Как провести когортный анализ: отслеживание ретенции и измерение улучшений продукта

Что такое когортный анализ?

Когортный анализ — это количественный метод исследования, при котором пользователи объединяются по общему признаку (чаще всего — дате регистрации) и отслеживается, как поведение каждой группы меняется со временем. Вместо агрегированной ретенции, которая смешивает новых пользователей с опытными, когортный анализ разделяет их на отдельные группы и измеряет вовлечённость каждой независимо. Это позволяет понять, становится ли продукт лучше удерживать новых пользователей, повлияло ли конкретное изменение на раннюю ретенцию и через какие каналы привлечения приходят пользователи, которые остаются надолго.

На какой вопрос отвечает метод?

Становится ли продукт лучше удерживать новых пользователей со временем?
Как форма кривой ретенции различается между когортами?
Какие activation-события предсказывают долгосрочную ретенцию?
Отражается ли конкретное изменение продукта в улучшении когорт, которые его получили?
Через какие каналы привлечения приходят пользователи с наибольшей долгосрочной ретенцией?
На каком этапе жизненного цикла происходит наибольший спад вовлечённости?

Когда применять

Когда команде нужно честно измерить ретенцию — агрегированные DAU/MAU могут расти, пока ретенция снижается, если рост привлечения компенсирует отток.
При оценке влияния изменений продукта на ретенцию путём сравнения когорт до и после.
При диагностике того, на каком этапе жизненного цикла падает вовлечённость.
При сравнении качества разных пользовательских сегментов или каналов привлечения.
При обосновании инвестиций в продукт через количественную оценку улучшения ретенции.
При постановке целей по ретенции, используя кривые последних когорт как базовые линии.

Метод не подходит, если в продукте очень мало пользователей (ориентир — от 50–100 на когорту). Когортный анализ не объясняет причины оттока — сочетайте его с качественными методами. Требует стабильного сбора данных на протяжении времени.

Что вы получаете (deliverables)

Таблицу ретенции когорт (строки — когорты, столбцы — периоды времени, ячейки — % ретенции).
Кривые ретенции для визуального сравнения когорт.
Бенчмарки за Day 1, Day 7, Day 30 в сравнении с отраслью и историческими данными.
Сравнение поведенческих когорт (например, прошли онбординг vs. пропустили).
Сравнение ретенции по каналам привлечения.
Тренд улучшений, показывающий динамику метрик ретенции от когорты к когорте.

Участники и продолжительность

Участники: рекрутинг не нужен — используются данные живого продукта. Минимум 50–100 пользователей на когорту; от 500 для анализа сегментов.
Период данных: от 3–6 месяцев для осмысленных паттернов между когортами.
Время на настройку: 1–3 дня при наличии трекинга; 1–2 недели для новой инструментации.
Время на анализ: 1–3 дня для целенаправленного разбора.

Как провести когортный анализ (пошаговый алгоритм)

1. Определите тип когорты и период группировки

Acquisition-когорты группируются по дате регистрации (наиболее распространённый вариант). Поведенческие когорты — по конкретному действию. Выбирайте недельную или месячную группировку в зависимости от объёма пользователей и ритма продукта.

2. Определите событие ретенции

Что считается «удержанным» пользователем? Любая сессия (широкое определение) или конкретное действие — например, выполнение задачи (узкое и более значимое). Зафиксируйте определение точно: если изменить его позже, данные станут несравнимыми.

3. Настройте когортный отчёт

Настройте в аналитическом инструменте измерение когорт, событие ретенции и интервалы (Day 0, 1, 3, 7, 14, 30, 60, 90). Запустите отчёт за последние 3–6 месяцев.

4. Читайте таблицу ретенции

Три угла анализа: по строкам (как снижается ретенция каждой когорты), по столбцам (улучшается ли один и тот же временной показатель у более новых когорт?), и аномалии (когорты с необычной ретенцией, которая коррелирует с внешними событиями).

5. Сравнивайте поведенческие когорты

Разделите по ключевым activation-событиям. Пользователи, прошедшие онбординг, против тех, кто его пропустил — если разрыв в ретенции велик, это событие является сильным предиктором удержания.

6. Сравнивайте каналы привлечения

Ретенция по источникам трафика показывает, какие каналы приводят устойчивых пользователей, даже если стоимость привлечения по ним выше.

7. Измерьте влияние изменений продукта

Определите первую когорту, получившую изменение, и сравните её кривую с предыдущей когортой.

8. Отчитайтесь и поставьте цели

Представьте кривые ретенции, поведенческие сравнения и чёткие выводы. Установите целевые показатели для предстоящих когорт.

Как AI меняет этот метод

Совместимость с AI: полная — AI автоматизирует сегментацию когорт, построение кривых ретенции, обнаружение аномалий и прогнозирование оттока.

Что AI делает

Автоматически определяет точки перегиба ретенции и выявляет, какие поведенческие события коррелируют с долгосрочным удержанием.
Прогнозирует риск оттока для каждого пользователя с помощью ML-моделей, обученных на когортных данных.
Генерирует текстовые резюме ретенции на основе когортных таблиц.
Оповещает об аномалиях, когда кривая новой когорты отклоняется от исторических норм.

Что остаётся за исследователем

Определение того, что значит «удержанный» — это решение продуктовой стратегии.
Интерпретация причин изменения ретенции — требует контекста, выходящего за рамки данных.
Постановка реалистичных целей с учётом отраслевых бенчмарков и бизнес-стратегии.
Решение о приоритетах, когда несколько факторов одновременно коррелируют с ретенцией.

Рабочий процесс с AI

До появления AI когортный анализ был ежемесячной задачей аналитика данных. В AI-усиленной аналитике мониторинг ретенции становится непрерывным: инструмент генерирует таблицы для каждой новой когорты, сравнивает ранние данные с историческими паттернами и оповещает команду, если когорта не дотягивает до ожидаемых показателей.

Инструменты

Аналитика с когортами: Amplitude, Mixpanel, GA4, PostHog, Heap, CleverTap.

SaaS-ретенция: Userpilot, Appcues, ChartMogul.

Data warehousing: BigQuery, Snowflake, Redshift.

AI и прогнозирование: Amplitude Predict, Mixpanel Spark, ChatGPT / Claude.

Визуализация: Looker Studio, Tableau, Metabase.

Хорошо сочетается с

Analytics / Clickstream (An): аналитика предоставляет событийные данные, на которых строится когортный анализ.
Funnel Analysis (Fa): воронки измеряют конверсию через поток; когорты — сохраняется ли вовлечённость со временем.
Survey (Sv): когортный анализ показывает, когда пользователи уходят; опрос выясняет, почему.
In-depth Interview (Di): интервью с пользователями из когорты с низкой ретенцией раскрывают причину.
NPS / CSAT / SUS (Np): отслеживание удовлетворённости по когортам связывает субъективный опыт с поведенческой ретенцией.

Пример из практики

У проектного SaaS-сервиса было 25 000 MAU, однако когортный анализ выявил, что ретенция на Day 30 снижалась: 34% (январь), 28% (март), 22% (май). Рост привлечения маскировал ухудшение. Наиболее резкий спад происходил между Day 1 и Day 3 — 55–60% пользователей не возвращались после первой сессии.

Поведенческое сравнение показало: пользователи, создавшие проект в первой сессии, удерживались на Day 30 на уровне 48%, тогда как среди тех, кто этого не сделал, показатель составлял лишь 11%. Команда переработала онбординг, направив его на создание проекта в первой сессии. Июньская когорта показала 31% ретенции на Day 30, развернув тренд, а спад между Day 1 и Day 3 сократился с 55% до 40%.

Типичные ошибки новичков

Смотреть на агрегированную ретенцию вместо когорт

Агрегированная 30-дневная ретенция смешивает десятки когорт. Рост привлечения может скрывать снижение ретенции. Всегда смотрите в разрезе когорт.

Использовать слишком маленькие когорты

Когорта из 20 человек даёт сильно колеблющиеся проценты. Для трендов нужно от 50 пользователей, для сравнения сегментов — от 200, иначе переходите на месячную группировку.

Менять определение события ретенции

Если смысл «удержанного» изменился между периодами, данные несравнимы. Сохраняйте определение неизменным.

Путать корреляцию с причинностью

Пользователи, прошедшие онбординг, удерживаются лучше — но мотивированные пользователи делают и то, и другое. Проверяйте причинно-следственные связи с помощью A/B-экспериментов.

Игнорировать незавершённые когорты

Данные Day 30 для самой новой когорты становятся доступны лишь спустя 30 дней после регистрации. Отсутствие данных выглядит как падение ретенции. Всегда помечайте незавершённые точки данных.