Привет, я Максим, веб-разработчик. Сегодня поговорим про инструмент аналитики, который большинство владельцев интернет-магазинов игнорируют — когортный анализ. А зря, потому что именно он отвечает на один из самых важных вопросов: удерживаете ли вы клиентов или каждый месяц начинаете с нуля. Без преувеличения, этот инструмент изменил мой подход к оценке e-commerce проектов: вместо размытого «трафик растёт, вроде всё хорошо» я получил чёткий ответ — действительно ли бизнес строит базу постоянных клиентов или просто гонится за новыми.

Что такое когортный анализ простым языком

Когорта — это группа пользователей, объединённых по времени первого действия. Например, все покупатели, которые сделали первый заказ в январе — это январская когорта. Все, кто пришёл в феврале — февральская.

Когортный анализ показывает, как каждая такая группа ведёт себя со временем. Сколько из январских покупателей вернулись в феврале? А в марте? А через полгода?

Если январская когорта через 3 месяца даёт 15% повторных покупок, а июньская — только 5%, значит, что-то изменилось: ассортимент, качество сервиса, конкуренция. И это повод копать глубже.

Проще всего представить когортную таблицу как «карту здоровья» вашего бизнеса. Каждая строка — поколение клиентов. Каждый столбец — период времени после первого контакта. Ячейки показывают, какая доля клиентов всё ещё активна. Чем «зеленее» ячейки (то есть чем выше процент) — тем здоровее бизнес. Если таблица быстро «краснеет» — клиенты уходят, и вы живёте на постоянном притоке новых. А это дорого и нестабильно.

Зачем это интернет-магазину

Оценка retention (удержания). Привлечь нового клиента стоит в 5–7 раз дороже, чем удержать существующего. Это не маркетинговый миф — я вижу эти цифры на реальных проектах. Когортный анализ показывает, работает ли ваше удержание. Если retention близок к нулю — вы по сути арендуете клиентов: заплатили за привлечение, они купили один раз и ушли. Это самая невыгодная модель для e-commerce.

Оценка маркетинговых кампаний. Запустили акцию в марте, привлекли 500 новых покупателей. Когортный анализ покажет: эти покупатели — разовые или они вернулись? Если акция привлекла только «охотников за скидками», которые больше не появились — деньги потрачены впустую. Я видел ситуацию, когда магазин потратил 300 000 рублей на акцию «Скидка 50% на первый заказ». Привлёк 800 новых клиентов. Звучит здорово, пока не посмотришь на когорту: через 3 месяца из этих 800 вернулось 12 человек. CAC получился 25 000 рублей на одного лояльного клиента — экономика не сходилась.

Расчёт LTV. Lifetime Value считается на основе когортных данных. Зная, какой процент клиентов возвращается и сколько в среднем тратит в каждом последующем периоде — можно точно рассчитать, сколько вы можете позволить себе потратить на привлечение одного клиента. Без когортных данных LTV — это гадание на кофейной гуще.

Выявление проблем с продуктом или сервисом. Если retention резко падает у определённых когорт — ищите причину. Может, изменился ассортимент, выросли цены, ухудшилась доставка или появился сильный конкурент. На одном из моих проектов когортный анализ показал, что retention резко упал для когорт, привлечённых после смены курьерской службы. Клиенты были недовольны доставкой — и не возвращались. Без когортного анализа мы бы списали падение продаж на сезонность.

Измерение эффекта изменений на сайте. Внедрили программу лояльности? Изменили email-рассылку? Запустили push-уведомления? Сравните retention когорт «до» и «после» изменения. Это самый чистый способ измерить эффект без A/B-тестирования.

Как провести когортный анализ в Яндекс Метрике

Яндекс Метрика поддерживает когортный анализ из коробки. Вот как я его настраиваю.

Открываете отчёт «Когортный анализ» в разделе «Отчёты». Выбираете параметры: дата первого визита, критерий возврата (визит, конверсия, покупка), размер когорты (день, неделя, месяц).

Метрика строит таблицу, где строки — когорты по дате первого визита, столбцы — периоды после первого визита, а ячейки — процент вернувшихся пользователей.

Я обычно анализирую месячные когорты с критерием «достижение цели» — то есть повторная покупка. Это даёт самую чистую картину удержания для e-commerce.

Несколько важных нюансов при работе с когортами в Метрике. Первый: выбирайте достаточный период наблюдения. Для магазина с товарами повседневного спроса (косметика, продукты) хватает 3–6 месяцев. Для магазина электроники или мебели — нужно минимум 12 месяцев, потому что цикл повторной покупки длинный.

Второй нюанс: Метрика считает когорты на основе визитов, а не покупок. Если вам нужна точная когортная матрица по заказам — лучше выгружать данные из CMS и считать отдельно. Метрика хороша для первичной диагностики, но для глубокого анализа я перехожу на ручной расчёт.

Когортный анализ вне Метрики: пошаговая инструкция

Для более глубокого анализа я выгружаю данные из CMS или CRM в таблицу и строю когортную матрицу вручную. Звучит сложно, но на практике — это обычная сводная таблица.

Шаг 1: Выгрузите все заказы из вашей CMS. Нужны столбцы: ID клиента (или email), дата заказа, сумма заказа, статус (оплачен/отменён). Уберите отменённые и возвращённые заказы.

Шаг 2: Для каждого клиента определите дату первого заказа. В Excel это делается через формулу MINIFS по дате заказа для каждого клиента. Приведите дату к месяцу — это будет когорта клиента.

Шаг 3: Для каждого последующего заказа клиента рассчитайте, через сколько месяцев после первого заказа он был совершён. Разница в месяцах = (год_повторного × 12 + месяц_повторного) − (год_первого × 12 + месяц_первого).

Шаг 4: Постройте сводную таблицу (Pivot Table). Строки — месяц когорты (дата первого заказа). Столбцы — номер периода (0 = месяц первого заказа, 1 = следующий месяц, и так далее). Значения — количество уникальных клиентов, совершивших покупку.

Шаг 5: Преобразуйте абсолютные числа в проценты. Разделите каждую ячейку на количество клиентов в когорте (значение в столбце «0»). Теперь вы видите, какая доля клиентов вернулась в каждом последующем периоде.

Весь процесс в Excel занимает 1–2 часа при первом выполнении. Для повторного — 15 минут. Если данных много — подключаю DataLens. Он умеет строить когортные таблицы из ClickHouse или PostgreSQL, и результат выглядит значительно нагляднее, чем в Excel.

Для интернет-магазинов на 1С-Битрикс данные можно выгрузить из модуля CRM или напрямую из базы данных. Для WooCommerce — через плагин экспорта заказов или WP-CLI. Для самописных магазинов — SQL-запрос к базе данных заказов.

На что обращать внимание в когортной таблице

Первый месяц после покупки (столбец «1»). Если из январской когорты в феврале вернулось меньше 10% — у вас проблема с первичным опытом покупки. Возможно, доставка разочаровала, товар не оправдал ожиданий, или вы не напомнили о себе. Первый месяц — критическое окно: если клиент не вернулся в течение 30 дней, вероятность возврата резко снижается.

Стабилизация retention. Нормально, когда процент возвратов падает с каждым месяцем. Но он должен стабилизироваться на каком-то уровне — например, 5–8% постоянных покупателей, которые заказывают каждый месяц. Если retention уходит в ноль к третьему-четвёртому месяцу — у вас нет лояльной базы, и весь бизнес держится на притоке новых клиентов.

Сравнение когорт между собой. Если последние когорты показывают retention хуже предыдущих — ищите, что изменилось. Это самый ценный инсайт когортного анализа. Положите рядом график retention и журнал изменений на сайте, в маркетинге, в ассортименте — и вы найдёте корреляцию.

Кумулятивная выручка когорты. Помимо процента возвратов, считайте суммарную выручку каждой когорты по периодам. Это даёт вам фактический LTV: сколько денег принесла группа клиентов, привлечённых в конкретном месяце, за всё время. Если кумулятивная выручка январской когорты через 6 месяцев — 1 500 000 рублей при расходах на привлечение 500 000 рублей — экономика сходится. Если нет — нужно либо снижать стоимость привлечения, либо повышать retention.

Сезонные паттерны. Некоторые когорты естественным образом показывают лучший retention из-за сезонности. Покупатели, пришедшие перед Новым годом, могут вернуться через год к следующему праздничному сезону — и это нормально. Не сравнивайте декабрьскую когорту с июньской напрямую.

Benchmarks: какие цифры считать нормальными

Ориентиры для retention (процент клиентов, вернувшихся к покупке) в российском e-commerce — усреднённые, но полезные как точки отсчёта.

Магазины товаров повседневного спроса (косметика, бытовая химия, продукты): retention через месяц — 15–25%, через 3 месяца — 10–18%, через 6 месяцев — 8–15%.

Магазины одежды и обуви: retention через месяц — 8–15%, через 3 месяца — 5–10%, через 6 месяцев — 3–8%.

Магазины электроники и техники: retention через месяц — 3–8%, через 3 месяца — 2–5%, через 12 месяцев — 5–10% (возвращаются через длительный период).

Нишевые магазины с подписной моделью (кофе, корм для животных): retention через месяц — 30–50%, через 3 месяца — 20–35%.

Если ваши показатели значительно ниже этих ориентиров — это сигнал к действию. Если выше — вы делаете что-то правильно, и стоит масштабировать.

Практические действия: как улучшить retention на основе когортных данных

На основе когортного анализа я обычно рекомендую клиентам конкретные меры, в зависимости от того, где именно теряются клиенты.

Если проблема в первом месяце (низкий возврат новичков). Настройте триггерную email-цепочку после первой покупки: письмо с благодарностью в день заказа, опрос удовлетворённости через 3 дня после получения, персональная рекомендация через 7 дней, специальное предложение на вторую покупку через 14 дней. По моему опыту, грамотно настроенная post-purchase цепочка увеличивает конверсию первой когортной ячейки на 30–50%.

Если retention падает после 2–3 месяца. Клиенты «забывают» про вас. Нужны регулярные касания: email-рассылки, push-уведомления, ретаргетинг. Программа лояльности с накопительными бонусами мотивирует возвращаться, потому что накопленные баллы — это «незавершённое дело» в голове покупателя.

Если у определённых когорт retention резко хуже. Копайте в историю изменений: что произошло в тот период? Смена курьерской службы, повышение цен, изменение ассортимента, проблемы на сайте? Часто причина находится быстро — и это конкретный урок для бизнеса.

Если retention хороший, но средний чек повторных покупок падает. Внедрите upsell и cross-sell механики, увеличьте порог бесплатной доставки, предлагайте персонализированные подборки на основе предыдущих покупок. Повторные клиенты уже вам доверяют — они готовы покупать больше, если вы правильно предложите.

Дополнительно: улучшите упаковку и опыт доставки. Первое впечатление от физического получения товара критически влияет на решение вернуться. Красивая упаковка, вложенная открытка, промокод на следующий заказ — мелочи, которые работают. На одном проекте добавление открытки с QR-кодом на скидку в посылку увеличило retention первого месяца на 12%.

Автоматизация когортного анализа

Для магазинов, которые хотят отслеживать когорты постоянно, а не разово, я рекомендую автоматизацию.

Самый простой вариант — Google Sheets + Apps Script. Скрипт раз в неделю забирает данные о заказах из API вашей CMS, пересчитывает когортную матрицу и обновляет таблицу. Руководитель открывает одну ссылку и видит актуальную картину.

Более продвинутый вариант — DataLens подключённый к ClickHouse. Данные из CMS синхронизируются в ClickHouse (через ETL-скрипт или сервис вроде Airbyte), а DataLens строит интерактивный дашборд с когортной таблицей, графиками retention и кумулятивной выручкой.

Для магазинов на RetailCRM или Mindbox — когортный анализ доступен из коробки, настраивать ничего не нужно.

Ошибки, которые я наблюдаю

Анализ когорт только по визитам. Визит — не покупка. Человек может заходить на сайт каждый день и ничего не покупать. Для e-commerce когорты нужно строить по покупкам, а не по визитам.

Слишком короткий период наблюдения. Если вы смотрите данные за 2 месяца — вы не видите полную картину. Для адекватного когортного анализа нужно минимум 6 месяцев данных, а лучше — 12.

Игнорирование маленьких когорт. Если в когорте 10 клиентов — процент retention будет «прыгать»: один вернувшийся клиент = 10%, два = 20%. Такие когорты дают нерепрезентативные данные. Я обычно анализирую только когорты с числом клиентов от 50.

Разовый анализ без действий. Когортная таблица, которую посмотрели один раз и забросили — бесполезна. Ценность когортного анализа — в динамике и регулярном сравнении. Настройте хотя бы ежемесячный пересчёт.

Когортный анализ — это не разовое упражнение, а привычка. Я рекомендую проводить его ежемесячно и отслеживать динамику. Только так вы поймёте, двигаетесь ли вы в правильном направлении: строите бизнес с лояльной базой или вечно крутите белку привлечения нового трафика. Если нужна помощь с настройкой когортной аналитики, автоматизацией отчётов или интерпретацией результатов — обращайтесь, помогу собрать систему, которая будет работать без ручного труда.