Я сильно переписал эту статью. В первой версии несколько разных событий были связаны слишком прямолинейно, а возможности когортного анализа преувеличены. Сейчас у меня к этому опыту гораздо больше вопросов и меньше категоричных ответов.
Несколько лет назад я был совладельцем Smarty kids, франшизы детских развивающих центров. Мы привлекали будущих партнёров через интернет, обрабатывали тысячи заявок и тратили на рекламу больше миллиона рублей.
В какой-то момент на встрече прозвучала простая мысль: зарабатываем мало, значит, надо поднять цену.
Причём не на 10–15%, чтобы посмотреть на реакцию рынка. Цену решили увеличить сразу вдвое. За один день.
В таблице всё выглядело красиво: если сохранить прежнее количество продаж, выручка тоже вырастет в два раза. Реальность оказалась другой. После изменения цены выручка снизилась примерно с шести до трёх миллионов рублей, а расходы остались рассчитаны на прежний объём.
Отдел продаж к такому изменению не подготовили. Менеджеры сами не верили в новую цену и не понимали, как её объяснять. Это чувствовалось в разговорах с клиентами.
Можем ли мы доказать, что выручка упала исключительно из-за цены? Нет. Мы изменили её сразу для всех, не провели тест и не оставили контрольную группу. На результат могли влиять сезонность, реклама, качество новых заявок и работа конкретных менеджеров.
Но управленческую ошибку мы увидели совершенно точно: серьёзное решение приняли на ощущениях, а проверить его толком не могли.
Конверсия 3,3%, которой на самом деле не было
В то время продажи мы считали довольно грубо. Допустим, за август получили 3000 заявок и 100 оплат. Делим одно на другое и получаем конверсию 3,3%.
Я долго считал, что это нормальная арифметика. Потом выяснилось, что в числителе и знаменателе находятся разные люди.
Часть августовских оплат пришла от клиентов, оставивших заявку в июне или июле. Одновременно многие августовские заявки ещё находились в работе и могли превратиться в продажи в сентябре или октябре.
Полученные 3,3% не описывали ни августовскую рекламу, ни августовские продажи. Мы просто разделили два числа за один календарный месяц.
Для короткой розничной покупки такая погрешность иногда несущественна. Во франчайзинге решение принимается дольше: человек изучает предложение, разговаривает с менеджером, считает экономику, обсуждает покупку с семьёй или партнёром. Между первой заявкой и оплатой могут пройти недели.
Поэтому мы начали смотреть на когорты — группы лидов, пришедших в один период. Например, брали все заявки августа и следили, сколько из них дошло до продажи через неделю, месяц, два или три.
Так появилась возможность сравнивать между собой сопоставимые группы. Августовскую когорту через 30 дней следовало сравнивать с июльской когортой на её тридцатый день, а не с окончательным результатом продаж за июль.
Звучит очевидно. На практике в растущей компании этот принцип легко потерять за общими месячными показателями.
Сначала была таблица с многоэтажными формулами
На самом старте я ежедневно записывал в Excel количество заявок и их источники. Позже мы перешли в amoCRM и начали забирать данные оттуда.
Затем мой заместитель сделал в Google Таблицах ручной когортный отчёт. Там были десятки вкладок, сложные формулы и связи, в которых уверенно ориентировался в основном он сам.
Сейчас я не стал бы говорить, что когортный анализ невозможно сделать в таблице. Возможно. Более того, начать с таблицы часто полезно: пока руками собираешь первый отчёт, обнаруживаешь ошибки в собственных определениях.
Что считать лидом? Как фиксировать источник? В какой момент считать сделку состоявшейся? Что делать с повторной заявкой того же человека? К какой когорте относить клиента, который вернулся через полгода?
Автоматизация не отвечает на эти вопросы.
Проблема нашей таблицы заключалась в другом. При тысячах заявок и нескольких источниках её постоянно приходилось обслуживать. Формулы усложнялись, данные догружались, периоды пересчитывались. Получить цифру было мало — нужно было ещё убедиться, что она не сломалась после очередного изменения.
Тем не менее именно эта таблица дала нам первый внятный способ посмотреть на продажи во времени.
Много лидов оказалось плохим признаком
Мы использовали около восьми источников: контекстную и таргетированную рекламу, каталоги франшиз, рассылки, несколько социальных сетей. Если оценивать каналы по количеству заявок и их цене, часть рекламы выглядела вполне прилично.
После разбивки по когортам картина изменилась.
Один источник мог приносить много дешёвых лидов, которые почти не доходили до покупки. Другой давал меньше заявок, зато среди них было больше будущих партнёров. Разница проявлялась не сразу: некоторым когортам требовалось время, чтобы пройти весь цикл сделки.
Дешёвый лид сам по себе ничего нам не давал. Его ещё должен был обработать колл-центр, затем менеджер по продажам. Если источник приводил сотни людей без подходящего бюджета или реального намерения купить франшизу, компания платила дважды: сначала рекламной площадке, потом сотрудникам за обработку.
Мы начали смотреть по каждому источнику хотя бы четыре вещи:
сколько получили заявок;
сколько из них прошли первичную квалификацию;
какая доля дошла до оплаты после сопоставимого периода;
какую выручку принесла когорта.
В разные периоды лучше работали разные источники. Какое-то время сильный результат давала реклама в одной социальной сети, затем менялась эффективность поисковой рекламы. Некоторые каналы мы отключили полностью, на других оставили только отдельные кампании.
Поэтому вывод «канал работает» имеет срок годности. Аудитория выгорает, удачный креатив перестаёт привлекать внимание, площадка меняет алгоритмы, конкуренты поднимают ставки. Результат прошлых трёх месяцев нельзя навсегда записать в свойства рекламной системы.
Когорты помогали увидеть изменение. Решение всё равно принимал человек: проверить объявления, изменить предложение, дать кампании ещё время или остановить её.
Почему нельзя оценивать свежую кампанию по окончательной конверсии
У когортного отчёта есть неприятная особенность: он заставляет ждать.
Если средний цикл сделки составляет полтора месяца, нельзя через неделю честно сравнить новую кампанию со старой, по которой продажи уже успели «дотечь». Новая когорта всегда будет выглядеть хуже просто из-за возраста.
Мы начали смотреть, как разные группы лидов вели себя на одинаковых этапах. Сколько дошло до следующего шага за первые семь дней? Сколько — за 30? Что происходило через 60 дней?
Это не давало мгновенного ответа, зато защищало от слишком ранних выводов. Можно было заметить, что свежая когорта хуже проходит первые этапы, ещё до появления окончательной статистики по продажам.
В обратную сторону это тоже работает. Кампания способна показать много заявок в первую неделю и провалиться дальше. Если маркетолог отчитывается количеством лидов, а отдел продаж — оплатами текущего месяца, каждый может принести на встречу убедительные цифры. Только относиться они будут к разным людям.
Что изменилось в работе отдела продаж
Разбивка по источникам и когортам дала материал для разговора с продажами.
Если лиды из определённой кампании медленнее двигались по воронке, мы могли открыть сделки и посмотреть, где они останавливаются. Иногда источник действительно приводил слабую аудиторию. Иногда реклама обещала одно, а менеджер начинал разговор совсем с другого. Встречались и ситуации, когда кампанию обвиняли зря: заявки были нормальными, но их поздно брали в работу.
Одного коэффициента конверсии для такого разбора недостаточно. Он показывает, что группы отличаются, но не объясняет причину. После этого всё равно приходится слушать звонки, читать переписку и обсуждать ситуацию с командой.
Именно здесь аналитика оказалась для меня полезнее всего. Она не выдавала готовое решение. Она помогала выбрать место, в которое стоит посмотреть руками.
Стало ли проще прогнозировать деньги
Когда известны возраст лидов и обычный цикл сделки, ожидаемые поступления можно оценивать точнее. Видно, сколько заявок находится на разных этапах и какая доля похожих когорт раньше доходила до оплаты.
Но фраза «когортный анализ предотвращает кассовые разрывы» была бы слишком сильной.
Он улучшает прогноз продаж. Для управления деньгами этого мало: нужны сроки платежей, постоянные расходы, налоги, зарплаты и запас денег на случай отклонения от прогноза. Даже хорошая модель не гарантирует, что конкретный клиент заплатит в ожидаемый день.
У нас имелась ещё и выраженная сезонность. На рынке франшиз активный период начинался в августе, пик приходился примерно на октябрь, после декабря наступал спад, а весной спрос оживал. Сравнивать соседние месяцы без учёта этого ритма было опасно.
Когортная история помогала увидеть, как заявки разных сезонов превращались в деньги. Финансовый план всё равно приходилось строить с запасом.
Кому такой анализ действительно пригодится
Если в компании пять-десять сделок в месяц и собственник помнит каждую заявку, начинать с отдельной аналитической системы необязательно. Иногда достаточно аккуратной CRM и регулярного просмотра сделок.
Польза когорт заметнее, когда одновременно выполняются несколько условий: заявок много, цикл сделки занимает недели или месяцы, реклама идёт из разных источников, а результат сильно зависит от сезона.
Первый рабочий отчёт можно собрать без сложного BI. Нужны дата появления лида, его источник, текущий статус, дата оплаты и сумма. Затем заявки группируются по неделям или месяцам поступления, а результаты сравниваются на одинаковом возрасте.
Сложная система понадобится позже — когда ручная подготовка начнёт занимать слишком много времени, появится несколько воронок или руководителям потребуется регулярно разбирать данные без участия автора таблицы.
Сейчас, работая со Smart Easy BI, я вижу похожую ошибку в других компаниях: автоматизировать пытаются уже готовый отчёт, хотя сначала стоило проверить сам способ расчёта. Если августовские продажи делят на августовские лиды при длинном цикле сделки, красивый дашборд лишь быстрее покажет неправильную конверсию.
После истории с удвоением цены мы не стали принимать только безошибочные решения. Такого результата аналитика вообще не даёт. Зато мы перестали обсуждать маркетинг исключительно количеством заявок за месяц.
Для меня это и осталось главным уроком той истории. Сначала нужно договориться, каких людей и за какой период мы сравниваем. И только потом решать, где реклама действительно не работает, а где мы просто неправильно посчитали.
