Когортный анализ для e-commerce: как измерять удержание и качество трафика

Почему средние метрики врут

Отчёт за месяц показывает: выручка выросла на 12%, средний чек стабилен, доля повторных покупок держится около 30%. Выглядит как здоровый рост. Через полгода тот же магазин обнаруживает, что стоимость привлечения удвоилась, а прибыль ушла в ноль, хотя ни одна из привычных метрик не подавала сигнала заранее.

Проблема в самой природе средних значений. Когда вы считаете «долю повторных покупок за июнь», в один котёл попадают клиенты, пришедшие два года назад и уже сформировавшие привычку, и клиенты, пришедшие в мае по скидочной кампании и больше не вернувшиеся. Первая группа своим хорошим поведением маскирует деградацию второй. Пока база растёт, старые лояльные клиенты по инерции вытягивают общую картину — и вы видите стабильность там, где на самом деле идёт медленное отравление базы дешёвым низкокачественным трафиком.

Когортный анализ решает ровно эту задачу. Вместо одного числа на весь магазин он разбивает клиентов на группы по моменту и обстоятельствам первого контакта, а затем следит за каждой группой отдельно во времени. Вы перестаёте спрашивать «сколько у нас повторных покупок» и начинаете спрашивать «что стало с клиентами, которых мы купили в марте через контекст». Это принципиально другой вопрос, и ответ на него оказывается управленческим решением, а не строчкой в дашборде.

Важно не путать когортный анализ с RFM-сегментацией. RFM режет текущую базу на срезы по давности, частоте и деньгам — это фотография «здесь и сейчас», удобная для рассылок. Когорты режут базу по времени и источнику появления и смотрят в динамике — это кино, удобное для решений о бюджете. Первое отвечает «кому писать завтра», второе — «куда вкладывать следующий миллион».

Что такое когорта и как её формировать

Когорта — это группа клиентов, объединённая общим событием в общий период времени. В e-commerce базовое событие почти всегда одно: первая покупка. Все, кто купил впервые в марте 2026, образуют мартовскую когорту и остаются в ней навсегда, независимо от того, что будут делать дальше.

Ключевое слово здесь — «навсегда». Клиент не переходит из когорты в когорту. Именно эта фиксация даёт возможность честно сравнивать: если июньская когорта на третий месяц жизни удерживается хуже мартовской, значит, за эти три месяца что-то изменилось в товаре, сервисе или трафике.

Для построения когорт достаточно трёх полей: идентификатор клиента, дата транзакции, сумма транзакции. Обычной выгрузки из CRM или движка магазина в таблицу хватает для первой версии — сложные BI-системы на старте не нужны.

Выбор шага когорты зависит от цикла покупки. Для товаров повседневного спроса с покупкой раз в две-три недели разумен месячный шаг. Для мебели, техники или сезонных товаров с циклом в полгода-год месячные когорты дадут почти нулевое удержание в первых периодах и создадут ложное впечатление катастрофы — здесь лучше квартальный шаг.

Отдельная ось — измерение по каналу привлечения. Кроме «мартовской когорты» вы можете построить «когорту клиентов, пришедших из контекстной рекламы в марте» и «когорту из органического поиска в марте». Дальше вы сравниваете их между собой при одинаковом возрасте, и различия говорят не о сезоне, а именно о качестве канала. Для этого нужно сохранить источник первого визита в карточке клиента — техническая мелочь, которую многие магазины упускают и потом не могут восстановить задним числом.

Третий вариант нарезки — по первому купленному товару или категории. Он отвечает на вопрос, какой товар работает входной точкой в длинные отношения, а какой привлекает разовых охотников за скидкой.

Как читать когортную таблицу удержания

Классическая когортная таблица устроена так: строки — когорты по месяцу первой покупки, столбцы — возраст когорты в месяцах, ячейки — доля клиентов когорты, совершивших покупку в этом месяце жизни. Месяц 0 всегда равен 100%, потому что это момент первой покупки.

Ниже условный пример для магазина товаров повседневного спроса (цифры иллюстративные, не бенчмарк):

Читать такую таблицу нужно в трёх направлениях, и каждое отвечает на свой вопрос.

По горизонтали — как стареет отдельная когорта. Январская падает с 28% до 14%, но обратите внимание на форму падения: основной обвал приходится на первые два месяца, дальше кривая выполаживается. Это здоровый паттерн. Он означает, что после отсева случайных покупателей остаётся ядро с устойчивой привычкой. Если кривая продолжает падать линейно и не выходит на плато, значит, у вас нет ядра вообще — есть только поток разовых покупателей.

По вертикали — сравнение когорт в одном возрасте. Смотрим столбец М1: январь 28%, февраль 27%, март 19%, апрель 18%, май 26%, июнь 27%. Мартовский и апрельский провалы видны мгновенно. И обратите внимание, что размер этих когорт вдвое больше остальных — 2 950 и 3 100 клиентов против обычных 1 200-1 600. Классическая картина: масштабная кампания или агрессивная скидка привела вдвое больше людей, но людей вдвое худшего качества. В усреднённом отчёте за март вы увидели бы рекордную выручку и не заметили бы ничего плохого.

По диагонали — эффект внешних событий. Если в один календарный месяц просели сразу все когорты независимо от возраста, причина не в качестве трафика, а в чём-то общем: перебои со складом, поломка на сайте, сезонный спад, действия конкурента.

Отдельно стоит отслеживать удержание по деньгам, а не только по головам. Ячейка может показывать долю выручки когорты в данном месяце относительно её выручки в месяце 0. Иногда людей возвращается мало, но каждый покупает дорого — и по деньгам когорта выглядит совсем иначе, чем по количеству.

Окупаемость когорт: LTV к CAC во времени

Удержание само по себе — промежуточная метрика. Финальный вопрос звучит иначе: окупили ли мы деньги, потраченные на привлечение этой когорты, и когда именно.

Для этого к таблице удержания добавляется вторая таблица — накопленная валовая прибыль на одного клиента когорты. В месяце 0 это маржа с первой покупки, дальше она накапливается за счёт повторных. Параллельно вы знаете CAC для этой когорты: рекламные расходы соответствующего периода и канала, делённые на число привлечённых клиентов.

Точка, где накопленная маржа на клиента пересекает CAC, и есть срок окупаемости привлечения. Практический ориентир для e-commerce без подписки — окупаемость в пределах примерно трёх месяцев; для DTC-подписок обычно допускают три-шесть месяцев. Когда срок выходит за полгода, возникает кассовый разрыв: вы платите за рекламу сегодня, а деньги возвращаются через два квартала, и рост требует всё больше оборотного капитала.

Второй ориентир — отношение LTV к CAC. Общепринятым здоровым уровнем для e-commerce считается 3:1 и выше; бренды с сильным удержанием выходят на 4:1, а компании, живущие преимущественно за счёт закупки трафика, часто болтаются в диапазоне 1,5-2:1, где рост выручки скрывает съедаемую маржу.

Главная ошибка здесь — считать LTV одним числом на весь магазин. Средний LTV смешивает лояльное ядро с одноразовыми покупателями и почти всегда переоценивает свежий трафик. Считайте LTV покогортно: тогда вы увидите, что при одинаковом среднем чеке когорта из органики окупается за два месяца, а когорта из скидочного агрегатора не окупается никогда.

Как сравнивать качество трафика по каналам

Здесь когортный анализ бьёт классическую атрибуцию по последнему клику. ROAS показывает, сколько денег принесла кампания в момент покупки. Он ничего не говорит о том, что будет с этими людьми через три месяца.

Схема сравнения простая: берёте когорты одного календарного месяца, разбитые по каналу первого касания, и сравниваете их в одинаковом возрасте. Если канал А на третьем месяце удерживает 35%, а канал Б — 22%, это сигнал о качестве, который ROAS не даёт в принципе. Дальше вы считаете для каждого канала свой CAC и свою кривую накопленной маржи и получаете честное сравнение по окупаемости.

Регулярно повторяющиеся выводы такого сравнения: брендовый поиск и органика дают самое высокое удержание, но плохо масштабируются; таргетированная реклама на широкую аудиторию даёт объём при среднем удержании; агрегаторы скидок и купонные площадки дают дешёвый CAC и почти нулевое удержание. Последний случай особенно опасен, потому что в отчётах по ROAS такой канал выглядит лучшим.

Отдельно проверьте по когортам эффект промоакций. Сравните удержание клиентов, чья первая покупка была со скидкой более 20%, и тех, кто купил по полной цене. Разрыв обычно значительный и показывает реальную цену привлечения скидкой — она платится не только маржой первой продажи, но и отсутствующими повторными.

Полезно связать когортный анализ с воронкой продаж: если конкретная когорта плохо удерживается, посмотрите, где именно она отваливается — на повторном визите, на добавлении в корзину или на оплате. Для когорт с приличной первой покупкой, но проваленным вторым месяцем, часто хорошо работает ретаргетинг с окном показа, привязанным к типичному циклу повторной покупки.

Практическое применение

1. Соберите базовую таблицу за 12-18 месяцев. Нужны три поля: ID клиента, дата и сумма транзакции. Дата первой покупки определяет когорту, дальше считается доля вернувшихся по месяцам. Периода меньше года недостаточно — вы не увидите ни плато удержания, ни сезонность.

2. Начните сохранять канал первого касания. Если сейчас источник привлечения не пишется в карточку клиента, восстановить его задним числом невозможно. Это первое, что нужно исправить, даже если полноценный когортный отчёт вы построите только через квартал.

3. Проверяйте вертикаль ежемесячно. Сравнивайте М1 у последних шести когорт. Падение показателя М1 в новой когорте — самый ранний сигнал о падении качества трафика, он приходит за месяцы до того, как проблема отразится на выручке.

4. Считайте срок окупаемости по каждой когорте и каналу отдельно. Стройте накопленную валовую маржу на клиента и находите точку пересечения с CAC. Каналы, не окупающиеся за приемлемый срок, — кандидаты на сокращение бюджета вне зависимости от их ROAS.

5. Разделяйте когорты по глубине скидки при первой покупке. Разрыв в удержании между «купил со скидкой» и «купил по полной цене» показывает истинную стоимость промоакций и помогает решить, стоит ли повторять кампанию.

6. Выберите шаг когорты под свой цикл покупки. Месяц — для регулярного спроса, квартал — для товаров с длинным циклом. Неверный шаг превращает нормальную картину в панику или, наоборот, в успокаивающий шум.

7. Сформулируйте одно решение по итогам каждого разбора. Когортная таблица имеет смысл, только если из неё следует действие: перераспределить бюджет, изменить welcome-цепочку, отказаться от канала. Отчёт ради отчёта здесь бесполезен так же, как и любой другой.