Когортний аналіз: як зрозуміти, чому клієнти залишаються або йдуть
Когортний аналіз виявляє паттерни утримання, приховані в агрегованих даних. Як читати, будувати і діяти на основі когортних таблиць.
Ваш загальний показник утримання — 78%. Це добре? Відповідь повністю залежить від того, які клієнти залишаються, а які йдуть — і саме це ваш агрегований показник утримання не може вам сказати. Компанія з 78% утримання може успішно зберігати найцінніших клієнтів, одночасно втрачаючи нових, або утримувати застарілу клієнтську базу, поки нещодавні когорти швидко відсіваються. Агреговані дані приховують обидві ці історії. Когортний аналіз їх розкриває.
Когорта — це просто група клієнтів, які почали в один і той самий час: зареєструвалися в одному місяці, зробили першу покупку в одному кварталі або перейшли на вищий тариф того самого тижня. Відстежуючи кожну когорту незалежно з часом, ви бачите, як змінюються паттерни утримання в різні періоди історії вашої компанії. У результаті виходить один із найпотужніших діагностичних інструментів для команди продукту або бізнесу.
Як читати таблицю когортного утримання
У стандартній таблиці когортного утримання по рядках йдуть когорти залучення (січень, лютий, березень...), а по стовпцях — місяці з моменту залучення (Місяць 0, Місяць 1, Місяць 2...). Місяць 0 завжди дорівнює 100% — це відправна точка. Числа в кожному рядку показують, який відсоток даної когорти залишався активним у кожен наступний місяць.
| Когорта | Місяць 0 | Місяць 1 | Місяць 2 | Місяць 3 | Місяць 4 | Місяць 5 | Місяць 6 |
|---|---|---|---|---|---|---|---|
| Січень | 100% | 68% | 52% | 41% | 38% | 35% | 34% |
| Лютий | 100% | 71% | 55% | 43% | 41% | 39% | — |
| Березень | 100% | 76% | 62% | 51% | 49% | — | — |
| Квітень | 100% | 79% | 65% | 61% | — | — | — |
| Травень | 100% | 82% | 69% | — | — | — | — |
| Червень | 100% | 84% | — | — | — | — | — |
Ця таблиця розповідає чітку історію: утримання значно покращувалось кожного місяця. Січнева когорта утримала лише 34% до 6-го місяця, тоді як більш нещодавні когорти тримаються на рівні 69–84% протягом перших двох місяців. Щось змінилося — мабуть, покращення продукту, кращий онбординг або зміна каналу залучення, що почав приводити більш відповідних клієнтів. Агрегований показник утримання повністю приховав би це.
Три паттерни, на які варто звертати увагу
Отримавши когортну таблицю, шукайте три конкретних паттерни. Кожен вказує на іншу проблему і вимагає іншого рішення.
Різке падіння на початку: якщо утримання з місяця 0 по місяць 1 стабільно нижче 50%, у вас проблема з онбордингом. Клієнти реєструються і не встигають достатньо швидко знайти цінність, щоб залишитись. Це найпоширеніший паттерн у ранньому SaaS і найбільш піддатний лікуванню — допомагають кращий онбординг, швидше досягнення першої цінності та більш активне раннє залучення.
Стабільне зниження у всіх когортах: якщо утримання продовжує знижуватись з однаковою швидкістю місяць за місяцем у всіх когортах, у вас проблема з цінністю продукту. Клієнти пробують продукт, деякі залишаються спочатку, але постійної цінності для підтримки залученості недостатньо. Ніяке покращення онбордингу не виправить цього — сам продукт повинен давати більше причин повертатись.
Крива «посмішки», що вирівнюється: найкращі криві утримання вирівнюються після початкового падіння. Клієнти, які пережили перші два-три місяці, як правило, залишаються. Мета — максимізувати кількість клієнтів, які досягають цієї точки перегину. Якщо ваша крива ніколи не вирівнюється — якщо утримання продовжує знижуватись з тією ж швидкістю на 6-му місяці, що і на 1-му, — у вас немає стабільної утриманої бази, і розрахунки LTV на основі цієї когорти будуть вводити в оману.
Найважливіше число в когортній таблиці — не відсоток на 6-му місяці, а нахил між місяцем 0 і місяцем 2. Саме тут втрачається більшість клієнтів і саме тут більшість втручань мають найбільший важіль впливу.
Сегментація когорт: де живе справжній інсайт
Когортний аналіз стає по-справжньому потужним, коли ви сегментуєте когорти за каналом залучення, тарифним планом, розміром клієнта або географією. Когортна таблиця, що показує загальне утримання 60% через три місяці, може розкрити, що клієнти з органічного пошуку утримуються на рівні 75%, а клієнти з платних соцмереж — лише на 40%. Один цей інсайт повністю переформатує всю розмову про розподіл маркетингового бюджету.
Найцінніша первинна сегментація — майже завжди за каналом залучення. Клієнти, які знаходять вас через рекомендації, контент або органічний пошук, як правило, утримуються значно краще, ніж залучені через широкі платні кампанії. Якщо ваші когортні дані показують цей паттерн — а зазвичай так і є — це вагомий аргумент на користь інвестицій у контент і реферальні програми, навіть коли платне залучення здається дешевшим за вартістю залучення. CAC виглядає дешево, поки ви не включаєте утримання в модель.
Що робити з погіршуваною когортною таблицею
Якщо ваші найновіші когорти утримуються гірше, ніж старіші, — це терміновий сигнал. Це означає, що щось у вашому продукті, залученні або онбордингу погіршилось — і погіршилось нещодавно. Перевірте, що змінилось. Ви відкрили новий канал залучення, що приводить менш кваліфікованих клієнтів? Випустили функцію, яка порушила існуючий робочий процес? Змінили ціноутворення так, що почали залучати невідповідних клієнтів?
Покращення когортного утримання — це майже завжди спочатку проблема продукту та онбордингу, а не маркетингу. Послідовність втручань, яка зазвичай працює: спочатку визначте дії, які утримані клієнти здійснюють у перші два тижні, а відсіяні — ні. Потім перепроектуйте онбординг, щоб ці дії відбувались раніше. Потім використовуйте ранню поведінку як сигнал для виявлення клієнтів із групи ризику і втрутіться до того, як вони відсіються, а не після.
Довгострокові когорти виглядають чудово, тому що клієнти, які залишились, — за визначенням — ваші найбільш задоволені та найбільш відповідні. Коли ви дивитесь на утримання 24-го місяця дворічної когорти, ви бачите популяцію, вже сильно відфільтровану відтоком. Не використовуйте поведінку довгострокових клієнтів як модель для нових — вони є відібраною вибіркою, а не репрезентативною.
Когортний аналіз найбільш корисний, коли його переглядають регулярно, а не запускають один раз і забувають. У FabricLoop команди продукту та зростання часто ведуть щомісячну нотатку у своїй спільній групі з оновленим когортним знімком — таблиця з останніми даними, абзац з інтерпретацією того, що змінилось і чому, та список завдань щодо втручань, які тестуються проти когорт ризику. Коли аналіз знаходиться поруч із завданнями, що реагують на нього, розрив між інсайтом і дією значно скорочується.