Когортный анализ — метод анализа эффективности бизнеса. Суть состоит в том, чтобы анализировать поведение групп людей, объединенных по какому-либо признаку во времени.
Оценка продукта происходит не по итоговой метрике, а по каждой отдельной когорте этой метрики. Когорта — группа людей, которые сделали одно и то же действие в определенный период времени.
![image](https://habrastorage.org/getpro/habr/post_images/bb9/025/8a8/bb90258a8307f11d8be86cafe2d333a8.jpg)
Пользователи разделяются на когорты, например, в момент первого посещения сайта/регистрации/установки приложения. И в дальнейшем анализ действий юзера проводится внутри каждой когорты.
3 кейса по использованию когортного анализа подготовлены с помощью сервиса t.onthe.io.
Результат email-рассылки на сайте X — конверсия отправленного письма в переходы составила 12%. Пользователи, которые зарегистрировались 3 недели назад (желтый график), переходят по ссылкам в письме в 2 раза чаще, чем пользователи, которые зарегистрировались 2 месяца назад (зеленый график).
![image](https://habrastorage.org/getpro/habr/post_images/4fd/e00/db5/4fde00db55825a5be67458302efee059.jpg)
Исходя из полученных данных можно сделать вывод, что при планировании подобной рассылки нужно ориентироваться на более новых пользователей. Поскольку те, кто зарегистрировался раньше — либо отличаются большей лояльностью к продукту (составляют ядро), либо перешли из письма случайно.
Компания X запустила рекламную кампанию в Adwords. Если проводить оценку её эффективности только по доходности пользователя в день привлечения, то результаты не будут показательными.
![image](https://habrastorage.org/getpro/habr/post_images/c91/4be/524/c914be524b3ea7c75a6053928a8d1389.jpg)
Пользователи в первый день жизни наиболее активны и приносят 30% от всей прибыли за день. На следующий день они приносят 10% прибыли, на следующий — еще 10%. Таким образом, накапливается эффект от рекламных переходов, и деньги продолжают поступать от юзеров, привлеченных какое-то время назад, в течение всего периода использования ими продукта.
![image](https://habrastorage.org/getpro/habr/post_images/82d/d76/ca2/82dd76ca2e4becbd2eaa067b42b26c42.jpg)
Общий график конверсии письма рассылки показывает стабильное количество переходов с небольшим колебанием. Если провести анализ по отдельным когортам — можно увидеть проседание на графике пользователей второй недели. Этого не было видно на общем графике, потому что в тот же день была запущена рекламная кампания из кейса 2, которая увеличила количество новых пользователей с более высокой конверсией писем, получаемых в день регистрации.
Важно заметить, что эффективность новых пользователей не изменилась, но выросла их доля в общей массе. В итоге проседания в метриках рассылки скрылись маркетинговым эффектом.
Количество переходов:
![image](https://habrastorage.org/getpro/habr/post_images/8d3/097/81c/8d309781c3c6500bad61c2e3215a89c4.jpg)
Клики в процентном соотношении:
![image](https://habrastorage.org/getpro/habr/post_images/bb8/342/a73/bb8342a73d169b33bfb56bc46e506e20.jpg)
Такой анализ позволяет быстро искать источники проседаний, отличать влияние на ключевые метрики изменений в маркетинге или продукте и оперативно исправлять ситуацию.
Оценка продукта происходит не по итоговой метрике, а по каждой отдельной когорте этой метрики. Когорта — группа людей, которые сделали одно и то же действие в определенный период времени.
![image](https://habrastorage.org/getpro/habr/post_images/bb9/025/8a8/bb90258a8307f11d8be86cafe2d333a8.jpg)
Пользователи разделяются на когорты, например, в момент первого посещения сайта/регистрации/установки приложения. И в дальнейшем анализ действий юзера проводится внутри каждой когорты.
3 кейса по использованию когортного анализа подготовлены с помощью сервиса t.onthe.io.
Кейс 1: почтовая рассылка
Результат email-рассылки на сайте X — конверсия отправленного письма в переходы составила 12%. Пользователи, которые зарегистрировались 3 недели назад (желтый график), переходят по ссылкам в письме в 2 раза чаще, чем пользователи, которые зарегистрировались 2 месяца назад (зеленый график).
![image](https://habrastorage.org/getpro/habr/post_images/4fd/e00/db5/4fde00db55825a5be67458302efee059.jpg)
Исходя из полученных данных можно сделать вывод, что при планировании подобной рассылки нужно ориентироваться на более новых пользователей. Поскольку те, кто зарегистрировался раньше — либо отличаются большей лояльностью к продукту (составляют ядро), либо перешли из письма случайно.
Кейс 2: рекламный баннер
Компания X запустила рекламную кампанию в Adwords. Если проводить оценку её эффективности только по доходности пользователя в день привлечения, то результаты не будут показательными.
![image](https://habrastorage.org/getpro/habr/post_images/c91/4be/524/c914be524b3ea7c75a6053928a8d1389.jpg)
Пользователи в первый день жизни наиболее активны и приносят 30% от всей прибыли за день. На следующий день они приносят 10% прибыли, на следующий — еще 10%. Таким образом, накапливается эффект от рекламных переходов, и деньги продолжают поступать от юзеров, привлеченных какое-то время назад, в течение всего периода использования ими продукта.
![image](https://habrastorage.org/getpro/habr/post_images/82d/d76/ca2/82dd76ca2e4becbd2eaa067b42b26c42.jpg)
Кейс 3: тренды внутри метрики
Общий график конверсии письма рассылки показывает стабильное количество переходов с небольшим колебанием. Если провести анализ по отдельным когортам — можно увидеть проседание на графике пользователей второй недели. Этого не было видно на общем графике, потому что в тот же день была запущена рекламная кампания из кейса 2, которая увеличила количество новых пользователей с более высокой конверсией писем, получаемых в день регистрации.
Важно заметить, что эффективность новых пользователей не изменилась, но выросла их доля в общей массе. В итоге проседания в метриках рассылки скрылись маркетинговым эффектом.
Количество переходов:
![image](https://habrastorage.org/getpro/habr/post_images/8d3/097/81c/8d309781c3c6500bad61c2e3215a89c4.jpg)
Клики в процентном соотношении:
![image](https://habrastorage.org/getpro/habr/post_images/bb8/342/a73/bb8342a73d169b33bfb56bc46e506e20.jpg)
Такой анализ позволяет быстро искать источники проседаний, отличать влияние на ключевые метрики изменений в маркетинге или продукте и оперативно исправлять ситуацию.
Конспект
- Когортный анализ — относительно новый метод эффективного анализа, подробнее тут.
- Наиболее популярный фактор деления на когорты — первое посещение сайта/регистрация/установка приложения.
- Когорты позволяют анализировать тренды внутри метрики и отличать продуктовые метрики от метрик роста проекта.