Когортний аналіз клієнтів: як оцінювати утримання та повторні покупки

Іноді загальна статистика виглядає цілком переконливо: база зростає, замовлення надходять, виручка не падає. Але всередині може відбуватися зовсім інша історія. Наприклад, клієнти, які прийшли навесні, продовжують купувати, а ті, кого залучили влітку, майже не повертаються після першого замовлення. У середньому все ще «нормально». А проблема вже є.

Саме такі відмінності допомагає помітити когортний аналіз клієнтів. Він показує не просто поведінку всієї бази, а те, як із часом змінюються окремі групи покупців.

Що таке когортний аналіз?

Когорта — це група клієнтів, яких об’єднує одна подія та певний період. Найчастіше такою подією стає перша покупка. Припустімо, 300 людей уперше зробили замовлення в січні. Це січнева когорта. Ще 420 нових клієнтів з’явилися в лютому — це вже інша група. Далі можна подивитися, яка частина січневих покупців повернулася через місяць, два або пів року, і порівняти результат із лютневою когортою.

Якщо коротко, когортний аналіз — це спосіб простежити поведінку схожих груп клієнтів у часі. Для бізнесу він особливо корисний, коли потрібно зрозуміти:

• чи повертаються нові покупці;
• через скільки часу відбувається повторне замовлення;
• яка рекламна кампанія привела більш лояльних клієнтів;
• чи змінилося утримання після запуску програми лояльності;
• які акції дають короткий сплеск продажів, але майже не впливають на повторні покупки.

Тому окремо часто проводять когортний аналіз утримання та когортний аналіз продажів.

Чим когортний аналіз відрізняється від сегментації?

Ці два підходи легко переплутати. Обидва ділять клієнтську базу на групи, але роблять це з різною метою.

Сегментація відповідає на запитання: які клієнти є у нас зараз? Наприклад, можна виділити постійних покупців, клієнтів із високим чеком, тих, хто давно не повертався, або людей, які цікавляться певною категорією прикрас.

Когортний аналіз відповідає на інше запитання: як змінювалася поведінка групи після конкретної події? Припустімо, два клієнти сьогодні належать до сегмента «лояльні». Один уперше купив у вас два роки тому, другий — три місяці тому. Для сегментації це може бути не так важливо. Для когортного аналізу різниця принципова. Зручно запам’ятати так: сегмент описує клієнта, а когорта допомагає простежити його шлях у часі.

Як зробити когортний аналіз?

Почати краще з однієї зрозумілої події. Не намагайтеся одразу аналізувати все.

Для повторних продажів зазвичай беруть дату першої покупки. Далі порядок такий:

1. Оберіть період — наприклад, останні 12 місяців.
2. Розділіть нових клієнтів за місяцем першої покупки.
3. Для кожної когорти порахуйте, скільки клієнтів повернулося через 1, 2, 3 місяці й далі.
4. Переведіть кількість тих, хто повернувся, у відсотки.
5. Порівняйте когорти між собою.

Припустімо, у січні вперше купили 100 людей. Через місяць повторне замовлення зробили 28 із них. Утримання через місяць:

28 / 100 × 100% = 28%

Через два місяці активними залишилися 21 людина — отже, показник становитиме 21%.

І саме тут починається найцікавіше. Якщо лютнева когорта через місяць уже показує 37%, варто шукати причину. Можливо, ви змінили бонусну механіку, покращили комунікацію після першої покупки або почали видавати цифрову картку одразу під час оформлення замовлення.

Когортний аналіз: приклад для ювелірного магазину

Уявімо ювелірний магазин, який хоче зрозуміти, чи вплинула нова програма лояльності на повторні продажі. У січні програма ще працювала за старими правилами. У лютому новим покупцям почали нараховувати вітальні бонуси, а через кілька тижнів — нагадувати про накопичений баланс. Отримали таку матрицю:

Читати таку таблицю потрібно по рядках. Із 200 клієнтів, які вперше купили в січні, через місяць повернулися 22%. Через три місяці активними залишалися 11%. У лютневої когорти результат уже інший: 31% повторних покупок через місяць і 17% через три. Саме по собі зростання ще не доводить, що причина лише в програмі лояльності. Могли вплинути свята, асортимент або сезонний попит. Але різниця достатньо помітна, щоб перевірити гіпотезу далі — наприклад, окремо порівняти учасників програми та покупців без картки.

Так когортний аналіз продажів допомагає побачити зміни, які легко загубити в загальній статистиці.

Що можна зрозуміти за когортною матрицею?

Найкорисніше тут — не шукати «ідеальний відсоток», а порівнювати групи між собою. Якщо кожна нова когорта утримується гірше за попередню, проблема може бути в першому досвіді клієнта, якості залученого трафіку або змінах у продукті. Якщо утримання зросло одразу після запуску нової бонусної механіки — це хороший сигнал. Тепер потрібно перевірити, чи зберігається ефект через два-три місяці. Буває й так: перша повторна покупка зростає, а далі клієнти все одно зникають. Отже, вітальний бонус спрацював, але постійної причини повертатися поки немає.

Саме тому когорти клієнтів корисніші за одну загальну цифру Retention Rate. Вони показують, коли саме починає змінюватися поведінка.

Як програма лояльності допомагає збирати дані?

Програма лояльності особливо зручна для когортного аналізу, оскільки пов’язує покупки з конкретними клієнтами. Без такої ідентифікації магазин бачить чеки, але не завжди розуміє, хто повернувся, а хто з’явився вперше. Після підключення програми можна порівнювати, наприклад:

• когорти до і після запуску бонусів;
• клієнтів із цифровою карткою та без неї;
• покупців, які отримали вітальний бонус;
• різні умови кешбеку;
• клієнтів із різних рекламних каналів.

У Loyallyst історія покупок та активність клієнтів збираються в одній системі, тому не доводиться вручну зводити десятки таблиць. Можна швидше побачити, які групи повертаються краще та після яких змін утримання справді зросло.

Когортний аналіз не відповідає за вас на запитання «що робити далі». Зате він дуже добре показує, де шукати відповідь. Якщо нові клієнти почали повертатися частіше після підключення програми лояльності, це буде видно за наступними когортами. Якщо ефект зник через кілька місяців — це теж стане помітно. І вже на основі цих даних набагато простіше вирішувати, яку механіку залишити, яку змінити, а від якої краще відмовитися.