Когортный анализ: как понять, почему клиенты остаются или уходят
Когортный анализ выявляет паттерны удержания, скрытые в агрегированных данных. Как читать, строить и действовать на основе когортных таблиц.
Ваш общий показатель удержания составляет 78%. Это хорошо? Ответ полностью зависит от того, какие клиенты остаются, а какие уходят — и именно это ваш агрегированный показатель удержания не может вам сказать. Компания с 78% удержанием может успешно сохранять самых ценных клиентов, одновременно теряя новых, или удерживать устаревшую клиентскую базу, пока недавние когорты быстро отсеиваются. Агрегированные данные скрывают обе истории. Когортный анализ их раскрывает.
Когорта — это просто группа клиентов, которые начали в одно и то же время: зарегистрировались в одном месяце, совершили первую покупку в одном квартале или перешли на более высокий тариф на одной неделе. Отслеживая каждую когорту независимо с течением времени, вы видите, как меняются паттерны удержания в разные периоды истории вашей компании. В результате получается один из самых мощных диагностических инструментов для команды продукта или бизнеса.
Как читать таблицу когортного удержания
В стандартной таблице когортного удержания по строкам идут когорты привлечения (январь, февраль, март...), а по столбцам — месяцы с момента привлечения (Месяц 0, Месяц 1, Месяц 2...). Месяц 0 всегда равен 100% — это отправная точка. Числа в каждой строке показывают, какой процент данной когорты оставался активным в каждый последующий месяц.
| Когорта | Месяц 0 | Месяц 1 | Месяц 2 | Месяц 3 | Месяц 4 | Месяц 5 | Месяц 6 |
|---|---|---|---|---|---|---|---|
| Январь | 100% | 68% | 52% | 41% | 38% | 35% | 34% |
| Февраль | 100% | 71% | 55% | 43% | 41% | 39% | — |
| Март | 100% | 76% | 62% | 51% | 49% | — | — |
| Апрель | 100% | 79% | 65% | 61% | — | — | — |
| Май | 100% | 82% | 69% | — | — | — | — |
| Июнь | 100% | 84% | — | — | — | — | — |
Эта таблица рассказывает чёткую историю: удержание значительно улучшалось каждый месяц. Январская когорта удержала лишь 34% к 6-му месяцу, тогда как более недавние когорты держатся на уровне 69–84% в первые два месяца. Что-то изменилось — вероятно, улучшение продукта, лучший онбординг или смена канала привлечения, который начал приводить более подходящих клиентов. Агрегированный показатель удержания полностью скрыл бы это.
Три паттерна, на которые стоит обратить внимание
Получив когортную таблицу, ищите три конкретных паттерна. Каждый указывает на иную проблему и требует иного решения.
Резкое падение в начале: если удержание с месяца 0 по месяц 1 стабильно ниже 50%, у вас проблема с онбордингом. Клиенты регистрируются и не успевают достаточно быстро найти ценность, чтобы остаться. Это наиболее распространённый паттерн в раннем SaaS и наиболее поддающийся лечению — помогают лучший онбординг, более быстрое достижение первой ценности и более активное раннее вовлечение.
Стабильное снижение во всех когортах: если удержание продолжает снижаться с одинаковой скоростью месяц за месяцем во всех когортах, у вас проблема с ценностью продукта. Клиенты пробуют продукт, некоторые остаются изначально, но постоянной ценности для поддержания вовлечённости недостаточно. Никакое улучшение онбординга не исправит это — сам продукт должен давать больше поводов возвращаться.
Кривая «улыбки», которая выравнивается: лучшие кривые удержания выравниваются после первоначального падения. Клиенты, пережившие первые два-три месяца, как правило, остаются. Цель — максимизировать количество клиентов, которые доходят до этой точки перегиба. Если ваша кривая никогда не выравнивается — если удержание продолжает снижаться с той же скоростью на 6-м месяце, что и на 1-м, — у вас нет стабильной удержанной базы, и расчёты LTV на основе этой когорты будут вводить в заблуждение.
Самое важное число в когортной таблице — не процент на 6-м месяце, а наклон между месяцем 0 и месяцем 2. Именно здесь теряется большинство клиентов и именно здесь большинство вмешательств имеют наибольший рычаг воздействия.
Сегментация когорт: где живёт настоящий инсайт
Когортный анализ становится по-настоящему мощным, когда вы сегментируете когорты по каналу привлечения, тарифному плану, размеру клиента или географии. Когортная таблица, показывающая общее удержание 60% через три месяца, может раскрыть, что клиенты из органического поиска удерживаются на уровне 75%, а клиенты из платных соцсетей — лишь на 40%. Один этот инсайт полностью переформатирует весь разговор о распределении маркетингового бюджета.
Наиболее ценная первичная сегментация — почти всегда по каналу привлечения. Клиенты, которые находят вас через рекомендации, контент или органический поиск, как правило, удерживаются значительно лучше, чем привлечённые через широкие платные кампании. Если ваши когортные данные показывают этот паттерн — а так обычно и бывает — это весомый аргумент в пользу инвестиций в контент и реферальные программы, даже когда платное привлечение кажется дешевле по стоимости за привлечение. CAC выглядит дёшево, пока вы не включаете удержание в модель.
Что делать с ухудшающейся когортной таблицей
Если ваши самые недавние когорты удерживаются хуже, чем более старые, — это срочный сигнал. Это означает, что что-то в вашем продукте, привлечении или онбординге ухудшилось — и ухудшилось недавно. Проверьте, что изменилось. Вы открыли новый канал привлечения, приводящий менее квалифицированных клиентов? Выпустили функцию, нарушившую существующий рабочий процесс? Изменили ценообразование так, что начали привлекать неподходящих клиентов?
Улучшение когортного удержания — это почти всегда в первую очередь проблема продукта и онбординга, а не маркетинга. Последовательность вмешательств, которая обычно работает: сначала определите действия, которые удержанные клиенты совершают в первые две недели, а отсеявшиеся — нет. Затем перепроектируйте онбординг, чтобы эти действия выполнялись раньше. Затем используйте раннее поведение как сигнал для выявления клиентов из группы риска и вмешайтесь до того, как они отсеются, а не после.
Долгосрочные когорты выглядят отлично, потому что оставшиеся клиенты — по определению — ваши наиболее удовлетворённые и наилучшим образом подходящие. Когда вы смотрите на удержание 24-го месяца двухлетней когорты, вы видите популяцию, уже сильно отфильтрованную оттоком. Не используйте поведение долгосрочных клиентов как модель для новых — они являются отобранной выборкой, а не репрезентативной.
Когортный анализ наиболее полезен, когда его пересматривают регулярно, а не запускают один раз и забывают. В FabricLoop команды по продукту и росту часто ведут ежемесячную заметку в своей общей группе с обновлённым когортным снимком — таблица с последними данными, абзац с интерпретацией того, что изменилось и почему, и список задач по вмешательствам, тестируемым против когорт риска. Когда анализ находится рядом с задачами, которые на него реагируют, разрыв между инсайтом и действием значительно сокращается.