Когортный анализ: что это и зачем он нужен

Базовые метрики когортного анализа

На примере наших двух когорт от января и от февраля мы использовали две метрики: средний чек (ARPU) и отток в процентах за месяц (churn). 

Другая популярная метрика — это срок жизни клиента (опять больничная аналогия). Под сроком жизни (lifetime) обычно понимается такой промежуток времени, который средний клиент проводит с вами. Простой (но неточный) способ определить срок жизни — это поделить единицу на отток (Lifetime = 1 / churn).

Но пожалуй, самой главной метрикой когортного анализа является ценность клиента (LTV, Lifetime value).

Самый простой (и самый неточный) метод подсчета LTV — взять срок жизни и умножить на средний чек (то есть LTV = Lifetime x ARPU). В этом подходе мы делаем сильные неявные предположения, что все клиенты одинаковые и ведут себя как их среднее и что средний чек сохраняется со временем. Кроме того, еще одно предположение — что мы правильно подсчитали срок жизни путем деления единицы на отток (отток постоянен), что никогда не соответствует действительности.

Действительно, ведь у вас, скорее всего, не будет ни одной полной когорты: из тысячи человек наверняка через 1–2 года останутся 300–500, и эти оставшиеся, скорее всего, будут более лояльны вашему продукту (раз они остались), чем те, кто убежал в первый месяц.

То есть показатель оттока — это величина, изменяющаяся со временем. А более «молодые» когорты будут и того короче. И для того, чтобы понять, сколько же денег принесет вам конкретная когорта в следующие 2–3 года, вам нужно будет как-то экстраполировать данные, но это уже другая история.

Выбор процентиля

Когортную модель можно использовать для более быстрой и точной оптимизации контекстных кампаний. Перед принятием решений не обязательно ждать, пока 100% ваших лидов пройдут воронку. Вместо этого можно выбрать подходящий процентиль (значение, которое заданная случайная величина не превышает с фиксированной вероятностью, выраженной в процентах – прим. переводчика).

Например, если мы возьмем 75-й процентиль, то сможем определить, за сколько дней воронку пройдут 75% самых быстрых лидов из контекстной рекламы. Процентиль может заметно сократить число дней между этапами, полученное в результате предыдущих расчетов, но в этом нет ничего страшного. Мы знаем, что оставшиеся лиды в какой-то момент перейдут на следующий этап. Помните, что наша цель – принимать правильные решения быстро.

При работе с сокращенным временным интервалом из модели придется исключать клиентов с немного более высокой ценой за достижение цели.

Другой пример: если целевая стоимость привлечения клиента составляет $750 и мы работаем с 75 процентилем, то нужно увеличить показатель до $1000. Если бы мы ждали, пока все покупатели преодолеют воронку, то получили бы более низкую стоимость, нежели при учете 75% самых быстрых из них.

Если идея использовать процентиль кажется вам слишком сложной, подумайте о том, что работа со средними значениями и некогортной моделью все равно не дает точных результатов. Наша задача — оптимизировать кампании на основе точных данных и настолько приближаясь к режиму реального времени, насколько это в принципе возможно.

После того как временные рамки и процентиль определены, не стоит включать в отчеты потенциальных клиентов, потенциальные сделки или покупателей, которым требуется больше времени для конверсии.

Если период перехода на этап «покупатель» составляет 30 дней, а конкретному пользователю потребовалось 45 дней, то вы искусственно завысите показатели, включив его в 75-й процентиль. Такие покупатели должны учитываться в каком-то другом месте сводной таблицы, но не внутри когортной модели принятия решений.

Примеры когортного анализа

Разберём несколько примеров когортного анализа для разных метрик.

Проверка эффективности каналов

Цель — определить, какой канал оказался самым эффективным для привлечения новых подписчиков рассылки. Будем исследовать 3 когорты по каналам привлечения: окно на сайте, реклама в Facebook, партнёрские посты ВКонтакте. Каждая когорта рассчитывается с 15-30 марта — срок проведения кампании. Со всех каналов на рассылку подписалось 3000 пользователей. Больше всего пользователей (1600) пришли с рекламы Facebook. Через 5 месяцев из всех подписавшихся активных осталось 782. Рассмотрим в динамике, как проходила отписка от каждого канала за этот срок.

В таблице указано количество пользователей в процентах по месяцам, которые продолжают открывать письма.

Канал	Подписчики	Апрель	Май	Июнь	Июль	Август
Окно на сайте	600	70%	65%	58%	41%	37%
Реклама Facebook	1600	65%	47%	29%	15%	6%
Партнёрские посты ВКонтакте	800	88%	76%	64%	60%	58%

По первым результатам мы могли сделать вывод, что реклама Facebook была самой эффективной в привлечении подписчиков. В итоге оказалось, что пользователям подписка неинтересна или, возможно, они подписались случайно. Через 5 месяцев только 6% ещё открывали письма. Самую качественную аудиторию из всех привлекли партнёрские посты ВКонтакте, 58% подписчиков из этого канала продолжали читать рассылку.

Расчёт LTV

Цель — определить LTV для пользователей, которые пришли в приложение для доставки продуктов на дом в 2020 году. Для этого рассматриваем 3 когорты — клиентов, которые сделали первый заказ в январе, феврале или марте 2020 года. Изучаем, как менялось их поведение в течение полугода. Для каждого посчитаем ARPU — средний доход с клиента. Рассчитываем сумму в рублях.

Когорта/первый заказ за:	1 месяц	2 месяц	3 месяц	4 месяц	5 месяц	6 месяц
Январь 2020	3500	2500	4000	2600	1500
Февраль 2020	2800	3700	3200	2900	1500
Март 2020	4500	3500	1300

LTV рассчитываем для каждой когорты отдельно или сразу для всех клиентов. Подробнее про формулы расчёта LTV читайте в статье.

Чтобы рассчитать Lifetime, возьмём во внимание такое правило: Lifetime — это время от начала сотрудничества с клиентом до прекращения (т.е. первого нулевого результата)

LTV по когорте считается простейшим способом: сложите все значения ARPU на протяжении Lifetime этой когорты. LTV для когорты января — 14100, февраля — 12600, марта — 9300.

Также при расчёте LTV с помощью когортного анализа важно учитывать не только цифры, но и ситуацию, в которой проходила кампания. В таблице видим, что самые большие суммы клиенты тратили в марте 2020 года

И начинали меньше заказывать уже к 4-5 месяцу после первой регистрации. С одной стороны, можно считать, что рекламные кампании марта были самыми успешными, если даже пользователи, которые пришли раньше, стали заказывать больше в этом месяце. С другой стороны, вспомним, что с марта 2020 года во многих регионах России ввели карантин, когда для многих доставка продуктов стала необходимостью. Тогда можно объяснить и спад активности к последним месяцам при таких же рекламных кампаниях. Карантин начали ослаблять, и пользователи снова стали ходить за покупками сами. Использовать такие данные для прогноза LTV на другие сроки не совсем правильно, потому что ситуация может измениться.

Вывод: при расчёте LTV важно учитывать не только цифры, но и ситуацию, в которой проходила кампания

Тестирование

Когорта	Клики	Июнь	Июль	Август
Дизайн A	150	20%	25%	15%
Дизайн B	102	36%	29%	34%
Дизайн Old	111	34%	30%	28%

В итоге дизайн A получил больше кликов за первую неделю, но показатели конверсии были ниже дизайнов B и Old. Также новый дизайн не показал значительного роста конверсии по сравнению со старым — можно сделать вывод, что концепция обоих новых дизайнов не самая удачная.

Первые шаги использования

Что для этого нужно сделать:

• подготовить всех участников: для начала проведите знакомство с методологией, объясните, что это такое, почему она может оказаться полезной, почему она лучше, чем, например, KPI;
• обеспечить сотрудников поддержкой и снизить сопротивление: назначьте ответственного (мастера/ коуча / лидера /менеджера), который проведет обмен опытом, поможет разобраться с теорией методологии, научит правильно оценивать прогресс по целям и применять данный метод на практике;
• замотивировать: сотрудники всех уровней должны видеть потенциальные возможности, которые предоставит методология.

Для чего проводят когортный анализ

Когортный анализ нужен любому бизнесу:

• Компаниям, которые зависят от количества клиентов, то есть тем, где отток покупателей сильно скажется на прибыли.

• Компаниям, имеющим значительное количество постоянных клиентов. Им анализ помогает рациональнее распределять рекламный бюджет.

В чем поможет когортный анализ. После исследования можно найти болевые точки бизнеса, исправить ошибки и увеличить прибыль

Установление образа клиента

Информация, собранная из разных когорт, помогает составить портрет ЦА. Оценивается лояльность клиентов, их готовность делать покупки. Так можно понять, кто именно и когда интересуется продуктом, покупает его.

Улучшение конверсии

Проверить маркетинговые гипотезы и оценить реакцию клиентов на изменения сайта можно при помощи сплит-тестирования (А/В-тестирования), когда разработчик вносит небольшие изменения на веб-странице или лендинге, разделяет пользователей на группы, которым показывают разные варианты страницы. Затем специалисты исследуют конверсию и проверяют, какая версия изменений оказалась результативнее.

Такой метод дает объективный результат, но он не покажет, как меняется поведение пользователей за заданный период времени. Для этого и нужен когортный анализ.

Улучшение цикла продаж в облачных проектах

Например, есть облачный продукт, в котором имеется платная версия с разными тарифами и пробная (триал-версия — условно-бесплатная, которая предоставляется на какое-то время или на установленное количество запусков программы). По этому продукту отслеживаются ключевые метрики (доходы, расходы) и составляются когорты из пользователей пробной и полной версий.

Затем анализируют, кто чаще покупает платные версии, какими тарифами пользуются при этом, а кто остается на бесплатном продукте или вообще уходит. Это важные сведения, которые помогут оптимизировать цикл продаж SaaS-сервисов и увеличить их прибыль.

Оценка эффективности рекламных кампаний

Посещение сайта — это не гарантия покупки. Пользователь может какое-то время просто осматриваться, сравнивать цены этого магазина со стоимостью аналогичного товара на сайтах конкурентов, думать или банально ждать зарплату.

Если пользователей, пришедших на сайт по рекламе, объединить в когорту, то можно увидеть, сколько времени проходит с момента первого знакомства с сайтом и его ассортиментом до совершения покупки.

Прогнозирование LTV

Ориентируясь на LTV можно вычислить величину прибыли, которую получит магазин за все время сотрудничества. Исследования помогут рассчитать LTV за определенный промежуток времени и сделать прогноз возможного дохода.

Определение продуктивных каналов привлечения покупателей

Выводы делают на основании данных о том, с какого канала пришли клиенты в установленный временной промежуток. Затем аналитики рассчитывают коэффициенты удержания и повторных покупок.

Полученные результаты помогают понять, какие каналы привлечения клиентов были наиболее перспективны и почему именно им нужно уделять внимание

Пример построения базового когортного анализа

Определение параметров

1. Признак формирования когорты — дата подписки.
2. Размер когорты — месяц.
3. Временной интервал — с января 2018 по ноябрь 2019.
4. Ключевой показатель — CR.

Исходные данные

• ID подписчика (в качестве ID может выступать email);
• дата подписки.

• ID подписчика;
• дата совершения действия;
• рассылка, в которой совершено действие.

Алгоритм работы

1. Группируем пользователей по дате подписки, учитывая размер когорты. Получаем количество подписчиков в каждой когорте.
2. Объединяем таблицу 2 с таблицей 1, используя в качестве ключа общее поле — ID подписчика.
3. Группируем полученную из пункта 2 таблицу по полям «дата совершения действия» и «дата подписки» и подсчитываем для такой пары общее количество кликов.
4. Рассчитываем для каждой пары значение ключевого показателя.

Анализ результатов

1. Когорты «Январь 2018», «Март 2018» и «Апрель 2019» оказались очень неактивными. Если посмотреть на количество подписчиков в данных когортах, картина становится более ясной.В январе и марте 2018 было огромное количество подписок. Вероятно, проводились «очень успешные» кампании, которые собрали такую базу. Если смотреть на общие ежемесячные показатели, то выглядит вполне убеждающе — кампании сработали и подняли CR.Когортный анализ показывает, как выглядит ситуация на самом деле. CR увеличился за счёт когорты февраля 2018. А большинство подписчиков, зарегистрировавшихся в январе и марте 2018, не являются целевой аудиторией и только загрязняют базу.Когорта «Апреля 2019» не является сильно выпадающей из общей картины. Чтобы определить причину таких невысоких показателей, надо иметь больше данных: откуда пришли эти клиенты, не было ли каких-нибудь тестирований, не изменялась ли рекламная стратегия и так далее.
2. Подписчики 2019 года в первые месяцы более активны, чем подписчики 2018 года.

3. В октябре 2018 года CR был слишком мал. Даже те когорты, которые до этого месяца и в следующие месяцы показали себя довольно лояльными, в октябре 2018 плохо взаимодействовали с рассылками.

   Причины могут быть разные. Может, компания решила сменить подход к контенту (увидели, что сделали только хуже, и вернулись к прошлому варианту). А возможно, ссылки оказались некликабельными. Если устанавливать размер когорты в день или неделю, то можно оперативно отслеживать работоспособность не только в рассылках.
   Есть ещё один вариант представления когортного анализа в виде матрицы, где значения в столбцах — это номер месяца, следующий за месяцем подписки.
   При таком представлении удобно сравнивать когорты по их взаимодействию и определять время жизни подписчика.

Примеры

Микротенденции

Изучая микротенденции, из которых состоят макротенденции, вы можете получить более реалистичное представление о своем бизнесе. Например, данные за квартал могут указывать на стабильный рост количества транзакций, что можно воспринять как хороший результат. Если же изучить недельные когорты, из которых состоит более крупный набор данных, можно обнаружить, что хотя общий приток новых пользователей ведет к увеличению числа транзакций, этот показатель значительно снижается после пятой недели. Теперь вы точно знаете, что на четвертой неделе следует повторно обращаться к пользователям, чтобы повысить эффективность каждой микротенденции и улучшить макротенденцию.

Стабильность, улучшение или ухудшение

Сравнивая значения в одном столбце, можно оценить динамику эффективности в когортах. В столбцах данные по когортам приведены в хронологическом порядке (например, для первой когорты день 5 наступает раньше, чем для второй).

Если вы оцениваете данные по дням, можно просматривать один столбец, например «День 5», чтобы узнать, как меняется эффективность по когортам за один и тот же период. Например, если на пятый день всем когортам соответствует один и тот же коэффициент удержания клиентов, это указывает на стабильность результатов. Если же имеет место увеличение показателя на пятый день, это можно связать с улучшением контента или обновлением приложения. Снижение коэффициента удержания клиентов на пятый день может указывать на устаревший контент или слишком высокую сложность уровня в игре, вследствие чего пользователи прекращают работу с вашим сайтом или приложением.

Взаимодействие, удержание и привлечение

Узнав, когда именно пользователи теряют интерес (например, инициируют меньше сеансов, просматривают меньше страниц или приносят меньше дохода), вы можете определить следующее:

• основные моменты отсева пользователей, которые можно исправить;
• необходимую скорость привлечения новых пользователей для противодействия неизбежному оттоку.

Например, если вы обнаружили, что доход регулярно снижается на третьей или четвертой неделе после привлечения клиента, вы можете использовать ремаркетинг либо почтовую кампанию, чтобы предложить скидку или рассказать о новинках. Можно также использовать динамический ремаркетинг для рекламы товаров, связанных с теми, которые клиент приобрел ранее.

Определив неизбежный процент отсева, например 10% в месяц, вы сможете понять, с какой скоростью нужно привлекать новых пользователей.

Интеграция со Scrum / Kanban

1. Ключевые результаты могут стать основой для бэклога продукта в Scrum. (Бэклог продукта – это список всех элементов и любой информации, связанных с продуктом). Т.е. с помощью OKR сверху — вниз вы создадите задачи в Scrum.
2. Бэклог можно всегда приоритизировать глядя на OKR, т.к. у нас теперь есть Цели и критерии их достижения (ключевые результаты). Таким образом, интегрировав их, мы приоритизируем работу и сфокусируемся на главном.
3. Обычно в Скрам делают спринты в 2 недели. В этом случае можно в OKR установить периодичность мониторинга каждые две недели и просто совместить их в этой части. Таким образом, вы одновременно сможете мониторить работу / выполнение проектов и оценивать процесс по Целям.
4. Также у вас появится роль OKR-коуча. Один из лучших претендентов на эту роль — скрам-мастер, т.к. обеим ролям требуются похожие навыки.

• Формируете поток на Канбан-доске. Самая общая схема потока: «План», «В работе», «Готово». Наименований в потоке может быть не только 3, и они могут называться иначе. Идея потока в том, чтобы вы видели поэтапный и полный путь, который будут проходить все задачи при их выполнении.
• Далее из OKR формируете инициативы в «План» работы, который поможет в осуществлении и оценке Целей.

Как посчитать Retention Rate для когорты

Для стартапов важно увеличивать базу пользователей из месяца в месяц. Однако даже если вы эффективно работаете над привлечением, база активных клиентов может не расти

Представим, что в июне вы привлекли 1 млн пользователей, а в июле 500 тысяч. Однако, когда по истечению второго месяца вы проверили общий результат, он был 800 тысяч, а не 1,5 млн.

Что могло случиться? Я называю эту проблему «дырявое ведро».

Пока вы занимались привлечением новых клиентов, из дырявого ведра (где находился 1 млн пользователей) «утекло» 700 тысяч. Они попросту стали неактивными. Таким образом, в конце 2-месячного периода в сумме у вас осталось 800 тысяч.

Устранить утечку полностью невозможно, часть пользователей все равно будет уходить. Однако вы можете минимизировать последствия, анализируя Retention Rate для когорт. Используется простая формула:

User Retention Rate = (R-A) / E*100

Где:

• E — число активных пользователей в конце предыдущего периода,
• A — число пользователей, привлеченных за текущий период,
• R — общее число пользователей по окончанию текущего периода.

Давайте рассчитаем на нашем примере:

• E (когорта июня) = 1 млн
• A (когорта июля) = 500 тысяч
• R (сколько осталось в конце) = 800 тысяч

(800 000 — 500 000) / 1 000 000 * 100 = 30%

Результат иллюстрирует, что вы способны удержать лишь 30% пользователей. Это очень низкий показатель, и цель — максимально его увеличить. Чем выше процент, тем лучше для бизнеса.

Вы можете сравнивать когорты дней, месяцев или лет. Когда я занималась продажей мобильных приложений, то считала Retention Rate по дням. Если пользователь не возвращается к нам на следующий день, вероятность того, что он вообще когда-либо вернется, — низкая.

То, как развиваются когорты, можно изобразить на графике. Тогда вам легко будет отслеживать, насколько эффективно вы удерживаете пользователей и какая когорта отклоняется от нормы — показывает результат хуже или лучше.

Вот пример такого графика (все цифры гипотетические):

По оси Y указан процент активных пользователей, а по оси X — временные периоды, в данном случае, месяцы. Заметьте, что они пронумерованы, а не подписаны. Это сделано преднамеренно. Потому что под цифрой 1 подразумевается первый месяц для каждой когорты: для когорты июня это будет июнь, для когорты июля — июль и т.д. Таким образом, вам легко сравнить кривые.

Ключ к пониманию когортного анализа

Представьте себе больницу, в которой есть три отделения: реанимация, стационар и морг. В первом отделении температура пациентов около 38–39, во втором — 36, в третьем — около 4. Все изначально попадают в реанимацию. Оттуда пациенты могут перемещаться в стационар или в морг, а из стационара только один путь — в морг (ну, такой вот у нас хоспис), но в стационаре они при этом проведут больше времени.

Ваша учетная система рапортует вам, что средняя температура по больнице — 37. И если она, допустим, завтра понизится до 36.8, то непонятно, что случилось: то ли стационар пополнился, то ли морг.

Проблема здесь в том, что вы не понимаете customer journey своих пользователей от реанимации до морга. А хотели бы понимать, чтобы понять эффективность работы больницы (чем выше средний срок жизни пациентов и ближе к норме их температура — тем лучше).

Сразу стоит оговориться, что лучше всего этот метод применим для бизнесов, которые работают с частными клиентами (B2C) либо с малым бизнесом (B2SMB), просто потому что клиентов должно быть достаточно много, хотя бы несколько десятков новых каждый месяц.

Правильно проведенный когортный анализ дает вам две важнейшие метрики здоровья бизнеса: ценность каждого клиента и изменение этой ценности со временем.

Как провести когортный анализ в Smartis

Предположим, что нам нужно узнать следующее: сколько людей, которые обращались в компанию с контекстной рекламы в феврале, в итоге посетили офис продаж.

1. Откройте конструктор отчетов и выберите показатель – Визиты в офисы продаж.

2. Затем укажите Контекстная реклама в поле Канал.

Площадку пока можем не выбирать – нам интересен весь контекст.3. Далее выбираем нужный период в календаре в правом верхнем углу.

После этого можем переходить к настройке когорты.

4. Добавляем фильтр Когорта персон.

5. Далее ставим условие Равно и выбираем Целевые обращения.

Получаем вот такой отчет:

Smartis автоматически строит отчет до настоящего момента. На этом отчете последний месяц – июль. В этом месяце мы писали эту статью.

Что он нам показывает?

1. 212 человек, обратившихся в компанию с контекстной рекламы в феврале, посетили офис продаж.
2. Реклама, которая крутилась в контексте в феврале до сих пор приводит клиентов.
3. Количество клиентов уменьшается с каждым месяцем. Возможно, в августе-сентябре их уже не будет. Поэтому можем сказать, что цикл конверсии составляет 6-7 месяцев.

Это дает понимание, сколько стоит привлечение клиентов в офис продаж через контекстную рекламу. Исходя из этого мы можем планировать бюджет и менять настройки рекламы. Также мы можем опуститься на уровень глубже и сравнить разные площадки в рамках контекстной рекламы.

Сравним контекстную рекламу с другими каналами

Меняем в настройках канал на Реклама в соцсетях и смотрим новый график.

Мы видим, что реклама в соцсетях принесла нам 160 визитов, что на 52 клиента меньше, чем контекст. Однако этот канал все равно работает и его можно оставить в медиасплите.

А вот рассылки работают плохо – одна рассылка привела в офис 15 человек за полгода.

Из этого можем сделать вывод, что, возможно, ресурс, который вкладывается в рассылки, не окупается и его стоит перераспределить между другими видами рекламы.

Для наглядности когортный отчет можно визуализировать в виде графика.

В таком ключе вы можете отследить любые когорты по любому показателю из любого рекламного канала. При этом в Smartis вы можете указывать дополнительные условия и отслеживать разные сценарии.

Например, к первому отчету с контекстной рекламой мы можем добавить условие Нет последующего действия – сделки. Так мы увидим, кто из людей, пришедших с контекстной рекламы в феврале, пришел в офис продаж, но в будущем так и не заключил сделку. Тогда менеджеры могут прозвонить этих клиентов и напомнить о себе.

Как визуализировать когортный анализ

Для того, чтобы лучше понять и представить результаты когортного анализа, необходимо визуализировать данные в удобном и наглядном формате. Существует несколько способов, но самым распространенным является когортная таблица.

Когортная таблица — это таблица, в которой строки соответствуют разным когортам, а столбцы — разным периодам времени. В ячейках отображается значение выбранного показателя для каждой когорты в каждый период времени. Например, в ячейке, которая находится на пересечении строки «Когорта 1» и столбца «Месяц 3», будет указано значение показателя для пользователей, которые относятся к первой когорте и которые были активны в третий месяц после регистрации.

Таблица может быть дополнена цветовой индикацией, которая помогает выделить положительные и отрицательные тенденции в данных. Например, зеленый цвет может означать рост показателя, а красный — снижение. Также можно использовать градиент цветов, чтобы показать степень изменения показателя.

Кроме таблицы, можно использовать другие способы визуализации отчета, такие как графики, диаграммы или тепловые карты. Выбор способа зависит от цели когортного анализа, типа данных и предпочтений аналитика. Главное — чтобы визуализация была понятной и информативной.

Что такое когортный анализ

Когортный анализ заключается в объединении клиентов в группы (когорты) по общим признакам. Как правило, это конкретное действие и временной промежуток.

Например, контекстная реклама привела на сайт застройщика в феврале 100 лидов. 30 из них совершили сделки в мае, спустя три месяца. Когортный анализ покажет:

• каких клиентов привела контекстная реклама, которая крутилась в феврале;
• конверсии, которые совершили клиенты с момента запуска кампании и до текущего момента.
• время, за которое клиент принимает решение, начиная с первого просмотра рекламы.

Благодаря такому отчету застройщик сможет

• Оценивать ДРР и ROMI рекламной кампании за нужный промежуток времени. Классический помесячный анализ не отражает влияние сделок в ретроспективе. А значит при подведении итогов в зачет пойдут только размещения за прошедший месяц.
• Точно измерять конверсии. Без учета отложенных конверсий значение CR (conversion rate – коэффициент конверсии) будет заниженным. Таким образом, девелопер может по ошибке отключить эффективную рекламную площадку или кампанию;
• Эффективно планировать бюджет. Если замерить средний CR с учетом отложенных конверсий — девелопер поймет, сколько трафика нужно привлечь, чтобы выполнить план продаж;
• Оценивать цикл сделки. Когортный отчет позволяет отследить, через какой промежуток времени после контакта с рекламой клиент заключает сделку. Если он слишком большой — есть повод поискать слабые места в воронке.
• Управлять рекламными кампаниями. Зная, какие кампании приводят больше всего клиентов, можно менять настройки таргета, медийной рекламы, изменять и адаптировать баннеры и креативы.

Часто маркетологи проводят когортный анализ в Excel вручную. Такой подход требует времени и ресурсов: сначала нужно выгрузить из коллтрекинга звонки по интересующей кампании за нужный период. Затем в CRM-системе нужно найти эти контакты и отследить, до какого этапа воронки они дошли. При этом не исключены ошибки и потери при переносе данных из систем в таблицу. Также при «ручном» анализе невозможно увидеть, посещал ли человек сайт ранее, поскольку нет возможности склеить сессию и номер телефона. Поэтому анализ вручную лишь частично решает проблему. В Smartis такой отчет можно построить за пару минут, даже не обладая специальными знаниями.

Анализ результатов

Отчет, показывающий когорты по параметру «Дата первого посещения» и показателю «Коэффициент удержания клиентов»

Диаграмма

По умолчанию на диаграмме показаны общие значения показателей по всем когортам. В раскрывающемся меню количества вариантов выберите общие строки диаграммы для отдельных когорт.

Столбцы

В первом столбце показаны когорты и количество пользователей в каждой из них. Например, если когорты сформированы по параметру Дата первого посещения, в этом столбце указываются такие даты для каждой когорты вместе с соответствующим количеством пользователей за период (день, неделю, месяц).

Остальные столбцы отражают приращения, выбранные в меню Размер когорты. Например, если выбран вариант по дням, каждый столбец будет содержать данные за один день. Доступно 13 таких столбцов: 0–12.

Строки

В первой строке показано суммарное значение по всем когортам для каждого столбца. Например, если выбран показатель Просмотры страниц и столбцы содержат данные по дням, тогда в первой строке будет указано общее количество просмотров страниц за день.

В других строках показаны значения для отдельных когорт.

Ячейки

Ячейки для приращений времени 0–12 содержат соответствующие значения показателей. Например, если выбран показатель Просмотры страниц, в каждой ячейке будет указано количество просмотров на когорту и на приращение.

Цвета

В Google Аналитике относительные величины показателей представлены пятью цветами: самым темным окрашены максимальные значения, а самым светлым – минимальные. Каждому цвету соответствует определенный диапазон. Например, если наибольшее значение в таблице – 100%, то каждый цвет представляет диапазон 20 (100/5). Если же наибольшее значение – 50%, то каждый цвет представляет диапазон 10 (50/5).

Сегменты

Если сегментировать этот отчет, то данные по каждому сегменту будут приведены в отдельной таблице.

Поскольку отчет «Когортный анализ» основан на данных о пользователях, применение сегментов на основе сеансов может привести к неожиданным результатам, не включающим 100% пользователей за нулевой день.

Например, если сегмент основан на условии, которое зависит от сеансов, например Местоположение: Страна точно соответствует США, то пользователи, у которых сеансы за нулевой день произошли в других странах, при применении сегмента не будут включены в столбец «День 0».

Фильтры

Фильтры, исключающие сеансы за нулевой день, могут влиять на данные за последующие дни. Например, если применить фильтр, исключающий сеансы за нулевой день для некоторых пользователей, но включающий сеансы для тех же пользователей за последующие дни, то значения за последующие дни могут превышать 100%.

Как проводится анализ когорт

Когортный анализ состоит из нескольких этапов:

1. Определение цели и гипотезы анализа. На этом этапе мы должны четко сформулировать, что хотим узнать из анализа и какие предположения делаем. Например, мы хотим узнать, как меняется поведение пользователей онлайн-курса с течением времени и как это влияет на выручку. Гипотеза может быть такой: чем дольше пользователь проходит курс, тем выше его уровень обучения и тем больше он склонен купить другие наши курсы.

2. Выбор когорт и показателей для анализа. На этом этапе мы должны определить, как будем делить пользователей или клиентов на когорты и какие показатели будем отслеживать для каждой когорты. Например, мы можем делить пользователей онлайн-курса по месяцам регистрации и отслеживать такие показатели, как уровень удержания, уровень обучения, количество пройденных уроков, количество купленных других курсов и т.д.

3. Сбор и обработка данных для анализа. На этом этапе производится сбор необходимых данных из разных источников, таких как сайт, приложение, CRM-система, аналитические сервисы и т.д. Затем обработка данных, чтобы получить нужный формат и структуру для анализа. Например, мы можем использовать таблицы или диаграммы для визуализации данных по когортам и показателям.

4. Анализ данных и выводы. На финальном этапе мы анализируем полученные данные, сравнивая поведение разных когорт, выявляя закономерности, тенденции и аномалии в данных. Затем делаются выводы и формируется когортный отчёт по результатам анализа, проверяется гипотеза и даются рекомендации для улучшения продукта или сервиса. Например, мы можем обнаружить, что пользователи, которые регистрируются в летние месяцы, имеют ниже уровень удержания и обучения, чем пользователи, которые регистрируются в зимние месяцы. Это может означать, что нам нужно усилить мотивацию и поддержку пользователей в летний период или предложить им специальные скидки.

Пример когортного анализа

Можно долго расписывать теоретическую базу когортного анализа, но ничто так показательно не продемонстрирует особенности и возможности этой методики, как конкретные кейсы. В качестве примера возьмем анализ эффективности рекламного баннера. 

У нас есть компания «Х», которая решила запустить рекламное продвижение через сервис Google Ads. Настало время оценить эффективность этого процесса, но проблема в том, что анализировать этот показатель исключительно по полученному доходу от пользователя в день его привлечения — не демонстративно.

Поэтому мы поступаем следующим образом. Разбиваем привлеченных пользователей на когорты, исходя из того, что в первый день жизненного цикла клиента они приносят 30% суточной прибыли, во второй день — 10% и так далее по нисходящей. Мы выделяем четыре когорты со своими особенностями потребления. Это позволяет увидеть, какой доход рекламный баннер дает возможность получить с каждой группы.

Наглядная демонстрация этого кейса представлена на скриншоте ниже, который был взят на сайте habr.com.

Именно поэтому когортная аналитика настолько важна в современном маркетинге для обнаружения скрытых проблемных мест. Ее внедрение позволило значительно улучшить рекламное продвижение и лучшим образом влиять на поведение пользователей. В руках профессионалов полученная информация становится ключом для повышения прибыли, переходов и других показателей успешности бизнеса.

Время в воронке продаж

Итак, мы настроили сбор данных и получили результаты за статистически значимый период ретроспективного анализа. Теперь нужно разобраться в том, сколько времени занимает прохождение воронки продаж у пользователей, перешедших по контекстной рекламе. Мы хотим понять, какое время потребуется лиду, чтобы превратиться в перспективного клиента, потенциальную сделку и, наконец, в покупателя.

Чтобы получить полные данные для настройки когортного анализа, нацеливайтесь на период от 6 до 12 месяцев

Задавать достаточно широкий диапазон дат чрезвычайно важно: в противном случае можно неправильно оценить вклад контекстной рекламы в общие результаты

Начнем с самого начала, чтобы в конце концов вернуться к данным, которые мы хотим получить:

• количество дней между лидом и потенциальным клиентом;
• количество дней между лидом и потенциальной сделкой;
• количество дней между лидом и покупателем.

Выяснить количество дней между лидом и потенциальным клиентом довольно просто. Возьмите дату создания потенциального клиента (то есть дату, когда лид превратился в потенциального клиента) и отнимите от нее дату создания лида. Повторите эту операцию со всеми лидами и убедитесь, что исключили основные выбросы.

Разбираться с лидом и потенциальной сделкой стоит в отдельном документе, чтобы не запутаться в данных. Возьмите дату, когда лид превратился в потенциальную сделку, и отнимите дату создания лида. Как и следовало ожидать, получившийся период заметно больше, нежели временной отрезок от лида до потенциального клиента.

Повторите этот процесс с покупателями.

После такого анализа вы будете прекрасно представлять, как долго лиды проходят каждый из этапов. Возможно, вас даже шокирует то, насколько долгим оказался цикл продаж в конкретном случае. Вы тут же сможете объяснить, почему отчеты по неделям не подходят для некоторых кампаний по привлечению клиентов. Причем ваши слова будут основаны на том, сколько времени на самом деле занимает прохождение воронки.