Когортный анализ: как следить за поведением клиентов после привлечения

Три ключевые метрики: Retention Rate, Churn Rate, Revenue Retention

Прежде чем строить таблицы, нужно понять, что именно измерять. В когортном анализе есть три базовые метрики, и каждая отвечает на свой вопрос.

Retention Rate: удержание клиентов

Retention Rate (RR) — доля клиентов из когорты, которые вернулись в заданный период. Считается относительно размера исходной когорты, а не относительно предыдущего периода.

Формула:

RR (месяц N) = Активные клиенты когорты в месяце N / Размер когорты × 100%

Пример: в январе к вам пришли 100 новых клиентов (январская когорта). В феврале из них совершили повторную покупку 35 человек. Retention Rate за второй месяц составит 35%. В марте вернулись ещё 22 из той же январской сотни. Retention Rate за третий месяц — 22%.

Важно: считается всегда от исходного размера когорты, а не от числа активных в прошлом месяце. Это позволяет сравнивать разные периоды жизни когорты на одной шкале.

Churn Rate: отток клиентов

Churn Rate — доля клиентов, которые не вернулись в заданный период. Это обратная сторона Retention Rate.

Формула:

Churn Rate (месяц N) = 1 − Retention Rate (месяц N)

Churn Rate удобен тогда, когда вы управляете удержанием как системным процессом: ставите цель «снизить отток с 70% до 50% во втором месяце» и отслеживаете динамику. Retention Rate лучше читается в таблицах: видно, как кривая «приземляется» на каком-то уровне.

Для подписных сервисов Churn Rate часто считается иначе: как доля подписчиков, отменивших подписку за период, от всех активных подписчиков в начале периода. Это Monthly Churn Rate, и он измеряет другое: не потери конкретной когорты, а общую скорость оттока из базы.

Revenue Retention: удержание выручки

Retention Rate считает головы — сколько клиентов вернулись. Но клиенты не одинаковы по ценности: кто-то тратит 500 рублей в месяц, кто-то 50 000. Поэтому рядом с Retention Rate нужно смотреть на Revenue Retention.

Revenue Retention — доля выручки, которую сгенерировала когорта в текущем периоде, от выручки той же когорты в первом периоде.

Если Revenue Retention выше 100%, это означает, что оставшиеся клиенты тратят больше, чем уходящие. Такую ситуацию называют «отрицательным оттоком» (negative churn), и это признак здоровой модели: клиенты со временем расширяют потребление, а не уменьшают его. В B2B это обычно означает расширение контракта или закупки дополнительных услуг.

Как построить когортную таблицу самостоятельно

Когортная таблица не требует специализированного инструмента. Её можно собрать в Google Sheets или Excel из любой выгрузки заказов с датами.

Шаг 1. Определите событие старта когорты

Решите, что считать «рождением» клиента в вашей базе. Для интернет-магазина это обычно дата первого заказа. Для услугового бизнеса — дата первой оплаты или закрытой сделки. Для подписного сервиса — дата активации подписки.

Важно: используйте одно и то же событие для всех когорт и не меняйте определение в середине анализа. Если один месяц считаете по первой заявке, а другой по первой оплате, сравнивать их некорректно.

Шаг 2. Выберите временну́ю гранулярность

Гранулярность — это размер «клетки» в таблице: день, неделя или месяц. Выбор зависит от частоты покупок в вашем бизнесе.

• Ежедневные когорты подходят для сервисов с очень высокой частотой использования: игры, новостные приложения, сервисы доставки с ежедневным спросом.
• Еженедельные когорты подходят для e-commerce с частотой покупок раз в несколько недель: продукты, косметика, одежда.
• Ежемесячные когорты подходят для большинства бизнесов с умеренной частотой: услуги, B2B, товары с циклом покупки от месяца.

Для начального анализа ежемесячные когорты подходят практически всегда: они достаточно детальны и не создают избыточного шума.

Шаг 3. Соберите данные

Для построения таблицы нужна таблица транзакций с тремя столбцами:

1. ID клиента (уникальный идентификатор)
2. Дата транзакции
3. Сумма транзакции (если нужен Revenue Retention)

Эту выгрузку можно сделать из любой CRM или системы учёта заказов. В amoCRM и Битрикс24 это раздел со сделками с фильтром по дате и статусу. В интернет-магазинах — выгрузка завершённых заказов.

Шаг 4. Постройте таблицу в Google Sheets

Структура когортной таблицы простая:

• Строки — периоды привлечения (январь, февраль, март...). Каждая строка — это отдельная когорта со своим числом клиентов.
• Столбцы — «месяц жизни» клиента (Месяц 0, Месяц 1, Месяц 2...). Месяц 0 — это период первой покупки, Месяц 1 — следующий период, и так далее.
• Ячейки — доля клиентов когорты, которые были активны в этот «месяц жизни».

В Google Sheets это делается с помощью функции COUNTIFS: посчитать, сколько клиентов из январской когорты (тех, у кого первая дата покупки в январе) совершили покупку в феврале. Это значение делим на размер когорты и получаем процент.

Для небольшой базы до нескольких тысяч клиентов это вполне делается вручную. Для больших объёмов удобнее использовать сводные таблицы или SQL-запрос к базе данных. Принцип тот же, инструмент другой.

Как читать когортную таблицу

Ниже пример упрощённой когортной таблицы с Retention Rate по месяцам. Цифры условные, для иллюстрации.

Пометка «н/д» означает, что данных пока нет: эти периоды ещё не наступили или когорта слишком молода. Это нормально. Реальная когортная таблица всегда имеет пустую правую нижнюю часть.

Что искать в таблице

Читайте по строке (горизонтально): это кривая удержания одной когорты. Она всегда начинается с 100% и убывает. Вопрос в том, как быстро и где «приземляется». Хороший знак: кривая быстро падает в первые 1–2 месяца, а потом выходит на плато и стабилизируется. Это значит, что часть клиентов стала лояльным «костяком».

Читайте по столбцу (вертикально): это сравнение разных когорт в одном «возрасте». Если более поздние когорты показывают лучший Retention Rate в Месяц 1, значит качество привлечения улучшилось: в базу стали приходить более заинтересованные клиенты, или онбординг стал лучше, или изменился продукт.

Ищите аномалии: когорта, которая резко выбивается из общей картины. Если февральская когорта удерживается значительно лучше январской и мартовской, это повод спросить: что было другим в феврале? Другой канал привлечения? Акция? Изменение продукта? Это гипотеза для проверки.

Признаки беды и признаки здоровья

Как выглядят когорты в разных типах бизнеса

Паттерны удержания сильно различаются в зависимости от модели бизнеса. Знание типичных кривых своей ниши помогает правильно интерпретировать данные: не пугаться нормального и не пропускать настоящие проблемы.

E-commerce: товары повседневного и периодического спроса

В интернет-магазинах кривая Retention Rate зависит от категории товара. Продукты питания, бытовая химия, корм для животных — это частые покупки с циклом 2–4 недели. Здесь логично строить еженедельные или даже ежедневные когорты и ожидать высокий Retention на коротком горизонте.

Одежда, электроника, мебель — редкие покупки с циклом в месяцы или годы. Ежемесячный Retention здесь будет низким по определению, и это не катастрофа. Для таких категорий важнее смотреть на годовой горизонт: какая доля клиентов хотя бы раз делает повторную покупку за год?

Типичная «хорошая» кривая для e-commerce с умеренной частотой покупок: резкое падение в первые 1–2 месяца, потом выход на устойчивое плато. Клиенты на плато — это «лояльный костяк», и их поведение нужно изучать отдельно: что их привлекает, как они узнали о магазине.

Услуги с разовой или редкой покупкой

Ремонт квартиры, туристические поездки, свадебная фотография: это услуги, которые большинство клиентов покупают один раз в несколько лет. Классический когортный анализ по повторным покупкам здесь даст низкие числа, которые ничего не объясняют.

Для таких бизнесов когортный анализ нужно адаптировать. Вместо вопроса «вернулся ли клиент» смотрят на другое:

• рекомендации: сколько клиентов каждой когорты привели друзей или оставили отзывы
• дополнительные продажи: клиент купил ремонт кухни, заказал ли он позже ремонт ванной или балкона
• возвращаемость через годы: при следующем ремонте клиент вернётся или уйдёт к другому подрядчику

Здесь когортный анализ работает на длинном горизонте: год, два, три. И основной вопрос меняется: «какая доля клиентов остаётся сторонниками бренда, даже не покупая прямо сейчас?»

Подписки и SaaS-сервисы

Подписная модель считается классической средой для когортного анализа. Здесь всё прозрачно: клиент либо платит в этом месяце, либо нет. Retention Rate считается ежемесячно, и его снижение на 1 процентный пункт имеет измеримый денежный эффект на годовой выручке.

Типичная форма кривой: большой отток в первые 1–2 месяца (часть подписчиков оформляла на пробу и не увидела ценности), потом долгое плато. Задача: поднять плато вверх, то есть убедить большую часть тех, кто «на пробе», остаться после первого-второго месяца.

Revenue Retention здесь особенно важен. Если клиент переходит на дорогой тариф, его Revenue Retention может быть выше 100%, даже если другие уходят. Это сигнал о том, как работает апселл в первые месяцы жизни когорты.

B2B с длинным циклом сделки

В B2B клиент может не совершать транзакций месяцами, но при этом оставаться «живым» — в процессе переговоров, продления контракта или согласования следующего этапа. Ежемесячный Retention Rate по сделкам здесь будет давать много «ложных оттоков».

Для B2B когортный анализ часто переделывают под контрактный цикл: когортой становятся клиенты, подписавшие первый контракт в одном квартале, а метрикой — продление контракта через год. Вопрос: «какой процент клиентов, привлечённых в Q1 2025, подписал следующий контракт в Q1 2026?»

Дополнительно смотрят на расширение контракта (upsell rate) и сокращение объёма (downsell rate). Это Revenue Retention в разрезе B2B-аккаунтов.

Диагностика проблем: что означают разные паттерны оттока

Когда когортная таблица готова, главная задача: понять, почему кривая удержания выглядит именно так. Разные паттерны оттока указывают на разные причины.

Ранний отток: первые 1–2 месяца

Если большинство клиентов уходит в первый-второй месяц после первой покупки, проблема обычно в несовпадении ожиданий и реальности. Клиент купил, попробовал и не нашёл той ценности, которую ожидал.

Возможные причины:

• реклама или описание продукта создали завышенные ожидания: клиент ожидал одного, получил другое
• слабый онбординг: клиент не разобрался, как получать максимальную ценность от продукта
• первый опыт был негативным: долгая доставка, брак, плохой сервис
• продукт не решает заявленную проблему достаточно хорошо, конкурент делает это лучше

Средний отток: 3–6 месяц

Если клиенты проходят начальный этап и возвращаются несколько раз, но уходят через 3–6 месяцев, причина часто в снижении вовлечённости. Первая эйфория прошла, новизна исчезла, а глубокой привязанности к продукту не возникло.

Это сигнал о том, что нужна программа вовлечённости на среднем сроке: новые функции, персональные предложения, коммуникация, которая напоминает о ценности продукта. Именно здесь хорошо работают программы лояльности — не как инструмент привлечения, а как инструмент удержания уже пришедших клиентов.

Поздний отток: 6+ месяцев

Клиент долго был лояльным, но всё же ушёл. Это наиболее болезненный отток, потому что такие клиенты принесли больше всего выручки. Причины бывают разными:

• изменились обстоятельства клиента: переехал, сменил работу, изменился бюджет
• появился более сильный конкурент с лучшим предложением
• качество продукта или сервиса снизилось
• клиент «насытился»: полностью решил свою задачу и больше не нуждается в продукте

Опросы клиентов, покинувших базу, — один из немногих способов узнать реальную причину позднего оттока. Но только когортный анализ позволяет вовремя заметить, что поздний отток усилился. Если последние когорты начинают уходить активнее, чем предыдущие, нужна срочная диагностика.

Разные когорты с разной динамикой: сигнал о каналах

Если одна когорта удерживается существенно лучше других, первый вопрос: что изменилось в тот период привлечения? Чаще всего ответ — другой канал или другой способ таргетирования.

Это один из самых ценных выводов когортного анализа. Канал с более дорогим CPL может давать клиентов с лучшим Retention, и тогда общая экономика складывается в пользу именно него. Оценивать каналы только по стоимости лида — значит упускать половину картины. О том, как это связано с допустимым уровнем CAC, подробно разобрано в статье о стоимости привлечения клиента.

Типичные ошибки при когортном анализе

Когортный анализ несложен концептуально, но на практике его регулярно делают с ошибками, которые искажают выводы.

Ошибка 1. Смешивать «старых» и «новых» клиентов

Считать Retention Rate по всей базе сразу, без разбивки по периоду привлечения, — распространённая ошибка. Если база растёт, доля «новичков» увеличивается, и средний Retention Rate по базе будет снижаться, даже если удержание каждой конкретной когорты улучшается. Вы видите падение и думаете, что всё плохо, хотя на самом деле всё улучшается — просто база обновляется быстро.

Именно поэтому нужен анализ по когортам, а не по всей базе: каждая когорта измеряется только внутри себя.

Ошибка 2. Слишком короткий горизонт наблюдения

Делать выводы о «плохом удержании», когда самые старые когорты ещё не достигли 3 месяцев жизни, — преждевременно. Для разных бизнесов нужен разный горизонт: для подписки достаточно 6 месяцев, для B2B с годовыми контрактами нужно смотреть минимум 1,5–2 года.

Частый случай: компания внедряет что-то новое, строит когорту за три месяца, видит «плохие» числа и делает вывод, что изменение не сработало. Но самая ценная часть кривой удержания — плато после 3–4 месяцев — ещё не видна.

Ошибка 3. Не учитывать сезонность

Январская когорта может удерживаться хуже декабрьской просто потому, что январь — низкий сезон, а клиентов привлекали акцией «январские скидки», которая привлекла менее заинтересованную аудиторию. Сравнивать их напрямую некорректно. Нужна поправка на сезон или сравнение с январской когортой прошлого года.

Ошибка 4. Оптимизировать CPL без учёта удержания

Снижение CPL в Директе — хорошая цель. Но если «дешёвый» канал привлекает клиентов с низким Retention, реальная стоимость привлечения «лояльного клиента» может быть выше, чем у «дорогого» канала с высоким удержанием. Оптимизировать только CPL, не смотря на когортный Retention по каналам, значит оптимизировать неправильный показатель.

Ошибка 5. Считать покупки вместо клиентов

Retention Rate считается по уникальным клиентам, а не по числу транзакций. Если один клиент сделал 5 покупок в месяц, это один активный клиент когорты, а не пять. Если считать по транзакциям, цифры выглядят лучше, но теряется смысл: вы измеряете не «сколько людей вернулось», а «сколько раз кто-то купил».