Сколько времени занимает настройка когортного анализа?

Если данные уже собраны в CRM и история заказов полная, первую версию отчета можно получить за 2–3 недели. Если нужно подтягивать офлайн-продажи, склеивать профили и чинить передачу источников, срок растет до 4–6 недель. Основное время уходит на проверку данных, сама визуализация занимает несколько дней.

Можно ли сделать когортный анализ прямо в Mindbox?

В Mindbox есть встроенные отчеты, которые подходят для базового retention. Для разрезов по первой категории, накопленной марже и связки со стоимостью привлечения обычно нужна выгрузка в хранилище и BI-инструмент. Mindbox при этом остается главным источником данных о клиентах.

С какой глубины истории стоит строить когорты?

Минимум 12 месяцев, чтобы увидеть сезонность и сравнить когорты на горизонте полугода. Если история длиннее и данные в ней чистые, лучше брать 2–3 года. Старые периоды с неполной идентификацией клиентов честнее исключить, чем пытаться исправить.

Чем retention cohort анализ отличается от обычного расчета оттока?

Отток показывает, сколько клиентов перестали покупать за период в целом по базе. Когортный retention отвечает на вопрос, что стало с конкретной группой, пришедшей в конкретный месяц. Благодаря этому видно, улучшается ли удержание новых клиентов со временем или его маскирует старая лояльная база.

Кому в компании нужен этот отчет?

Чаще всего его используют коммерческий директор, руководитель маркетинга и CRM-команда. Первые двое решают, куда направлять бюджет на привлечение, CRM-команда — в какой точке жизненного цикла запускать сценарии удержания.

Настройка когортного анализа: какие месяцы привлечения на самом деле приносят деньги

В марте маркетинг отчитался о рекорде: плюс 40% новых клиентов к февралю. Через полгода выручка от базы почти не выросла, и никто не может объяснить почему. Общий график продаж такие вещи прячет. В нем свежие покупатели смешаны со старыми, разовые с постоянными, а клиенты со скидкой 50% — с теми, кто пришел по рекомендации и платит полную цену. Месяц с большим трафиком выглядит удачным. Принес ли он деньги, становится понятно только через 6–12 месяцев, и только если смотреть на этих клиентов отдельно.

Когортная таблица отвечает именно на это: что стало с людьми, которые пришли в конкретный месяц. Сам отчет строится несложно. Время уходит на подготовку: откуда брать данные, что считать точкой входа и как сделать так, чтобы таблица обновлялась сама и не пылилась после первой презентации. Мы попросили Валерию Старостину, CRM-маркетолога ClientCore, пройти по всем этапам так, как они идут в реальном проекте.

Почему общая выручка вводит в заблуждение

Представьте два месяца с одинаковым числом новых клиентов — по 5 000 человек. В первом их привела контекстная реклама на ключевые товары. Во втором — акция «второй товар за рубль» с агрессивным ретаргетингом. В отчете о привлечении месяцы равны. Через квартал первая группа совершила в среднем 1,8 покупки, вторая — 1,1. Через год разрыв в накопленной выручке на клиента может доходить до двух раз.

Общая выручка эту разницу размывает. Ее тянут вверх лояльные клиенты, пришедшие два-три года назад, а слабые свежие когорты на их фоне незаметны. Пока база растет, проблема спрятана. Когда приток новых замедляется, внезапно выясняется, что повторных покупок почти нет, а бюджет на привлечение последние полгода работал на разовые заказы.

Поэтому в разговоре о том, как делать когортный анализ, мы начинаем с вопроса к собственнику или коммерческому директору: какое решение вы хотите принимать по этой таблице? Ответ определяет все остальное — событие когорты, разрезы и метрику в ячейке.

Источники данных: что собрать до первой таблицы

Когортный отчет строится по истории заказов, привязанной к конкретному человеку. Звучит просто, но на практике данные лежат в трех-четырех местах. Онлайн-заказы — в CMS или OMS, офлайн-чеки — в кассовой системе, профили — в CRM-платформе (у наших клиентов чаще всего Mindbox), возвраты — где-то в 1С. Если хотя бы один источник не подтянут, когорты получаются кривыми.

Главная задача на этом этапе — идентификация. Один человек может купить онлайн по email, а в магазине по номеру телефона. Без склейки профилей он попадет в две разные когорты, и retention обеих окажется ниже реального. В Mindbox есть механизмы объединения клиентов по нескольким идентификаторам, но их нужно проверить: насколько полно склеены дубли, нет ли «мусорных» профилей вроде тестовых заказов сотрудников или общего телефона кассира, на который пробивают покупки без карты.

Второй момент — статусы заказов. В когорту должны попадать оплаченные и невозвращенные покупки. Если считать все созданные заказы, отмены и возвраты завысят первый месяц, а в fashion и электронике доля возвратов бывает заметной.

Норма

онлайн- и офлайн-покупки собраны в одну историю по каждому клиенту
дубли профилей склеены, процент неидентифицированных чеков известен и учитывается
в расчет идут только оплаченные заказы, возвраты вычитаются
зафиксирован канал и источник первого заказа

Red flag

когорты строятся только по онлайн-продажам, хотя половина выручки — офлайн
«карта на кассира» собирает сотни покупок в одном профиле
источник привлечения не сохраняется, есть только UTM последней сессии
никто не знает, с какого года история заказов в CRM полная

Событие когорты: от какой точки считать

Когорта — группа людей, совершивших одно и то же событие в одном периоде. Выбор этого события сильно влияет на выводы, и единственно верного варианта здесь нет.

Самый частый выбор — дата первой оплаченной покупки. Он подходит, если бизнес хочет понять, сколько денег приносит клиент после первого заказа. Для программ лояльности и сервисов с регистрацией логичнее брать дату вступления: тогда в когорту попадают и те, кто зарегистрировался, но так и не купил, и видно, сколько из них конвертируется в первую покупку за месяц, за три, за полгода.

Бывают и менее очевидные варианты. Для бизнеса с подписками это первая оплата тарифа. Для B2B-дистрибуции — первая отгрузка, а не дата договора. Для ресторанов — первый визит с картой лояльности.

Мы обычно настраиваем два параллельных отчета: по первой покупке и по регистрации. Они отвечают на разные вопросы, и ЛПР быстро привыкает переключаться между ними.

Разрезы: канал привлечения и первая категория

Таблица «все клиенты по месяцам» полезна неделю. Дальше нужны разрезы, иначе непонятно, что именно делать с плохим месяцем.

Первый обязательный разрез — канал первого заказа: контекст, маркетплейсы, партнерские сети, офлайн-магазины, органика. Здесь когортный анализ напрямую стыкуется с расчетом стоимости привлечения. Если клиент из партнерки стоит 800 рублей и за год приносит 1 500 рублей маржи, а клиент из соцсетей стоит 400 и приносит 600, первый канал выгоднее, хотя в отчетах по CPA выглядит дороже.

Второй разрез — категория первой покупки, ее часто недооценивают. Человек, который пришел за детским автокреслом, ведет себя иначе, чем пришедший за распродажными носками. В одних категориях первая покупка — вход в долгие отношения, в других — разовая нужда. Когда это видно в таблице, мерчендайзинг и CRM получают конкретное задание: какие категории продвигать на привлечение, а каким клиентам строить цепочки на кросс-продажу.

Дополнительно полезны разрезы по региону, по наличию скидки в первом заказе и по устройству. Но больше трех-четырех разрезов в одном отчете обычно не нужно: когорты становятся мелкими, и случайные колебания начинают выглядеть как тренд.

Что показывать в ячейке: retention, выручка, маржа

Классический retention cohort анализ показывает долю клиентов, которые купили в каждом следующем месяце после входа. Это хорошая базовая метрика, но для управленческих решений ее мало. Retention в 15% может приносить разные деньги в зависимости от среднего чека.

Поэтому мы обычно выводим в отчет несколько вариантов ячейки: долю вернувшихся, накопленную выручку на клиента и накопленную маржу на клиента. Маржа надежнее остальных, потому что учитывает скидки, которыми покупали лояльность. Если когорта из распродажи возвращается часто, но только по промокодам, по марже это сразу видно.

Отдельно стоит решить, считать retention «в конкретном месяце» или «хотя бы раз к этому месяцу». Первый вариант показывает регулярность, второй — общую долю вовлеченных. Для товаров с длинным циклом покупки (мебель, техника, оптика) месячный retention будет низким при вполне здоровой базе, и лучше смотреть квартальную сетку.

Норма

в отчете есть и retention, и накопленная выручка или маржа на клиента
период сетки соответствует циклу покупки в категории
когорты сравниваются на одинаковом горизонте: «месяц 6» с «месяцем 6»
последний неполный месяц помечен или исключен

Red flag

в ячейке только процент возврата без денег
годовые когорты сравнивают с теми, которым два месяца
выручка считается без вычета скидок и возвратов
средний чек всех клиентов выдается за показатель когорты

Автоматическое обновление: чтобы отчет не умер через месяц

Типичная судьба когортного анализа — Excel, собранный аналитиком один раз под презентацию. Через два месяца он устарел, аналитик занят другим, и к таблице больше никто не возвращается.

Рабочая настройка когортного анализа включает автоматизацию. Данные выгружаются из CRM и учетных систем по расписанию в хранилище (BigQuery, ClickHouse, иногда достаточно Google Sheets с коннектором), расчет идет скриптом или SQL-представлением, визуализация — в BI-инструменте: DataLens, Looker Studio, Power BI. Обновление раз в сутки или раз в неделю, в зависимости от того, как часто принимаются решения.

К автоматике мы добавляем две вещи, без которых она быстро ломается. Первая — контроль загрузки: если вчерашние заказы не пришли, отчет должен это показать, а не молча нарисовать провал. Вторая — описание методики прямо на дашборде: какое событие когорты, что считается выручкой, как обработаны возвраты. Через полгода эти детали забываются, и люди начинают спорить с цифрами, которые на самом деле корректны.

Мы работаем удаленно, поэтому настройка когортного анализа в Москве, в СПб или в другом городе устроена одинаково: доступы к системам, пара созвонов с аналитикой и маркетингом, согласование методики, затем сборка и передача дашборда команде.

Какие решения принимаются по готовой таблице

Ради этого все и делается. Когортная таблица — инструмент для разговора о бюджете, и у ЛПР по ней обычно появляется несколько конкретных решений.

Перераспределение бюджета на привлечение. Если когорты из определенного канала стабильно хуже возвращаются, а их стоимость не ниже, бюджет переносится. Иногда наоборот: канал, который казался дорогим, по накопленной марже оказывается самым выгодным.

Пересмотр больших акций. Сезонные распродажи и розыгрыши дают всплеск притока. Через когорты видно, остаются ли эти люди. Например, в проекте для ресторанов «Урюк» розыгрыш сертификатов принес 2 435 новых участников программы лояльности и выручку в 20,7 раза выше затрат на призы (кейс). Для такой механики когортный отчет — логичное продолжение: он показывает, сколько из этих участников вернется в обычные месяцы без акции.

Приоритеты для CRM. Если по таблице видно, что основной отток случается между первой и второй покупкой, усилия направляются на онбординг и welcome-цепочки. Если когорты держатся первые три месяца, а потом обваливаются, нужна реактивация на 90-й день. Отчет подсказывает, в какой точке жизненного цикла теряются деньги, а дальше это превращается в сегменты и сценарии. Как точная сегментация меняет отдачу канала без роста числа отправок, хорошо видно на примере MINIDINO: +110% к эффективности email за квартал (кейс).

Планирование выручки. Зная типичную кривую когорты, можно прогнозировать, сколько принесут клиенты текущего месяца через год. Финансовый план перестает опираться на «плюс 15% к прошлому году» и строится от реального поведения базы.