Когортный анализ клиентов: как оценивать удержание и повторные покупки

Иногда общая статистика выглядит вполне убедительно: база растет, заказы идут, выручка не падает. Но внутри может происходить совсем другая история. Например, клиенты, пришедшие весной, продолжают покупать, а те, кого привлекли летом, почти не возвращаются после первого заказа. В среднем все еще «нормально». А проблема уже есть.

Именно такие различия помогает заметить когортный анализ клиентов. Он показывает не просто поведение всей базы, а то, как со временем меняются отдельные группы покупателей.

Что такое когортный анализ?

Когорта — это группа клиентов, которых объединяет одно событие и определенный период. Чаще всего таким событием становится первая покупка. Допустим, 300 человек впервые сделали заказ в январе. Это январская когорта. Еще 420 новых клиентов появились в феврале — уже другая группа. Дальше можно посмотреть, какая часть январских покупателей вернулась через месяц, два или полгода, и сравнить результат с февральскими.

Если коротко, когортный анализ — это способ проследить поведение похожих групп клиентов во времени. Для бизнеса он особенно полезен, когда нужно понять:

• возвращаются ли новые покупатели;
• через сколько времени происходит повторный заказ;
• какая рекламная кампания привела более лояльных клиентов;
• изменилось ли удержание после запуска программы лояльности;
• какие акции дают краткий всплеск продаж, но почти не влияют на повторные покупки.

Поэтому отдельно часто проводят когортный анализ удержания и когортный анализ продаж.

Чем когортный анализ отличается от сегментации?

Эти два подхода легко перепутать. Оба делят клиентскую базу на группы, но делают это с разной целью.

Сегментация отвечает на вопрос: какие клиенты у нас есть сейчас? Например, можно выделить постоянных покупателей, клиентов с высоким чеком, тех, кто давно не возвращался, или людей, интересующихся определенной категорией украшений.

Когортный анализ отвечает на другой вопрос: как поведение группы менялось после конкретного события? Допустим, два клиента сегодня относятся к сегменту «лояльные». Один впервые купил у вас два года назад, второй — три месяца назад. Для сегментации это может быть не так важно. Для когортного анализа разница принципиальная. Удобно запомнить так: сегмент описывает клиента, а когорта помогает проследить его путь во времени.

Как сделать когортный анализ?

Начать лучше с одного понятного события. Не пытайтесь сразу анализировать все.

Для повторных продаж обычно берут дату первой покупки. Дальше порядок такой:

1. Выберите период — например, последние 12 месяцев.
2. Разделите новых клиентов по месяцу первой покупки.
3. Для каждой когорты посчитайте, сколько клиентов вернулось через 1, 2, 3 месяца и дальше.
4. Переведите количество вернувшихся клиентов в проценты.
5. Сравните когорты между собой.

Допустим, в январе впервые купили 100 человек. Через месяц повторный заказ сделали 28 из них. Удержание через месяц:

28 / 100 × 100% = 28%

Через два месяца активными остались 21 человек — значит, показатель составит 21%.

И вот здесь начинается самое интересное. Если февральская когорта через месяц показывает уже 37%, стоит искать причину. Возможно, вы поменяли бонусную механику, улучшили коммуникацию после первой покупки или начали выдавать цифровую карту сразу при оформлении заказа.

Когортный анализ: пример для ювелирного магазина

Представим ювелирный магазин, который хочет понять, повлияла ли новая программа лояльности на повторные продажи. В январе программа еще работала по старым правилам. В феврале новым покупателям начали начислять приветственные бонусы, а через несколько недель — напоминать о накопленном балансе. Получилась такая матрица:

Читать такую таблицу нужно по строкам. Из 200 клиентов, впервые купивших в январе, через месяц вернулись 22%. Через три месяца активными оставались 11%. У февральской когорты результат уже другой: 31% повторных покупок через месяц и 17% через три. Сам по себе рост еще не доказывает, что причина только в программе лояльности. Могли повлиять праздники, ассортимент или сезонный спрос. Но разница достаточно заметна, чтобы проверить гипотезу дальше — например, отдельно сравнить участников программы и покупателей без карты.

Так когортный анализ продаж помогает увидеть изменения, которые в общей статистике легко потерять.

Что можно понять по когортной матрице?

Самый полезный момент — не искать «идеальный процент», а сравнивать группы между собой. Если каждая новая когорта удерживается хуже предыдущей, проблема может быть в первом опыте клиента, качестве привлеченного трафика или изменениях в продукте. Если удержание выросло сразу после новой бонусной механики — хороший сигнал. Теперь нужно проверить, сохраняется ли эффект через два-три месяца. Бывает и так: первая повторная покупка растет, а дальше клиенты все равно исчезают. Значит, приветственный бонус сработал, но постоянной причины возвращаться пока нет.

Именно поэтому когорты клиентов полезнее одной общей цифры Retention Rate. Они показывают, когда именно начинает меняться поведение.

Как программа лояльности помогает собирать данные?

Программа лояльности особенно удобна для когортного анализа, потому что связывает покупки с конкретными клиентами. Без такой идентификации магазин видит чеки, но не всегда понимает, кто вернулся, а кто появился впервые. После подключения программы можно сравнивать, например:

• когорты до и после запуска бонусов;
• клиентов с цифровой картой и без нее;
• покупателей, получивших приветственный бонус;
• разные условия кэшбэка;
• клиентов из разных рекламных каналов.

В Loyallyst история покупок и активность клиентов собираются в одной системе, поэтому не приходится вручную сводить десятки таблиц. Можно быстрее увидеть, какие группы возвращаются лучше и после каких изменений удержание действительно выросло.

Когортный анализ не отвечает за вас на вопрос «что делать дальше». Зато он очень хорошо показывает, где искать ответ. Если новые клиенты стали возвращаться чаще после подключения программы лояльности, это видно по следующим когортам. Если эффект исчез через несколько месяцев — тоже видно. И уже на этих данных гораздо проще решать, какую механику оставить, какую изменить, а от какой отказаться.