Retention по когортам: как считать удержание и превращать таблицу в решения
Показываем, как построить когортную таблицу retention для e-commerce и ритейла: окна, метрики, чтение кривых и выводы, которые из неё делает CRM-стратег.
База — 80 тысяч клиентов, retention — 22%. Звучит прилично. А теперь откройте когорты: клиенты двухлетней давности держатся на 35%, а те, что пришли этой весной, едва добирают до 9%. Средняя цифра улыбается, воронка повторных продаж — гниет. Таких баз мы видели десятки.
О том, как считать удержание честно и что делать с результатом, рассказывает Екатерина Чернова, CRM-маркетолог ClientCore. Она строит когортные таблицы для e-commerce и ритейла — и ниже разбирает весь процесс по шагам: от выбора окна до решений, которые рождаются из цифр.
ЧИТАЙТЕ ТАКЖЕ
«Churn по когортам: как считать отток, выбирать маркеры ухода и визуализировать результат. Плюс — как отличить сезонность от сломанной коммуникации.»
Retention — доля клиентов, которые вернулись за покупкой за период. Когда его считают по всей базе сразу, получают среднюю температуру. Старые лояльные клиенты тянут цифру вверх, свежие когорты проваливаются — а на дашборде ровная линия.
Когортный анализ retention режет базу на группы по моменту первой покупки: январская когорта, февральская, мартовская. Для каждой считается свое удержание. И тут вскрывается то, что среднее прячет: качество трафика меняется, welcome-цепочка перестала работать после редизайна писем, акция привела толпу одноразовых охотников за скидкой.
Классический пример из практики: клиент запускает агрессивную промо в мае, общий retention за квартал даже растет, а когорта мая возвращается на второй заказ вдвое хуже остальных. Без когортной таблицы это не видно. С ней — видно в течение пары недель.
Как собрать когортную таблицу: окна и размер
Первое решение — окно когорты. Неделя или месяц. Для продуктового ритейла с циклом покупки 3–5 недель месяц удобнее: данных больше, шума меньше. Для fashion с сезонными пиками иногда берут неделю, чтобы не смешивать распродажу с обычными продажами внутри одной группы.
Второе — окно наблюдения. Месячную когорту смотрят по шагам M+1, M+2, M+3 и дальше: сколько клиентов когорты купили в первый месяц после регистрации, во второй, в третий. Горизонт подбирают под цикл потребления: для косметики осмысленны 6–12 месяцев, для одежды — до года и дальше.
Сама формула простая:
Retention когорты за период N = число клиентов когорты, купивших в периоде N / размер когорты × 100%.
По ней строится таблица: строки — когорты, столбцы — периоды после первой покупки. Диагональ этой таблицы — ваш детектор проблем, к ней вернемся.
Норма
когорта от 300–500 клиентов — иначе один заказ шевелит цифру на проценты
окно когорты совпадает с естественным циклом закупа
возвраты и отмены вычищены из знаменателя до расчета
Red flag
когорты по 50 клиентов и выводы по колебаниям в 2–3 заказа
в одну когорту попали и органика, и агрессивная акция с -50%
retention посчитан по выручке с возвратами внутри
Что считать: по клиентам, по деньгам, по срокам
Одной доли вернувшихся мало. CRM-стратег смотрит на когорту в трех разрезах.
Первый — retention по клиентам: какая доля когорты вообще вернулась в каждом периоде. Это каркас удержания.
Второй — retention по выручке: сколько денег когорта приносит в M+1, M+2, M+3 относительно первого месяца. Кривая по выручке часто расходится с кривой по клиентам: уходят мелкие покупатели, остаются крупные. Или наоборот — и это уже сигнал о смывах среднего чека.
Третий — срок до второго заказа. Доля когорты, сделавшая вторую покупку за 30, 60, 90 дней. Именно здесь живет главная CRM-боль ритейла: разрыв между первым и вторым заказом. Если из февральской когорты за 60 дней на вторую покупку выходят 14%, а у октябрьской было 21% — вопрос к welcome-цепочкам и товарному предложению, а не к «рынку».
В одном проекте увидели по когортам: клиенты, пришедшие на распродаже, возвращались на второй заказ в два раза хуже тех, кто покупал без скидки, — 6% против 13% за 60 дней. Убрали из welcome-цепочки промокод со скидкой, заменили на подборку по первому заказу. Повторные продажи не просели, а маржа на стартовой коммуникации выросла».
Екатерина Чернова
CRM-маркетолог, ClientCore
Как читать кривые retention и не обмануть себя
Когда таблица собрана, когорты превращают в графики: по оси X — периоды после первой покупки, по оси Y — удержание. Дальше работает наблюдение за формой кривых.
Здоровая картина — кривые когорт идут плотно, с одинаковым наклоном. Падение с M+1 к M+2 есть всегда, вопрос в его глубине и стабильности между когортами.
Тревожная — когда свежие когорты ложатся ниже старых на первых же шагах. Мартовская кривая прошла M+1 на 18%, апрельская — на 11%: что-то сломалось в начале пути клиента. Чаще всего виноваты welcome-цепочка, смена трафика или промо-перегрев.
Оптимистичная — свежие когорты выше старых. Так выглядит эффект рабочей CRM-механики: запустили сценарий второго заказа, и кривые поползли вверх когорта за когортой.
Отдельное упражнение — чтение диагонали таблицы. Если в колонке M+2 у всех когорт одновременно провал — причина во внешнем факторе или общей механике. Качество конкретной когорты тут ни при чем. В retention cohort-анализе это разграничение — внутри когорты или между ними — половина всей интерпретации.
От таблицы к решениям: что делает CRM-стратег
Сама по себе таблица ничего не решает. Ценность начинается, когда из нее родился план. Рабочая схема выглядит так.
Нашли провал на переходе к второму заказу — точнее определяем, где он: по категории первого заказа, по каналу привлечения, по региону. Режем когорты этим срезом и находим, где разрыв глубже.
Дальше — механики под конкретный провал. Провал в первые 60 дней — пересборка welcome и сценария второго заказа. Провалы у когорт распродаж — пересмотр промо-политики на старте. Просевшие кривые по выручке при стабильных кривых по клиентам — работа с чеком вернувшихся: апсейл в цепочках, подборки по смежным категориям.
Потом решения переводятся в сегменты и цепочки. Пример из нашей практики: MINIDINO отправляли рассылки всей базе без разбора. Мы пересобрали логику в сторону точности — сегменты по стадии повторной покупки, коммуникации в момент максимальной вероятности второго заказа. Результат — +110% к эффективности email за квартал (кейс).
Когортная таблица — это карта убыли выручки. На аудите у Tripster мы по ней нашли, что команда качала базу, а возврат к второму заказу у свежих когорт падал месяц к месяцу — дальше сегментной диагностики дело не шло ([кейс](https://clientcore.ru/blog/articles/otzyv-tripster-o-clientcore-audit-crm-marketing-mindbox)). После пересборки welcome-и second-purchase-сценариев удержание новых когорт выровнялось».
Екатерина Чернова
CRM-маркетолог, ClientCore
Типовые ошибки, которые ломают выводы
Первая — смешение внутри когорты. Клиент с органики и клиент с распродажи -50% — разные по поведению. Смешал их в одну когорту — получил среднюю цифру, которая ни о чем. Режьте когорты по каналу и промо-механике хотя бы флагом.
Вторая — короткий горизонт. Смотреть когорты только на M+1 — видеть половину фильма. Пик CRM-эффекта часто приходится на M+2–M+4.
Третья — выводы с малых чисел. Колебание в 12 заказах на когорте из 200 клиентов не тренд, а шум. Поэтому порог в 300–500 клиентов на когорту — защита от ложных решений.
Норма
когорты порезаны по каналу привлечения и промо
горизонт наблюдения закрывает весь цикл повторной покупки
решения из таблицы фиксируют в backlog с метрикой контроля
Red flag
таблица обновляется раз в квартал — выводы запаздывают на квартал же
retention считают только по клиентам, выручку когорт никто не смотрит
найденный провал остается в митинге, а не в сценариях CRM
ЧИТАЙТЕ ТАКЖЕ
«Открытие есть, клик есть, а заказа нет. Считаем конверсию рассылки в заказ, ищем, где утекает выручка, и разбираем, что чинить без роста объема отправок.»
Чем когортный retention отличается от repeat purchase rate?
Repeat purchase rate — один срез по всей базе за период. Retention по когортам — динамика возврата каждой группы новых клиентов по шагам после первой покупки. Первый отвечает «сколько», второй — «у кого и когда отваливаются». Для управления нужен второй.
Какой минимальный размер когорты?
300–500 клиентов на когорту — рабочий порог. Меньше — выводы упираются в случайные колебания. Если новых клиентов мало, укрупняйте окно: переходите с недели на месяц или на квартал.
Как часто обновлять когортную таблицу?
Раз в месяц — минимум для месячных когорт. На недельных окнах — раз в 2 недели. Реже — теряете связь между запущенной механикой и реакцией кривых.
Можно ли считать когорты в Mindbox?
Из коробки — базовые срезы по сегментам и заказам. Полноценную когортную таблицу с окнами M+N обычно считают на выгрузке заказов: в BI или в Excel. Если заказы размечены номером по счету для клиента — построение займет часы.
