Когорта — группа клиентов, привлечённых в один период (например, в январе). Когортный анализ показывает, как ведёт себя эта группа со временем: сколько вернулось во втором месяце, в третьем, на полгода.
Открытие отчёта
Аналитика → Удержание → Когорты.
CRM строит матрицу: по строкам — когорта (месяц первой покупки), по столбцам — N-й месяц с момента первой покупки.
Пример:
```
M0 M1 M2 M3 M4 M5
Янв-2024: 100% 45% 32% 28% 25% 22%
Фев-2024: 100% 48% 35% 30% 27% 23%
Мар-2024: 100% 52% 38% 33% 29%
```
Каждое число — % когорты, которая совершила покупку в этом месяце.
Что смотреть
- M0 = 100% всегда (это месяц первой покупки).
- M1 — самый важный. Если < 40% — большая часть клиентов не возвращается.
- Долгосрочный M6+ — реальная база лояльных клиентов.
- Тренды по строкам — улучшается ли удержание со временем?
Фильтры
Можно сегментировать когорты:
- По каналу привлечения (с какой рекламы пришли).
- По первому товару/услуге.
- По размеру первого чека.
- По городу.
Это покажет, какие источники привлечения дают лояльных клиентов, а какие — разовых.
Действия по результатам
Низкий M1 (< 30%)
- Проблема с продуктом или onboarding.
- Решения: триггерное email-приветствие, follow-up через 7 дней, программа лояльности.
Падение между M3 и M6
- Конкуренты переманили или клиенты «забыли» о вас.
- Решения: реактивация спящих, регулярные касания.
Когорта декабря резко хуже остальных
- Что-то сломалось в декабре: цены, маркетинг, сервис.
- Анализ: что отличалось от других месяцев?
Revenue cohorts (выручка)
Альтернатива — когорта по выручке, не по числу клиентов:
```
M0 M1 M2 M3
Янв: 100k 45k 35k 30k
```
Показывает не «вернулся ли», а «сколько принёс в этом месяце». Помогает оценить LTV (lifetime value).
Возможные проблемы
- «Мало данных» — когорты надо смотреть от 6 месяцев. На 1-2 месяца статистика не показательна.
- «Когорты разные по составу» — да, январь и июнь привлекают разных клиентов. Сравнивайте сезон-к-сезону.
- «Сложно интерпретировать» — типичные паттерны: