Чем лучше вы понимаете своих клиентов, тем более эффективные маркетинговые стратегии используете. Чтобы узнать, кто находится в базе контактов, часто применяют сегментацию: по полу, возрасту, купленным товарам. И это хорошо.
Важно только не забывать, что, если пол — единственное, что объединяет людей в сегменте, то это очень разные люди, поскольку сегментация по одному признаку не учитывает разные стадии взаимодействия с компанией. Например, новый клиент — это не то же самое, что клиент лояльный, какого бы пола он ни был.
Чтобы оценить поведение клиента на всём его пути взаимодействия с компанией, применяют когортный анализ, который в результате поможет:
Когорта — группа пользователей, объединённая общими признаками и временным интервалом. Например, пользователи, которые зарегистрировались в сервисе на одной и той же неделе. Они совершили одно и то же действие в один интервал. Именно распределение по времени отличает когорты от сегментов.
Когортный анализ — один из самых популярных анализов в маркетинговой и продуктовой аналитике. Он показывает изменение ключевых показателей во времени в разрезе каждой когорты. Так появляется возможность, в зависимости от того, когда пользователь совершил действие, отследить достижение конкретных целей: конверсии, ROI, CAC, LTV, Retention Rate — и разобраться в предпосылках. Например, вы видите, что пользователи четвёртой недели конвертируются лучше, чем пользователи первой. И вы знаете, что на третьей неделе вы внедрили онбординг. Значит, онбординг помогает лучше конвертировать пользователей.
Для построения когортного анализа необходимо определить:
Не всегда стоит делать выводы по абсолютным значениям, в большинстве случаев используются относительные показатели. Например, рассчитывать коэффициент удержания клиентов намного правильнее, чем брать для анализа абсолютное количество клиентов.
Все параметры выбираются исходя из потребностей и особенностей бизнеса. От выбора ключевого показателя зависит признак формирования и размер когорт.
Для проведения более детального когортного анализа можно создавать когорты по нескольким признакам. Например, объединить подписчиков по дате подписки на рассылку и совершении первой покупки в этом же месяце. А ещё можно дополнительно сегментировать когорты по другим интересующим характеристикам (источник трафика/пол/возраст/страна и другое).
Многие компании используют обобщённую статистику при оценке email-маркетинга: показатели открываемости, кликабельности, отписки за каждый месяц или за отдельное письмо. Но такая оценка не способна дать ответ на вопрос, кто и как взаимодействует с рассылками. Один из вариантов — сегментировать пользователей. Хорошо, но недостаточно, так как в один сегмент могут попасть как «новые», так и «старые» подписчики, которые ведут себя по-разному, и ожидания от бренда у них отличаются. Чтобы получить более детальную информацию, необходимо использовать когортный анализ.
С его помощью можно:
Если добавить дополнительную сегментацию в когортный анализ, информация будет более детальной, и вы сможете получить намного больше полезных инсайтов.
На примере расскажу, как использовать базовый способ построения когортного анализа без дополнительной сегментации. Этого достаточно, чтобы понять принцип построения.
В данном примере цель когортного анализа — отследить взаимодействие подписчиков с рассылками на основе Click Rate (количества кликов).
Анализ будет построен на следующих показателях.
От значений параметров будут зависеть дальнейшие шаги работы.
В Таблицу 1 собираем информацию о подписчиках:
В Таблице 2 — информация о взаимодействиях (одна строка — одно действие):
В исходной таблице уже выведено уникальное количество кликов. Если ваши исходные данные содержат неуникальные значения, перед началом работы удалите строки-дубликаты из набора. Они образуются, если человек, например, кликнул два раза по одной ссылке, а так как некоторые платформы отдают все данные, какие у них есть, в таблице окажутся две одинаковые строки — разница будет только во времени этих событий.
Полученные результаты представляются в виде матрицы, где строки — это когорты, столбцы — месяцы, значения — ключевой показатель (CR).
Например, у пользователей, которые зарегистрировались в феврале 2018 процент CR в тот же месяц был 2,11%, а вот в марте 2018 они кликали намного активнее — 14,20%.
Что полезного можно извлечь из этой матрицы?
Когортный анализ — универсальный метод, который позволяет проанализировать различную информацию. Наиболее часто когортный анализ применяют для:
Для построения когортного анализа можно использовать Excel, Google Sheets и им подобные. Доступность этих инструментов — основное преимущество. Среди недостатков можно выделить ограниченность в размере исходных данных, невозможность оперативного пересчёта при изменении параметров, отсутствие автообновления и другие.
Некоторые рекламные и аналитические сервисы имеют встроенный функционал построения когортного анализа. Преимущество такого способа заключается в том, что пользователю необходимо лишь выбрать параметры, и отчёт по когортному анализу будет оперативно построен.
К недостаткам такого подхода можно отнести:
К таким системам относятся:
Наиболее универсальными инструментами построения когортного анализа выступают платформы для бизнес-анализа, например, Power BI. С их помощью можно:
Важно только не забывать, что, если пол — единственное, что объединяет людей в сегменте, то это очень разные люди, поскольку сегментация по одному признаку не учитывает разные стадии взаимодействия с компанией. Например, новый клиент — это не то же самое, что клиент лояльный, какого бы пола он ни был.
Чтобы оценить поведение клиента на всём его пути взаимодействия с компанией, применяют когортный анализ, который в результате поможет:
- персонализировать коммуникации;
- предотвратить отток клиентов;
- оптимизировать рекламные затраты.
Что такое когортный анализ и когорты
Когорта — группа пользователей, объединённая общими признаками и временным интервалом. Например, пользователи, которые зарегистрировались в сервисе на одной и той же неделе. Они совершили одно и то же действие в один интервал. Именно распределение по времени отличает когорты от сегментов.
Когортный анализ — один из самых популярных анализов в маркетинговой и продуктовой аналитике. Он показывает изменение ключевых показателей во времени в разрезе каждой когорты. Так появляется возможность, в зависимости от того, когда пользователь совершил действие, отследить достижение конкретных целей: конверсии, ROI, CAC, LTV, Retention Rate — и разобраться в предпосылках. Например, вы видите, что пользователи четвёртой недели конвертируются лучше, чем пользователи первой. И вы знаете, что на третьей неделе вы внедрили онбординг. Значит, онбординг помогает лучше конвертировать пользователей.
Основные параметры
Для построения когортного анализа необходимо определить:
- Признак формирования когорты — событие, по которому создаются группы (дата первого посещения/первой покупки/регистрации/открытия письма и так далее).
- Размер когорты — диапазон времени для формирования когорты (день/неделя/месяц).
- Временной интервал — с какого момента необходимо отслеживать поведение когорт (за предыдущий год/два/три и так далее).
- Ключевой показатель — конкретную метрику, которая интересна для данного бизнеса (посетители сайта, покупатели, транзакции, доход и так далее).
Не всегда стоит делать выводы по абсолютным значениям, в большинстве случаев используются относительные показатели. Например, рассчитывать коэффициент удержания клиентов намного правильнее, чем брать для анализа абсолютное количество клиентов.
Все параметры выбираются исходя из потребностей и особенностей бизнеса. От выбора ключевого показателя зависит признак формирования и размер когорт.
Для проведения более детального когортного анализа можно создавать когорты по нескольким признакам. Например, объединить подписчиков по дате подписки на рассылку и совершении первой покупки в этом же месяце. А ещё можно дополнительно сегментировать когорты по другим интересующим характеристикам (источник трафика/пол/возраст/страна и другое).
Когортный анализ в email-маркетинге
Многие компании используют обобщённую статистику при оценке email-маркетинга: показатели открываемости, кликабельности, отписки за каждый месяц или за отдельное письмо. Но такая оценка не способна дать ответ на вопрос, кто и как взаимодействует с рассылками. Один из вариантов — сегментировать пользователей. Хорошо, но недостаточно, так как в один сегмент могут попасть как «новые», так и «старые» подписчики, которые ведут себя по-разному, и ожидания от бренда у них отличаются. Чтобы получить более детальную информацию, необходимо использовать когортный анализ.
С его помощью можно:
- отследить динамику взаимодействия пользователей, которые подписались в разное время;
- определить самые активные когорты;
- проверить гипотезы на когортах;
- построить более персонализированные коммуникации;
- определить время жизни подписчиков;
- вовремя запустить реактивацию.
Если добавить дополнительную сегментацию в когортный анализ, информация будет более детальной, и вы сможете получить намного больше полезных инсайтов.
На примере расскажу, как использовать базовый способ построения когортного анализа без дополнительной сегментации. Этого достаточно, чтобы понять принцип построения.
Пример построения базового когортного анализа
Постановка задачи
В данном примере цель когортного анализа — отследить взаимодействие подписчиков с рассылками на основе Click Rate (количества кликов).
Определение параметров
Анализ будет построен на следующих показателях.
- Признак формирования когорты — дата подписки.
- Размер когорты — месяц.
- Временной интервал — с января 2018 по ноябрь 2019.
- Ключевой показатель — CR.
От значений параметров будут зависеть дальнейшие шаги работы.
Исходные данные
В Таблицу 1 собираем информацию о подписчиках:
- ID подписчика (в качестве ID может выступать email);
- дата подписки.
В Таблице 2 — информация о взаимодействиях (одна строка — одно действие):
- ID подписчика;
- дата совершения действия;
- рассылка, в которой совершено действие.
В исходной таблице уже выведено уникальное количество кликов. Если ваши исходные данные содержат неуникальные значения, перед началом работы удалите строки-дубликаты из набора. Они образуются, если человек, например, кликнул два раза по одной ссылке, а так как некоторые платформы отдают все данные, какие у них есть, в таблице окажутся две одинаковые строки — разница будет только во времени этих событий.
Алгоритм работы
- Группируем пользователей по дате подписки, учитывая размер когорты. Получаем количество подписчиков в каждой когорте.
- Объединяем таблицу 2 с таблицей 1, используя в качестве ключа общее поле — ID подписчика.
- Группируем полученную из пункта 2 таблицу по полям «дата совершения действия» и «дата подписки» и подсчитываем для такой пары общее количество кликов.
- Рассчитываем для каждой пары значение ключевого показателя.
Анализ результатов
Полученные результаты представляются в виде матрицы, где строки — это когорты, столбцы — месяцы, значения — ключевой показатель (CR).
Например, у пользователей, которые зарегистрировались в феврале 2018 процент CR в тот же месяц был 2,11%, а вот в марте 2018 они кликали намного активнее — 14,20%.
Что полезного можно извлечь из этой матрицы?
- Когорты «Январь 2018», «Март 2018» и «Апрель 2019» оказались очень неактивными. Если посмотреть на количество подписчиков в данных когортах, картина становится более ясной.
В январе и марте 2018 было огромное количество подписок. Вероятно, проводились «очень успешные» кампании, которые собрали такую базу. Если смотреть на общие ежемесячные показатели, то выглядит вполне убеждающе — кампании сработали и подняли CR.
Когортный анализ показывает, как выглядит ситуация на самом деле. CR увеличился за счёт когорты февраля 2018. А большинство подписчиков, зарегистрировавшихся в январе и марте 2018, не являются целевой аудиторией и только загрязняют базу.Когорта «Апреля 2019» не является сильно выпадающей из общей картины. Чтобы определить причину таких невысоких показателей, надо иметь больше данных: откуда пришли эти клиенты, не было ли каких-нибудь тестирований, не изменялась ли рекламная стратегия и так далее. - Подписчики 2019 года в первые месяцы более активны, чем подписчики 2018 года.
- В октябре 2018 года CR был слишком мал. Даже те когорты, которые до этого месяца и в следующие месяцы показали себя довольно лояльными, в октябре 2018 плохо взаимодействовали с рассылками.
Причины могут быть разные. Может, компания решила сменить подход к контенту (увидели, что сделали только хуже, и вернулись к прошлому варианту). А возможно, ссылки оказались некликабельными. Если устанавливать размер когорты в день или неделю, то можно оперативно отслеживать работоспособность не только в рассылках.
Есть ещё один вариант представления когортного анализа в виде матрицы, где значения в столбцах — это номер месяца, следующий за месяцем подписки.
При таком представлении удобно сравнивать когорты по их взаимодействию и определять время жизни подписчика.
В январе и марте 2018 было огромное количество подписок. Вероятно, проводились «очень успешные» кампании, которые собрали такую базу. Если смотреть на общие ежемесячные показатели, то выглядит вполне убеждающе — кампании сработали и подняли CR.
Когортный анализ показывает, как выглядит ситуация на самом деле. CR увеличился за счёт когорты февраля 2018. А большинство подписчиков, зарегистрировавшихся в январе и марте 2018, не являются целевой аудиторией и только загрязняют базу.Когорта «Апреля 2019» не является сильно выпадающей из общей картины. Чтобы определить причину таких невысоких показателей, надо иметь больше данных: откуда пришли эти клиенты, не было ли каких-нибудь тестирований, не изменялась ли рекламная стратегия и так далее.
Применение в других сферах
Когортный анализ — универсальный метод, который позволяет проанализировать различную информацию. Наиболее часто когортный анализ применяют для:
- оценки эффективности рекламных каналов;
- оценки результатов A/B-тестирования;
- формирования портрета идеального клиента;
- оптимизации цикла продаж в SaaS-бизнесе;
- анализа эффективности мобильных приложений;
- определения LTV.
Инструменты построения
Самые простые
Для построения когортного анализа можно использовать Excel, Google Sheets и им подобные. Доступность этих инструментов — основное преимущество. Среди недостатков можно выделить ограниченность в размере исходных данных, невозможность оперативного пересчёта при изменении параметров, отсутствие автообновления и другие.
Инструменты с подходящим функционалом
Некоторые рекламные и аналитические сервисы имеют встроенный функционал построения когортного анализа. Преимущество такого способа заключается в том, что пользователю необходимо лишь выбрать параметры, и отчёт по когортному анализу будет оперативно построен.
К недостаткам такого подхода можно отнести:
- ограниченный платформой набор параметров;
- необходимость использовать эту систему и для сбора данных, а значит, для отслеживания аналитики и для рекламы.
К таким системам относятся:
- Google Analytics
- Яндекс.Метрика (AppMetrica)
- Adjust
- Roistat
- Kissmetrics
- и другие
Универсальные инструменты
Наиболее универсальными инструментами построения когортного анализа выступают платформы для бизнес-анализа, например, Power BI. С их помощью можно:
- получить данные для анализа с любого сервиса
- выбрать параметры, которые вас интересуют
- настроить автообновление.
