Когортный анализ (Cohort Analysis) в поведенческой сегментации

Когортный анализ (Cohort Analysis) в поведенческой сегментации

Когортный анализ — это способ смотреть не на общий результат “в среднем”, а на динамику метрики по группам пользователей, объединённых по моменту начала жизненного цикла. Классический пример: когорта “первые покупки в январе” и её удержание/повторные покупки по месяцам. Для CRM это инструмент, который связывает поведение с временем и помогает отличить улучшение процесса от эффекта сезонности.

Чем отличается от A/B-анализа и сегментации:
— Сегментация отвечает “какие группы есть” (по признакам поведения/статуса).
— A/B-анализа отвечает “что лучше в эксперименте” (сравнение вариантов при контроле условий).
— Когортный анализ отвечает “как меняется траектория” у группы во времени, даже если не было эксперимента.

Типичные ошибки:
— Смешивать когорты разной природы (например, “клиенты пришли в феврале” и “подключились к подписке в феврале”) в одну таблицу.
— Считать возврат как “повторную покупку когда угодно”, игнорируя горизонт (например, 30/60/90 дней) — в retention метрика становится несопоставимой.
— Делать вывод “канал хуже/лучше” без учёта источника и этапа воронки (в 2026 точность атрибуции всё равно ограничена privacy-first подходами, поэтому нужны корректные разрезы).

Пример:
Когорта: пользователи, которые впервые дошли до стадии “доставлено” после первого заказа за неделю №1. Метрика: доля, сделавшая повторную покупку в течение 60 дней. Если когорты из одной и той же “первой доставки” показывают одинаковую динамику, проблему стоит искать не в коммуникациях, а в продуктовой воронке/сервисе. Если динамика расходится — это подсказка для точечной настройки lifecycle-цепочек (триггер после “первый опыт” vs “пауза после покупки”).

— @RFMcraftRu