Мониторинг общего количества активных пользователей (DAU, WAU, MAU) часто маскирует проблемы продукта. Рост валового трафика за счет рекламы может скрывать стремительный отток (churn rate): новые пользователи приходят быстрее, чем уходят старые, создавая иллюзию стабильного развития.
Когортный анализ решает эту задачу, группируя аудиторию по времени первого контакта с продуктом и отслеживая поведение каждого сегмента в динамике. Это позволяет объективно оценить жизнеспособность продукта, качество входящего трафика и окупаемость маркетинговых инвестиций.
Базовые сущности когортного анализа: когорта и событие возврата
Когорта — это группа пользователей, объединенных общим признаком в рамках заданного временного интервала. В классическом анализе удержания (Retention Rate) таким признаком выступает дата первой активности.
Для корректного сбора данных необходимо зафиксировать три ключевых параметра:
Стартовое событие (Inclusion Criteria)
Момент, когда пользователь попадает в когорту:
- Первое посещение (First Touch): первый визит на сайт или первый запуск мобильного приложения.
- Регистрация или активация: создание учетной записи, подтверждение номера телефона или прохождение онбординга.
- Первая транзакция: совершение первого заказа (используется для анализа когорт повторных покупок в e-commerce).
Событие возврата (Return Event)
Действие, подтверждающее, что пользователь вернулся в продукт в последующие периоды:
- Любая сессия: факт открытия приложения или визит на веб-ресурс.
- Ключевое действие: отправка сообщения, создание проекта, запуск медиафайла.
- Повторная транзакция: совершение очередного платного заказа.
Использование «любого клика» или сессии в качестве возврата нередко завышает показатели удержания за счет случайных переходов или технических триггеров (например, фонового обновления push-токена). Для сервисов с выраженной функциональностью надежнее учитывать действия, отражающие реальное извлечение ценности из продукта.
Периодичность и часовые пояса
Гранулярность анализа выбирается с учетом специфики потребления продукта:
- День (Day-by-Day): подходит для мобильных игр, мессенджеров и социальных сетей с высокой частотой визитов.
- Неделя (Week-by-Week): стандарт для большинства B2C-сервисов, финтеха и интернет-магазинов.
- Месяц (Month-by-Month): оптимально для подписочных сервисов (SaaS) и продуктов с длительным циклом сделки.
Все события должны фиксироваться в едином часовом поясе. Например, при работе с аналитическими системами важно помнить об их внутренних стандартах: в Google Analytics 4 календарная неделя по умолчанию рассчитывается с воскресенья по субботу в таймзоне выбранного ресурса.
Формула и логика расчёта коэффициента удержания (Retention Rate)
Коэффициент удержания показывает долю пользователей из исходной когорты, которые вернулись и совершили целевое действие в определенный период времени после старта.
Формула расчёта
Для когорты c и периода t:
Retention Rate(c, t) = (R(c, t)) / (N(c)) ×100%
Где:
- N(c) — общий размер когорты (количество уникальных пользователей, совершивших стартовое событие в период c).
- R(c, t) — количество уникальных пользователей из когорты c, совершивших событие возврата в периоде t.
- t — относительный возраст когорты (t = 0, 1, 2 …).
Правило уникальности
Retention рассчитывается строго по уникальным пользователям, а не по количеству совершенных ими действий. Если один и тот же человек запустил приложение двадцать раз на третий день после регистрации, в числитель R(c, 3) он добавляется ровно один раз.
Как устроена таблица когортного анализа (когортная матрица)
Когортная таблица имеет характерную треугольную форму. Это обусловлено тем, что более ранние когорты наблюдаются дольше и имеют больше завершенных периодов, чем когорты, сформированные недавно.
- Строки: даты или периоды формирования когорт.
- Столбцы: относительный возраст когорты (День 0, День 1, День 2 и далее).
Пример матрицы удержания (по дням)
| Когорта (Дата) | Размер когорты (N) | День 0 | День 1 | День 2 | День 3 | День 4 |
|---|---|---|---|---|---|---|
| 1 октября | 1 000 | 100% (1 000) | 35% (350) | 24% (240) | 18% (180) | 15% (150) |
| 2 октября | 850 | 100% (850) | 38% (323) | 26% (221) | 20% (170) | — |
| 3 октября | 1 200 | 100% (1 200) | 31% (372) | 22% (264) | — | — |
| 4 октября | 900 | 100% (900) | 40% (360) | — | — | — |
| 5 октября | 1 100 | 100% (1 100) | — | — | — | — |
- День 0 всегда равен 100%, так как фиксирует весь исходный объем аудитории в момент первого взаимодействия.
- Пустые ячейки (прочерки) в правой части таблицы показывают, что соответствующий временной интервал для более молодых когорт еще не наступил.
Ловушки анализа: неполные периоды и сопоставление когорт
При чтении когортной матрицы аналитики регулярно сталкиваются с искажениями, ведущими к неверным выводам.
Проблема сравнения на календарную дату
Нельзя сравнивать показатели когорт разного времени по состоянию на единую календарную дату. Например, 10 октября для когорты от 1 октября прошло уже 9 дней, а для когорты от 8 октября — только 2 дня. Сравнение когорт корректно проводить исключительно по их относительному возрасту: столбец в столбец (Day 1 сопоставляется с Day 1, Day 7 — с Day 7).
Ошибка незавершенных временных окон (Incomplete Periods)
Если когорта сформирована в середине недели, а расчет строится в пятницу, то первая полная неделя для этих пользователей еще не завершилась. Расчет retention за незакрытый интервал покажет резкое искусственное падение метрики, так как часть аудитории просто физически не успела совершить повторное действие. Незавершенный период необходимо исключать из сравнительного анализа до тех пор, пока временное окно не закроется целиком.
Когортный анализ каналов привлечения: пошаговый алгоритм
Разделение когорт по источникам трафика позволяет понять, какие рекламные каналы приводят постоянных клиентов, а какие генерируют разовые визиты без дальнейшей активности.
Алгоритм работы:
- Разметка трафика и фиксация первого касания. Настройте корректную передачу меток
utm_source,utm_mediumиutm_campaign. Исходный источник должен жестко закрепляться за профилем пользователя при первом контакте (First touch attribution). - Синхронизация условий. Для всех сравниваемых каналов должны быть заданы идентичные критерии попадания в когорту (например, факт первой регистрации) и единые события возврата.
- Построение срезов по источникам. Сформируйте отдельные когортные таблицы для каждого рекламного канала за сопоставимый период времени.
- Сопоставление кривых удержания. Сравните значения retention на контрольных отсечках (Day 1, Day 7, Day 30).
Пример сравнения каналов
| Источник трафика | Размер когорты | Стоимость клика (CPC) | Day 1 Retention | Day 7 Retention | Day 30 Retention |
|---|---|---|---|---|---|
| Канал A (Контекст) | 5 000 | 45 ₽ | 42% | 22% | 14% |
| Канал B (Таргет) | 12 000 | 12 ₽ | 18% | 6% | 1,5% |
| Канал C (Органика) | 3 000 | — | 48% | 28% | 19% |
Интерпретация результатов:
- Канал B привлекает дешевых пользователей, однако к 30-му дню удерживается лишь 1,5% когорты. Это сигнализирует о нецелевом трафике, несоответствии рекламного креатива реальному продукту или трудностях с онбордингом. Масштабирование такого канала сопряжено с прямым сливом бюджета.
- Канал A отличается высокой стоимостью закупки, но удерживает аудиторию почти в 10 раз лучше на длинной дистанции. Накопленная пожизненная ценность клиента (LTV) от пользователей из Канала A со временем перекроет разницу в первичной стоимости привлечения (CAC).
Типичные ошибки при работе с retention-таблицами
- Смешение Classic Retention и Rolling Retention. В классическом расчете удержание проверяется строго внутри выбранного временного отрезка. В скользящем (rolling) удержании пользователь считается активным во все предшествующие дни, если он вернулся хотя бы один раз позже. Смешивать эти подходы в одной таблице нельзя.
- Игнорирование продуктовых изменений. Если на третий день жизни когорты произошел сбой на сервере или выкатили неудачный интерфейсный релиз, падение retention связано с техническими неполадками сервиса, а не с ухудшением качества трафика.
- Дублирование пользовательских идентификаторов. Если сессия пользователя до авторизации и действия после входа в аккаунт фиксируются как два разных профиля, объем когорты искусственно вырастет, а процент возврата окажется заниженным.
Чек-лист: подготовка данных перед построением когорт
Перед формированием итогового отчета убедитесь, что соблюдены следующие требования:
- [ ] Стартовое событие однозначно регламентировано (первая сессия, регистрация или оплата).
- [ ] Событие возврата отражает контакт с ценностью продукта, а не фоновые системные запросы.
- [ ] Таймзоны аналитических систем и базы данных синхронизированы.
- [ ] Источник первого касания (UTM) зафиксирован в профиле пользователя.
- [ ] Текущие незавершенные интервалы исключены из сравнительных срезов.
- [ ] Размер каждой когорты достаточен для получения статистически значимых выводов (выборки менее 50–100 человек подвержены сильным случайным флуктуациям).
Часто задаваемые вопросы (FAQ)
Что считать Днем 0 (Day 0) — календарные сутки или первые 24 часа?
Это зависит от выбранной модели расчета. В календарной модели День 0 заканчивается в 23:59:59 текущих суток по часовому поясу проекта. В модели 24-часовых окон (Rolling 24h) отсчитываются ровно 24 часа с момента точного timestamp первого действия. Для сервисов с международной аудиторией модель 24-часовых окон дает более точные результаты, сглаживая разницу во времени.
Как определить подходящее событие возврата?
Ориентируйтесь на целевую модель потребления. Для медиаресурсов возвратом служит прочтение публикации; для B2B SaaS — использование ключевого рабочего инструмента или экспорт отчета; для интернет-магазинов — повторный заказ или просмотр каталога в авторизованном состоянии.
Почему кривая удержания в последнем столбце таблицы часто резко обрывается?
Это прямое следствие неполного временного окна. Если когорта зарегистрировалась недавно, ее участники еще не успели прожить полный период, из-за чего данные по последнему доступному интервалу отображаются с заниженными показателями.
Чем когортный анализ каналов отличается от стандартного отчета по конверсиям?
Отчет по конверсиям фиксирует разовое действие в моменте (клик, регистрацию, оплату). Когортный анализ демонстрирует качество привлеченной аудитории в динамике на протяжении недель или месяцев, что необходимо для расчета реальной окупаемости инвестиций.
Какой показатель удержания считается оптимальным?
Единого норматива не существует: показатели зависят от рыночной ниши и специфики сервиса. Для социальных сетей нормальным может быть удержание первого дня на уровне 40–50%, тогда как для сервисов бронирования отелей повторный визит через день не является естественным поведением. Оценивать метрики следует в сравнении с историческими данными своего продукта или прямыми аналогами в том же сегменте.
Заключение
Когортный анализ удержания переводит оценку маркетинга и продуктового развития из плоскости валовых объемов в плоскость качества аудитории. При работе с когортами критически важно корректно фиксировать целевые действия, сопоставлять данные строго по относительному возрасту групп и отсекать незавершенные временные интервалы. Такой подход защищает от ложных выводов и позволяет распределять рекламные бюджеты в пользу каналов, приносящих стабильную и вовлеченную аудиторию.
.svg.webp){kind=logo}
