Когортний аналіз: визначення, типи та приклади застосування

Не секрет, що сонячне світло насправді не біле. Воно складається з хвиль різної довжини, і за допомогою призми його можна розкласти в різнокольоровий спектр.

Точно так само і ваші клієнти – не сукупний потік «одного кольору». Наприклад, ви дивитесь на статистику за попередній місяць у вигляді стандартної таблиці й бачите, що X клієнтів принесли вам Y доходу. Як багато глибоких і насправді дієвих висновків (actionable insights) ви зазвичай виносите з подібних таблиць? Підозрюю, що не так і багато.

І це не дивно. Ви ж дивитесь на загальну сукупність клієнтів, до якої входить і той, хто зробив першу покупку за 100 грн, і той, хто вже 8 років з вами та купує всоте. А це, як не крути, дуже різна аудиторія, і вона заслуговує різної уваги.

Когортний аналіз – це ваша призма, яка бере суцільний масив користувачів і розділяє його на групи: нові клієнти, ті, хто прийшов через акцію, користувачі з певного регіону. І раптом ви бачите: у кожної групи свій «колір», свої закономірності, своя поведінка. Саме цей ефект – здатність відкрити приховані відмінності – робить цей аналіз настільки цінним для бізнесу.

Сфера застосування когортного аналізу необмежена, і він може бути корисним усім. У цій статті я опишу, які бувають типи когорт, наведу приклади для SaaS, E-commerce, B2B та мобільних додатків, а також які інсайти можна винести. Також ви зможете самостійно спробувати провести такий аналіз на тестових даних – у статті ви зустрінете лінк на приклад інтерактивного звіту.

План сьогодні наступний:

• Що таке когортний аналіз
• Види когорт
  • Часові когорти
  • Поведінкові когорти
  • Сегментні когорти
• Практичні приклади для бізнесу
  • SaaS
  • E-commerce
  • B2B
  • Mobile Apps
• Висновки та поради

Що таке когортний аналіз

Когортний аналіз – це спосіб об’єднання клієнтів у групи (когорти) за спільними ознаками та відстеження їхньої поведінки з плином часу. Приклади когорт – наші клієнти, які зробили першу покупку в січні, або підписалися вперше на преміум-тариф, або ті, хто зареєструвався з реклами. І далі ми спостерігаємо за їхньою активністю від моменту першої дії й до сьогодні.

На відміну від сукупного аналізу всіх клієнтів разом, такий підхід дає змогу виявити приховані закономірності в межах окремих груп. Наприклад: замість того, щоб дивитися лише на загальний рівень продажів чи відтоку клієнтів, бізнес може розбити клієнтів на когорти (скажімо, за місяцем реєстрації або першого замовлення) і побачити, що деякі з цих когорт мають значно вищий відсоток утримання, ніж інші. Таким чином виявляються проблемні або успішні аспекти, притаманні окремим групам, які були б непомітні під час аналізу всіх клієнтів разом.

Такий аналіз дозволяє зрозуміти поведінку клієнтів та відповісти, наприклад, на такі питання:

• Коли і як часто клієнти повертаються робити повторні покупки?
• Як коливається дохід від клієнтів з часом?
• Скільки коштів приніс залучений клієнт через пів року / рік після першої покупки?
• Які саме клієнти найбільш лояльні?
• Коли окуповуються рекламні активності? А які кампанії не приносять прибутку навіть з часом?
• Як нова функція впливає на залучення користувачів?

Це тільки декілька прикладів. Більше ми розглянемо далі. На цьому ж етапі я назву основні напрямки, де когортний аналіз буде у пригоді:

• Розуміння життєвого циклу клієнта. Когорти допомагають зрозуміти, як протягом часу змінюється поведінка певної групи клієнтів, та дозволяють ідентифікувати, на якому етапі життєвого циклу відбувається відтік клієнтів чи повторні покупки.
• Визначення ефекту змін. Аналіз по когортам дає можливість побачити, як нова функція вплинула на конкретні групи користувачів. Це важливо, зокрема, для SaaS-компаній і мобільних додатків, де оновлення продукту трапляються регулярно.
• Оптимізація маркетингу та пропозицій. Виділяючи когорти за каналом залучення або типом продукту, можна визначити рекламні кампанії та категорії, які працюють на залучення цільової та лояльної аудиторії, а які не окуповуються навіть з часом.

Види когорт

Найбільш класичними є часові когорти – групи людей на основі часу залучення. Але також корисно аналізувати клієнтів за їхньою поведінкою або характеристиками. Тут не існує якогось академічного й вичерпного визначення видів когорт – ви можете створювати свої власні підходи, зберігаючи загальну логіку когортного аналізу, а саме об’єднання людей за спільною характеристикою і простежування їхніх дій з часом.

Часові когорти

Для таких когорт клієнти об’єднуються за часом першої дії, яка є цінною для вас і від якої ви хочете простежити подальшу взаємодію. Такою датою може бути день реєстрації в сервісі, перша покупка підписки, перше замовлення, перше відвідування сайту, досягнення певного рівня в грі, день складання першої угоди тощо. Загальний принцип тут – це групи людей, які зробили певну дію в конкретний час, наприклад, рік, квартал, місяць, тиждень.

Аналіз за часом першої дії допомагає визначити якість залучених лідів та які періоди принесли найбільш цінних клієнтів. Також можна визначити, наприклад, коли відбувається відтік клієнтів, чи стали ми залучати більш лояльних клієнтів порівняно з минулими періодами та коли наші інвестиції починають окуповуватися.

Поведінкові когорти

Такі когорти об'єднують людей згідно з їхньою першою дією. Наприклад, сегментувати можна:

• за каналом, з якого користувач зробив першу покупку,
• за планом підписки, на який юзер підписався після реєстрації,
• за категорією товарів, у якій була оформлена перша покупка,
• за використанням певної функції в конкретний період,
• за розміром знижки, яка була під час першого замовлення тощо.

Це дозволяє виявляти поведінку, яка веде до більшої цінності клієнта, та певним чином спрогнозувати утримуваність нових клієнтів у перспективі на основі історичних даних старших когорт.

Сегментні когорти

На відміну від попереднього типу, ці когорти об'єднують людей за їхніми характеристиками, які не змінюються або змінюються дуже рідко. Це можуть бути будь-які параметри клієнта, наприклад, його країна, спосіб залучення в продукт (чи було йому проведено демо), демографія, рівень доходу, тип клієнта (B2B, B2C) тощо.

Завдяки такому підходу можна визначити, який тип клієнтів потребує більшої уваги, оскільки у нього нижчий рівень утримання з часом, а які клієнти є для нас найбільш лояльними. Це, зокрема, допомагає побудувати стратегію залучення в маркетингових кампаніях.

Кожен із цих видів когорт дає різний зріз інформації. Наприклад: часові когорти допомагають побачити сезонні тенденції – чи впливає час залучення на довгострокову цінність клієнта, поведінкові когорти виявляють, які дії користувачів пов’язані з кращою взаємодією, а сегментні когорти за типом клієнта показують, як відрізняється ефективність роботи з різними групами клієнтів. Найкраще – це не обмежуватись одним типом, а комбінувати їх для отримання більш точкових і конкретних інсайтів замість надто широкої картини, у якій складно простежити патерни.

Водночас не перегинайте з сегментацією. Інакше групи стануть занадто малими, і ви ризикуєте зробити поспішні висновки на даних, яким бракує значущості.

Практичні приклади для бізнесу

Теорія завершилася. Тепер перейдемо до цікавішого – розберемо на конкретних прикладах, як можна провести когортний аналіз для специфічних бізнесових задач.

SaaS

Для SaaS когортний аналіз має ключове значення в аналітиці. Він допомагає покращити найголовнішу метрику для цього типу бізнесу – утримуваність, рівень якої і потенційні вузькі місця не можна побачити в жодному іншому представленні.

На прикладі нижче ми об’єднуємо користувачів за місяцем першої оплати та простежуємо, як довго вони продовжують користуватися нашим сервісом. Подальший час за класикою розбивається по 30 днів. Таким чином, нульова когорта – це всі користувачі, які зробили оплату в конкретний місяць, вказаний у рядках звіту. Перша когорта – це користувачі, які користувалися сервісом між 30 та 59 днем після першої оплати. Друга когорта – це користувачі, які користувалися сервісом між 60 та 89 днем після першої оплати. І так далі.

Для спрощення я буду називати не порядковий номер когорт, а “місяцями після першої оплати”, тобто не “третій період когорти”, а “через три місяці після першої оплати”.

Переглянувши приклад класичного когортного аналізу по утриманню за останні 14 місяців, можна відмітити таке:

• Початкове утримання (місяць 1): майже у всіх когорт воно стабільно високе — 78–89%. Це доволі добрий показник, бо у багатьох SaaS-продуктів відтік після першого місяця є різкішим.
• Динаміка далі: після 2–3 місяців видно відчутне падіння — утримання часто знижується до 60–70%, а через 6–7 місяців падає до 40–50% і нижче.
• Користувачі, залучені в грудні, частіше залишаються з нами: у них найвищий показник утримання на третій та шостий місяць. Їхня частка зберігається на дуже високому рівні й досі – на дев’ятий місяць залишилося з нами 49%. Також серед сильних когорт можна відмітити когорти вересня та листопада – майже половина залучених у цей період залишалася з нами протягом року. Відмітивши такі сильні когорти, треба дослідити, чим вони відрізнялися – канали, пропозиції, сегменти клієнтів, і за можливості масштабувати успішні підходи.
• Також можна відмітити слабкі когорти, серед яких жовтень, лютий та квітень. Утримання цих когорт, починаючи з третього місяця, одне з найнижчих і продовжує падати надалі. Ці когорти явно підказують, що наша стратегія залучення в ці місяці була найгіршою.
• Якщо поглянути на когорти травня, червня й липня, то можна зробити висновок, що утримання покращилося – у перший місяць з нами залишається 87–89% користувачів, що більше, ніж у попередні періоди. На другий місяць так само ми бачимо дуже високий відсоток – 79–80%, але когорти травня і червня сигналізують нам, що ми залучили людей, чия лояльність не така вже й висока в довгостроковій перспективі – ми бачимо 57–63% утримання на третій місяць, що не вище за середній показник. І треба уважно спостерігати далі, чи останні наші активності по залученню сприяли притоку лояльних клієнтів, або проблема зберігається – у всіх когорт ми бачимо доволі відчутне просідання на третій місяць, що може сигналізувати: користувачі після первинного високого інтересу зрештою не бачать достатньої цінності в продукті.

Це всього лише верхній рівень аналізу, а ми вже бачимо декілька ідей, які треба дослідити й які потенційно можуть наштовхнути нас на корисні рішення. Але дуже бажано не затримуватися на цьому рівні, а продовжувати досліджувати дані глибше. Наприклад, на утримання суттєво впливають річні підписки, і краще відокремлювати річні та місячні підписки під час аналізу. Відфільтрувавши тільки річні, ми бачимо дуже високий рівень утримання протягом усього року, що не дивно, але після року йде різкий спад. Водночас ми бачимо позитивну динаміку – раніше з нами залишалося приблизно 40% користувачів від когорт початку 2024 року. А тепер когорти липня і серпня того ж року вже показують, що через рік з нами залишаються дві третини таких користувачів. Це означає, що протягом липня і серпня ми провели ефективні дії з утримання тих, у кого річна підписка мала скоро поновитися, але у вересні щось пішло не так – ми бачимо тільки 36% користувачів, які залишилися з нами після року.

Раджу вам самим відкрити цей звіт, якщо ви досі цього не зробили, і спробувати самостійно дослідити різні аспекти даних та відмітити інсайти, які ви знайдете, оскільки я не зможу описати їх усі в рамках однієї статті.

Над таблицею доступний вибір метрик:

• Customers – кількість користувачів.
• Retention Rate – частка тих, хто залишається з нами.
• MRR – monthly recurring revenue, або щомісячний повторюваний дохід. Детальніше про показники для SaaS я писала в одній із попередніх статей.
• MRR Retention – показник утримання доходу: який MRR ми продовжуємо отримувати з плином часу від тих, хто з нами залишається.
• MRR Cumulative – повторюваний щомісячний дохід, який рахується за принципом накопичення з місяця в місяць.
• ARPU – дохід, який ми отримуємо від одного користувача через конкретний період після залучення.
• ARPU Cumulative – можна сказати, що це “фактичний LTV”: кумулятивний дохід від одного користувача від залучення до сьогодні.

Останній показник відкриває нам ще один важливий інсайт, який ми не побачили раніше: когорти, залучені у березні, принесли нам найбільше доходу на одного користувача – $1210. Також однією з кращих була когорта серпня 2024-го року – вона на другому місці за сумою доходу на одного користувача на п’ятий місяць після залучення. Таким чином, хоча утримання є одним із найбільш класичних прикладів когортного аналізу, насправді важливіший показник – це сума коштів, яку ми отримуємо від користувачів, що з нами залишаються.

Додатковою порадою буде сегментація користувачів. У цьому ж звіті ви можете вибрати таку розбивку:

• Channel Group – група каналів трафіку, який залучив користувачів.
• Customer Type – чи був користувач залучений командою .сейлзів (Sales Assisted) або розбирався в сервісі власноруч (Self Served).
• Subcription Plan – підписка, яку придбав користувач.
• Billing Period – термін, на який була оформлена підписка.

Користуйтеся стрілками, щоб відкрити розбивку:

Але я з вами згодна – таке відображення не найзручніше для дослідження сегментів. Тому у звіті є вкладка Segments and Behavior.

На ній ми можемо, наприклад, подивитися утримання в розрізі каналу залучення. Одразу ми бачимо “чемпіона” – залучені з Email протягом усього свого життя з компанією мають найвищу частку утримання. Що, в цілому, не дивно – це люди, які вже дали нам свій контакт раніше, і ми дотиснули їх корисною email-розсилкою. Тому давайте переглянемо ще гроші – MRR. І раптово ми бачимо іншу картину – найбільш вагомі для нас канали залучення – це органіка, а на другому місці реклама. Email же на останньому місці. Так, звісно, те, що він так добре утримує, вказує на те, що наші розсилки мають позитивний вплив, але це не той канал, на який ми маємо витрачати основні маркетингові зусилля.

Думаю, ви вже трохи звикли читати когорти зліва направо, але їх також можна вивести у зворотному напрямку – по календарних місяцях, а не розрахункових по 30 днів.

У такому відображенні рядки означають місяць першої оплати. Перше значення кожного рядка по діагоналі – у даному випадку це сума MRR, яку ми отримали від клієнтів у перший місяць користування. Подальші значення вправо – це сума доходу у фактичний місяць, вказаний у назві колонки.

Тут ми бачимо більше деталей по доходу, який ми отримували від наших двох переможних когорт – серпня 2024-го та березня 2025-го. Наприклад, серпнева когорта принесла найбільшу частку доходу в січні, квітні та серпні 2025 року. Потрібно однозначно дослідити цих користувачів та наші активності, які привели до таких сплесків оплат. А також дізнатися, що трапилося в березні та травні, що дохід так критично впав.

Також потрібно дослідити, що сприяло такій визначній стабільності доходу березневої когорти – кожен місяць він майже не зменшується. На графіку під таблицею ми бачимо, що березнева когорта 5 місяців поспіль була в топі за часткою доходу.

Завершимо блок когорт для SaaS одним із моїх найулюбленіших досліджень – часу до окупності.

В ідеалі вкладення в залучення у SaaS мають почати приносити прибуток приблизно через пів року. У нас доволі хороша картина – перший прибуток ми отримуємо приблизно через 6,2 місяця після залучення (це вказано над таблицею). При цьому нам є чому повчитися, знову ж таки, у березневої когорти – на графіку внизу вона впевнено виривається вгору на четвертому місяці.

Ця візуалізація поділена на чотири квадрати:

• лівий нижній квадрат – це перші шість місяців і перше співвідношення витрат до прибутку. Когортам “дозволяється” бути в цьому відрізку, оскільки в перші пів року ми не очікуємо позитивної суми.
• лівий верхній квадрат – це когорти-чемпіони. Вони почали приносити прибуток ще до досягнення піврічного віку. Таких когорт у нас одна :)
• правий верхній квадрат – когорти, які почали окуповуватися.
• правий нижній квадрат – це когорти-аутсайдери. Дуже погано, якщо вони ніколи не піднімуться у верхній квадрат, тобто наші вкладення в залучення цих користувачів не окупляться. Особливої уваги заслуговують ті, хто залишається в цьому квадраті надовго, наприклад, вереснева когорта.

Така візуалізація дозволяє доволі легко проєктувати значення “в майбутнє”, просто візуально продовжуючи лінію. Наприклад, є велика ймовірність, що наші останні три когорти травня, червня та липня почнуть окуповуватися ще до настання шести місяців. При цьому в травні ми вклали більше інвестицій, ніж зазвичай, але наша стратегія була доволі успішною.

Могло бути й в іншому напрямку, якщо лінії за своєю тенденцією не поспішали б наближатися до нульової позначки у вигляді горизонтального пунктиру. І ви заздалегідь можете знати, чого приблизно очікувати. Таким певним “прогнозним” ефектом володіють і інші подібні графіки, які зустрічалися нам у попередніх варіантах аналізу.

Наведу ще кілька прикладів, які ви можете застосувати для своїх досліджень:

• Аналіз поведінки та онбординг: поведінкові когорти допомагають зрозуміти, які дії користувачів ведуть до довгострокового успіху. Наприклад, можна виділити когорту користувачів, які активно використовують продукт (певна кількість дій, функцій), і простежити, які кроки вони робили на початку роботи із сервісом. Якщо з’ясується, що високоактивні користувачі здійснили певну дію X протягом перших днів, це натякає, що нових користувачів варто цілеспрямовано підводити до цієї дії. Оптимізація онбордингу на основі таких інсайтів допомагає збільшити частку активних і лояльних клієнтів. І навпаки, можна дослідити когорту користувачів, що швидко відмовилися від сервісу, і з’ясувати, чого вони не зробили або які функції проігнорували – це вказує, що слід покращити в навчанні чи продукті.
• Оцінка впливу змін продукту: SaaS-продукти постійно еволюціонують – додаються нові функції, змінюється інтерфейс, умови тарифів тощо. Когортний аналіз допомагає виміряти ефект таких змін. Наприклад, якщо у квітні була впроваджена важлива нова функція або покращено сервіс, можна порівняти когорту користувачів, залучених після оновлення, з тими, хто приєднався раніше. Важливим сигналом буде, чи покращилися показники утримання або конверсії у “нової” когорти в порівнянні зі “старшою”. Так само можна оцінити ефективність змін в онбордингу: якщо запустили новий навчальний тур для новачків, когорта після цього повинна показати вищу активність і менший відтік на ранніх етапах.

E-commerce

У сфері E-commerce когортний аналіз зазвичай використовується для відстеження поведінки покупців після першої покупки та аналізу повторних продажів. Інтернет-магазинам, як і всім іншим, краще й дешевше не просто залучити покупця один раз, а зробити його постійним клієнтом.

Уявіть, що ви продаєте каву. У січні у вас купили 100 клієнтів – це одна когорта. У лютому прийшли ще 90 – інша когорта. Здається, що бізнес росте – клієнтська база розширюється, але когортний аналіз показує: із «січневих» 100 лише 10 повернулися в березні, а решта зникли. Це вже зовсім інша картинка: проблема не у відсутності нових покупців, а у слабкому утриманні старих. І тоді логічне рішення – не лише гнати трафік, а, наприклад, запустити програму лояльності чи e-mail-розсилки, щоб люди поверталися.

Наш приклад E-commerce зовсім не вирізняється високим рівнем утримання. При цьому не можна остаточно сказати, що все погано. Якщо ви продаєте товари, які рідко купують повторно, наприклад меблі, велику техніку чи дороговартісні товари, то така картина може бути доволі прийнятною. Хоча, напевно, для таких ніш когортний аналіз і не принесе відчутної цінності. Для решти бізнесів, для яких бажане залучення в повторні покупки, картина на скріншоті нижче буде доволі бентежною.

При цьому ми бачимо явний сплеск по діагоналі, який починається з листопада 2024 року. Простеживши за когортами в такому напрямку, ми легко зрозуміємо, що наші активності були успішними у місяць “Чорної п’ятниці”.

Врешті ми маємо справу з дуже низьким відсотком повернення як у перший місяць, так і в подальші. При цьому немає й сезонної повторюваності – коли повторні покупки роблять через певний період. Тут можна поставити дуже багато діагнозів – слабка лояльність, погана впізнаваність, маркетинг бізнесу орієнтується на придбання більше, аніж на утримання поточної клієнтської бази.

В таких випадках можна порадити наступне:

1. Започаткувати програму лояльності. У клієнтів має бути причина повертатися саме до вас: знижки за повторні покупки, бонуси, спеціальні пропозиції – усі ці класичні стратегії не втрачають актуальності.
2. Комунікуйте з вашими покупцями. Ви ж цінуєте своїх покупців, правда? Говоріть їм про це: надсилайте листи з подякою за покупку, бажано не із загальним формулюванням, а персоналізовано настільки, наскільки це можливо. Надсилайте інструкцію з тим, як правильно користуватися придбаними товарами, рекомендації стосовно того, що вашим покупцям може ще бути корисним тощо.
3. Удосконалюйте досвід свого клієнта. Можливо, до вас не повертаються через те, що у вас довга доставка або менеджери непривітні. Досліджуйте цю сферу – будь-що в ній впливає на те, чи люди повернуться до вас.
4. Проводьте рекламні кампанії не тільки для залучення нових покупців, а й таргетуйтеся на свою існуючу базу. Але не на всіх підряд з одним спільним офером, звісно. Сегментуйте свою пропозицію для досягнення її релевантності, а як наслідок – і конверсії.

Це всього-на-всього перший звіт з однією класичною метрикою, а ми вже отримали декілька цінних інсайтів, які мотивують нас до дій. У такій мотивації й полягає велика сила когортного аналізу.

Звісно, як і в розділі для SaaS, у цьому звіті доступні й інші метрики, окрім утримання. Над таблицею ви можете вибрати:

• Customers – тут все просто, це кількість покупців
• Retention Rate – відсоток утримання, якраз те, що ми розглянули вище.
• Frequency Cumulative – кількість покупок на клієнта з накопиченням. Цей показник відображає середню кількість покупок на клієнта з часом. Він допомагає простежити сезонність повторюваних покупок: коли саме люди найчастіше повертаються.
• Revenue – сумарний дохід.
• Revenue Cumulative – а це кумулятивний сумарний дохід. Тобто кожна колонка показує суму доходу з моменту першої покупки на поточний місяць.
• Revenue Retention – це розрахунок утримання доходу. Якщо у нас хороше утримання клієнтів, але ті, хто робить повторні покупки, мають доволі низький середній чек, при високому Retention Rate буде низький Revenue Retention. Для бізнесу отримання доходу – дещо важливіша метрика, ніж просто утримання клієнтів.
• AOV – середній чек.
• ARPU Cumulative – це сума доходу на одного покупця з накопиченням. Фактично це скільки грошей вам приносить кожен залучений покупець за весь час взаємодії з вашим бізнесом.

Останній розрахунок відносний і дуже добре допомагає простежити тенденції на рівні окремого середньостатистичного клієнта. Наприклад, вище ми дізналися, що у нас дуже добре пройшла “Чорна п’ятниця”. Якщо ми подивимося показник Revenue, то цей місяць буде дуже сильно вирізнятися на фоні інших. Але ARPU Cumulative покаже, що не треба поспішати радіти. Когорту листопада можна назвати середньою за своєю цінністю в довготривалій перспективі, але точно не найкращою. І тут ми явно бачимо серпневу когорту, яка вирізняється стабільно високим приростом цінності на кожного покупця навіть через рік. Це та когорта, яка нам допоможе дослідити причини такого успіху і, можливо, пропагувати схожі стратегії надалі.

З додаткового цей звіт показує й неприємний момент – у червні ми почали залучати клієнтів із найнижчим середнім чеком, і він таким і залишається вже протягом чотирьох місяців. Невдалі активності теж треба вивчати, щоб у майбутньому уникати своїх же помилок. Що прекрасно в когортному аналізі цього типу – це те, що він дає змогу побачити такі нюанси. Якби ми дивилися просто середній чек за минулий місяць, то його дещо усереднили б високі показники когорти серпня 2024 року, і це не дало б можливості побачити низьку якість залучення недавнього періоду.

Над таблицею ви можете вибрати додаткову розбивку, щоб детальніше сегментувати клієнтів, яких ви залучили. Серед варіантів розбивки доступні такі:

• Channel Group – група каналів трафіку, з якого клієнти зробили першу покупку.
• Product Category – категорія товарів, у якій зробили першу покупку.
• Promo – значення промокоду, якщо його використали при першому замовленні.
• Region – географічний регіон, куди було доставлене перше замовлення клієнту.

Для згрупованого дослідження сегментів є додаткова вкладка Segments and Behavior. На ній, напевно, нас у першу чергу цікавлять канали залучення. Переглянувши статистику, ми швидко можемо зробити висновок, що наш інтернет-магазин дуже сильно покладається на залучення з рекламних каналів.

Але, напевно, нам варто звернути увагу на інші канали та підсилювати їх, оскільки за доходністю на одного покупця наша реклама працює гірше за всіх.

Тим не менш, давайте продовжимо говорити про рекламний канал залучення покупців і не будемо одразу списувати його з рахунків, оскільки керувати ним простіше за все. Для дослідження успішних стратегій можемо скористатися правосторонньою когортою. Тут ми відфільтруємо тільки платний трафік і виведемо середній чек як показник. Ми бачимо, що ще до “Чорної п’ятниці” ми залучили доволі непогану аудиторію за середнім чеком у вересні та частково в жовтні. Вереснева когорта досі має один із найбільших середніх чеків, а на 13-й місяць він узагалі найвищий. Жовтнева когорта теж трималася доволі довго в лідерах, потім просіла на три місяці й реабілітувалася ще на подальші три. Потрібно дослідити наші підходи, які були у вересні–жовтні 2024 року, та застосувати успішні рішення в поточній стратегії.

І наостанок – одне з найцінніших когортних рішень: час до окупності. Один із варіантів такого рішення я вже описувала в одній зі своїх попередніх статей про маркетингову аналітику для E-commerce. У цій статті я не буду повторюватися й пропоную вам подивитися на цей показник зі сторони розрахунку рентабельності маркетингових вкладень ROMI за принципом накопичення. У кожному рядку таблиці ми вираховуємо сумарний валовий прибуток від залучення до конкретного місяця в колонках, віднімаємо витрати на маркетинг і результат ділимо на витрати на маркетинг. У цьому прикладі у нас дані тільки про окупність маркетингових інвестицій, тому тут відсутній фільтр по каналах трафіку.

І ми бачимо дуже строкату картину. Незважаючи на те, що в середньому наші інвестиції окупаються після 4,4 місяця, що для E-commerce є відносно непоганим показником, розбивка за місяцем залучення дуже цікава. Яскраво виділяється когорта, залучена в листопаді, коли знову ж таки була та сама “Чорна п’ятниця” – вона була прибутковою одразу. Успішною також можна назвати когорту травня. Спочатку ми вийшли в нуль, але залучені в цей місяць продовжували купувати. Водночас у нас набагато більше проблемних когорт – ті, кого ми залучили у вересні й жовтні 2024, а також у січні та березні 2025, досі не окупилися, хоча їхній четвертий місяць уже минув. Знову ж таки, успішна поведінка когорти листопада 2024 року, а також серпня і травня 2025-го може змазувати загальну картину, якщо дивитися на показник ROMI сукупно по всіх покупцях, не розділяючи їх за давністю залучення. І такий сукупний показник, вірогідно, не дозволить нам побачити, що в червні та липні наші рекламні активності були критично збитковими.

Додатково наведу ще пару ідей, які можуть бути вам корисними:

• Ефективність акцій та промо-кампаній: якщо аналіз покаже, що акційні покупці майже не повертаються за повторними покупками, це означає, що знижкові кампанії залучають менш лояльних, одноразових покупців. На основі цього бізнес може скоригувати стратегію: наприклад, планувати додаткові заходи для утримання акційних клієнтів або переоцінити масштаб розпродажів.
• Сезонні тенденції та планування запасів: аналізуючи часові когорти, можна побачити вплив сезонності. Наприклад, когорти, які стартували в листопаді–грудні перед святами, можуть мати більший обсяг початкових покупок, але й, можливо, нижче повторне повернення, бо багато подарункових або імпульсних покупок. Натомість весняні чи літні когорти можуть мати інший патерн. Розуміння цих трендів дозволяє прогнозувати попит і правильно планувати запаси товарів та маркетингові активності в різні пори року. Якщо певна сезонна когорта показала особливо високі продажі, цей успіх можна спробувати відтворити наступного року. Когортний аналіз по сезонах фактично відповідає на питання: “Чи наші клієнти, залучені під час свят, поводяться інакше, ніж залучені у звичайний час, і як ми можемо це використати?”

B2B

Звісно, B2B відрізняється від двох попередніх типів бізнесу, але якщо підійти до питання логічно, то будь-який бізнес хоче утримувати своїх клієнтів та збільшувати дохід від них. І будь-якому бізнесу дешевше утримувати поточних, аніж залучати нових. На цьому етапі я прийняла рішення не розтягувати цю статтю до неймовірних розмірів, тому в цьому й наступному розділі не буде візуального супроводження. Ми поговоримо про ідеї когорт, які буде корисно дослідити для B2B, а принципи цього дослідження, думаю, ви вже зрозуміли з попередніх двох розділів.

B2B-бізнес характеризується довшими циклами продажів, вищою вартістю клієнтів та складнішими процесами прийняття рішень. Когортний аналіз для цього типу бізнесу допомагає краще зрозуміти динаміку взаємодії з клієнтами й оптимізувати як продукт, так і маркетинг / продажі. На практиці можна проаналізувати таке:

• Утримання клієнтів: у B2B-секторі часто використовуються довгострокові контракти. Клієнтів можна групувати в когорти за кварталами або роками, коли вони стали клієнтами, і відстежувати, яка частка з них продовжує контракт через 1, 2, 3 роки тощо. Це покаже рівень утримання B2B-клієнтів у часі. Якщо, скажімо, когорта клієнтів, залучених у 2022 році, через рік зберегла 80% контрактів, а когорта 2023-го – лише 60%, це вагомий інсайт. Можливо, змінилися умови ринку чи з’явилися проблеми в продукті. Когортний аналіз дає чітку картину, як когорти клієнтів за роками генерують дохід і скільки з них “відвалюється” з часом, що є ключовим для оцінки здоров’я B2B-бізнесу і прогнозування доходу.
• Сегментація за типом клієнтів: для B2B важливо розуміти, для яких сегментів бізнесу ваш продукт найбільш ефективний. Когортний підхід можна застосувати, групуючи клієнтів не за часом, а за атрибутами. Наприклад, розбити клієнтів на когорти за розміром компанії (малий, середній бізнес та великі підприємства) або за галуззю, і порівняти їхні показники утримання та дохідності. Якщо аналіз покаже, що ваша платформа має значно вищий рівень продовження контрактів у сегменті великого бізнесу, ніж у малого, це натяк сконцентрувати продажі та підтримку саме на цьому сегменті. Когортний аналіз по регіонах також може виявити, де продукт приносить більше цінності. Такі інсайти допомагають скоригувати позиціонування й розвиток продукту під той ринок, де він має кращий відгук.
• Використання продукту різними ролями: у корпоративному програмному забезпеченні часто буває, що різні користувачі з компанії-клієнта виконують різні ролі, наприклад, адміністратори, продавці, менеджери, аналітики тощо. Когортний аналіз можна застосувати і тут: групуйте використання за ролями користувачів. Уявімо платформу, де є 5 типів користувачів. Розбивши активність на когорти за кожною роллю, можна відстежити, як кожна з цих груп освоює продукт і наскільки активно користується функціями. Так ви зможете побачити, чи не відстає якась роль у показниках активності або утримання. Якщо, наприклад, маркетологи в клієнтських компаніях майже не повертаються до продукту після першого місяця – це тривожний сигнал. Можливо, для них продукт мало корисний або потребує окремого навчання. До того ж, при внесенні змін у продукт ви можете відстежити, як реагують на них різні ролі. Це дуже важливо, адже в B2B-продуктах покращення для однієї групи користувачів іноді можуть випадково погіршити досвід іншої, і потрібно балансувати ці речі на основі даних.
• Оптимізація маркетингу та персоналізація: так само, як для SaaS та E-commerce, для B2B когортний аналіз теж дозволяє оцінити, як різні кампанії або підходи працюють для різних сегментів. Наприклад, можна проаналізувати когорту лідів, отриманих із вебінару, проти лідів з виставки, і відстежити їхній шлях до конверсії в продаж та подальше утримання. Це допоможе оптимізувати витрати на генерацію лідів.

Я навела варіанти, специфічні для B2B, але корисними для цього бізнесу будуть і ті підходи, які я описала раніше. Ви могли помітити схожість під час прочитання попередніх розділів. Вона і справді присутня, оскільки на верхньому рівні принцип такого аналізу спільний – сегментуємо, спостерігаємо, робимо висновки та діємо.

Mobile Apps

Для мобільних застосунків когортний аналіз також є важливим інструментом, який допомагає зрозуміти залученість та відтік користувачів у динаміці. Мобільні продукти часто оцінюються за показниками утримання, і ці метрики, як ви вже знаєте, розраховуються когортним методом. Важливі підходи в аналізі тут такі:

• Утримання користувачів: нові користувачі додатка об’єднуються в когорти за датою встановлення, і для кожної такої групи відстежується, скільки користувачів повернулося в додаток через 1 день, 7 днів, 14 днів, місяць. Ці криві утримання дуже наочно показують “липкість” додатка. Наприклад, якщо в середньому з когорти 1000 нових інсталяцій лише 30% заходять у додаток наступного дня, 15% – за тиждень і 5% – за місяць, то вважаємо це базовими показниками утримання. Когортний аналіз дозволяє порівнювати такі криві для різних періодів: чи покращилося утримання нових користувачів після останнього оновлення. А якщо виявлено, що когорта, яка прийшла після певної маркетингової кампанії, має особливо низький відсоток утримання – це сигнал про неправильно націлену рекламу.
• Виявлення критичних моментів онбордингу: когортний аналіз допомагає знайти, на якому кроці нові користувачі “відвалюються”. Наприклад, можна взяти когорту тих, хто пройшов навчальний тур, але не дійшов до ключового функціоналу, і з’ясувати, скільки з них повертаються. Такі когортні зрізи фактично виконують роль аналізу фанелу активації, але з урахуванням часу. Наприклад, нас цікавить, скільки користувачів, що встановили додаток, повернулися й здійснили дію X. Це теж когортний підхід, де когорта формується за фактом встановлення, а метрика – виконання цільової дії. Результати покажуть, наскільки ефективно додаток доводить новачків до ключового досвіду. Якщо лише мала частка когорти доходить до цінної дії, слід спрощувати онбординг або заохочувати користувача дійти до цієї точки.
• Аналіз залученості та частоти використання: за допомогою когорт можна виміряти не тільки повернувся чи не повернувся користувач, а й наскільки часто він виконує певну дію. Наприклад, можна вивчити користувачів, які встановили застосунок у певному місяці, і підрахувати середню кількість сеансів або проведеного часу на користувача в межах цієї когорти за кожний тиждень після встановлення. Це дозволить зрозуміти, чи формується звичка у користувачів з часом, або навпаки згасає. Якщо бачимо, що, наприклад, у когорті січня користувачі в середньому здійснювали 5 сеансів на тиждень протягом перших 4 тижнів, а у когорті лютого – вже 7 сеансів, це може свідчити про покращення залучення.
• Монетизація і конверсії в платіж: багато мобільних додатків працюють за фріміум-моделлю або мають внутрішні покупки. Когортний підхід тут допоможе виміряти, яка частка користувачів з часом конвертується у платників. Наприклад, знову ж таки беремо когорту нових установок місяця й дивимося: через місяць X% із них здійснили хоча б одну покупку, через три місяці – Y%, середній чек – Z. Це фактично показує цінність цієї когорти та окупність залучення. Підхід тут схожий на ті, що ми вже раніше розглянули: визначити, чи окуповуються користувачі, залучені через рекламу, за N місяців. Якщо когорта показує недостатній дохід, потрібно або покращувати монетизацію (наприклад, вводити нові платні функції, оптимізувати ціни), або переглядати витрати на залучення.

Висновки та поради

Як на мене, це був насичений шлях. Давайте підведемо підсумки цієї статті.

Когортний аналіз допоможе вам сегментувати клієнтську базу за спільними ознаками і простежити за їхніми діями з часом.

При цьому пам’ятайте важливий нюанс – при сегментації кількість даних у кожній окремій групі знижується. Не поспішайте з радикальними висновками відносно малочисельних груп. Краще формуйте гіпотези і перевіряйте їх.

Комбінуйте різні типи когортної сегментації та не спирайтеся тільки на абсолютні або тільки на відносні показники. Дивіться на дані під різними кутами. Ніхто не може знати завчасно, у яких комбінаціях ховаються ті “ага”-моменти :)

Когортному аналізу під силу відповісти на ключові питання всіх типів бізнесів:

• Утримання. Скільки користувачів залишаються активними? Від чого залежить утримання?
• Залученість в продукт. Чи впливають нові функції на довгострокову залученість?
• Ефективність маркетингу. Чи користувачі, залучені з певної кампанії, утримують клієнтів краще, ніж інші? Коли окуповуються вкладення в залучення?
• Цінність клієнта. Як з часом змінюється дохід, отриманий групою користувачів?
• Фактори відтоку. Виявлення когорт із низьким рівнем утримання може вказати на основні проблеми з продуктом.
• Сезонність. Чи поводяться когорти у певний період року по-різному?

Незважаючи на потенційну потужність цього аналізу, починайте з простого. Побудуйте когорти для визначення відсотка утримання. Для цього достатньо таблиці, де будуть такі дані:

• Ідентифікатор клієнта (навіть імейл),
• Дата його першої взаємодії,
• Дати всіх подальших взаємодій.

Далі:

• порахуйте різницю між першою та повторною взаємодією, поділіть результат на 30 та округліть у менший бік через функцію FLOOR;
• виведіть у pivot-таблицю місяць першої взаємодії в рядки, когорти, отримані на попередньому кроці, – у колонки, а кількість клієнтів – у значення;
• залишилося тільки поділити кількість клієнтів у конкретних комірках на кількість клієнтів у нульовій когорті того ж рядка.

Після побудови знайдіть тенденції відтоку і спробуйте тестувати припущення для покращення ситуації. Згодом розширюйте аналіз, додаючи інші типи когорт. Такий систематичний підхід дозволить приймати більш обґрунтовані рішення, підвищувати лояльність клієнтів і розвивати бізнес. Якщо на цьому шляху вам потрібна буде допомога, ваша команда аналітиків зможе вирішити найскладніші задачі.