Когортный анализ берет свое начало из медицинских исследований. Ранее когортный анализ применялся для изучения причин различных проблем со здоровьем. Подопытных людей разделяли на когорты, за которыми велось постоянное наблюдение на протяжении определенного периода времени. В ходе наблюдения фиксировались все изменения в самочувствии людей под влиянием определенных факторов риска.

Что же такое когортный анализ?

Когортный анализ — исследование поведения определенной когорты на протяжении определенного временного периода.

Когорта — группа людей, которые связаны одновременно общим событием и периодом времени. (Например, женщины, рожденные в 1991 году, или абитуриенты 2012 года).

Не стоит путать значения терминов «когорта» и «сегмент». Сегмент — более общее понятие, т. к. в когорту людей объединяют только по двум признакам (событие и период), а при формировании сегмента могут использоваться сразу несколько факторов.

Когортный анализ в бизнесе.

В бизнес-аналитике можно использовать когортный анализ для подтверждения сформированных вами гипотез.

Допустим, анализ показал падение показателей удержания клиента, что безусловно является негативным фактором. Для того, чтобы решить эту проблему, вы можете сделать предположение, что есть корреляционная связь между первой покупкой клиента и его удержанием.  Чтобы проверить свое предположение, вы можете условно объединить своих клиентов в группы (когорты), в соответствии с тем продуктом, который они купили первым, и построить график удержания за каждый месяц:

Скриншот графика «Прибыль полученная от разных когорт, в зависимости от продукта, который они купили первым: зефира, кексов или бейглов.»

Согласно графику, наибольшую прибыль приносят те покупатели, чьей первой покупкой был зефир. Поэтому компания направит большие усилия на побуждение клиентов к покупке зефира во время их первого визита.

Когортный анализ помогает найти тенденцию, а не причину.

Самое главное при использовании когортного анализа помнить: когортный анализ находит корреляционную связь между действиями, а не причинно-следственную. Т. е. в рассматриваемом выше примере, зефир — это не сама причина лояльности клиента.

Когортный анализ удержания потребителей.

Чтобы разобраться: как можно использовать когорты для анализа удержания клиентов, давайте рассмотрим конкретный пример.

Допустим, у нас есть данные о количестве юзеров, которые возвращаются к использованию приложения после его активации. Эти данные мы представим в таблице:

Скриншот таблицы: строка «Количество возвращающихся пользователей», столбец: «Месяц активации».

Давайте рассмотрим первую строку таблицы за январь. Согласно данным таблицы, 3941 пользователей (ячейка В4) было привлечено за январь. 642 пользователя из привлеченных в январе (ячейка С4) вернулись в феврале и т. д. Все показатели данной строки характеризуют удержание клиентов, отнесенных к этой когорте, на протяжении 12 месяцев.

Теперь давайте изучим третий столбец D. Здесь есть три значения: 581 пользователей были привлечены в январе (ячейка D4) и вернулись в марте, 503 пользователя были привлечены в феврале и вернулись в марте (ячейка D5), и 3951 новых пользователей были привлечены в марте (ячейка D6).

Чтобы изучить, каким образом изменяется показатель удержания для определенной когорты с течением времени, представим наши данные немного в другом виде:

В таблице 2 в названиях столбцов приведены количество месяцев с периода привлечения клиентов. Т. е. теперь вместо «январь», «февраль», «март» и т.д. — указаны значения 0, 1, 2 и т.д. Также все данные строк были сдвинуты влево.

С помощью таблицы 2 в каждой строке можно увидеть: сколько пользователей, привлеченных в январе, вернулись в соответствующем месяце.

Также данные показатели можно выразить в процентном соотношении:

В таблице 3 каждая строка отображает кривую удержания пользователей за соответствующий месяц. А последняя строка отображает кривую удержания пользователей за весь прошлый год, график которой выглядит следующим образом:

Скриншот кривой удержания за год.

Как категория товаров может повлиять на удержание клиентов?

Например, владельцы одного из интернет-магазинов с помощью когортного анализа выяснили, что клиенты, чьей первой покупкой были детские товары, оказались более склонными к повторной покупке. Естественно, после таких выводов, владельцы сайта стали более активно продвигать детскую продукцию.

Также помимо категории, можно определить какой период является наиболее рискованным для компании: когда начинает значительно увеличиваться отток клиентов.

Допустим, есть интернет-магазин с большим количеством категорий.  Некоторые категории, по мнению владельцев, способствуют удержанию потребителей после первого приобретения товара. Для того, чтобы выяснить: какие категории лучше всего помогают привлечь покупателей снова, нужно провести когортный анализ удержания.

По этой ссылке вы можете айти пример когортного анализа.

Результаты когортного анализа показывают:

  • Покупатели, чьей первой покупкой была спортивная одежда, наиболее склонны к повторному визиту сайта;
  • Покупатели, чьей первой покупкой были украшения, наименее склонны к повторной покупке;
  • Пятый месяц является наиболее рискованным периодом, т.к. начиная с этого периода начинает расти отток.

Данные результаты можно использовать следующим образом:

  • Затраты на маркетинг спортивной одежды можно сократить;
  • Стоит обратить внимание на клиентов, которые приобрели украшения, и которые были привлечены 5 месяцев назад с текущего момента.

Как взаимодействие с определенной функцией может повлиять на удержание клиентов?

На этот вопрос также можно ответить с помощью когортного анализа. Допустим, с помощью когортного анализа (который описан выше) вы определили наиболее рискованный период взаимодействия, когда клиент решает вас покинуть. Тогда вы точно знаете сколько у вас есть дней/месяцев чтобы успеть заинтересовать клиента и не дать ему покинуть ваш сервис.

Можно сделать предположение, что некоторые функции вашего продукта могут привлечь и удержать пользователя. Для начала нужно построить кривую удержания за прошлый год.

Скриншот кривой удержания за прошлый год.

Затем, изучите функции, которыми пользовались клиенты в первый день. Допустим, наиболее часто использовались следующие 2 функции: «включение push-уведомлений» и «добавление товара в список пожеланий». Проведем анализ для каждого действия и сравним результаты.

Скриншот результатов когортного анализа.

На приведенном графике построены 3 кривые удержания:

  • Красная — усредненная кривая удержания;
  • Оранжевая — кривая удержания для функции «Добавление товара в список пожеланий»;
  • Синяя — кривая удержания для функции «Включение push-уведомлений».

Расположение кривых наглядно показывает, что те клиенты, которые использовали функцию «Добавление товара в список пожеланий» наиболее склонны к повторной покупке. А клиенты, которые использовали «Включение push-уведомлений», наиболее склонны к оттоку. Главное не забывайте, что когортный анализ выявляет корреляционную связь, а не причину.

Также, результаты такого когортного анализа помогут выделить те функции, на которые стоит обратить внимание и возможно доработать. Функция «Включение push-уведомлений» из приведенного примера явно нуждается в дополнительном рассмотрении, т. к. не выполняет свое основное предназначение — удержание клиентов.

Как провести когортный анализ с помощью аналитических платформ?

На данный момент проведение когортного анализа не составит труда, ведь есть специальные аналитические платформы, которые все сделают за вас. Например,  в платформе Kissmetrics нужно заполнить всего 3 поля:

В первом поле необходимо указать событие, по которому будет сформирована когорта. Во втором — действие, которое должен сделать клиент во время повторного визита, это послужит базисом для отслеживания поведения пользователей. В третьем поле — временной диапазон для анализа.