординге. Самый острый момент оттока это первый месяц: каждая когорта теряет около 20–30% клиентов именно здесь.
Как строить когортный анализ: пошаговый процесс
Шаг 1. Определите когорту и событие активности
Когорту можно определять по-разному: дата первой покупки, дата регистрации, дата первого активного использования продукта. Выбор зависит от вашей бизнес-модели. Событие активности (что считать «остался активным») тоже нужно определить: для подписочного бизнеса это продление подписки; для транзакционного же покупка в течение N дней.
Шаг 2. Выгрузите данные из CRM или базы данных
Минимальный набор полей: идентификатор клиента, дата первого события (для определения когорты), дата каждой последующей транзакции или активности. Для B2B с небольшим числом клиентов это можно сделать вручную в Excel/Google Sheets. При сотнях и тысячах клиентов нужен SQL-запрос к базе данных или выгрузка из CRM.
Шаг 3. Постройте матрицу
В Google Sheets или Excel: строки это когорты (месяц первой покупки), столбцы — периоды (М0, М1…), значения это количество активных клиентов или % от исходного размера когорты. Добавьте условное форматирование (тепловая карта) и паттерны станут лучше видны визуально.
Шаг 4. Интерпретируйте паттерны
Ищите три типа сигналов. По горизонтали : как меняется удержание внутри одной когорты со временем, когда наибольший отток, есть ли стабилизация. По вертикали: как меняется удержание между когортами в один и тот же период, улучшается ли M1 для более поздних когорт? По диагонали: как ведут себя клиенты одного «возраста» в разные календарные периоды, нет ли сезонного оттока?
Ключевые паттерны и что они означают
Высокий ранний отток (М0-М2)
Если 30-40% клиентов уходят в первые два месяца это типичная проблема онбординга. Клиент купил, но не получил ожидаемого результата быстро или не разобрался в продукте. Решения: улучшение онбординга, контакт в первые недели, образовательный контент, быстрые «результаты» для нового клиента.
Стабильный уровень после начального оттока
Если после острого первого оттока кривая стабилизируется на уровне 40-50% и не снижается дальше, то у вас есть ядро лояльных клиентов. Ваша задача вырастить это ядро: уменьшить начальный отток, чтобы больше клиентов «доходило» до стабильной фазы.
Постепенное ухудшение без стабилизации
Каждый месяц теряете 5-8% клиентов без признаков стабилизации. Это сигнал о системной проблеме с ценностью продукта: клиенты не находят достаточной причины оставаться. Ваша задача: понять через интервью и анализ поведения, что происходит в жизни клиента перед отменой.
Ухудшение показателей в новых когортах
Если М1 для когорты июля хуже, чем М1 для когорты января это серьёзный сигнал. Значит, что-то изменилось: качество трафика, продукт, процессы, ожидания рынка. Нужно найти изменение, которое совпало с ухудшением, и разобраться, является ли оно причиной.
Когортный анализ по каналам
Особенно полезно строить когортный анализ с разбивкой по каналам привлечения. Типичная картина: клиенты из органического трафика (SEO) и реферальной программы показывают значительно лучшее удержание, чем клиенты из платной рекламы. Это меняет оценку стоимости привлечения: канал с CAC 8 000 руб. и удержанием 70% к шестому месяцу лучше, чем канал с CAC 4 000 руб. и удержанием 30%.
Когда вы видите это по данным, то и распределение маркетингового бюджета становится очевидным.
Инструменты для когортного анализа
- Google Sheets/Excel. Достаточно для большинства малых бизнесов при объёме до 500-1000 клиентов. Требует ручной подготовки данных, но даёт полный контроль над логикой.
- Яндекс.Метрика. Встроенный когортный анализ по поведению на сайте, доступен в бесплатной версии. Хорошо подходит для e-commerce и подписочных сервисов.
- CRM-системы (AmoCRM, Битрикс24). Многие CRM имеют встроенные когортные отчёты или позволяют строить их через выгрузку и внешний анализ.
- BI-инструменты (Power BI, DataLens). Для компаний с базой данных и штатным аналитиком это наиболее гибкое решение. Позволяет строить когорты по любым признакам.
Типичные ошибки в когортном анализе
- Слишком маленькие когорты. Когорта из 5-10 клиентов статистически ненадёжна. Случайное поведение 2-3 клиентов сильно меняет показатели. Минимальный рабочий размер это 30-50 клиентов на когорту.
- Смешивать клиентов из разных каналов в одной когорте. Если в одной временной когорте 50% клиентов из органики и 50% из рекламы с очень разным удержанием, то паттерн будет смазан. Нужно строить отдельные когорты по каналам трафика.
- Интерпретировать неполные когорты. Когорта июля на матрице выше показывает только М0: она ещё «молодая». Не делайте выводов о её долгосрочном удержании, ведь данных ещё нет.
- Видеть изменение, но не искать причину. Когортный анализ показывает что происходит, но не отвечает на вопрос «почему». Причину нужно искать отдельно: через интервью с ушедшими клиентами, анализировать их поведения перед оттоком, сравнивать с периодом «до».
