Когортный анализ (cohort analysis) — что меряем и как не запутаться

Когортный анализ — метод, где пользователей (или клиентов) группируют по моменту старта (например, неделя первой покупки) и затем отслеживают поведение группы во времени: повторные покупки, удержание, выручку, отток. В BI это обычно «когортная таблица» с осями: строки — недели/месяцы старта, столбцы — число периодов с момента старта (месяц 0, 1, 2…).

Чем отличается от родственных терминов:
— Удержание (retention) — часто про общий % вернувшихся за период, без привязки к моменту старта.
— LTV — про совокупную ценность, но не всегда показывает динамику по когортам.
— Сквозная аналитика (end-to-end) — про маршруты и атрибуцию, а когортный анализ отвечает на вопрос «что стало с группой во времени», даже если атрибуция несовершенна (особенно в privacy-first эпоху).

Типичные ошибки:
— Группировка «по клику» вместо «по событию старта» (будет шум от разных паттернов воронки).
— Смешение сегментов с разной длительностью цикла сделки (в B2B у части сделок цикл 30 дней, у части 90).
— Неправильная гранулярность: слишком мелкая (дни) без достаточного объёма — приводит к статистической случайности.

Пример:
E-com измеряет удержание по когорте «первые покупки в июне». Смотрят повторную покупку в течение 90 дней: когорта 2-го дня после старта выросла не потому, что улучшилась реклама, а из‑за изменения набора товаров в заказе. Это видно именно по когортным кривым, а не по одному агрегированному % удержания.

— @MarketingAnalyticsRoomPro

Соседняя редакция @MarTechStackRuPro недавно писала об этом под другим углом