Когортный анализ: не просто группировка по дате регистрации

Когортный анализ: не просто группировка по дате регистрации

Когортный анализ — метод сегментации клиентов на замкнутые группы (когорты) по общему признаку первого взаимодействия с продуктом, чаще всего по времени первой покупки или регистрации. Каждая когорта рассматривается как отдельный «срез» поведения в течение её жизненного цикла.

Чем отличается от RFM? RFM (Recency — давность, Frequency — частота, Monetary — деньги) оценивает текущее состояние клиента по трём метрикам, смешивая клиентов разных «поколений». Когорты разделяют их по времени входа: например, группа, пришедшая в январе 2026, сравнивается с группой февраля. Это позволяет отделить влияние сезонности и изменений продукта от естественного оттока.

Типичные ошибки применения. Первая — агрегация данных без разбивки по когортам: средние метрики по всем клиентам скрывают, что у разных когорт разное поведение на одном и том же месяце жизни. Вторая — игнорирование длительности: сравнивать когорту, прожившую 6 месяцев, с той, что прожила 12, некорректно — нужно смотреть только на совпадающие точки (например, первые 3 месяца для обеих). Третья — путать когорту по времени регистрации и по времени первой покупки: если регистрация и покупка разнесены, поведенческая картина искажается.

Пример. Интернет-магазин запустил рассылку с промокодом в марте 2026. Группа клиентов, совершивших первую покупку по этому промокоду, образует мартовскую когорту. Через 30 дней retention (повторная покупка) этой когорты — 15%, в то время как у когорты, вошедшей без промокода в том же месяце, — 22%. Вывод: промокод привлёк менее лояльных клиентов — нужно менять оффер или таргетинг. Без когортного разбивки вы бы увидели средний retention 19% и не заметили проблемы.

В условиях privacy-first атрибуции когорты становятся ещё ценнее: они позволяют оценивать долгосрочную ценность без поимённого отслеживания каждого пользователя — достаточно знать, к какому временному срезу он принадлежит.

— @RFMcraftRu