Когортный анализ: как видеть реальное поведение клиентов

Когортный анализ — это метод аналитики данных, который объединяет клиентов в группы по общему признаку и прослеживает их поведение во времени. Для SaaS-бизнеса он позволяет точно измерить удержание клиентов, рассчитать LTV и churn rate, а также оценить вклад каждого маркетингового канала. Без когортного анализа средние метрики скрывают реальные проблемы и приводят к неверным решениям.

Почему средние показатели врут

Средний churn rate по всей базе удобен для отчётов, но опасен для управления. У вас 1000 клиентов и 5% оттока в месяц — кажется, всё стабильно. А за этой цифрой может стоять полный хаос: одна когорта удерживается на 80%, другая на 20%.

Отток работает по геометрической прогрессии. При месячном churn 5% из 1000 клиентов через год останется 540. При 10% — 282. Разница в два раза по оттоку превращается в двукратную разницу по выжившей базе.

Средние значения прячут аномалии. Они не показывают, ухудшается ли продукт, приходят ли менее качественные лиды, работает ли новый онбординг. Поэтому рост SaaS-бизнеса без когортного анализа — это движение вслепую.

Парадокс Симпсона на практике

Парадокс Симпсона — ситуация, когда тренд, видимый в каждой отдельной группе, исчезает или переворачивается при объединении групп. В каждой когорте retention растёт, а в общем отчёте падает. Так бывает, когда меняется структура трафика: доля нецелевого канала увеличивается и тянет среднюю вниз.

Вот конкретный случай. В марте вы запустили промо-кампанию, которая привела много дешёвых, но нецелевых лидов. Их retention низкий. Средний показатель по базе упал, хотя для старых каналов всё улучшилось. Без когортного отчёта вы решите, что продукт деградирует, и начнёте чинить то, что не сломано.

Что вы теряете, когда не видите когорты

Когда динамика по когортам скрыта, вы пропускаете сигналы деградации. Ухудшение качества трафика проявляется не сразу: сначала падает активация, затем через 2–3 месяца — retention. К моменту, когда средние метрики покажут проблему, значительная часть выручки уже потеряна.

По нашему опыту, компании, которые внедряют когортный анализ, находят как минимум одну скрытую проблему в первые две недели. Чаще всего это оказывается онбординг или качество платного трафика.

Илья Кузнецов

Продуктовый аналитик

Привлечение нового клиента обходится в 5–7 раз дороже, чем удержание существующего. Увеличение удержания всего на 5% может поднять прибыль на 25–125%. В SaaS, где выручка зависит от регулярных платежей, каждый ушедший клиент — это дыра в финансовой модели.

Что такое когортный анализ

Когортный анализ — это аналитический подход, при котором пользователи разделяются на группы (когорты) на основе общего события или временного периода, после чего эти группы сравниваются между собой в динамике. В отличие от разовых срезов, он показывает, как меняется поведение клиентов по мере их «взросления».

Для SaaS-бизнеса когортный анализ — это база для понимания юнит-экономики. Он отвечает на вопросы: сколько клиентов остаётся через месяц, три месяца, год; какой канал приводит лучших клиентов; окупаются ли инвестиции в маркетинг. Исследование Harvard Business Review Analytic Services подтверждает, что компании, внедрившие регулярный когортный анализ, на 30–40% эффективнее оптимизируют рекламный бюджет и стратегию удержания. Исследование McKinsey также показывает, что компании, активно использующие аналитику для принятия решений, превосходят конкурентов на 23% по прибыльности.

Когорта: определение и признаки

Когорта — это группа пользователей, которых объединяет общее событие, произошедшее в один и тот же период. Например, «все пользователи, зарегистрировавшиеся в марте 2026 года» или «все клиенты, пришедшие из контекстной рекламы».

Признаки когорты

• Общее событие (регистрация, первая оплата, установка приложения)
• Общий временной интервал (день, неделя, месяц, квартал)
• Общий признак (источник трафика, тариф, регион)

На практике когорту определяют три параметра: событие, объединяющее пользователей, периодичность наблюдения и метрика, которую вы отслеживаете (факт возврата, повторная покупка, активация ключевой функции).

Чем когорты отличаются от сегментации

Сегментация делит базу на группы по статичным характеристикам: полу, городу, типу подписки. Это снимок аудитории в конкретный момент. Когортный анализ показывает, как группа ведёт себя во времени.

Когортный анализ vs. Сегментация

Разница существенная. Сегментация помогает персонализировать рассылку. Когорты помогают понять жизненный цикл клиента и спрогнозировать доход. Они не исключают друг друга: можно строить когорты внутри сегмента, например, «B2B-клиенты из Москвы, пришедшие в январе».

Какие задачи решает когортный анализ

• Выявление причин оттока клиентов
• Оценка эффективности онбординга
• Сравнение маркетинговых каналов по качеству клиентов
• Прогнозирование LTV и окупаемости инвестиций
• Оптимизация ценообразования и тарифной сетки
• Формирование портрета идеального клиента на основе поведения разных групп

Задачи когортного анализа

Типы когорт

Выбор типа когорты зависит от цели исследования. Рассмотрим основные виды, которые используются в SaaS.

периоду. Если когорта февраля 2026 года показывает retention на 10 процентных пунктов выше, чем когорта января, значит, вы что-то сделали правильно.

Когорты по источнику привлечения

Группировка по каналу: контекстная реклама, SEO, социальные сети, рекомендации. Здесь важно смотреть не на количество лидов, а на их качество. Клиенты из SEO часто имеют более высокий LTV, чем клиенты из платных каналов, потому что приходят с более горячим спросом.

Сравнение когорт по источникам помогает перераспределять бюджет. Если retention через 6 месяцев у SEO-клиентов — 35%, а у платной рекламы — 18%, вы знаете, куда вкладывать деньги.

Поведенческие когорты

Поведенческие когорты формируются на основе действий: завершили онбординг, использовали ключевую функцию, пригласили коллег. Такие когорты показывают, какие действия коррелируют с долгосрочным удержанием. При формировании поведенческих когорт полезен фреймворк Jobs-to-be-Done, который группирует пользователей по общей «работе», которую они хотят выполнить. Например, когорта всех, кто использует сервис доставки, чтобы быстро накормить семью.

В нашей практике был B2B-сервис для управления проектами. Мы обнаружили, что пользователи, создавшие в первую неделю хотя бы один проект, удерживаются в 3 раза лучше остальных. После изменения онбординга и фокуса на это действие retention вырос на 12 процентных пунктов.

Илья Кузнецов

Продуктовый аналитик

Другие виды когорт

• По тарифу: сравнение бесплатных и платных пользователей
• По устройству: веб, iOS, Android
• По региону: разные страны и города
• По размеру компании: малый, средний, enterprise
• По версии продукта: v1, v2, бета-версия
• Гибридные: комбинация нескольких признаков (например, «B2B-клиенты из Москвы, пришедшие в январе»)

Основные метрики

Для полноценного анализа нужно оперировать набором SaaS-метрик, которые связаны между собой.

Retention Rate

Retention Rate — доля пользователей когорты, которые остаются активными через определённый промежуток времени. Это главная метрика здоровья продукта.

Retention Rate = (Активные пользователи когорты в период N / Размер когорты) × 100%

Определение «активности» зависит от продукта. Для одного SaaS это вход в приложение, для другого — использование ключевой функции, для третьего — оплата подписки. Зафиксируйте это определение и не меняйте его между расчётами.

Стоит различать типы retention-метрик

• Классический retention (Day-N) — доля пользователей когорты, которые были активны ровно на N-й день после первого визита. Если пользователь заходил на 6-й и 8-й день, но не на 7-й, в D7 он не попадает. Этот показатель чувствителен к частоте использования и подходит для продуктов ежедневного спроса.
• Rolling retention (возвратный) — доля пользователей, которые были активны на N-й день или позже. Он всегда не ниже классического и показывает, сколько пользователей не ушли навсегда. Лучше подходит для продуктов с нерегулярным использованием: маркетплейсов, сервисов бронирования, страхования.
• Bounded retention (интервальный) — доля пользователей, активных хотя бы раз в заданном окне, например, в дни 1–7. Чаще используется во внутренней отчётности.

Выбор типа retention зависит от того, как часто продукт даёт повод вернуться. Для ежедневных продуктов (мессенджеры, игры) критичен ранний классический retention (D1), для эпизодических — rolling retention на длинном горизонте. Сравнивать между собой можно только одинаковые типы retention и только внутри одной категории продуктов.

Для ориентира: в большинстве SaaS-продуктов D1 retention составляет 20–40%, а трёхмесячное удержание — 10–20%. Для мобильных приложений (не игр) ориентиры другие: 25–40% на 30-й день и 10–20% на 90-й день. В 2025 году бенчмарки retention в целом снизились по сравнению с 2020–2023 годами из-за роста конкуренции и более избирательного поведения потребителей. По данным Strategy Partners (2025), средний Retention Rate в российском B2C на 5–8 п.п. ниже, чем в Западной Европе.

Churn Rate

Churn Rate — доля клиентов, которые прекратили использование продукта за период. В когортном анализе отток рассчитывается как уменьшение активной базы когорты от периода к периоду.

Различают customer churn (потеря клиентов) и revenue churn (потеря дохода). Revenue churn критичен для SaaS, потому что уход одного enterprise-клиента может обнулить приход десяти мелких. Revenue churn, в свою очередь, делится на gross и net. Gross MRR Churn показывает фактическую потерю выручки от отказов и даунселлов, а Net MRR Churn учитывает расширение выручки от существующих клиентов (апселлы, докупки). Отрицательный Net MRR Churn — целевое состояние SaaS: компания растёт даже без новых клиентов.

Отдельно выделяют непреднамеренный отток (involuntary churn) — потери из-за проблем с оплатой: истекшие карты, сбои списания, ошибки в платёжных данных. На него приходится 20–40% всех потерь. Автоматические уведомления о неудачных списаниях позволяют вернуть часть таких клиентов. В подписках мобильных приложений доля involuntary churn может достигать 50%. Компании, которые разделяют добровольный и вынужденный отток и отслеживают оба показателя, снижают общий Churn Rate на 10–15% быстрее конкурентов (Bain & Company).

Нормы оттока зависят от типа бизнеса. Для B2B SaaS нормальным считается 1,5–3% в месяц, медианный месячный отток — около 3,5%, из которых примерно 2,6% — добровольный уход и 0,8–0,9% — недобровольный. По данным Vena Solutions на 2025 год, средний годовой отток в SaaS составляет около 3,8%, а для B2B SaaS — 4,9%. Эти цифры помогают сверить свои показатели с рынком. Для оттока в деньгах (revenue churn) критический порог — 2% в месяц. При таком показателе компания теряет около 22% выручки в год, что почти всегда говорит о проблемах с продуктом, ценообразованием или качеством привлечённых клиентов. Эксперты GoPractice рекомендуют при revenue churn выше 2% в первую очередь искать причины в ценности продукта, сложности онбординга или нецелевой аудитории. GoPractice

LTV

LTV (Lifetime Value) — это пожизненная ценность клиента: сколько денег приносит клиент за всё время сотрудничества с продуктом.

LTV = Суммарная выручка когорты за весь период / Количество клиентов в когорте

Когортный способ расчёта точнее, чем формула ARPU / churn rate, потому что он учитывает реальную кривую удержания, а не предполагает линейность.

При сравнении LTV с CAC важно считать LTV по марже, а не по выручке: иначе экономика на бумаге окажется привлекательнее, чем в реальности.

Срок окупаемости (Payback Period) — время, за которое накопленный LTV когорты покрывает CAC. Формула: Payback Period = CAC / ARPU. Для венчурных компаний ориентир — не более 12 месяцев, для B2B SaaS с длинными контрактами допустимо 18–24 месяца. Считайте payback отдельно по каждой когорте и каждому каналу, а не в среднем по базе. Для более точного финансового моделирования LTV можно дисконтировать: LTV = Σ (ARPU_t × GM_t) / (1 + r)^t, где r — ставка дисконтирования. Это особенно актуально для SaaS с длинными контрактами, где деньги сегодня стоят дороже, чем через несколько лет.

CAC

CAC (Customer Acquisition Cost) — стоимость привлечения одного платящего клиента. Считается как сумма расходов на маркетинг и продажи за период, делённая на число новых клиентов.

При расчёте CAC включайте не только прямые рекламные расходы, но и все сопутствующие затраты: зарплаты специалистов, занятых привлечением, стоимость инструментов аналитики и CRM, производство контента, агентские вознаграждения. Ошибка, когда учитывают только рекламный бюджет, занижает реальный CAC в полтора-три раза и создаёт ложную картину эффективности каналов.

В когортном анализе важно сравнивать CAC по каналам и периодам. Если CAC растёт, а retention падает, бизнес движется к убытку даже при растущей выручке.

В B2B с длинным циклом сделки клиент, привлечённый в одном месяце, может заплатить через 1–2 месяца. Чтобы избежать искажений, расходы периода следует относить к клиентам, оплатившим с учётом среднего цикла сделки.

ARPU и ARPPU

ARPU (Average Revenue Per User) — средний доход с одного пользователя за период. В SaaS обычно считается как MRR, делённый на количество активных пользователей. Вместе с MRR и ARR эти показатели формируют полную картину монетизации.

ARPU в когортном анализе показывает, как меняется доходность группы по мере «взросления». Рост ARPU часто связан с апселлами и переходом на более дорогие тарифы.

ARPPU (Average Revenue Per Paying User) — средний доход с одного платящего пользователя. В отличие от ARPU, в расчёте учитываются только те, кто платит. Это позволяет отделить монетизацию от вовлечённости: ARPU может падать из-за роста бесплатной базы, а ARPPU покажет, сколько в среднем приносит именно платящий клиент. В когортном анализе ARPPU помогает оценить качество монетизации и эффективность апселлов.

MRR и ARR

MRR (Monthly Recurring Revenue) — регулярная ежемесячная выручка от подписок. Считается как сумма всех ежемесячных платежей активных клиентов. ARR (Annual Recurring Revenue) — годовая регулярная выручка, обычно MRR × 12. Эти метрики не являются когортными, но без них невозможно оценить общий финансовый контекст: когортный анализ показывает качество выручки, а MRR/ARR — её объём.

NRR

Net Revenue Retention (NRR) — чистое удержание выручки. Показывает, сколько выручки сохраняет и наращивает существующая база с учётом апселлов, даунселлов и оттока. NRR выше 100% означает, что выручка растёт даже без привлечения новых клиентов. Это ключевой показатель здоровья SaaS-модели: он демонстрирует, насколько эффективно продукт расширяет счёт существующих клиентов.

ROMI

ROMI (Return on Marketing Investment) — окупаемость маркетинговых инвестиций. Показывает, сколько выручки принёс каждый вложенный в маркетинг рубль.

ROMI = (Доход от когорты − Затраты на привлечение) / Затраты на привлечение × 100%

Когортный ROMI точнее общего, потому что он привязывает доход к конкретной группе клиентов, а не к средним показателям по компании.

Contribution margin

Contribution margin (вклад на покрытие) — выручка от клиента за вычетом прямых переменных расходов (COGS). Показывает, сколько денег остаётся на покрытие постоянных расходов и формирование прибыли. В SaaS contribution margin обычно составляет 70–90%, в e-commerce — 20–40%. Точка безубыточности = постоянные расходы / contribution margin на юнит. Если когорта не выходит на точку безубыточности в течение приемлемого срока, бизнес требует постоянных вливаний.

Как провести когортный анализ

Процесс требует дисциплины и чёткого следования шагам. Рассмотрим каждый этап.

Этапы когортного анализа

Определите цель и метрику

Сформулируйте вопрос, на который должен ответить анализ. Например: «Почему падает retention среди клиентов, пришедших из контекстной рекламы?» От цели зависит метрика. Если вопрос про удержание — нужен retention rate. Если про экономику — LTV и CAC.

Выберите критерии и период

Определите тип когорты и временной интервал. Для B2B SaaS с длинным циклом сделки удобны месячные когорты. Для мобильных приложений — недельные или даже дневные. Период должен быть сопоставим с циклом жизни клиента.

Соберите и подготовьте данные

Соберите данные о событиях: регистрация, оплата, активность. Источники — CRM, база данных, аналитические системы. Очистите данные от тестовых пользователей, дубликатов и аномалий. Зафиксируйте, что считается «активным клиентом».

Постройте когортную таблицу

Когортная таблица — это матрица, где строки — когорты, а столбцы — периоды их жизни. На пересечении — значение метрики. Например, для retention: процент активных клиентов когорты в 1-й, 2-й, 3-й месяц после регистрации.

Таблица позволяет быстро увидеть паттерны: где происходит резкое падение, какие когорты лучше или хуже других.

Интерпретируйте результаты

Изучите таблицу и сформулируйте выводы. Сравните когорты между собой. Если каждая новая когорта хуже предыдущей, это сигнал деградации продукта или каналов. Если лучше — вы движетесь в правильном направлении.

Инструменты для когортного анализа

Выбор инструмента зависит от размера базы, бюджета и технических компетенций. Для небольшого проекта достаточно таблиц, для крупного — специализированных платформ.

Ручной расчёт в Excel и Google Таблицах

Для старта, пока база не превышает 10–20 тысяч пользователей, Excel или Google Таблицы — оптимальный вариант. Вы выгружаете события из CRM или БД, строите сводные таблицы и считаете метрики вручную.

Плюсы: гибкость и нулевая стоимость. Минусы: трудоёмкость и риск ошибок. При росте базы ручной расчёт становится непозволительной роскошью.

Специализированные платформы

Amplitude и Mixpanel — лидеры продуктовой аналитики. Они автоматически строят когорты, считают retention и LTV, позволяют сегментировать пользователей по событиям. Интеграция с CRM и рекламными кабинетами из коробки.

Heap автоматически собирает все события без ручной разметки — это удобно, но требует аккуратности при анализе. Pendo сочетает аналитику с инструментами онбординга. Woopra фокусируется на клиентских путешествиях. Для крупного бизнеса подходит Glassbox с записью сессий и глубокими воронками.

ИИ-инструменты

Современные платформы всё чаще используют искусственный интеллект, чтобы убрать барьер входа в анализ. Вместо написания SQL-запросов можно задать вопрос на естественном языке — например, «Покажи удержание пользователей, пришедших в мае». ИИ автоматически строит когорты, находит неочевидные сегменты с высоким риском оттока и прогнозирует поведение пользователей на основе ранних индикаторов. Он также мгновенно обнаруживает аномалии в удержании, позволяя быстро реагировать на сбои продукта или изменения рынка.

Среди таких инструментов выделяются

• Powerdrill — ИИ-нативная платформа с чат-интерфейсом на естественном языке, автоматической визуализацией и прогнозированием удержания. Не требует навыков SQL.
• PostHog — продуктовая ОС с открытым исходным кодом, объединяющая session replay, feature flags и когортные таблицы. Подходит техническим командам.
• Yandex DataLens — BI-платформа для автоматизированной подготовки данных и визуализации когорт.
• Hotjar — инструмент для качественного анализа: ИИ создаёт опросы, анализирует тональность отзывов и помогает формировать поведенческие когорты на основе записей сессий.
• Yandex DataLens — BI от Яндекса с генеративным ИИ для автоматической генерации формул и повествовательных сводок дашбордов.

Эти инструменты дополняют классические платформы вроде Amplitude и Pendo, добавляя прогнозную аналитику и упрощая работу с данными для нетехнических специалистов.

Яндекс Метрика и Google Analytics

Яндекс Метрика умеет строить когортные отчёты по визитам. Это бесплатно и полезно для контентных проектов и e-commerce, но для SaaS там не будет данных о платежах и подписках. Google Analytics 4 также имеет когортный инструмент, но он ограничен стандартными срезами.

Эти системы хороши как базовый слой, но для полноценного когортного анализа SaaS нужна интеграция с данными о выручке. Для более глубокого анализа можно выгрузить сырые данные через Logs API и обработать их в Python: очистить от дубликатов и выбросов, построить когорты по любым признакам.

SQL и Python для автоматизации

Для сложных и нестандартных когорт нужны SQL-запросы или Python (pandas). Это даёт полный контроль над данными и возможность строить когорты по любым комбинациям признаков. Требует компетенций, но окупается на масштабе.

Когортную таблицу retention можно собрать одним SQL-запросом: с помощью оконной функции FIRST_VALUE определяется размер когорты в нулевом периоде, а затем активность каждого последующего периода делится на это значение. Для heatmap таблицу «разворачивают» через условную агрегацию (pivot). Пример запроса для PostgreSQL:

WITH first_events AS (
 SELECT user_id, MIN(event_date) AS first_date
 FROM user_events
 GROUP BY user_id
),
cohorts AS (
 SELECT user_id, DATE_TRUNC('week', first_date) AS cohort_week
 FROM first_events
),
daily AS (
 SELECT e.user_id, c.cohort_week,
 DATE_PART('day', e.event_date - c.cohort_week) AS day_number
 FROM user_events e
 JOIN cohorts c ON e.user_id = c.user_id
 WHERE e.event_date >= c.cohort_week
)
SELECT cohort_week,
 COUNT(DISTINCT user_id) FILTER (WHERE day_number = 0) AS cohort_size,
 COUNT(DISTINCT user_id) FILTER (WHERE day_number = 7) AS d7,
 COUNT(DISTINCT user_id) FILTER (WHERE day_number = 30) AS d30
FROM daily
GROUP BY cohort_week
ORDER BY cohort_week;

Для регулярного когортного анализа в крупной компании важна архитектура данных: единый источник истинности для метрик, ETL/ELT-процессы для трансформации и детерминированные расчёты. Одинаковые данные должны приводить к одинаковым метрикам при повторном выполнении. Валидация результатов на выборке, регламенты обновления отчётов и контроль полноты данных помогают избежать расхождений между системами.

Как читать когортные таблицы

Построить таблицу — половина дела. Главное — правильно её прочитать и сделать выводы.

Для наглядности используют тепловые карты удержания (retention heatmap) и кривые удержания (retention curve). Тепловая карта — это таблица, где строки — когорты, столбцы — периоды, а цвет — процент удержания. Кривая удержания — график, на котором ось X — время, а ось Y — процент активных пользователей. Эти визуализации позволяют быстро замечать «провалы» и «успехи» групп.

Плато или протечка

Здоровая кривая удержания выходит на плато. Например, retention падает с 50% в первый месяц до 30% к шестому, а затем стабилизируется. Если кривая продолжает падать до нуля — это протечка: продукт не удерживает клиентов. Согласно отчёту Reforge, если удержание новых пользователей на нулевой неделе стабильно ниже 20%, это сигнализирует о серьёзных проблемах с онбордингом или product-market fit. Исследование Heap показывает, что разница в 90-дневном удержании между поведенческими когортами может превышать 50 процентных пунктов.

Рост или деградация

Сравнивайте строки таблицы между собой. Если каждая новая когорта показывает более высокий retention, чем предыдущая на том же сроке жизни, — продукт улучшается. Если ниже — деградация. Это главный сигнал для пересмотра стратегии.

Аномалии

Резкий скачок или падение в отдельной когорте — повод для расследования. Причиной может быть сбой в системе, маркетинговая акция, изменение тарифов или внешние события. Аномалии часто указывают на факторы, которые не учтены в данных.

Диагональный анализ

Сравнивайте когорты в один и тот же календарный период. Например, когорта января на 3-й месяц жизни (апрель) против когорты февраля на 3-й месяц (май). Так вы нивелируете сезонность и видите реальные изменения, вызванные вашими действиями.

Применение в SaaS

Теория без практики бесполезна. Рассмотрим, как когортный анализ применяется в реальных сценариях.

Оценка онбординга

Разбейте пользователей на когорты по дате регистрации и посмотрите, сколько доходит до активации. Изменения в онбординге сразу отразятся на новых когортах. Если после релиза нового онбординга retention вырос, изменение работает.

Один из наших клиентов, B2B-сервис для документооборота, обнаружил, что пользователи, создавшие первый документ в первую неделю, имеют retention на 25% выше остальных. После переработки онбординга с акцентом на это действие retention вырос на 12 процентных пунктов. Такую точку часто называют Stick Point — момент, после которого клиент с высокой вероятностью останется с продуктом надолго. Нахождение Stick Point — одна из главных задач когортного анализа.

Мы в своей практике видели, как когортный анализ помог компании удвоить retention без изменения продукта — только за счёт перестройки онбординга.

Сравнение маркетинговых каналов

Стройте когорты по источнику привлечения и сравнивайте LTV и удержание клиентов с SEO, платной рекламы и партнёрских программ. Это позволяет перераспределять бюджет в пользу каналов с лучшей экономикой.

Клиенты из партнёрской программы часто имеют более низкий churn rate, чем из контекстной рекламы, потому что приходят с более высоким доверием. Когортный анализ это наглядно показывает.

Ранние сигналы оттока

Когортный анализ помогает распознать ранние сигналы оттока: снижение активности (в среднем на 41% за квартал перед отменой подписки), экспорт данных, паузу в коммуникациях, негативную обратную связь. Отдельно отслеживайте скрытый отток — когда клиент платит по годовому договору, но не проявляет активности 30+ дней. Автоматические триггеры в CRM позволяют реагировать на эти сигналы до того, как клиент уйдёт.

Важно учитывать, что 40–60% оттока происходит в первые 90 дней после регистрации. Если клиент не получил ценность в первые две недели, вероятность его ухода резко возрастает. Исследования показывают, что 68% клиентов уходят, потому что считают, что компания о них не заботится, — когортный анализ помогает выявить такие группы и вовремя вмешаться.

Для раннего выявления групп риска также используют индекс вовлечённости клиента (Customer Health Index). Каждой функции продукта присваивается вес в зависимости от её влияния на удержание: например, пользователь, который загрузил несколько файлов или пригласил коллег, менее склонен к оттоку, чем тот, кто ограничился просмотром одной страницы. В B2B-сегменте учитывают и долю активных сотрудников внутри компании-клиента. Такой индекс позволяет реагировать до того, как клиент примет решение об отмене.

Прогнозирование LTV

На основе когортных данных можно строить прогнозы. Зная кривую удержания, экстраполируете доход на будущие периоды и сравниваете с CAC. Если соотношение LTV/CAC больше 3, модель устойчива. Если меньше — вы тратите на привлечение больше, чем зарабатываете. Зависимость LTV от удержания нелинейна: рост Retention Rate с 90% до 95% увеличивает LTV вдвое, а с 95% до 97% — ещё на 66%. Чем выше текущее удержание, тем больше отдача от каждого процента улучшения.

Когортный анализ также помогает планировать MRR и ARR: вы видите, какой доход принесут текущие когорты в следующие месяцы, и можете точнее прогнозировать выручку.

Оптимизация ценообразования

Когортный анализ показывает, как изменение цен влияет на поведение разных групп. После повышения тарифов новые когорты могут иметь более высокий ARPU, но ниже конверсию в оплату. Нужно смотреть на общий доход на когорту, а не только на средний чек.

Нередко рост цены почти не снижает удержание, зато заметно поднимает LTV — увидеть это можно только сравнив когорты «до» и «после» на одинаковом возрасте.

Отдельный сценарий — анализ пробных периодов. Сравните когорты пользователей с разной длительностью триала (например, 15 и 30 дней): какая группа показывает более высокую конверсию в платный тариф и какой LTV в итоге приносит. Это помогает выбрать оптимальную длительность пробного периода.

Анализ продуктовых изменений

После запуска новой функции выделите когорты, которые её используют, и сравните с теми, кто не использует. Это покажет ценность функции. Когортный анализ связывает пользовательский опыт с конкретными действиями и позволяет оценить влияние релиза на удержание.

Когортный анализ также помогает корректно интерпретировать A/B-тесты: он учитывает время и место, позволяя увидеть, что эффект изменения может быть неодинаков для разных групп пользователей. Например, новая кнопка может хорошо сработать для одной когорты и не дать результата для другой. Без когортного разреза вы рискуете принять ложное решение на основе усреднённых данных.

Частые ошибки

Даже опытные команды допускают ошибки, которые обесценивают анализ. Вот самые частые.

Смешивание агрегированных данных

Нельзя сравнивать средний churn rate за месяц с когортным оттоком. Средние скрывают динамику. Всегда стройте когорты и работайте с таблицей, а не с усреднёнными показателями. Также не смешивайте объём заключённых контрактов, кассовые поступления и регулярную выручку. Отдельно учитывайте разовые платежи, скидки, налоги, паузы и возвраты.

Слишком малые когорты

Если в когорте 10 человек, любой процент будет статистическим шумом. Для трендов нужно минимум 50–100 пользователей, для сравнения сегментов — от 200. Если пользователей меньше, переходите на месячную или квартальную группировку. Для малых когорт показывайте размер выборки и диапазон неопределённости, чтобы не принимать решения на основе статистического шума.

Несогласованность определений метрик

Договоритесь, что такое «активный клиент» и «отток». Если маркетинг считает активностью вход в приложение, а продукт — использование ключевой функции, цифры будут несопоставимы. Зафиксируйте определения. Заведите паспорт метрики (metric contract): владелец, формула, период, целевое значение, действие и дата пересмотра. Версионируйте изменения паспорта — это предотвращает расхождения между командами.

Корреляция вместо причинности

Высокий retention среди когорты, использующей функцию X, не означает, что X — причина удержания. Возможно, эту функцию используют более лояльные клиенты. Для выводов нужны эксперименты, а не только наблюдения.

Погоня за количеством метрик

Попытка отслеживать десятки показателей размывает фокус и делает анализ бесполезным. Начинающим SaaS-проектам достаточно 5–6 ключевых метрик (retention, churn, LTV, CAC, ARPU, NRR), остальные подключайте по мере роста. Как показывает практика, именно перегрузка метриками — частая причина того, что когортный анализ не приводит к действиям.

Игнорирование незавершённых когорт

Когорта возрастом один месяц и когорта возрастом 12 месяцев находятся в разных точках жизненного цикла. Сравнивать их напрямую нельзя. Используйте «нормализованный возраст» когорты. Это явление называется правым цензурированием: недавние когорты физически не могут иметь длинную историю, поэтому сравнивать их со зрелыми когортами некорректно.

Когортный анализ показывает, что происходит, но не объясняет, почему. Для понимания причин оттока сочетайте его с качественными методами: опросами, интервью с пользователями, анализом сессий. Мой совет — всегда дополняйте количественные данные качественными исследованиями. Это помогает понять не только «что», но и «почему» происходит.

Что запомнить

Когортный анализ — это не разовый отчёт, а регулярная практика. Внедрите его в ежемесячную рутину, и вы будете видеть реальное состояние продукта. Начните с простых когорт по месяцам и источникам трафика, затем добавляйте поведенческие срезы.

Свяжите метрики в единую модель: retention влияет на LTV, LTV сравнивайте с CAC. Используйте когортные таблицы для оценки каждого изменения — от онбординга до тарифов. Через несколько месяцев у вас будет база для прогнозирования и принятия решений.

• Стройте когорты по времени, источникам и поведению, а не ограничивайтесь средними показателями.
• Связывайте retention, LTV и CAC в единую модель юнит-экономики.
• Используйте когортные таблицы для оценки каждого продуктового и маркетингового изменения.
• Начинайте с малого: Excel и бесплатных инструментов достаточно для первых выводов.

Когортный анализ — это способ мышления. Он заставляет задавать правильные вопросы о продукте и клиентах.

Частые вопросы (FAQ)

Что такое когорта в когортном анализе?

Когорта — это группа пользователей, объединенных общим событием или временным периодом, например, все клиенты, зарегистрировавшиеся в марте 2026 года. Когортный анализ отслеживает поведение этой группы во времени.

Какой Retention считается хорошим для SaaS?

Для B2B SaaS хорошим считается retention около 20-30% на 12-й месяц, для B2C — 10-20%. Важно сравнивать с собственными историческими данными и сегментом рынка.

Чем когортный анализ отличается от DAU/MAU?

DAU/MAU показывают текущую активность всей базы, но не объясняют, откуда пришли пользователи и как давно. Когортный анализ связывает активность с конкретной группой и временем ее появления.

Как рассчитать LTV с помощью когортного анализа?

Сложите всю выручку, которую когорта принесла за период жизни, и разделите на количество клиентов в когорте. Это дает фактический LTV без сложных формул.

Какой период выбрать для когортного анализа: день, неделю или месяц?

Зависит от цикла жизни клиента. Для быстрых мобильных приложений подходят дни или недели, для B2B SaaS с длинным циклом сделки — месяцы или кварталы.

Полезные материалы