Какой период брать для когорт: неделю или месяц?

От цикла покупки. Товары с циклом до двух недель (еда, косметика, кофе) — недельные когорты, иначе месячные смажут картину. Сезонные и дорогие категории спокойно живут на месячных.

Чем churn по когортам лучше обычного churn rate?

Обычный churn rate усредняет базу целиком и прячет структуру: свежие когорты могут сгорать, а средняя цифра останется приличной за счет старых клиентов. Когорты показывают, кто и на каком сроке уходит.

Можно ли считать когорты без BI, прямо в Excel?

Да. Выгрузка заказов по клиентам, сводная таблица, условное форматирование — карта готова. BI удобен, когда когорт и срезов много и таблицу надо обновлять автоматически, но для старта хватает Google Sheets.

Какой churn считается «нормальным»?

Валидного внешнего бенчмарка не существует: слишком разные циклы потребления. Ориентир — ваша же когорта годовой давности и динамика свежих когорт относительно нее. Ухудшение относительно себя прошлого — сигнал, к чужим цифрам из статей привязываться смысла нет.

Churn по когортам: как считать отток и находить, где база разваливается

У большинства компаний, с которыми мы начинаем работать, ответ на вопрос про отток звучит примерно так: «в среднем по базе — процентов пять в месяц». Цифра бесполезная. Она складывает в одну кучу клиентов семилетней давности, вчерашних новичков и тех, кто пришел на распродаже, а потом усредняет. Под картинкой «все ровно» может сидеть когорта, потерявшая 60% покупателей за первый месяц, — и средний churn этого не покажет.

Как собрать отток по когортам и увидеть, в каком месте база разваливается, по шагам разбирает Дарья Касаткина, CRM-маркетолог ClientCore. Методика рабочая: мы применяем ее в аудитах для mid-market, когда нужно быстро докопаться до места, где утекает выручка.

Почему средний churn по базе врет

Общий churn rate по базе страдает той же болезнью, что и средний чек по всем каналам разом: за усреднением прячется структура. Представьте две когорты. Январская через полгода держит retention 45%, мартовская — 12%. Среднее будет выглядеть как «что-то около 28–30%», и из него невозможно понять ни что случилось в марте, ни где чинить.

Второй фокус этой метрики — она замыливает момент ухода. База в 200 000 контактов, накопленная за годы, по инерции дает неплохой средний churn, даже если каждая свежая когорта сдыхает за месяц. Старики поддерживают статистику, новички умирают беззвучно, бизнес смотрит на среднюю цифру и успокаивается.

Поэтому первое, что мы делаем в аудите, — снимаем усреднение и раскладываем отток по когортам.

Из чего собрать когорту

Классический признак когорты — месяц первой покупки. Он всегда работает и дает читаемую таблицу. Но для churn-анализа одного признака часто мало. Базу полезно резать и по таким срезам:

канал привлечения (особенно если лидов гонят из десяти источников);
категория или чек первой покупки;
промо-старт: когорта, пришедшая на акцию «−40%», на голову отличается от органики по поведению.

Если база уже сегментирована, например по RFM, когортный разрез ложится на нее еще удобнее: вы видите отток внутри каждого сегмента, а не по базе в целом. Мы строили такую связку в проекте для Fitroom — сначала собрали RFM-сегментацию с нуля, потом отслеживали поведение сегментов во времени (кейс).

Правило простое: когорта должна объединять людей с похожим стартовым опытом. Иначе вы снова получите усреднение, только внутри месяца.

Маркеры ухода: что фиксировать как отток

Прежде чем считать, определите, какое событие вы считаете уходом. Отписка из рассылки для этого подходит плохо: клиент может оставаться подписанным на все каналы и при этом не покупать два года. Живой контакт, мертвый покупатель.

Маркеры, которые работают на практике:

окно бездействия: нет покупки N дней при вашем цикле потребления;
падение активности: перестал открывать приложение, заходить в личный кабинет;
жесткий сигнал: жалоба, отписка со всех каналов сразу, возврат с конфликтом.

Окно бездействия считают от цикла потребления, а не от календаря. Кофейня с циклом 14 дней видит отток уже на 30–45-й день молчания. Магазин сезонной одежды — только на 6–9 месяцах. Возьмете чужой норматив — получите либо ложную панику, либо ложное спокойствие.

Норма

маркер оттока привязан к вашему циклу повторной покупки
используется 2–3 маркера: поведение + активность + жесткий сигнал
окно бездействия пересматривают раз в полгода

Red flag

оттоком считают только отписку из email
единый порог «90 дней без покупки» для всех категорий
маркер поставили когда-то и с тех пор не проверяли

Churn по когортам: как считать периоды внутри когорты

После того как маркеры определены, расчет прямой. Для каждой когорты фиксируете размер на старте и долю ушедших к каждому контрольному сроку:

Churn когорты за период = число ушедших к концу периода / размер когорты на старте × 100%

Пример. Когорта марта — 1 000 новых покупателей. К концу первого месяца ушли 380: churn M1 = 38%. К концу третьего месяца ушли еще 190: накопленный churn M3 = 57%. Зеркальная метрика — retention когорты = 100% − churn. Тот же расчет покажет retention M1 = 62%, M3 = 43%.

По срокам берите точки, осмысленные для вашего цикла: M1, M3, M6, M12 для классического e-com; недели 1, 2, 4, 8 — для быстрых категорий вроде доставки еды. Не нужно мерить M12 для когорты двухмесячной давности — она туда просто не дожила, и пустые клетки таблицы вас запутают.

Отдельно следите за накопленным и за периодным churn. Периодный (ушло за месяц) ловит резкие всплески. Накопленный (ушло всего к сроку) показывает общую судьбу когорты. Смотреть удобнее на оба.

Визуализация: тепловая карта, которую читают за минуту

Когортный анализ retention и churn оживает в таблице. Ось X — сроки жизни когорты (M1, M3, M6…), ось Y — сами когорты по месяцам. В ячейках — retention или churn, с заливкой от зеленого к красному. Такая тепловая карта собирается в Excel или Google Sheets за вечер, BI для старта не обязателен.

Дальше читаете паттерны:

Красная строка, остальные ровные. Одна когорта развалилась — вспоминайте, что было в том месяце: акция, смена канала, новый креатив в таргете.
Красный столбец у всех когорт. Проблема сидит в конкретном периоде жизни: например, M1 горит у всех — сыплется welcome-цепочка или onboarding.
Красные клетки по диагонали. Когорты разные, календарный месяц один — это почти всегда сезонность или внешнее событие.

Сезонность или сломанная цепочка: как отличить

Самый частый спор после первой карты: «мы всегда проседаем летом» против «у нас сломались коммуникации». Различают их двумя приемами.

Первый — сравнение когорты с когортой год назад. Март-2025 против марта-2024: если паттерн оттока совпадает, перед вами ритм бизнеса, искать виноватого внутри компании рано. Если март-2025 разваливается заметно быстрее мартовской когорты прошлого года — это уже ваше, руками сделанное.

Второй — смотреть на глубину. Сезонная просадка волной проходит по всем когортам сразу и по всем периодам жизни. Сломанная welcome-цепочка бьет прицельно: свежие когорты сгорают на M1, старые при этом живут как жили. Разная геометрия красного — разный диагноз.

Если карта построена, а ответ все равно не считывается, проблема обычно шире оттока — в том, как устроены данные и коммуникации в целом. Мы так начинали аудит CRM-маркетинга для Tripster: шли проверять триггеры, а по цифрам вышло, где на самом деле теряется выручка (кейс).

Что делать дальше: как снизить churn по горячим точкам

Когортный анализ сам по себе ничего не чинит — он показывает, куда бить. Дальше работает простая связка: горячая клетка → гипотеза → точечная механика.

Горит M1 у свежих когорт: пересобирать welcome и первые 2–3 касания, там почти всегда лежит потерянный второй заказ.
Горит период после 2–3 покупки: смотреть в программу лояльности и причины вернуться — статус, накопленная выгода, персональные подборки.
Горит одна промо-когорта: менять условия акции или канал — она привела покупателей, которым вы не нужны без скидки.
Горит сезонная волна: готовить к ней реактивацию заранее, за 4–6 недель, с предиктивными сегментами.

Хорошая привычка — после каждой механики пересчитывать карту и сравнивать когорту «до» с когортой «после». Так вы за пару кварталов накапливаете собственные нормативы retention вместо чужих бенчмарков из интернета.