Когорты — это группы пользователей, объединённые по какому-либо общему признаку, чаще всего по дате первого взаимодействия с продуктом или по какому-либо важному событию (регистрация, первая покупка и т.д.). Анализ когорт (Cohort Analysis) позволяет оценивать поведение и жизненный цикл пользователей с течением времени, выявлять закономерности удержания, вовлеченности, возврата и повторных действий.

Что такое когорта

В аналитике под когортой понимается множество пользователей, объединённых по дате первого действия или по событию, и затем отслеживаются их действия во времени. Примеры когорт:

• Когорта регистрации: все, кто зарегистрировался в январе 2023

• Когорта первой покупки: все, кто впервые купил товар в феврале 2024

• Когорта инсталляции приложения: все, кто установил приложение в течение 1-й недели марта

• Когорта по маркетинговой кампании: пользователи, пришедшие с определённого источника

Принцип анализа когорт

Каждая когорта представляет собой группу, поведение которой отслеживается во времени — на 1-й, 2-й, 3-й, ... N-й неделе/месяце после «точки входа».

Пример:
Если когорта состоит из пользователей, зарегистрировавшихся в январе, то через месяц смотрят:

• Сколько из них вернулись в феврале?

• Сколько сделали повторные заказы?

• Как изменился их средний чек?

Типы когорт

1. **По времени события (Time-based cohort):
   **

   • Дата регистрации

   • Дата первой покупки

   • Дата начала подписки

2. **По источнику (Segment-based cohort):
   **

   • Устройство: Android / iOS

   • Канал привлечения: Facebook Ads / Google Ads

   • География: страна, регион

3. **Поведенческие когорты (Behavior-based cohort):
   **

   • Совершили более 3 покупок за первые 7 дней

   • Просмотрели >10 страниц в течение первой сессии

Как выглядит когортный анализ

Часто представляется в виде таблицы, где строки — когорты (например, по неделям регистрации), а столбцы — временные периоды (неделя/месяц/день после входа в когорту).
Каждая ячейка показывает метрику, характерную для этой когортной группы в соответствующий период времени.

Пример метрик:

• Retention Rate — доля пользователей, вернувшихся

• Conversion Rate — доля, совершившая целевое действие

• ARPU — средняя выручка на пользователя

• CLV — жизненная ценность пользователя

Метрики для когортного анализа

1. Retention rate (удержание):
   Показывает, какой процент пользователей из когорты продолжает использовать продукт через N дней/недель/месяцев.
   
   Пример: из 100 пользователей, зарегистрировавшихся 1 января, на 7 день активны 25 → Retention D7 = 25%

2. Churn rate (отток):
   Обратная метрика к retention: Churn = 1 - Retention.

3. Repeat purchase rate:
   Какой % когорты совершает повторные покупки.

4. Revenue per cohort:
   Сколько денег приносит когорта по времени (по месяцам).

5. Conversion lag:
   Через сколько дней после регистрации совершается покупка или иное целевое действие.

6. Lifetime value (LTV):
   Совокупная прибыль от когорты за всё время её жизни.

Технологии и инструменты

SQL (простой пример для retention по дате регистрации):

WITH registrations AS (
SELECT user_id, DATE(registration_date) AS cohort_date
FROM users
),
user_activity AS (
SELECT user_id, DATE(activity_date) AS activity_day
FROM events
)
SELECT
cohort_date,
DATEDIFF(activity_day, cohort_date) AS days_since_signup,
COUNT(DISTINCT user_id) AS active_users
FROM registrations
JOIN user_activity USING (user_id)
WHERE DATEDIFF(activity_day, cohort_date) BETWEEN 0 AND 30
GROUP BY cohort_date, days_since_signup
ORDER BY cohort_date, days_since_signup;

BI-инструменты:

• **Google Data Studio / Looker Studio
  **

• Tableau — отлично поддерживает визуализацию когорт

• Power BI — встроенные шаблоны когортного анализа

• Mixpanel, Amplitude, Heap — позволяют настраивать когортный анализ без SQL

• Python (pandas, seaborn, plotly) — для кастомной визуализации

Зачем нужен когортный анализ

1. Оценка удержания пользователей (retention)
   Позволяет понять, как долго живёт пользователь после первого взаимодействия

2. Выявление успешных продуктовых изменений
   Например, после запуска новой функции когорта начала вести себя иначе

3. Анализ маркетинговых каналов
   Разные источники трафика дают пользователей с разной «долгоживущей» ценностью

4. Прогноз LTV (lifetime value)
   Сравнение когорт по выручке с течением времени

5. Анализ оттока (churn)
   Когорты, быстро «умирающие», сигнализируют о проблемах в UX или онбординге

Подходы к интерпретации

• Если когорта показывает устойчивое снижение метрик — возможна проблема в продукте или процессе онбординга.

• Если новые когорты показывают лучшие показатели, чем старые — положительное влияние изменений.

• Сравнение когорт по регионам/каналам/устройствам — помогает находить эффективные сегменты.

Когортный анализ помогает не просто видеть агрегированные цифры, а понимать поведение пользователей во времени, выделять закономерности и принимать обоснованные продуктовые и маркетинговые решения.