Когортный анализ
Когортный анализ — метод разбивки пользователей на группы по дате первого взаимодействия (первый скан, первый визит, первая покупка) с последующим отслеживанием поведения каждой группы во времени для измерения реального удержания.
Что такое когортный анализ
Когортный анализ делит пользователей на группы — когорты — по дате первого значимого действия: первому скану QR-кода, первому визиту, первой покупке или первой регистрации. Дальше каждую когорту отслеживают отдельно: как часто возвращаются в неделю 2, в неделю 4, через 3 месяца.
Зачем не смешивать всех вместе? Потому что средние метрики лгут. Retention 40% может означать что угодно: либо половина всех пользователей возвращается стабильно, либо январские молниеносно отваливаются, а мартовские задерживаются надолго. Без разбивки на когорты второй сценарий невидим — и проблема января остаётся нерешённой.
Применительно к QR-кампаниям когортный анализ отвечает на конкретные вопросы: пользователи, впервые отсканировавшие код в декабре (в сезон акций), возвращаются так же часто, как те, кто пришёл в феврале? Если нет — декабрьская аудитория была «горячей» из-за скидок и не конвертируется в лояльных клиентов. Это важно знать до следующего декабря.
Как читать retention-таблицу по неделям
Стандартный вывод когортного анализа — матрица удержания. По вертикали — когорты (недели или месяцы первого контакта), по горизонтали — периоды после первого действия (неделя 0, 1, 2, 3…). В каждой ячейке — процент пользователей когорты, вернувшихся в этот период.
| Когорта | Неделя 0 | Неделя 1 | Неделя 2 | Неделя 4 | Неделя 8 |
|---|---|---|---|---|---|
| Январь | 100% | 42% | 28% | 19% | 11% |
| Февраль | 100% | 51% | 38% | 31% | 24% |
| Март | 100% | 49% | 37% | 29% | 23% |
Что видно из этой таблицы. Январская когорта к 8-й неделе удерживает только 11% — почти вдвое хуже февраля и марта. Если январь совпал с акцией «скидка 30% за первый скан», причина прозрачна: привлекли ценовых охотников, которые не вернулись без скидки. Февральская и мартовская когорты стабилизировались около 23–24% — это органика без искусственного стимула, реальная база лояльных пользователей.
Именно этот вывод недоступен в агрегированном Retention Rate: он покажет «в среднем 19% в неделю 8» и скроет разрыв между когортами.
Связь с LTV и динамическими QR
Когортный анализ — обязательный шаг перед расчётом LTV. Без когортного разреза LTV считается по «средней температуре по больнице» и даёт неверные ориентиры для бюджета привлечения.
Схема связи проста: одна когорта = один канал привлечения + один временной период. Динамический QR позволяет назначить каждому каналу свой код — QR на упаковке, QR в меню, QR на билборде. Отсканировавшие каждый из них образуют отдельные когорты с собственными кривыми удержания и, следовательно, с разным LTV. Зная это, маркетолог перераспределяет бюджет в пользу канала с лучшим долгосрочным удержанием, а не просто с наибольшим числом первых сканирований.
Когортный анализ также помогает в построении воронки: если на входе воронки много сканирований, но удержание падает после второй недели — проблема не в трафике, а в продукте или онбординге. Это принципиально иной диагноз и иное решение.
Частые вопросы
Чем когортный анализ отличается от обычного Retention Rate?
Retention Rate — одна цифра, усреднённая по всем пользователям за период. Когортный анализ — матрица: каждая строка показывает удержание отдельной группы с разными датами первого контакта. Общий Retention Rate в 35% может складываться из когорты с 60% и когорты с 10% — агрегат этого не покажет. Когортный анализ нужен именно тогда, когда нужно понять, какой канал, период или акция приводит лояльных пользователей, а какой — разовых. Для мониторинга состояния продукта достаточно Retention Rate, для диагностики причин — нужен когортный разрез.
С какого размера аудитории имеет смысл делать когортный анализ?
Минимальная статистически значимая когорта — 50–100 человек на строку. При меньшем числе отклонения случайны и выводы ненадёжны. Для SaaS или приложения с тысячами пользователей когортный анализ строится помесячно или понедельно. Для локального бизнеса с QR-программой лояльности — поквартально, если аудитория невелика. Лучше дождаться накопления 100+ пользователей в когорте, чем делать ложные выводы на 20 записях. GA4 и Яндекс.Метрика строят когортные отчёты автоматически, как только данных достаточно.
Какой инструмент использовать для когортного анализа QR-кампаний?
Для большинства задач хватает GA4: встроенный отчёт «Удержание» уже является когортным — пользователи группируются по неделе первого визита, отображается их возвращаемость по неделям. Для детальной атрибуции по каналам (QR на упаковке vs QR в офисе) нужны UTM-метки с уникальным utm_source для каждого QR — тогда когортный отчёт строится по сегментам. Если работаете с Яндекс.Метрикой, аналог — «Когорты» в разделе «Аудитория». Для более глубокого анализа (когорты по продуктовым действиям, не только по визитам) подойдут Mixpanel или Amplitude.
Что делать, если все когорты показывают низкое удержание?
Это признак проблемы в продукте или онбординге, а не в привлечении. Если retention падает ниже 20% уже к неделе 2 у всех когорт — смотрите на первый опыт пользователя: понятно ли ему что делать после первого скана, получает ли он ценность немедленно, не слишком ли длинная регистрация. Попробуйте провести опрос отвалившихся или посмотреть на тепловые карты и записи сессий. Проблему удержания не решить улучшением рекламы — только улучшением продукта и коммуникации после первого контакта. Когортный анализ в данном случае лишь подтверждает диагноз и помогает локализовать слабое место во времени.
Как когортный анализ связан с мультиканальной атрибуцией?
Когортный анализ и мультиканальная атрибуция решают смежные, но разные задачи. Атрибуция отвечает на вопрос «какой канал привёл к конверсии». Когортный анализ отвечает «насколько долго остаются клиенты, привлечённые через этот канал». Полная картина строится из обоих: атрибуция показывает стоимость привлечения (CAC), когортный анализ — качество привлечённых пользователей через их LTV. Канал с низким CAC, но плохим удержанием проиграет каналу с высоким CAC и сильным retention — когортные данные это делают очевидным.
Нужен ли когортный анализ для офлайн-бизнеса с QR-меню?
Да, и здесь он особенно нагляден. QR-меню в кафе фиксирует каждое сканирование с датой — это уже данные для когортного анализа. Если подключить программу лояльности с идентификацией гостя (через номер телефона или карту), можно видеть: гости, впервые отсканировавшие QR в ноябре, возвращаются в январе в 2 раза реже, чем те, кто пришёл впервые в марте. Это сигнал, что ноябрьская акция привела разовых клиентов. Даже без CRM — простой Excel с датой первого визита и датами последующих позволяет построить грубую когортную таблицу для 50–100 постоянных гостей.