Когортный анализ: как сравнивать поведение разных групп пользователей

Когортный анализ нужен в тот момент, когда вам важно понять не просто общий уровень активности, а различия между группами пользователей, которые начали путь в разное время или при разных условиях. Самая частая ошибка здесь — смотреть на календарный срез: например, сравнивать всех активных пользователей марта со всеми активными пользователями апреля. Такой срез смешивает новичков и тех, кто уже давно с продуктом, поэтому скрывает, как меняется поведение именно после первого контакта.

Надежнее сравнивать когорты одного возраста: что произошло через один день, одну неделю или один месяц после попадания в когорту. Тогда видно, какая группа лучше возвращается, а какая быстрее теряет интерес. Ниже разберем, как выбрать признак когорты, как задать окно наблюдения и какие выводы допустимы по учебной таблице.

Почему сравнивают одинаковый возраст когорт, а не календарный срез

Когорта — это группа пользователей с общим признаком. В аналитических системах таким признаком часто становится дата первого посещения, первого события, первой покупки или первой конверсии. Смысл когортного подхода в том, что вы наблюдаете не «что было в понедельник у всех», а «что произошло с каждой группой через одинаковый промежуток времени после старта».

Это важно по простой причине: у разных когорт разный жизненный цикл внутри продукта. Пользователь, который пришел сегодня, еще не мог показать поведение на третьей неделе. Поэтому календарное сравнение почти всегда несправедливо к молодым когортам. Когда вы ставите рядом пользователей одного возраста, вы исключаете эту путаницу и получаете сопоставимые цифры.

На практике такой подход помогает не только в маркетинге. Его используют и в продуктовой аналитике: чтобы понять, как меняется возврат после нового онбординга, после изменения цены, после запуска другой механики активации. Но даже в этих случаях когортная таблица показывает различия в поведении, а не автоматически доказывает причину.

Как выбрать признак формирования когорты

Признак когорты должен отвечать на вопрос, с какого момента вы начинаете отсчет. Если вы изучаете удержание новых пользователей, логично брать дату первого визита или первой установки. Если нужно оценить повторные покупки, стартом может быть первая транзакция. Если анализируете обучение в сервисе, подойдет дата первого урока. Главное правило: признак должен совпадать с задачей анализа.

Отдельно задают критерий возврата, то есть действие, которое вы считаете повторным контактом. Для новостного сайта это может быть любой повторный визит, для магазина — повторная покупка, для учебного продукта — возвращение к следующему занятию. В инструментах аналитики вроде GA4 эти две части разделены: сначала определяется условие включения в когорту, затем — условие возврата. Это полезно и в ручном анализе, потому что дисциплинирует постановку вопроса.

Если признак выбран неудачно, выводы будут смазанными. Например, нельзя смешивать в одной таблице пользователей по дате установки, а возврат считать как покупку, если цель — оценить привычку пользоваться продуктом, а не монетизацию. Тогда вы получите не удержание, а уже другой сюжет — путь до покупки.

Как задать окно наблюдения и не перепутать пустую ячейку с нулем

Окно наблюдения — это период, в котором вы смотрите, вернулся ли пользователь: день, неделя или месяц. Выбор зависит от ритма продукта. Если сервисом пользуются каждый день, дневная когорта может быть уместной. Если решение принимается дольше, полезнее недельный или месячный шаг. В аналитических системах обычно доступны дневная, недельная и месячная гранулярность, и этот выбор лучше делать до построения таблицы, а не после просмотра цифр.

Для сравнения когорт важно, чтобы возраст у них был одинаковым. Если вы сравниваете возврат через один период, то и для январской, и для февральской группы нужен именно один период после включения. Если перейти к более дальнему горизонту, появляется другая типичная ошибка: у молодой когорты будущие периоды еще не наступили, и отсутствие данных нельзя считать нулем. Пустая ячейка означает «еще не можем наблюдать», а не «никто не вернулся».

Из-за этой ошибки молодые когорты нередко кажутся хуже или лучше, чем есть на самом деле. Поэтому перед чтением таблицы полезно задать себе два вопроса: одинаков ли возраст у сравниваемых колонок и достаточно ли времени прошло у каждой когорты для этого горизонта. Эти два шага защищают от неверной интерпретации даже лучше, чем сложные формулы.

Учебный пример: простая когортная таблица

Учебный пример. Представим мобильное приложение с двумя когортами новых пользователей. Когорта A — 10 человек, которые пришли в первый период. Через один следующий период вернулись 5 человек. Когорта B — 8 человек, пришедших позже; через один следующий период вернулись 6 человек. Мы сравниваем не календарные даты, а один и тот же возраст когорт: поведение через один период после входа.

На этом уровне вывод простой и полезный: в наблюдаемом окне через один период когорта B вернулась чаще, чем когорта A. Это корректное описание факта. Оно уже помогает в работе: можно взять когорту B как ориентир для дальнейшего разбора и проверить, чем она отличалась по источнику трафика, посадочной странице, онбордингу или предложению на старте.

Но даже в таком коротком примере видно, зачем нужен когортный подход. Если бы мы смотрели только на общий календарный возврат за период, цифры A и B смешались бы, и различие стало бы менее заметным. Когорта показывает не среднюю температуру по всем пользователям, а путь конкретной группы от момента старта.

Практический результат для читателя можно оформить в четыре действия:

1. Определите событие включения в когорту: например, первая установка или первый визит.
2. Определите событие возврата: любой повторный визит, покупка или другое значимое действие.
3. Выберите шаг времени: день, неделя или месяц в зависимости от частоты использования продукта.
4. Сравнивайте когорты только по одинаковому возрасту: «через 1 период», «через 2 периода» и так далее.

Что нельзя заключать по одному срезу и как проверять гипотезы дальше

Из таблицы выше нельзя автоматически сделать вывод, что пользователи когорты B «лояльнее» или что команда нашла более эффективную стратегию удержания. Мы видим только разницу в наблюдаемом возврате: 75% против 50% через один период. Причина этой разницы пока неизвестна. Она может быть связана с каналом привлечения, сезонностью, изменением аудитории, качеством трафика или продуктовым изменением, которое совпало по времени.

Точно так же нельзя по одной ячейке доказать влияние конкретной функции. Если рядом с ростом возврата вы запустили новый онбординг, это еще не причинно-следственная связь, а гипотеза. Корреляция подсказывает, куда смотреть дальше, но не завершает анализ. Чтобы приблизиться к объяснению, нужно посмотреть несколько соседних когорт, сравнить разрезы по источникам или устройствам и, если возможно, использовать отдельный тестовый дизайн.

Хорошая практика — сначала зафиксировать нейтральный вывод, а потом список проверок. Нейтральный вывод звучит так: «у когорты B возврат через один период выше, чем у когорты A». Проверки звучат так: «совпадают ли каналы привлечения», «не менялся ли сценарий первого входа», «нет ли отличий по устройствам», «достаточен ли горизонт наблюдения». Такой порядок удерживает анализ от лишних интерпретаций и помогает перейти от таблицы к реальному исследованию.

Если хотите изучать такие отчеты в более широком контексте маркетинга, можно посмотреть сохраненное описание каталога курса Директор по диджитал-маркетингу. В программе упомянуты продуктовый маркетинг, когортный анализ пользователей и базовые инструменты аналитики. Перед выбором обучения полезно проверить для себя: есть ли в программе самостоятельная практика по когортной таблице и как именно будет проверяться интерпретация результата.