Как сделать когортный анализ в гугл таблицах

Обновлено: 02.07.2024

Что такое когортный анализ

Когортный анализ заключается в исследовании характеристик когорт (групп пользователей), объединенных по общим временным признакам. Когорты очень похожи на сегменты с тем отличием, что когорта объединяет пользователей определенного промежутка времени, в то время как сегмент может быть основан на любых других характеристиках пользователей. Для сайтов когорту обычно определяют по первому посещению или целевому действию пользователя. Затем мы можем отслеживать, как меняется поведение пользователей из этой когорты с течением времени, или сравнивать сами когорты между собой. Это предоставит нам возможность лучше понимать влияние маркетинговых мероприятий и повысить качество принимаемых решений.

Когортный анализ разделяет действия новых и старых пользователей. Благодаря этому у нас появляется возможность разделить показатели бизнеса, отвечающие за получение новых клиентов и за удержание старых. Почему это важно? Обычно для оценки успешности бизнеса используют общий доход:

Однако это не говорит о том, за счет чего увеличивается этот доход. Вы можете успешно привлекать новых пользователей и за счет этого увеличивать прибыль, но ваши старые пользователи могут больше не возвращаться. Из такого графика этого не узнать.

Разобьем пользователей на когорты и построим аналогичный график:

Каждая когорта на графике представлена своим цветом и их сумма показывает ту же доходность, что и прошлый график, но теперь мы видим какое влияние оказывают разные группы пользователей на доход. Первые вертикальные линии каждого цвета отображают покупки новых пользователей. Также мы видим, как ведут себя эти пользователи в дальнейшем – это показывают хвосты того же цвета, которые тянутся до конца графика. На данном графике первый импульс роста с 9-го по 29-го марта происходил за счет привлечения новых пользователей. Но после 3-го апреля количество новых пользователей снизилось и перестало увеличиваться. В это время доход увеличивался за счет уже привлеченных ранее пользователей.

Отслеживание новых посещений

Итак, первый вариант использования когортного анализа – это сравнительный анализ разных когорт. Это отличный способ отслеживания новых посещений и трендов.

Например, мы можем отслеживать результаты изменений на сайте. Если вы собираетесь что-то менять на сайте или делаете это регулярно, то когортный анализ – это то, чем вы просто обязаны пользоваться. С помощью него вы можете быстро оценить эффект от нововведений и понять насколько изменения пришлись по вкусу вашим пользователям: стали ли они совершать больше целевых действий или меньше, увеличились ли продажи или доход и т.д.

Аналогично можно измерять эффект от маркетинговых кампаний: были ли они эффективны, какой доход они принесли. На скриншоте ниже можно заметить существенный рост дохода от когорты, в которую собраны пользователи, посетившие сайт в течение недели, начавшейся 20 июня. Мы сразу можем оценить успешность мероприятий, проведенных в течение этой недели.

Отслеживание повторных посещений

Второй вариант использования когортного анализа можно назвать анализом лояльности пользователей – это исследование когорт с течением времени. На графике мы видим когорты (линии разного цвета) и доход, который они приносят в течение выбранного периода времени. Мы можем оценить время жизни пользователей и доход, который приносит каждый пользователей (LTV – lifetime value). Если пользователи совершают первую покупку и больше не возвращаются к вам, вы сразу же увидите это и сможете принять меры по возвращению пользователей. В данном примере пользователи продолжают возвращаться на сайт и совершать покупки в течение долгого периода времени.

Вы также можете понять, как разные когорты ведут себя в дальнейшем. Одни из них могут приносить вам больший доход, другие – меньший. Определив, чем отличаются эти когорты между собой, вы сможете привлекать более лояльную вам аудиторию.
Дальше мы рассмотрим, какие варианты есть для построения отчетов по когортному анализу на основе данных из Google Analytics.

Когортный анализ в Google Analytics

Для построения отчета вам необходимо выбрать тип и размер когорты, показатель, который будет выводится на графике и в таблице, и диапазон, за который вы хотите получить отчет. На рисунке выше в качестве показателя выбрано количество транзакций и когорты построены по неделям. На верхнем графике отображается количество транзакций, которые совершили пользователи каждой когорты. Транзакции, принадлежащие одной когорте, отображаются линией одного цвета и разбиваются по периодам, в данном случае по неделям. На графике мы видим, сколько транзакций совершают пользователи в первую и последующие недели. Под графиком размещается таблица, которая отображает ту же самую информацию, но в табличном виде, где каждая когорта представлена одной строкой.

Как и в других отчетах Google Analytics, мы можем добавить сегменты и изучить когорты одного конкретного сегмента или сразу нескольких. Такая возможность очень сильно расширяет функционал когортного анализа и позволяет исследовать когорты в разрезе практически любых параметров. При изучении когорт на всех пользователях сразу, без сегментации, не всегда можно объяснить то или иное отклонение. Также в общей массе пользователей бывает очень трудно заметить какие-либо изменения т.к. большое количество источников трафика сливается и заметить разницу между когортами невозможно. Благодаря сегментам появляется возможность посмотреть на тонкий срез посетителей. В этом случае, как правило, найти и объяснить отклонения уже не составляет труда. На скриншоте ниже в качестве примера приведен когортный отчет для платного и бесплатного трафиков. В отличие от прошлого отчета (см. скриншот выше), здесь легко заметить различия в когортах, и, если вы в курсе маркетинговых мероприятий, легко поймете, чем они вызваны. Так же легко вы сможете увидеть какой эффект имели те или иные изменения на сайте, сравнив поведение когорт до и после изменений.

К сожалению, когортный анализ в Google Analytics обладает рядом существенных недостатков, осложняющих его эффективное использование. Вот основные из них.

1.Семплинг

Если вам необходимо использовать сегменты, то, скорее всего, вы столкнетесь с семплингом. Это значит, что для вашего отчета Google Analytics будет использовать только часть данных, из-за этого о точности данных говорить уже невозможно. Как следствие, принимать решения, основанные на неточных данных, не имеет смысла. Если для примера взять отчет с сегментацией на платный и бесплатный трафик, приведенный выше, то он был построен всего на 10% от всех данных.

2. Только один тип когорты

В Google Analytics доступен только один тип когорты – дата первого посещения. Таким образом, вы можете группировать пользователей только по первому посещению. Часто бывает необходимо провести анализ групп, основанных на других характеристиках пользователей, например, на первых транзакциях, на каких-то событиях и т.д. К сожалению, с Google Analytics это сделать невозможно.

3. Ограниченный период отчетности

Следующее ограничение касается размера когорты и периода отчета. Что касается размера когорты, то в Google Analytics их три: по дням, по неделям и по месяцам. Этого вполне достаточно, однако к ним привязаны диапазоны дат для отчета. Если вам необходимы когорты по дням, то отчет вы сможете создать максимум за последние 30 дней. Для недельных и месячных групп доступно только последние 3 месяца. Безусловно, это лучше, чем ничего, но для эффективного применения когортного анализа этого маловато, особенно если вы анализируете более крупные периоды – недели и месяцы. Кстати, недели в Google Analytics начинаются с воскресенья, а не с понедельника, и изменить это невозможно.

4. Ограниченная визуализация

На графике можно отобразить только 4 когорты. Показатель выводится в виде линейного графика максимум за последние 12 дней или недель. Никаких других возможностей в графической части отчета нет.

Когортный анализ в Tableau

Из-за ограничений, описанных выше, использование встроенного когортного анализа в Google Analytics становится практически бесполезным для сложных проектов. Поэтому в нашем агентстве было принято решение создать отчет по когортам таким образом, чтобы устранить все эти недостатки. В итоге получилась связка Google Analytics + BigQuery + Tableau. С помощью API данные из Google Analytics ежедневно импортируются в BigQuery, а затем визуализируются с помощью Tableau. Для сложных и уникальных проектов может понадобиться предварительная настройка сбора данных, которая расширит функциональность и информативность отчета.

Мы хотели бы показать вам пример такого отчета:

Такой отчет отлично подойдет маркетологам и руководству, он не требует сложных настроек, создания сегментов, а предоставляет всю важную информацию в готовом виде со всеми необходимыми фильтрами и сегментами. Данные обновляются автоматически, и вы каждый день будете видеть актуальную информацию о вашем проекте. И что важнее всего – нам удалось обойти ограничения, которые присутствуют в стандартном отчете Google Analytics:

1. Благодаря выгрузке данных с помощью API нам удалось обойти семплирование, отчет строится на всех данных, а не на какой-то их части.
2. Тип когорты мы можем задавать самостоятельно, но может потребоваться предварительно настроить события, по которым требуется группировать пользователей.
3. Период для отчета мы можем указывать абсолютно любой, за который у нас собраны данные.
4. Благодаря Tableau мы практически ничем не ограничены в визуализации и при необходимости можем построить любые графики и таблицы.

Нужно отметить, что вам даже не обязательно использовать BigQuery, для построения таких отчетов. Для этого понадобится выгрузить данные из Google Analytics в Excel и затем построить отчет в Tableau. В этом случае вы даже можете воспользоваться бесплатной версией Tableau т.к. вам не понадобиться подключаться к BigQuery. Для небольших проектов этого может быть вполне достаточно, к тому же это можно сделать совершенно бесплатно. Конечно, если данных очень много, то будет проблематично выгрузить их в Excel, не говоря уже о регулярном обновлении. Поэтому использование API Google Analytics для импорта данных в BigQuery является оптимальным решением для крупных проектов.

Что такое когортный анализ, как его провести и как с его помощью повышать эффективность маркетинга, продаж и сервиса?

Подпишись на Telegram

Когортный анализ — это способ анализировать поведение пользователей продукта и клиентов компании.

С его помощью можно:

В статье простыми словами расскажем, как это делать.

Что такое когортный анализ

При когортном анализе аудиторию делят на когорты — группы пользователей, которые совершили одно и то же действие в заданный промежуток времени.

Пример: пользователи каждый день оставляют на сайте заявки, чтобы с ними связался менеджер. Мы хотим узнать, какое время в среднем проходит с момента заявки до оплаты. Сначала определимся с датой, например, 20 декабря. Берём всех, кто оставил заявку в этот день, — они и будут нашей когортой.

Пример когорты

Этих клиентов объединяет одно действие (покупка) и один период (20 декабря).

Дальше мы фиксируем эту дату в отчёте и отслеживаем, как пользователи ведут себя в будущем: через сколько дней оплачивают покупку, какой у них средний чек. Затем соотносим эти данные с рекламным каналом.

Когортный анализ похож на сегментацию пользователей, но не стоит их путать.

Сегментация — это когда мы делим аудиторию на группы с общими характеристиками (география, пол, возраст, интересы) и смотрим, какие действия совершает каждая группа.

Пример: если мы выбираем для анализа аудиторию молодых отцов из Москвы — это сегментация по социально-демографическим характеристикам. Пользователи внутри такой группы могут совершать разные действия в любые отрезки времени: подписаться на рассылку, оставить заявку, отписаться от рассылки, оплатить заказ картой онлайн. При анализе социально-демографического сегмента мы не привязываем действия пользователей ко времени, а просто анализируем, как отрабатывают наши маркетинговые активности: оферы, рассылки, таргетированная реклама.

В когортах пользователей объединяют по действию и периоду. И это главное отличие когортного анализа от сегментации.

Когорты можно сравнивать между собой. Например, анализировать поведение пользователей, которые заходили на сайт в январе и феврале, и сравнивать показатели. Допустим, мы видим, что февральские пользователи заплатили нам больше денег. Это может означать, что в рекламных кампаниях в феврале мы использовали оферы чётко под аудиторию или сумели привлечь более целевой трафик.

Отличие когортного анализа от сегментации

В чём польза когортного анализа

1. Оценивать ROI

Когортный анализ показывает, как ваш маркетинг работает вдолгую — у каких каналов выше ROI, сколько времени проходит от совершения целевого действия до первой сделки и повторных продаж.

Пример: вы продаёте мебель онлайн с доставкой по Москве и Московской области. Запущена реклама по трём источникам: таргет в Facebook, контекстная реклама и email-маркетинг. Данные говорят, что мебель чаще всего заказывают жители столицы, а показатели по области скромные, трафик не окупается. Нужно понять причину.

Разделяем покупателей на когорты по источнику трафика и месяцу.
Задаём период, в течение которого пользователи из когорты оставили заказ, — ноябрь.
Смотрим, как вели себя ноябрьские клиенты в течение трёх следующих месяцев, и видим, что самый эффективный канал — контекстная реклама.
Строим гипотезу, что нужно проработать в контекстной рекламе объявления на Московскую область: переписать заголовки, оптимизировать кампании.
Улучшаем контекстную рекламу и видим, что продажи растут. Значит, гипотеза была верной, и мы сделали точное действие — правильно выбрали канал, который нужно оптимизировать.

Если бы мы не провели когортный анализ, то, скорее всего, решили бы свернуть продажи в области из-за скромных показателей прибыли.

2. Анализировать окупаемость рекламы на длинных дистанциях

Клиенты не всегда покупают сразу. Если мы планируем рекламный бюджет в начале месяца и оцениваем эффективность рекламы в конце месяца, есть риск сделать неверные выводы. Сделки, которые пришли за отчётный месяц, могут не окупить расходы на маркетинг. Мы можем отключить канал, подумав, что он нерентабелен. Пример:

Пример выручки и расходов по двум рекламным каналам

В июле Яндекс.Директ оказался убыточным, а Google Ads — прибыльным. Применим когортный анализ. Пусть нашей когортой будут пользователи, оставившие заявку в июле. Отключаем рекламу, будем наблюдать за ними и посмотрим, как изменится выручка в будущем:

Пример проведения когортного анализа

Отследив поведение когорты, мы увидим, что клиенты, зашедшие в июле с Яндекс.Директ, продолжают покупать и в августе, и в сентябре, и в октябре.

Считаем общую выручку из Яндекс.Директ: 29800 + 10960 + 7900 + 4300 = 52960 ₽.
Вычитаем расходы: 52960 — 32500 = 20460 ₽.
Канал оказался прибыльным.

То же самое по Google Ads:

Выручка: 45400 + 3400 + 2100 = 50900 ₽.
Вычитаем расходы: 50900 — 35600 = 15300 ₽.

В итоге Яндекс.Директ был убыточен в первый месяц, но пользователи, оставившие заявку в июле, принесли оплаты в следующие месяцы. Канал вышел в плюс на дистанции и оказался прибыльнее Google Ads. Анализируя лишь первый месяц, мы могли сделать неверные выводы.

3. Оценивать результат A/Б-теста

А/Б-тесты помогают понять, какая версия сайта лучше конвертирует посетителей. Например, мы продаём часы. Конверсия лендинга — 3%. У нас есть гипотеза, что если мы изменим заголовок, конверсия вырастет. Cоздаём копию исходного лендинга, меняем заголовок и делим трафик 50 на 50. Так мы можем понять, какой заголовок лучше работает.

Когортный анализ позволяет оценить результаты А/Б-теста в долгосрочной перспективе.

Пример когортного анализа для оценки результатов А/Б-тестов

Средняя конверсия первого варианта — 3,06%, второго варианта — 3,6%. Когортный анализ помог собрать в ходе А/Б-теста более полные данные для принятия решения.

4. Отслеживать эффективность менеджеров по продажам

С помощью когортного анализа можно проанализировать эффективность отдела продаж. Например, выявить сотрудников, которые продают стабильно.

Посмотрим, как это работает:

Когортный анализ в Roistat по менеджерам

По таблице видно, что Артём Лебедев (1) в первую неделю сделал больше всего продаж (594 068 ₽). В следующие недели его продажи держатся примерно на одном уровне.

Напротив, продажи менеджера Юлии Кузнецовой (2) по своей когорте стабильны только первые три недели, а потом продаж не было вообще.

Из примера можно понять, что действия Артёма помогают продавать клиентам дольше и делать больше выручки. Мы можем проанализировать работу Артёма: послушать его разговоры с клиентами, посмотреть, какие письма он отправляет, перенять опыт и скорректировать скрипты продаж для остальных менеджеров.

5. Прогнозировать LTV

LTV или Life Time Value — это выручка за весь жизненный цикл клиента.

Пример: зоомагазин привлекает клиента из рекламы за 1000 ₽, а средний чек с первого заказа — всего 500 ₽. Первая продажа идёт компании в минус, но через месяц клиент возвращается, чтобы купить ещё корм, и приносит бизнесу всего 1000 ₽. Предположим, что клиент регулярно приходит за покупками, пока не решит сменить магазин. В итоге вся сумма, которую заплатит клиент за период взаимодействия с компанией, и будет LTV.

Зачем нужен показатель LTV в интернет-маркетинге — объяснили подробно в нашем материале.

Пример когортного анализа

Видим, что за четвёртую неделю продажи отсутствуют. Предположим, что жизненный цикл клиента составляет три недели. Тогда LTV будет равен сумме выручки, поделённой на количество продаж за этот период.

Проанализировав разные когорты, можно найти среднее значение LTV, которое вы ожидаете получить от будущих пользователей. Если цифры, которые вы получаете сейчас, отличаются от средних цифр по прошлым когортам, можно вовремя предотвратить спад активности. Например, поработать над активацией, оферами или рекламными кампаниями.

6. Оптимизировать цикл продаж

Допустим, вы организовываете корпоративы и близится Новый год. Вы запускаете новогоднюю рекламную кампанию за две недели до праздников, чтобы успеть собрать заявки и обработать их. Проведя когортный анализ, вы можете увидеть, что с момента заявки на сайте до сделки проходит в среднем месяц. Значит, чтобы получать оплаты к Новому году, рекламу нужно запускать на две недели раньше.

Какие данные нужны для когортного анализа

Когортный анализ в маркетинге помогает наблюдать за поведением пользователей, отслеживать их действия, чтобы точнее оценивать эффективность маркетинговых каналов. Но чтобы когортный анализ работал и помогал улучшать бизнес-показатели, нужно грамотно подготовиться к его проведению.

На старте важно определить:

Признак когорты — действие пользователя, по которому он попадает в когорту. Например, переход на сайт, покупка, запись на бесплатный тест.
Размер когорты — период, в течение которого совершалось действие. Примеры периодов: месяц, неделя, день, квартал.
Отчётный период — как долго вы будете анализировать когорту. Например, два месяца, полгода или год.
Ключевой показатель — метрика, которую вы анализируете. Брать можно любой показатель, который меняется со временем. Например, конверсию.

Этих данных хватит, чтобы сформировать когорты, сравнить их по нужной метрике и проанализировать результаты.

Сервисы для когортного анализа

Когортный анализ в Google Analytics

В сервисе веб-аналитики Google удобно строить отчёт — правда, он называется не когортный анализ, а когортное исследование. Как его найти:

Задаёте настройки для анализа — признак когорты, размер, временной период, метрику. Сервис автоматически формирует график.

Когортный анализ в Google Analytics — слева можно настроить и выбрать показатели

Когортный анализ в Excel или в Google Таблицах

Вручную можно провести исследование любой сложности, но на это уйдёт много времени. В Excel и Google Таблицах есть формулы — они облегчат подсчёт результатов.

Для примера расскажем, как провести когортный анализ с помощью сводной таблицы. Сперва необходимо выгрузить данные для анализа — из CRM, рекламных кабинетов или сервиса веб-аналитики. Делаем вручную или прописываем SQL-запрос.

Получаем отчёт по когортному анализу.

Пример когортного анализа с помощью сводной таблицы

Когортный анализ — примеры отчётов в других сервисах

AppMetrica — это сервис Яндекс.Метрики для работы с мобильными приложениями. Можно отслеживать, когда пользователи запускают приложение.

Пример отчёта в AppMetrica

Mixpanel — анализирует не только данные с приложения, но и сайта. Можно проводить А/Б-тестирование и смотреть подробные отчёты по рекламе.

Пример отчёта в Mixpanel

Kissmetrics — также работает и с приложениями, и с сайтами. Можно создавать когорту сразу по двум признакам — например, по первому визиту на сайт и регистрации.

Пример отчёта в Kissmetrics

Возможности Roistat

Roistat — это система сквозной бизнес-аналитики, которая умеет собирать данные из рекламных кампаний и соотносить их с данными из CRM, выручкой, чистой прибылью и другими показателями.

В Roistat есть возможность проводить когортный анализ аудитории. С его помощью можно найти рекламные каналы, которые в перспективе будут приносить прибыль. Для проведения анализа не нужно разбираться в SQL и изучать формулы — сервис автоматически соберёт данные и всё посчитает. Нужно лишь задать параметры для построения отчёта — в Roistat есть меню быстрого выбора. Кликайте по любому признаку когорты (например, первый визит или первый заказ) — сервис сформирует график.

В Roistat с помощью когортного анализа можно оценивать не только эффективность рекламы, но работу менеджеров, поставщиков, курьеров.

Когортный анализ: как сделать в Roistat

Алгоритм действий:

Настройки когорты

3. Задайте параметры для сегментации. Обязательно нужно указать период времени, за который пользователи посетили ваш сайт впервые. Также можно указать период создания заказа, страницу первого посещения и рекламу, с которой пользователи пришли.

4. Выберите тип когорты: дата первого визита, статус сделки, менеджер, причина отказа — то, что вы хотите проанализировать с помощью сервиса Roistat. Например, посмотреть, как продавали менеджеры в разрезе некоторого отрезка времени.

Выбор метрики для анализа

7. Выберите формат метрики. Отчёт автоматически строится в виде таблицы с численными значениями. Если хотите построить таблицу с долевыми значениями, в правом верхнем углу кликните на значок %, его цвет поменяется на зелёный.

Выбор формата метрики

Пример когортного анализа

Вы получите таблицу:

1. Первый столбец отображает тип когорты.

2. Второй — даёт сумму значений по метрикам.

3. Остальные столбцы показывают значения метрики на момент окончания выбранных интервалов.

Чем темнее ячейка, тем выше значение метрики.

Дополнительные возможности

1. Значения метрик при наведении на ячейку таблицы

Если вы наведёте курсор на ячейку таблицы, то увидите значения всех метрик за период.

Пример значений метрик за период

2. Список сделок по клику на ячейку таблицы

При клике на ячейку откроется окно со списком сделок, совершённых в заданный период.

Пример списка сделок

3. Отображение когорт на графике

Справа от названия каждой когорты есть пиктограмма графика. Кликните на неё, чтобы увидеть график, созданный по значениям метрики для выбранной когорты.

Главное

Когорта — группа пользователей, которые совершили определённое действие в конкретный период времени.
Когортный анализ помогает изучить потребительское поведение, оценить окупаемость рекламы на долгой дистанции, выявить и удержать лояльных клиентов, точнее провести A/Б-тест, выявить закономерности, которые теряются в других способах аналитики.
Анализ по когортам отличается от сегментации по социально-демографическим характеристикам: в когорты могут входить пользователи разных возрастов и интересов, самое важное в том, что они совершили общее действие в рассматриваемый период времени, например, зарегистрировались или сделали заказ.
Перед когортным анализом определите признаки когорты, размер когорты, отчётный период и ключевой показатель.
Анализ можно провести вручную или с помощью специальных сервисов, например, Roistat.

Узнавайте первыми о новых полезных материалах по маркетингу и аналитике, а также о проведении бесплатных вебинаров на нашем Telegram-канале.

Маркетолог в OWOX BI Марго Бергер рассказала, чем для PPC-специалиста полезен когортный анализ, что представляет собой этот подход и какие задачи можно решить с его помощью.

Маркетологи постоянно ищут способы лучше понять поведение своей аудитории и одним из таких способов может стать когортный анализ. На ряду с сегментированием, он поможет разделить пользователей на отдельные группы, но оценка будет проходить не по одной итоговой метрике, а в разрезе изменения этой метрики от когорты к когорте. Давайте попробуем разобраться в том, что это такое и чем он может быть полезен бизнесу.

Начнем с определения.

Когорта — это группа людей, которые совершили одно и то же действие в один период времени.

Например, студенты, окончившие кафедру маркетинга в 2012 году, — это когорта. Люди, совершившие покупку на сайте с 1 по 7 июля, — тоже.

Зачем нужны когорты, если у нас уже есть множество сегментов, спросите вы. И правда, когорту нередко хочется сравнить с сегментом, но последний может объединять аудиторию сразу по нескольким параметрам. То есть, студенты-мужчины, окончившие кафедру маркетинга в 2012 году с красным дипломом и работающие по специальности — это уже сегмент. Как и люди, совершившие покупку на сайте с айфона с 1 по 7 июля со средним чеком в 10 000 рублей. То есть, разница в количестве признаков — у когорты это временной промежуток для совершения одного действия, а в сегмент вы можете включать множество дополнительных условий.

Когортный анализ — это исследование того, как со временем меняется поведение когорты. Что нужно для его проведения?

Признак, по которому вы будете формировать когорту — действие, которое объединяет людей в когорте: первый визит на сайт, первая покупка, регистрация и т. п.
Размер когорты — временной интервал для когорты: день, неделя, месяц.
Отчетный период — время, в течение которого вы будете исследовать поведение когорты.
Ключевой показатель, который вы будете анализировать: ROI, Retention Rate, LTV, средний чек, частота покупок и т. д.

Но чем когортный анализ может быть полезен для бизнеса? Разберем на пяти примерах.

Анализировать каналы привлечения

Когортный анализ поможет узнать, из каких каналов приходят наиболее лояльные пользователи, и вы сможете уделить этим каналам не только больше внимания, но и больше бюджета. Порядок действий очень простой. Рассмотрим пример:

выделите в когорту пользователей, которые посетили сайт за последние полгода;
сегментируйте их по каналам привлечения;
в разрезе каждого месяца сравните коэффициент удержания и коэффициент повторных покупок;

Коэффициент удержания клиента = ((Количество клиентов на конец периода — Количество новых клиентов, приобретенных за период) / Количество клиентов на начало периода

Коэффициент повторный покупок = Количество повторных клиентов / Общее число клиентов

каналы с наиболее высоким коэффициентом приносят лояльных пользователей и заслуживают вашего внимания. Спад активности в когорте означает, что вам пора подогреть интерес этих пользователей.

На скрине мы видим, что первая Facebook Ads когорта самая лояльная и она медленнее всех остывает: высокая доля пользователей совершает повторные покупки в течение пяти месяцев. Если есть возможность ее масштабировать — надо масштабировать. А вот последний Google Ads самый хиленький и когорта сильно остывает — нужно или научиться работать с этой когортой, или менять рекламу, а то и вовсе отключать. К тому же, такой отчет показывает, когда именно остывание самое сильное, а значит — когда надо начинать подогревать.

Прогнозировать LTV

LTV или пожизненная ценность клиента — это доход, который вы получаете за все время, которое клиент остается с вами. Проблема в том, что вы никогда не знаете наверняка, как долго человек будет оставаться клиентом и будет продолжать приносить доход. От этого в свою очередь зависит то, на какую прибыль вы можете рассчитывать в будущем и сколько можете тратить на маркетинг.

Как можно спрогнозировать LTV с помощью когортного анализа:

Выделите в когорту пользователей, у которых первая оплата была, например, в январе 2018 года.
Посмотрите, на протяжении какого времени от них продолжались оплаты.
Занесите данные в таблицу и для каждого месяца рассчитайте показатель ARPU — показатель среднего дохода с клиента — на когорту. Для этого общий доход от когорты за выбранный период (TR) разделите на количество пользователей в когорте (CQ). Вы получите такую таблицу: Сумма всех ARPU за период общения с компанией и будет отражать LTV. То есть, LTV пользователей из январской когорты равно $110+$150+$80+$150 = $490
Рассчитайте медиану LTV по нескольким предыдущим когортам, чтобы прогнозировать ценность клиентов, первая оплата от которых была в текущем периоде, например, июле 2019.

Как только вы рассчитаете прогноз LTV, возвращайтесь к предыдущему пункту и начинайте анализировать каналы привлечения пользователей. Если вы вовремя распознаете момент спада активности, то сможете принять соответствующие меры и поработать над активацией клиентов, увеличив срок сотрудничества с ними.

Оценить ROI рекламы

Человеку, впервые посетившему ваш сайт, нужно время, чтобы пройти по воронке и совершить конверсионное действие. Иногда пользователям надо много времени, чтобы прийти к покупке. И чем оно больше, тем сложнее оценить эффективность рекламных каналов, а шансы сделать ошибочные выводы увеличиваются.

Чтобы оценить окупаемость рекламы с помощью когортного анализа:

Выделите в когорту людей, которые пришли из одного рекламного канала.
Рассчитайте ROI рекламной кампании.
Отслеживайте динамику ROI по месяцам.

Например, если вы выделите в когорту людей, которые пришли из платной рекламной кампании в Google Ads в феврале, то увидите, что в первый месяц ROI такой рекламы ниже 100%, но в последующие месяцы коэффициент увеличивается. То есть, люди шли к покупке больше месяца.

На графике видно, как от месяца к месяцу меняется ROI по каждой из пяти когорт: февральской, мартовской и т. д.

Оценить эффективность медиаисточников

Всем, кто сталкивается с мобильными приложениями, знакома эта проблема: скачивания посчитали, но из каких источников пришли наиболее активные пользователи? Какие из них использовать в будущем? Здесь тоже помогут когорты.

Выделите в когорту пользователей приложения версии 1.0.
Сегментируйте их по каналам привлечения.

Например, этот скрин показывает когорту юзеров в разрезе медиаисточников привлечения и спад их активности по дням. Так, самые активные юзеры в первый день по источникам 1-3. На второй день 1-4. Третий так же. А вот на четвертый день второй источник явно выбивается в лидеры. С самого первого дня можно заметить, что последние два источника приводят меньше всего пользователей и их активность со временем полностью сходит на нет.

Проводить А/Б-тесты

Казалось бы, с А/Б-тестами все и так понятно — меняем один элемент на сайте, делаем два варианта страницы и одной половине пользователей показываем старый вариант страницы, а второй — новый. Затем считаем, как изменилась конверсия. Но такой А/Б-тест не покажет, как обновления влияют на изменение конверсии в долгосрочной перспективе. А вот когортный анализ покажет.

Например, мы тестируем новую кнопку на сайте:

Спустя несколько недель после начала теста выделим в когорту пользователей, которые впервые попали на сайт через страницу с новой кнопкой.
Выделим в когорту пользователей, которые взаимодействовали только со старым дизайном.
Сравним конверсию.

Читайте также: