2026-09-27 10:00 Бизнес Стартапы

Когортный анализ: как считать когорты и находить точки роста в удержании клиентов

Большинство стартапов смотрят на удержание клиентов как на одну цифру: «в этом месяце у нас 35%». Почти бесполезно. Такое число не говорит, какой поток пользователей уходит быстрее других, где именно ломается продукт и работают ли ваши последние изменения. Когортный анализ отвечает на эти вопросы — не потому что он сложнее, а потому что он честнее.

В этой статье разберём механику от формул до управленческих решений: как собрать таблицу в Excel или Google Таблицах, как её читать за три движения глаз и что делать с тем, что вы увидите. Материал рассчитан на основателей, CEO и продакт-лидеров, которые уже собирают данные, но хотят научиться извлекать из них конкретные выводы.

Что такое когортный анализ и чем он отличается от сегментации

Когорта — это группа пользователей, объединённых одним признаком и одним временным интервалом. Например, все, кто зарегистрировался в январе 2025 года. Или все, кто пришёл через контекстную рекламу в марте. Или все, кто совершил первую покупку в течение 48 часов после регистрации.

Когортный анализ — это наблюдение за поведением такой группы во времени. Вы не смотрите на пользователей в момент среза — вы следите, что происходит с ними на второй неделе, на третьей, через три месяца. Именно эта динамика делает инструмент ценным: он показывает не состояние, а движение.

Три обязательных элемента когорты

Признак формирования — что объединяет пользователей в группу: дата регистрации, канал привлечения, выполненное действие.
Временной интервал — с какой периодичностью вы наблюдаете за группой: день, неделя, месяц. Выбор зависит от цикла использования продукта: для ежедневных приложений подходит неделя, для SaaS с месячной подпиской — месяц.
Отслеживаемая метрика — что именно вы измеряете: факт возврата в продукт, повторная покупка, активация ключевой функции, оплата следующего периода.

Когортный анализ и сегментация: в чём разница

Сегментация делит всю базу по статическому признаку прямо сейчас: «пользователи из Москвы», «пользователи с тарифом Pro». Это срез в одной точке времени — полезный инструмент, но с ограниченным горизонтом.

Вы берёте группу людей и смотрите, как меняется их поведение со временем. Сегментация скажет, кто у вас есть сейчас. Когортный анализ скажет, что происходит с людьми после того, как они к вам пришли.

Практически: если вы видите 40% активных пользователей, сегментация не объяснит, откуда они. Когортный анализ покажет, что январские пользователи удерживаются на уровне 55%, а мартовские — только 20%. Это уже информация для конкретного действия.

Сегментация — срез в момент времени. Когортный анализ — наблюдение за группой в динамике.

Три главных когортных среза

Не все когорты одинаково полезны. На практике три среза закрывают большинство управленческих вопросов — от оценки качества онбординга до сравнения эффективности каналов привлечения.

1. По времени регистрации — временны́е когорты

Самый распространённый тип. Пользователей группируют по дате первого входа или регистрации: январская когорта, февральская и так далее. Это позволяет сравнивать поколения пользователей и видеть, улучшается ли удержание после продуктовых изменений.

Если февральская когорта держится лучше январской — что-то изменилось к лучшему. Если хуже — нужно разбираться: что именно изменилось в продукте или в каналах между этими двумя месяцами.

2. По каналам привлечения

Пользователей разбивают по источнику: органический поиск, контекстная реклама, реферальная программа, прямой заход. Это отвечает на вопрос не просто о стоимости привлечения клиента (CAC, cost of customer acquisition), а о стоимости привлечения клиента, который остаётся надолго.

Частая картина: контекстная реклама даёт большой поток, но удержание у этой когорты вдвое ниже, чем у органики. Формально CAC ниже, но и пожизненная ценность клиента (LTV, Lifetime Value) — тоже ниже. Когортный анализ по каналам делает это видимым, а не скрытым за средними показателями.

3. По поведенческому событию — активационные когорты

Здесь признак формирования когорты — не время прихода, а конкретное действие: пользователь подключил интеграцию, пригласил коллегу, создал первый проект, совершил первую покупку в течение 24 часов. Такие когорты помогают найти «момент ценности» (aha-moment) — действие, после которого вероятность удержания резко растёт.

Если пользователи, выполнившие активацию в первые 48 часов, удерживаются на 60%, а остальные — на 15%, цель становится чёткой: довести как можно больше новичков до этого действия как можно быстрее.

Формулы расчёта ключевых метрик

Разберём четыре формулы, которые нужны для работы с любой когортной таблицей. Они несложные, но важно понимать, что именно каждая из них считает и где легко ошибиться.

Коэффициент удержания клиентов — Retention Rate

Показывает, какая доля пользователей когорты вернулась в продукт в заданный период.

Формула:

Retention Rate (период N) = (Пользователи когорты, активные в период N) / (Размер когорты в период 0) × 100%

Пример: В январе зарегистрировалось 200 пользователей. В феврале из них вернулись 90 человек. Retention Rate = 90 / 200 × 100% = 45%.

Коэффициент оттока клиентов — Churn Rate

Показывает, какая доля пользователей перестала быть активной за период.

Формула:

Churn Rate = 1 − Retention Rate

Или через абсолютные числа: (Пользователи, потерянные за период) / (Пользователи в начале периода) × 100%

Важный нюанс: отток считается от начального размера когорты, а не от числа активных на предыдущем шаге. Иначе цифры будут занижать реальный масштаб потерь и вводить в заблуждение.

Пожизненная ценность клиента когорты — LTV (Lifetime Value)

LTV показывает суммарную выручку, которую приносит средний пользователь когорты за всё время жизни в продукте.

Простая формула:

LTV = Средняя выручка на пользователя за период × Среднее число периодов жизни в продукте

Среднее число периодов жизни = 1 / Churn Rate (если отток стабилен)

Пример: Допустим, средняя ежемесячная выручка составляет 1 500 руб., а ежемесячный отток — 10%. Тогда среднее число месяцев жизни = 1 / 0,10 = 10, и LTV = 1 500 × 10 = 15 000 руб.

Когортный LTV: Для точности считают накопленным итогом по реальным данным: суммируют выручку от когорты за каждый период и делят на начальный размер группы. Это честнее формульного расчёта, особенно когда отток нестабилен или продукт активно меняется.

Срок окупаемости — Payback Period

Показывает, через сколько периодов накопленный LTV когорты покрывает стоимость её привлечения.

Формула:

Payback Period = CAC / Средняя выручка на пользователя за период

Пример: Если CAC составляет 3 000 руб., а средняя ежемесячная выручка — 1 500 руб., то срок окупаемости = 3 000 / 1 500 = 2 месяца.

Для венчурных компаний ориентир — не более 12 месяцев. Для B2B SaaS с длинными контрактами допустимо 18–24 месяца. Но главное: считайте срок окупаемости отдельно по каждой когорте и каждому каналу, а не в среднем по всей базе.

Пошаговый расчёт когортной таблицы в Excel или Google Таблицах

Покажем на конкретном примере. Возьмём SaaS-продукт с ежемесячными когортами и будем отслеживать, сколько пользователей возвращается каждый месяц. Весь процесс занимает около двух часов при наличии выгрузки данных.

Шаг 1. Подготовьте исходные данные

Вам нужна таблица событий: user_id, дата первого входа (или регистрации), дата каждого последующего входа. Если данные хранятся в базе — выгружайте через SQL. Если в системе аналитики — экспортируйте когортный отчёт напрямую.

Шаг 2. Определите когорту каждого пользователя

В Google Таблицах создайте столбец «Когорта» — усечённая дата первого входа до месяца. Функция: =TEXT(дата_первого_входа; "ГГГГ-ММ").

Шаг 3. Вычислите номер периода для каждого события

Период — разница в месяцах между датой события и датой когорты. Функция: =РАЗНДАТ(дата_когорты; дата_события; "M"). Период 0 — месяц регистрации, период 1 — следующий месяц и так далее.

Шаг 4. Постройте сводную таблицу

Строки — когорты (январь, февраль, март). Столбцы — периоды (0, 1, 2, 3). Значение ячейки — число уникальных пользователей из данной когорты, активных в данный период. Используйте сводную таблицу (Pivot Table) с функцией СЧЁТЕСЛИ или COUNTUNIQUE.

Шаг 5. Переведите в проценты

Разделите каждую ячейку на значение в периоде 0 той же строки. Период 0 всегда равен 100% — это точка отсчёта для всех последующих измерений.

Шаг 6. Добавьте тепловую карту удержания

В Excel или Google Таблицах: выделите диапазон с процентами → Условное форматирование → Цветовая шкала. Зелёный = высокое удержание, красный = низкое. Это и есть тепловая карта удержания (cohort heatmap) — она сразу делает аномалии видимыми без долгого изучения чисел.

Пример когортной таблицы с тепловой картой

Ниже — упрощённый пример для продукта с пятью когортами. Значения показывают долю пользователей, вернувшихся в каждый период (% от начального размера когорты). Прочерк означает, что данных ещё нет: когорта не накопила достаточно наблюдений.

Когорта	Размер	Период 0	Период 1	Период 2	Период 3	Период 4
Январь	200	100%	48%	38%	28%	22%
Февраль	180	100%	51%	41%	33%	—
Март	240	100%	29%	19%	—	—
Апрель	310	100%	31%	—	—	—
Май	290	100%	—	—	—	—

Уже из этой таблицы видно: март и апрель — аномалия. Удержание клиентов в первый месяц упало с ~50% до ~30%. Нужно выяснить, что именно изменилось в этот период: продукт, аудитория или условия привлечения.

Тепловая карта удержания: чем зеленее ячейка — тем выше доля вернувшихся пользователей когорты.

Как читать когортную таблицу: три движения глаз

Когортную таблицу читают в трёх направлениях. Каждое отвечает на свой вопрос — и вместе они дают полную картину того, что происходит с вашими пользователями.

По горизонтали — жизненный цикл одной когорты

Читайте одну строку слева направо. Вы видите, как со временем снижается удержание конкретной группы. Ищите два паттерна: резкое падение между периодом 0 и периодом 1 — это сигнал проблемы первого опыта или онбординга (процесса первичного знакомства с продуктом). И точку «плато» — момент, когда отток клиентов стабилизируется. Пользователи, дошедшие до плато, — это ваше ядро.

По вертикали — сравнение когорт в одной точке времени

Читайте один столбец сверху вниз. Вы сравниваете, как разные когорты ведут себя в одном и том же периоде жизни — например, все когорты в период 2. Если более поздние когорты удерживаются хуже — продукт или аудитория деградируют. Если лучше — ваши изменения работают.

По диагонали — события конкретного календарного месяца

Диагональ объединяет ячейки из разных когорт, но относящихся к одному и тому же календарному месяцу. Если в марте по диагонали все ячейки краснее обычного — в марте что-то пошло не так: технический сбой, изменение продукта, внешний фактор. Это ваш сигнал для расследования.

Три направления чтения когортной таблицы: горизонталь — жизненный цикл когорты, вертикаль — сравнение поколений, диагональ — события конкретного месяца.

Четыре управленческих сценария для CEO и основателя

Когортный анализ — не самоцель. Он нужен, чтобы принимать конкретные решения. Вот четыре ситуации, которые чаще всего обнаруживаются в когортных таблицах стартапов, и логика действий в каждой из них.

Сценарий 1. Резкое падение в период 1 — проблема онбординга

Что видно в таблице: Все когорты теряют 50–70% пользователей между периодом 0 и периодом 1. Плато достигается низко.

Что это значит: Пользователи приходят, не получают ценности в первый сеанс и уходят. Продукт не объясняет себя сам. Онбординг не доводит пользователя до ключевого действия.

Что делать: Найдите поведенческое событие, после которого удержание клиентов резко выше — ваш «момент ценности». Измерьте, сколько процентов новых пользователей доходят до него в первые 24–48 часов. Запустите HADI-цикл (Hypothesis — Action — Data — Insight): сформулируйте гипотезу, как довести больше людей до этого события, протестируйте за неделю, измерьте результат.

Сценарий 2. Ухудшение удержания в поздних когортах — деградация продукта

Что видно в таблице: Более поздние когорты (по вертикали) удерживаются хуже, чем ранние, при одинаковом периоде жизни.

Что это значит: После очередного обновления что-то сломалось. Или продукт перестал соответствовать ожиданиям новых пользователей. Или началось привлечение нецелевой аудитории.

Что делать: Определите, в какой когорте началось ухудшение, и восстановите хронологию изменений на этот период. Опросите пользователей из «плохих» когорт: почему ушли? Сравните поведение в продукте между хорошей и плохой когортой — ищите расхождение в паттернах использования.

Сценарий 3. Когорты из платного трафика удерживаются хуже органики — размытие аудитории

Что видно в таблице: Когорты по каналам привлечения показывают, что пользователи из контекстной рекламы или таргета уходят значительно быстрее, чем органические.

Что это значит: Рекламные кампании привлекают людей, которым продукт не нужен или не подходит. Это ведёт к высокому оттоку клиентов, низкой пожизненной ценности клиента (LTV) и увеличению срока окупаемости выше допустимого.

Что делать: Не наращивайте бюджет на каналы с низким удержанием. Пересмотрите таргетинг и посадочные страницы: они должны отсекать нецелевую аудиторию на входе. Сравните профили пользователей из органики и платного трафика — ищите различия в сегменте, должности, размере компании.

Сценарий 4. Плато удержания не растёт — структурный потолок

Что видно в таблице: Удержание клиентов стабилизируется, но на неприемлемо низком уровне — например, 8–10% к периоду 6. Все когорты показывают одинаковую картину.

Что это значит: Продукт решает задачу слишком узкого круга пользователей или решает её недостаточно хорошо. Это не проблема маркетинга — это проблема ценностного предложения или соответствия продукта рынку (product-market fit).

Что делать: Исследуйте «выживших» — тех, кто остался на плато. Что их объединяет? Какой сегмент, какой сценарий использования, какая задача? Возможно, ваш настоящий целевой клиент именно они, а не вся аудитория, которую вы пытаетесь удержать.

Ошибки и анти-паттерны в когортном анализе

Когортный анализ несложен технически, но легко испортить неверными допущениями. Вот пять ошибок, которые встречаются чаще всего.

Слишком короткий горизонт наблюдения

Если смотреть на удержание только за 2–3 периода, плато не будет видно вовсе. Для большинства SaaS-продуктов значимые выводы появляются на горизонте 6–12 месяцев. Принимать решения по первым двум периодам — всё равно что судить о фильме по первым пяти минутам.

Игнорирование сезонности

Если продукт имеет сезонный спрос, когорты, набранные в разные сезоны, несравнимы напрямую. Январская когорта может удерживаться хуже июньской просто потому, что январские пользователи пришли в «низкий сезон» и у них другой профиль использования. Это нужно учитывать при интерпретации данных, иначе можно сделать неверные выводы о качестве продукта.

Смешивание платящих и бесплатных пользователей в одной когорте

Если в одну когорту попадают и пользователи бесплатного тарифа, и платящие клиенты, метрики удержания теряют смысл. Отток с бесплатного тарифа и отток платящих — принципиально разные явления с разными причинами и разными последствиями для бизнеса. Считайте их отдельно.

Усреднение когорт разного размера

Если январская когорта — 20 человек, а февральская — 2 000, их нельзя усреднять с одинаковым весом. Маленькие когорты дают статистически ненадёжные результаты. Установите минимальный порог: как правило, не менее 100–200 пользователей в группе.

Анализ без предварительной гипотезы

Когортный анализ «просто посмотреть» редко приводит к действиям. Начинайте с вопроса: «Мы хотим проверить, что изменение X улучшило удержание клиентов в период 1». Это держит анализ в рамках и делает выводы операционными, а не описательными.

Когортный анализ в спринтах: встраиваем в регулярный трекинг

Разовый когортный анализ — это диагностика. Систематический — это управление. Вот как это работает в методологии, которую трекеры «Акселератора ФРИИ» применяют в работе со стартапами.

Когортная метрика как фокус HADI-цикла

HADI-цикл — структурированный способ проверки гипотез: Hypothesis (гипотеза) → Action (действие) → Data (данные) → Insight (выводы). Цикл занимает одну-две недели. Когортный анализ — идеальный источник данных для этапов Data и Insight.

Пример в деталях: гипотеза — «если мы добавим приветственное письмо с видеоинструкцией, удержание клиентов в период 1 вырастет с 30% до 40%». Действие — запустили письмо для новых пользователей. Данные — через неделю смотрим когорту пользователей, получивших письмо, и сравниваем с контрольной группой. Вывод — гипотеза подтвердилась или нет, переходим к следующей итерации.

Трекшн-митинг: когортные метрики в повестке

На еженедельном трекшн-митинге (встрече по отслеживанию прогресса) когортные метрики должны быть в дашборде наравне с выручкой и числом новых пользователей. Минимальный набор для обсуждения: коэффициент удержания клиентов в период 1, значение плато, коэффициент оттока клиентов по платящим пользователям.

Поиск корневого ограничения

Когортный анализ — один из инструментов поиска «узкого горлышка», то есть корневого ограничения роста. Методология «Акселератора ФРИИ» исходит из того, что в любой момент у стартапа есть одно главное ограничение, которое сдерживает рост сильнее всего остального. Если коэффициент удержания клиентов в период 1 ниже 30% — это, скорее всего, и есть ваше главное ограничение. Бессмысленно тратить деньги на привлечение, пока продукт не удерживает пришедших.

Порядок приоритетов: сначала убедитесь, что продукт удерживает пользователей, потом оптимизируйте конверсию в активацию, потом масштабируйте привлечение. Обратный порядок — типичная ошибка стартапов на ранних стадиях.

Когортный анализ и поиск product-market fit

Один из признаков product-market fit (соответствия продукта рынку) — стабильное плато удержания. Если коэффициент удержания перестаёт падать и держится на уровне 20–40% (в зависимости от типа продукта), это сигнал, что часть рынка нашла в вашем продукте реальную ценность. Для B2B SaaS хорошим ориентиром считается удержание на уровне 80%+ в год по платящим клиентам.

the agent linked to an image that was never generated HADI-цикл с когортным анализом: гипотеза формулируется через метрику удержания, данные берутся из когортной таблицы.

С чего начать когортный анализ в своём продукте: чеклист

Определите метрику «активности» — что значит «пользователь вернулся»: вход в приложение, транзакция, использование ключевой функции.
Убедитесь, что у вас есть данные: user_id + дата первого события + даты последующих событий.
Выберите временной интервал когорты: неделя или месяц — зависит от частоты использования продукта.
Постройте первую когортную таблицу по времени регистрации.
Добавьте тепловую карту удержания — она сразу покажет аномалии.
Прочитайте таблицу в трёх направлениях: горизонталь, вертикаль, диагональ.
Сформулируйте одну конкретную гипотезу на основе того, что увидели.
Запустите HADI-цикл и проверьте гипотезу на следующей когорте.

Если на каком-то из этих шагов становится понятно, что данных нет, метрики не сходятся или неясно, какое ограничение главное — это хорошее время для разговора с трекером. В «Акселреторе ФРИИ» работают с командами именно в таких точках: когда данные есть, но непонятно, что с ними делать, или когда продукт растёт, но не так, как хотелось бы. Узнайте о форматах работы с «Акселераторром ФРИИ» — от разовых диагностических сессий до полноценного акселератора.