Когортный анализ: как измерить retention в CRM

Retention Rate показывает, сколько клиентов осталось. Но не показывает, когда именно они уходят и почему одни когорты держатся лучше других. Когортный анализ решает эту задачу — он разбивает клиентов на группы по времени привлечения и отслеживает их поведение во времени. Это единственный способ отличить реальный рост retention от статистической иллюзии.

Что такое когортный анализ

Когортный анализ — метод исследования, при котором клиенты группируются в когорты по общему признаку (чаще всего — по дате первой покупки или регистрации), после чего отслеживается поведение каждой когорты во времени.

Когорта — это группа клиентов, объединённых одним событием в один период. Например:

• Когорта «Январь 2026» — все клиенты, совершившие первую покупку в январе 2026 года.
• Когорта «Акция Чёрная пятница» — все клиенты, привлечённые во время конкретной кампании.
• Когорта «Канал Яндекс.Директ» — все клиенты, пришедшие из контекстной рекламы.

Ключевой инструмент когортного анализа — таблица удержания (retention table). Строки — когорты по месяцам, столбцы — периоды после привлечения (месяц 0, месяц 1, месяц 2…), значения — процент клиентов, совершивших повторную покупку.

Когорта	Месяц 0	Месяц 1	Месяц 2	Месяц 3	Месяц 6
Январь	100%	42%	28%	22%	15%
Февраль	100%	38%	25%	20%	13%
Март	100%	45%	32%	26%	—

Из таблицы видно, что мартовская когорта удерживается лучше январской. Это может быть следствием изменения продукта, маркетинговой стратегии или сезонности. Без когортного анализа эта разница осталась бы незамеченной.

Зачем когортный анализ CRM-маркетингу

Когортный анализ отвечает на вопросы, на которые не могут ответить агрегированные метрики:

• Когда уходят клиенты? Если основной отток происходит между месяцем 1 и месяцем 2 — нужно усилить коммуникацию именно в этот период (пост-покупочная цепочка, программа лояльности).
• Работает ли CRM-стратегия? Если новые когорты удерживаются лучше старых — CRM-маркетинг даёт результат. Если наоборот — нужно менять подход.
• Какие каналы привлекают качественных клиентов? Когорта из контекстной рекламы может иметь retention 10% через 6 месяцев, а когорта из email-рассылки — 25%. Это влияет на распределение бюджета.
• Как влияют акции? Клиенты, привлечённые большой скидкой, часто показывают низкий retention — они пришли за ценой, а не за продуктом. Когортный анализ это покажет.

Как проводить когортный анализ

Для базового когортного анализа нужны данные о транзакциях с датами и идентификаторами клиентов. Алгоритм:

1. Определить когорту. Чаще всего — месяц первой покупки. Для быстрых бизнесов (доставка еды) — неделя. Для B2B — квартал.
2. Задать метрику. Retention rate (доля вернувшихся), revenue retention (доля сохранённой выручки), среднее количество заказов.
3. Построить таблицу. По горизонтали — периоды после первой покупки, по вертикали — когорты. Ячейки — значение метрики.
4. Интерпретировать. Искать паттерны: какие когорты сильнее, в какой момент происходит основной отток, есть ли тренд на улучшение или ухудшение.

Инструменты: Excel/Google Sheets для малых баз, SQL-запросы для средних, встроенная аналитика CDP/CRM-платформ (Mindbox, Amplitude, Mixpanel) для крупных.

Типы когортного анализа: по времени, поведению и каналу

Стандартный временной когортный анализ — лишь один из возможных вариантов. На практике применяют три типа:

Временные когорты — группы по дате первого события (первая покупка, регистрация). Позволяют оценить, как менялось качество привлечения клиентов со временем. Это базовый тип.

Поведенческие когорты — группы по действию клиента вне зависимости от даты. Например: «клиенты, купившие товары категории A» vs «клиенты, купившие категорию B». Позволяет сравнить жизненную ценность клиентов из разных продуктовых путей.

Канальные когорты — группы по источнику привлечения: SEO, контекстная реклама, email-рассылка, сарафанное радио. Один из самых ценных типов для бюджетирования: показывает, какой канал привлекает клиентов с наибольшим LTV.

Пример сравнения канальных когорт для e-commerce:

Канал привлечения	Retention М1	Retention М3	Средний LTV за 12 мес.	CAC	LTV/CAC
Контекстная реклама	22%	10%	3 200 руб.	1 800 руб.	1,8×
Email-рассылка	38%	22%	5 800 руб.	400 руб.	14,5×
Реферальная программа	45%	28%	7 100 руб.	600 руб.	11,8×
Instagram	18%	8%	2 400 руб.	1 200 руб.	2,0×

Такая таблица немедленно меняет приоритеты маркетингового бюджета: email и реферал дают несравнимо лучший LTV/CAC при меньших затратах.

Когортный анализ и CRM-программы: как оценить реальный эффект

Частая ловушка — оценивать CRM-программу по агрегированным метрикам. Если после запуска программы лояльности retention вырос с 18% до 22%, не факт, что это заслуга программы: возможно, в этот же период улучшилось качество привлечения или изменилась сезонность.

Правильный метод — сравнить когорты «до» и «после» запуска программы при условии, что другие факторы не изменились. Если когорты, вошедшие в программу лояльности, показывают retention на 8-12 п.п. выше контрольной группы (не участники программы из того же периода) — это убедительное доказательство эффекта.

По данным Bain & Company, 5%-й рост retention увеличивает прибыль компании на 25-95%, в зависимости от отрасли. Когортный анализ — единственный способ надёжно измерить этот рост и отделить реальное улучшение от шума.

Практический SQL-пример когортного анализа

Для команд, работающих с SQL-базами, вот базовая структура запроса для построения retention table:

-- Шаг 1: определяем первую покупку каждого клиента
WITH first_orders AS (
  SELECT customer_id,
         DATE_TRUNC('month', MIN(order_date)) AS cohort_month
  FROM orders
  GROUP BY customer_id
),
-- Шаг 2: считаем месяцы от первой покупки
cohort_data AS (
  SELECT f.customer_id,
         f.cohort_month,
         DATE_TRUNC('month', o.order_date) AS order_month,
         DATEDIFF('month', f.cohort_month, DATE_TRUNC('month', o.order_date)) AS months_since_first
  FROM orders o
  JOIN first_orders f ON o.customer_id = f.customer_id
)
-- Шаг 3: строим таблицу удержания
SELECT cohort_month,
       months_since_first,
       COUNT(DISTINCT customer_id) AS retained_customers
FROM cohort_data
GROUP BY cohort_month, months_since_first
ORDER BY cohort_month, months_since_first;

Результат — таблица с тремя колонками: месяц когорты, период с момента привлечения, количество удержанных клиентов. Из неё легко построить retention table с тепловой картой в Google Sheets или Tableau.

Что делать с результатами когортного анализа

Когортный анализ даёт данные — но без интерпретации и действий это просто красивая таблица. Алгоритм работы с результатами:

• Найти «точку боли». В какой период происходит максимальный отток? Обычно это переход от месяца 0 к месяцу 1 — первый критический момент. Если retention M0→M1 ниже 30% — нужно усилить постпокупочную коммуникацию.
• Сравнить лучшие и худшие когорты. Что происходило в период привлечения лучших когорт? Какие изменения предшествовали ухудшению? Это укажет на факторы, которые влияют на качество привлечения.
• Сформулировать CRM-гипотезы. Если отток максимален на месяц 2, гипотеза: «Запуск триггерной цепочки на день 45 после покупки повысит M2 retention на 5 п.п.». Проверить через A/B-тест с контрольной группой.
• Отслеживать в динамике. Обновлять когортный анализ ежеквартально. Если новые когорты лучше старых — CRM-стратегия работает. Это основной KPI для оценки прогресса.

Когортный анализ для подписочных бизнесов: Revenue Retention

Для SaaS и подписочных сервисов стандартный когортный анализ по «доле вернувшихся клиентов» дополняется Revenue Retention — удержанием выручки.

Revenue Retention = Выручка от когорты в периоде N / Выручка от той же когорты в периоде 0 × 100%

Показатель может быть больше 100% — это Net Revenue Retention (NRR) выше 100%. Это происходит, когда оставшиеся клиенты расширяют подписку (upsell) быстрее, чем другие отменяют её.

Пример: когорта из 100 клиентов платила $10 000 в месяц 0. К месяцу 12: 20 клиентов отменили (−$2 000), 80 остались, из них 15 перешли на дороже тариф (+$3 000). Revenue Retention = (10 000 − 2 000 + 3 000) / 10 000 × 100% = 110%. NRR > 100% — признак здоровой SaaS-компании с возможностью органического роста без привлечения новых клиентов.

По данным KeyBanc Capital Markets (2022), медианный NRR для публичных SaaS-компаний составляет 119%. Компании с NRR выше 120% оцениваются рынком по значительно более высоким мультипликаторам.

Для e-commerce аналогом Revenue Retention является показатель GMV Retention — насколько выручка от когорты сохраняется со временем с учётом роста среднего чека у оставшихся. Компании с высоким GMV Retention могут позволить себе более агрессивное привлечение: даже при высоком churn по количеству клиентов, выручка остаётся стабильной за счёт роста покупательной активности лояльной части базы. Ключевое практическое правило: начните когортный анализ сегодня, даже если данных всего на 3-6 месяцев. Ранние паттерны оттока уже дадут ценную информацию для корректировки welcome-коммуникаций и постпокупочных триггеров. Полная картина сформируется через год наблюдений.

Когортный анализ — обязательный инструмент для любой компании, которая инвестирует в retention. Без него невозможно оценить реальную эффективность CRM-стратегии — агрегированные метрики скрывают проблемы за счёт постоянного притока новых клиентов. Если вы хотите понять, действительно ли ваш CRM-маркетинг удерживает клиентов — начните с когортного анализа. Следующим шагом стоит провести CRM-аудит: оценку зрелости — когортные данные станут одним из ключевых аргументов при разговоре с подрядчиком о точках роста.