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 икогорты
Когорта группа пользователей, объединённая общими признаками ивременным интервалом. Например, пользователи, которые зарегистрировались всервисе наодной итойже неделе. Они совершили одно итоже действие водин интервал. Именно распределение повремени отличает когорты отсегментов.
Когортный анализ один изсамых популярных анализов вмаркетинговой ипродуктовой аналитике. Онпоказывает изменение ключевых показателей вовремени вразрезе каждой когорты. Так появляется возможность, взависимости оттого, когда пользователь совершил действие, отследить достижение конкретных целей: конверсии, ROI, CAC, LTV, Retention Rate иразобраться впредпосылках. Например, вывидите, что пользователи четвёртой недели конвертируются лучше, чем пользователи первой. Ивызнаете, что натретьей неделе вывнедрили онбординг. Значит, онбординг помогает лучше конвертировать пользователей.
Основные параметры
Для построения когортного анализа необходимо определить:
- Признак формирования когорты событие, покоторому создаются группы (дата первого посещения/первой покупки/регистрации/открытия письма итак далее).
- Размер когорты диапазон времени для формирования когорты (день/неделя/месяц).
- Временной интервал скакого момента необходимо отслеживать поведение когорт (запредыдущий год/два/три итак далее).
- Ключевой показатель конкретную метрику, которая интересна для данного бизнеса (посетители сайта, покупатели, транзакции, доход итак далее).
Невсегда стоит делать выводы поабсолютным значениям, вбольшинстве 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 понескольким признакам. Например, объединить подписчиков подате подписки нарассылку исовершении первой покупки вэтомже месяце. Аещё можно дополнительно сегментировать когорты подругим интересующим характеристикам (источник трафика/пол/возраст/страна идругое).
Когортный анализ вemail-маркетинге
Многие компании используют обобщённую статистику при оценке email-маркетинга: показатели открываемости, кликабельности, отписки закаждый месяц или заотдельное письмо. Нотакая оценка неспособна дать ответ навопрос, кто икак взаимодействует срассылками. Один извариантов сегментировать пользователей. Хорошо, нонедостаточно, так как водин сегмент могут попасть как новые, так истарые подписчики, которые ведут себя по-разному, иожидания отбренда уних отличаются. Чтобы получить более детальную информацию, необходимо использовать когортный анализ.
Сего помощью можно:
- отследить динамику взаимодействия пользователей, которые подписались вразное время;
- определить самые активные когорты;
- проверить гипотезы накогортах;
- построить более персонализированные коммуникации;
- определить время жизни подписчиков;
- вовремя запустить реактивацию.
Если добавить дополнительную сегментацию вкогортный анализ, информация будет более детальной, ивысможете получить намного больше полезных инсайтов.
Напримере расскажу, как использовать базовый способ построения когортного анализа без дополнительной сегментации. Этого достаточно, чтобы понять принцип построения.
Пример построения базового когортного анализа
Постановка задачи
Вданном примере цель когортного анализа отследить взаимодействие подписчиков срассылками наоснове Click Rate (количества кликов).
Определение параметров
Анализ будет построен наследующих показателях.
- Признак формирования когорты дата подписки.
- Размер когорты месяц.
- Временной интервал сянваря 2018 поноябрь 2019.
- Ключевой показатель CR.
Отзначений параметров будут зависеть дальнейшие шаги работы.
Исходные данные
ВТаблицу 1собираем информацию оподписчиках:
- IDподписчика (вкачествеID может выступать email);
- дата подписки.
ВТаблице 2 информация овзаимодействиях (одна строка одно действие):
- IDподписчика;
- дата совершения действия;
- рассылка, вкоторой совершено действие.
Висходной таблице уже выведено уникальное количество кликов. Если ваши исходные данные содержат неуникальные значения, перед началом работы удалите строки-дубликаты изнабора. Они образуются, если человек, например, кликнул два раза поодной ссылке, атак как некоторые платформы отдают все данные, какие уних есть, втаблице окажутся две одинаковые строки разница будет только вовремени 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 ввиде матрицы, где строки это когорты, столбцы месяцы, значения ключевой показатель (CR).
Например, упользователей, которые зарегистрировались вфеврале 2018 процентCR втотже месяц был 2,11%, авот вмарте 2018 они кликали намного активнее 14,20%.
Что полезного можно извлечь изэтой матрицы?
- Когорты Январь 2018, Март 2018 иАпрель 2019 оказались очень
неактивными. Если посмотреть наколичество подписчиков вданных
когортах, картина становится более ясной.
Вянваре имарте 2018 было огромное количество подписок.
Вероятно, проводились очень успешные кампании, которые собрали
такую базу. Если смотреть наобщие ежемесячные показатели,
товыглядит вполне убеждающе кампании сработали иподняли
CR.
Когортный анализ показывает, как выглядит ситуация насамом
деле. CRувеличился засчёт когорты февраля 2018. Абольшинство
подписчиков, зарегистрировавшихся вянваре имарте 2018, неявляются
целевой аудиторией итолько загрязняют базу.Когорта Апреля 2019
неявляется сильно выпадающей изобщей картины. Чтобы определить
причину таких невысоких показателей, надо иметь больше данных:
откуда пришли эти клиенты, небылоли каких-нибудь тестирований,
неизменяласьли рекламная стратегия итак далее. - Подписчики 2019 года впервые месяцы более активны, чем подписчики 2018года.
- Воктябре 2018 годаCR был слишком мал. Даже текогорты, которые
доэтого месяца ивследующие месяцы показали себя довольно лояльными,
воктябре 2018 плохо взаимодействовали срассылками.
Причины могут быть разные. Может, компания решила сменить подход кконтенту (увидели, что сделали только хуже, ивернулись кпрошлому варианту). Авозможно, ссылки оказались некликабельными. Если устанавливать размер когорты вдень или неделю, томожно оперативно отслеживать работоспособность нетолько врассылках.
Есть ещё один вариант представления когортного анализа ввиде матрицы, где значения встолбцах это номер месяца, следующий замесяцем подписки.
При таком представлении удобно сравнивать когорты поихвзаимодействию иопределять время жизни подписчика.
Применение вдругих 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 вSaaS-бизнесе;
- анализа эффективности мобильных приложений;
- определения LTV.
Инструменты построения
Самые простые
Для построения когортного анализа можно использовать Excel, Google Sheets иимподобные. Доступность этих инструментов основное преимущество. Среди недостатков можно выделить ограниченность вразмере исходных данных, невозможность оперативного пересчёта при изменении параметров, отсутствие автообновления идругие.
Инструменты сподходящим функционалом
Некоторые рекламные ианалитические сервисы имеют встроенный функционал построения когортного анализа. Преимущество такого способа заключается втом, что пользователю необходимо лишь выбрать параметры, иотчёт покогортному анализу будет оперативно построен.
Кнедостаткам такого подхода можно отнести:
- ограниченный платформой набор параметров;
- необходимость использовать эту систему идля сбора данных, азначит, для отслеживания аналитики идля рекламы.
Ктаким системам относятся:
- Google Analytics
- Яндекс.Метрика (AppMetrica)
- Adjust
- Roistat
- Kissmetrics
- идругие
Универсальные инструменты
Наиболее универсальными инструментами построения когортного анализа выступают платформы для бизнес-анализа, например, Power BI. Сихпомощью можно:
- получить данные для анализа слюбого сервиса
- выбрать параметры, которые вас интересуют
- настроить автообновление.
