Когортный анализ

Когортный анализ (cohort analysis, анализ когорт) — это способ смотреть на метрики не «в среднем по продукту», а по группам пользователей, объединённым общим стартовым событием. Классическая когорта — все, кто зарегистрировался в одну неделю или месяц. Дальше за каждой когортой наблюдают отдельно: сколько из них вернулось через день, неделю, месяц, сколько денег они принесли.

Зачем это нужно: общие метрики смешивают старых и новых пользователей. Если продукт быстро растёт, приток новичков маскирует отток старых — DAU (число активных пользователей в день) растёт, хотя продукт «протекает». Когорты разделяют эти эффекты.

Как строить когорты

Когорта задаётся тремя параметрами:

• Событие формирования — что объединяет группу: первая регистрация, первая покупка, установка приложения.
• Период когорты — шаг группировки: день, неделя, месяц. Для продуктов с ежедневным использованием берут дневные или недельные когорты, для B2B (продажи бизнесу) — месячные.
• Отслеживаемая метрика — что меряем внутри когорты: удержание, выручку, конверсию в покупку.

Базовая формула удержания когорты:

Retention(N) = Пользователи когорты, активные в период N / Размер когорты × 100%

Здесь N — номер периода с момента формирования когорты (день 1, день 7, месяц 3), а «активные» — те, кто совершил целевое действие в этот период. Результат обычно оформляют «треугольником когорт»: строки — когорты, столбцы — периоды жизни.

Пример с числами

Приложение-трекер «Шаги» в марте выкатило новый онбординг и хочет понять, сработал ли он. Строим месячные когорты по дате установки и считаем удержание:

Удержание 30-го дня выросло с 8% до 13% — в абсолютных числах это 1 495 удержанных пользователей вместо 920 при той же стоимости привлечения. Общий DAU за март вырос всего на 6%, и без когорт эффект онбординга утонул бы в сезонности. Дальше тот же треугольник можно построить по выручке: если январская когорта принесла в среднем 120 ₽ на установку за 90 дней, а мартовская идёт с опережением на 40%, это напрямую улучшает прогноз LTV.

Нормы и бенчмарки

Универсальной «нормы» удержания нет — она сильно зависит от категории. Общепринятые ориентиры для мобильных и веб-продуктов:

• Социальные и мессенджеры: день 1 — 50–60%, день 30 — 25–40%. Продукт встроен в ежедневную рутину.
• Игры (казуальные): день 1 — 30–40%, день 30 — 3–8%.
• Утилиты и трекеры: день 1 — 25–40%, день 30 — 5–12%.
• SaaS (подписное ПО, помесячные когорты): удержание платящих через 12 месяцев 60–80% для малого бизнеса, 85%+ для энтерпрайза.

Важнее абсолютных цифр форма кривой: у здорового продукта кривая удержания выходит на плато — доля возвращающихся стабилизируется. Если кривая монотонно падает к нулю, продукт не сформировал привычку, и рост рекламой лишь ускоряет «протекание ведра».

Частые ошибки

• Смотреть на средние вместо когорт. «Удержание продукта 20%» — бессмысленная фраза, если не сказано, какой когорты и на какой день.
• Слишком крупный период когорты. Месячные когорты не покажут эффект фичи, выкаченной в середине месяца, — пользователи «до» и «после» смешаются.
• Сравнивать «сырые» когорты разного качества трафика. Мартовская когорта могла улучшиться не из-за онбординга, а из-за смены рекламного канала. Разрезайте когорты ещё и по источнику.
• Игнорировать неполные когорты. У когорты прошлой недели ещё нет данных по дню 30 — правый нижний угол треугольника пуст, и включать его в средние нельзя.
• Путать N-day и rolling retention. «Вернулся ровно на 7-й день» и «вернулся на 7-й день или позже» — разные метрики с разными значениями; см. N-day и rolling retention.

Связанные термины

• Retention — главная метрика, которую считают по когортам.
• N-day и rolling retention — два способа определить «вернувшегося» пользователя.
• Отток (churn) — обратная сторона удержания.
• LTV — считается как сумма выручки когорты, накопленной за её жизнь.