Когортный анализ группирует клиентов по месяцу, в котором они пришли, а потом отслеживает каждую группу отдельно во времени. Вместо одного усреднённого показателя ты видишь, как ведёт себя январская группа на третьем месяце по сравнению с июньской. Это позволяет отделить эффект изменений в продукте от эффекта роста.
Ты строишь таблицу когорт, где строки это месяцы прихода клиентов, а столбцы это месяцы, прошедшие с момента прихода. Каждая ячейка показывает, сколько человек из этой группы всё ещё активны. Если читать столбец сверху вниз, видно, ведут ли себя новые клиенты лучше, чем старые.
Пример. В январской когорте 200 клиентов. Через три месяца платят ещё 120, значит retention на третьем месяце 60 процентов. В июньской когорте 500 клиентов, и через три месяца остаются 350, это 70 процентов. Что-то из того, что ты изменил между январём и июнем, сработало. Усреднённый показатель retention по всем клиентам скрыл бы это, потому что более крупная июньская группа перетягивает среднее на себя.
Когорты также вскрывают обратную проблему. Быстрый рост делает общий churn визуально низким просто потому, что большинство клиентов новые и никто ещё не успел уйти. Когда рост замедляется, становится виден churn, который был там всегда.
Ошибка, которую совершают основатели, это сравнение когорт разного возраста. Твоя июньская когорта существует три месяца, а январская уже восемь. Естественно, что из январской группы ушло больше клиентов. Сравнивай третий месяц с третьим, шестой с шестым, и никогда не сопоставляй цифры молодой когорты с полной историей жизни старой.
Для этого не нужна большая база клиентов. Уже при 50 клиентах в месяц видно, меняется ли retention на втором месяце. Таблицы когорт работают не только для retention, но и для выручки, частоты заказов и использования продукта.
