Когортный анализ покупателей интернет-магазина

Магазин отчитывается ростом: выручка за квартал выше, заказов больше, средний чек подрос. А через полгода выясняется, что прибыль стоит на месте, реклама съедает всё, что приносят новые клиенты, а старые тихо перестали возвращаться. Сводные цифры этого не показывают — они складывают в один котёл и тех, кто пришёл вчера, и тех, кто покупает третий год. Чтобы увидеть, что на самом деле происходит с базой клиентов, нужен другой инструмент — когортный анализ.

Ниже — практический разбор того, как смотреть на покупателей интернет-магазина группами по времени прихода: как строить матрицу удержания, считать LTV когорт, отличать реальный рост от инфляции новых клиентов и измерять, помогло ли изменение на сайте. Это выжимка из наших проектов по аналитике и внедрению Битрикс24 и сквозной аналитики для интернет-магазинов — с опорой на данные, которые уже лежат в вашем 1С-Битрикс.

Что такое когортный анализ и зачем он магазину

Когорта — это группа людей, у которых совпало какое-то стартовое событие. В маркетинге интернет-магазина таким событием чаще всего служит первая покупка: все клиенты, оформившие первый заказ в марте, образуют «мартовскую когорту». Когортный анализ — это наблюдение за тем, как каждая такая группа ведёт себя дальше во времени: возвращается ли, сколько тратит на второй и третий раз, когда перестаёт покупать.

Ключевая идея проста, но меняет оптику целиком. Обычная аналитика отвечает на вопрос «сколько мы заработали за период». Когортная — на вопрос «как ведут себя клиенты, пришедшие в конкретный период, по мере взросления». Первый вопрос про деньги в кассе, второй — про здоровье клиентской базы. И именно второе определяет, будет ли бизнес расти устойчиво или свалится в бесконечную гонку за новыми покупателями, которая рано или поздно упирается в потолок рекламного бюджета.

Для интернет-магазина когортный анализ отвечает на несколько конкретных, денежных вопросов. Возвращаются ли клиенты и как быстро угасает их активность. Окупается ли привлечение — то есть приносит ли клиент за всю жизнь больше, чем стоило его привести. Какой канал даёт не просто дешёвых, а качественных клиентов, которые остаются надолго. И, наконец, помогло ли конкретное изменение — новая программа лояльности, редизайн карточки, ускорение доставки — удержать людей лучше, чем раньше.

Всё это невозможно увидеть в сводном отчёте, где новые и старые клиенты слиты воедино. Когортная разбивка буквально раскладывает клиентскую базу по слоям времени, и в этих слоях становятся видны процессы, которые средние цифры маскируют. Дальше разберём, почему средние так опасны, и как устроен сам инструмент.

Почему средние по магазину скрывают правду

Представьте два магазина с одинаковой месячной выручкой и одинаковым числом заказов. В первом клиенты покупают один раз и исчезают, а выручку держит непрерывный приток новичков из рекламы. Во втором половина клиентов возвращается снова и снова, а реклама лишь добавляет к устойчивому ядру. Сводные отчёты этих магазинов выглядят почти близнецами. Но первый — это дырявое ведро, которое живёт, пока льют воду, а второй — накопительный счёт. Разницу видно только через когорты.

Опаснее всего то, что растущий приток новых клиентов маскирует падение удержания. Пока реклама приводит всё больше новичков, общая выручка растёт, и кажется, что всё хорошо. А под этой гладкой поверхностью старые когорты могут осыпаться: люди, пришедшие год назад, перестали возвращаться, но их «дыру» затыкают свежие покупатели. В какой-то момент масштабировать привлечение больше не получается — рынок, бюджет, стоимость клика упираются в потолок, — и тогда осыпание базы мгновенно проступает в цифрах. Обычно уже поздно.

Есть и обратная ловушка. Средний LTV по всей базе почти бесполезен для решений, потому что смешивает клиентов на разных стадиях жизни. Новичок, купивший вчера, и лояльный клиент трёхлетней давности дают в среднем «температуру по больнице», из которой нельзя понять ни окупаемость рекламы, ни прогноз выручки. Когортный LTV, напротив, показывает деньги на конкретном месяце жизни группы — и с ним уже можно планировать.

Типы когорт: по дате, каналу и поведению

Хотя классическая когорта строится по месяцу первой покупки, стартовое событие можно выбирать под конкретный вопрос. От выбора признака когорты зависит, что именно вы увидите.

• Временные когорты (по дате первой покупки). Базовый и самый частый тип. Группируем клиентов по месяцу (реже неделе или кварталу) первого заказа. Отвечают на вопрос «как меняется удержание и LTV от периода к периоду» и показывают эффект изменений на сайте.
• Когорты по каналу привлечения. Группируем по источнику первого визита или заказа: контекст, органика, email, соцсети, маркетплейс. Показывают, какой канал приводит клиентов, которые остаются, а не просто кликают. Часто дешёвый по цене клика канал даёт «одноразовых» покупателей, а дорогой — лояльных.
• Когорты по первой категории или товару. С чего клиент начал знакомство с ассортиментом. Помогают понять, какие «товары-магниты» открывают путь к долгим отношениям, а какие приводят разовых охотников за скидкой.
• Когорты по акции или промокоду. Клиенты, пришедшие на конкретную распродажу. Показывают, удерживаются ли «скидочники» или отваливаются, как только заканчивается акция.
• Поведенческие когорты. По действию: зарегистрировался, оставил отзыв, установил приложение, подписался на рассылку. Отвечают на вопрос, повышает ли конкретное действие последующую лояльность.

На практике самое ценное — комбинировать признаки. Например, взять клиентов одного месяца и разбить их по каналам: так вы уберёте сезонность (все пришли в одно время) и увидите чистое влияние источника на удержание. Или сравнить когорты «до» и «после» запуска программы лояльности внутри одного канала. Комбинация признаков превращает когортный анализ из красивой картинки в инструмент проверки гипотез.

Матрица удержания: как читать треугольник

Главный артефакт когортного анализа — таблица-треугольник, которую называют матрицей удержания или когортной таблицей. По строкам идут когорты (месяцы первой покупки), по столбцам — «возраст» когорты, то есть сколько месяцев прошло с момента прихода: M0 (месяц старта), M1, M2 и так далее. В ячейке — доля клиентов когорты, совершивших покупку в соответствующий месяц жизни.

Форма таблицы всегда треугольная, и это не случайность. Свежая когорта прожила всего месяц — у неё заполнена лишь колонка M0. Когорта годичной давности прожила двенадцать месяцев — у неё заполнена вся строка до M12. Поэтому левый верхний угол «полный», а правый нижний обрезан: у молодых когорт данных о будущем ещё физически нет. Отсюда важное правило — не сравнивать «зрелые» и «недозревшие» когорты в дальних колонках, там просто пусто.

Читать матрицу нужно в двух направлениях, и каждое отвечает на свой вопрос:

• По строке (слева направо) — как угасает конкретная когорта. Обычно доля падает от M0 к M1 резко, потом кривая выполаживается: тот, кто пережил первые месяцы, остаётся надолго. Форма этой кривой — портрет удержания вашего магазина.
• По столбцу (сверху вниз) — как меняется удержание на одном и том же возрасте у разных когорт. Если значение в колонке M1 растёт от старых когорт к новым, значит, ваши недавние изменения улучшили удержание. Это самый ценный разрез для оценки эффекта нововведений.

Цветовая заливка (тепловая карта) превращает таблицу в мгновенно читаемую картину: тёмные насыщенные ячейки — высокое удержание, бледные — угасание. Достаточно одного взгляда, чтобы увидеть, где база держится, а где осыпается.

Удержание и повторные покупки

Удержание (retention) — центральная метрика когортного анализа. В контексте магазина её считают как долю клиентов когорты, совершивших хотя бы одну покупку в данном месяце жизни. Retention месяца M1 в 45% означает, что почти половина пришедших вернулась и купила ещё раз в следующем месяце. Для большинства товарных категорий это отличный показатель; для товаров разового спроса — недостижимая мечта, и это нормально.

Здесь важно с самого начала выбрать правильную оптику удержания, потому что для магазинов она отличается от подписочных сервисов:

• Классическое (calendar) удержание. Купил ли клиент именно в этот календарный месяц жизни. Строго, но для магазинов с редкими покупками даёт заниженную и «рваную» картину — человек мог пропустить месяц, но вернуться через два.
• Накопительное (rolling) удержание. Совершил ли клиент хотя бы одну покупку к этому месяцу жизни или позже. Мягче и стабильнее, лучше отражает суть «клиент ещё с нами».
• Повторная покупка (repeat rate). Доля когорты, сделавшая вообще вторую покупку за всё время. Простая и понятная метрика здоровья базы: если из ста новичков вторую покупку делают только пятнадцать, у магазина проблема с удержанием, а не с привлечением.

Для интернет-магазина ключевая развилка — интервал повторной покупки. У продуктов регулярного спроса (косметика, зоотовары, расходники) естественный цикл — недели, и по нему настраивают и когорты, и напоминания. У товаров длительного пользования (мебель, техника) цикл — месяцы и годы, и низкое месячное удержание там не катастрофа, а особенность категории. Прежде чем пугаться цифр, определите нормальный для вашего ассортимента ритм покупок.

Именно на удержании работа с когортами смыкается с retention-маркетингом: как только вы видите, где когорта начинает осыпаться, туда точечно направляют реактивационные механики. Подробно приёмы удержания мы разбираем в статье про удержание клиентов и retention в Битриксе — когортный анализ отвечает на вопрос «где именно теряем», а retention-инструменты — «что с этим делать».

LTV когорты и окупаемость привлечения

Retention отвечает на вопрос «возвращаются ли», но не переводит его в деньги. Это делает LTV — пожизненная ценность клиента (lifetime value). В когортном разрезе LTV считают не как одно число «в среднем по магазину», а как кривую: накопленная выручка (или, что честнее, прибыль) на одного клиента когорты к каждому месяцу жизни.

Логика расчёта пошаговая. Берём когорту месяца, для каждого месяца жизни считаем суммарную выручку этой когорты и делим на исходное число клиентов в ней. Получаем выручку на клиента за M0, за M1 и так далее. Накапливаем эти значения — и выходит кривая накопленного LTV, которая стартует со среднего первого чека и постепенно растёт, замедляясь по мере угасания когорты.

Ценность когортного LTV в том, что он позволяет прогнозировать окупаемость, не дожидаясь года данных. Если у зрелых когорт кривая LTV к третьему месяцу выходит на предсказуемую форму, вы можете экстраполировать её на молодые когорты и оценить, окупится ли привлечение, ещё до того, как эти клиенты доживут до окупаемости. Это критично для управления рекламным бюджетом.

Главное сравнение здесь — LTV против CAC (стоимости привлечения клиента). Если клиент за свою жизнь приносит прибыли меньше, чем стоило его привести, канал убыточен, каким бы дешёвым ни казался клик. Здоровым обычно считают отношение LTV к CAC от 3 к 1 и выше, но важнее не абсолютное число, а срок окупаемости: через сколько месяцев жизни накопленный LTV когорты перекрывает CAC. Эта развилка — прямой мостик к юнит-экономике, которую мы детально разбираем в материале про метрики и юнит-экономику интернет-магазина на Битрикс.

Как оценивать эффект изменений во времени

Самая сильная сторона когортного анализа — способность отделить эффект ваших действий от общего шума. Вы запустили программу лояльности, ускорили доставку, переделали карточку товара или письмо-триггер. Помогло ли это? В сводных цифрах ответ утонет: выручка колеблется от сезона, акций, погоды и десятка других причин. Но если сравнить когорты «до» и «после» изменения на одном и том же возрасте, влияние проступает чисто.

Механика проста. Изменение вводится в определённый момент — скажем, с апреля. Значит, апрельская и последующие когорты «застали» новую программу лояльности с самого начала своей жизни, а январская-мартовская — нет. Смотрим в колонку M1 (или M2, M3) сверху вниз: если у когорт «после» удержание на том же возрасте заметно выше, чем у когорт «до», изменение работает. По сути, когорты «до» становятся естественной контрольной группой.

Этот подход близок к квази-эксперименту и требует аккуратности:

1. Зафиксируйте дату изменения. Точно знайте, с какой когорты нововведение стало действовать. Размытая дата запуска смешивает группы и портит вывод.
2. Сравнивайте одинаковый возраст. Удержание M1 когорты «до» с удержанием M1 когорты «после» — а не M1 с M3. Сравнение разных колонок бессмысленно.
3. Учитывайте сезонность. Если «до» пришлось на низкий сезон, а «после» — на высокий, разницу могла дать не ваша программа, а календарь. По возможности сравнивайте аналогичные периоды год к году.
4. Дайте когортам дозреть. Не объявляйте победу по когорте, прожившей две недели. Дождитесь хотя бы M1–M2, чтобы у клиентов был реальный шанс проявить эффект.
5. Проверьте объём. Маленькая когорта в полсотни человек шумит: пара случайных заказов сдвигает процент на единицы. Убедитесь, что групп достаточно для статистической устойчивости.

Такой когортный взгляд на изменения хорошо дополняет сквозную аналитику: она связывает рекламные каналы с заказами, а когорты показывают, что происходит с приведёнными клиентами дальше во времени. Как выстроить сам сбор данных по каналам, мы разбираем в статье про сквозную аналитику для e-commerce на Битрикс.

Какие данные нужны и где они в Битриксе

Хорошая новость: для когортного анализа не нужны экзотические данные — всё необходимое уже собирается интернет-магазином на 1С-Битрикс с первого заказа. Минимальный набор полей укладывается в три колонки.

Ключевой методологический момент — идентификация клиента. Если магазин допускает заказы без регистрации, один и тот же человек может фигурировать под разными «гостевыми» записями. Тогда его заказы не склеятся, повторные покупки не засчитаются, а удержание окажется заниженным. Поэтому перед построением когорт данные нормализуют: склеивают заказы по email и телефону, приводят их к единому виду, по возможности связывают гостевые заказы с зарегистрированными аккаунтами.

Второй момент — что считать «покупкой». Обычно берут только оплаченные (или как минимум подтверждённые) заказы, иначе брошенные и отменённые корзины раздуют и первую когорту, и удержание. Договоритесь о единой границе на старте: это влияет на все цифры и должно быть одинаковым во всех отчётах.

Реализация в 1С-Битрикс: как собрать когорты

Готового «когортного отчёта» в коробке 1С-Битрикс нет, но все данные лежат в модуле «Интернет-магазин», а инструменты для их извлечения — в ядре. На практике сборка когорт проходит несколько этапов, и на каждом Битрикс даёт свои средства.

1. Выгрузите заказы. Через API продаж (классы \Bitrix\Sale\Order, \Bitrix\Sale\Payment) или ORM-запросом к таблицам заказов получите список: клиент, дата, сумма, статус оплаты. Для больших баз выгрузку делают пакетно и по расписанию, а не «на лету» на каждый просмотр отчёта.
2. Нормализуйте клиентов. Склейте заказы по USER_ID, а гостевые — по email и телефону из свойств заказа. Приведите контакты к единому виду (нижний регистр email, единый формат телефона), чтобы один человек не размножился в несколько «клиентов».
3. Определите когорту. Для каждого клиента найдите минимальную дату оплаченного заказа — это месяц его первой покупки и, значит, его когорта. Для каждого заказа вычислите «месяц жизни» = разница в месяцах между датой заказа и датой первой покупки.
4. Агрегируйте в матрицу. Сгруппируйте по паре «когорта × месяц жизни»: посчитайте число уникальных активных клиентов (для удержания) и суммарную выручку (для LTV). Разделите на размер когорты в M0 — получите проценты удержания и выручку на клиента.
5. Сохраните результат. Складывайте посчитанную матрицу в отдельную таблицу (highload-блок или служебную таблицу), чтобы отчёт открывался мгновенно, а тяжёлый пересчёт шёл фоновым агентом раз в сутки или по закрытию месяца.
6. Выведите отчёт. Постройте страницу в админке (кастомный отчёт или отдельный раздел), которая читает готовую таблицу и рисует тепловую матрицу и кривые LTV. Либо отдавайте агрегаты во внешний BI-инструмент.

Технически «сердце» расчёта — один аналитический SQL-запрос или ORM-выборка, которая группирует заказы по месяцу первой покупки клиента и месяцу заказа. В чистом SQL это делается оконными функциями (найти минимальную дату заказа на клиента, затем сгруппировать), но на большой базе такой запрос тяжёлый, поэтому его выносят в фоновый пересчёт, а не гоняют при каждом открытии страницы.

Отдельно стоит решить, где живёт логика источника привлечения. Если вы строите когорты по каналам, UTM-метки первого визита нужно сохранять в заказ или в карточку клиента ещё на этапе оформления — задним числом канал первого касания восстановить почти невозможно. Здесь помогает связка с CRM Битрикс24 или сквозной аналитикой, где источник фиксируется в момент лида.

Как отчёт выглядит в связке с админкой

Чтобы когортный анализ жил не в разовом экселе, а в рабочем процессе, его выводят отдельной страницей в административной части. Схематично панель когортного отчёта в админке 1С-Битрикс выглядит так: фильтры сверху, матрица удержания в центре, переключатель метрики и статус последнего пересчёта.

Сегментация и работа с когортами в маркетинге

Когортный анализ ценен не как красивая таблица, а как источник действий. Как только вы видите, где и когда когорты осыпаются, появляется точка приложения усилий — и здесь когорты смыкаются с сегментацией и CRM-маркетингом.

Первый практический вывод — точка оттока. Если по вашим данным резкий провал удержания приходится на M1, значит, проблема в первых неделях после покупки: клиент не получил повода вернуться. Сюда бьют приветственной цепочкой, вторым релевантным предложением, напоминанием о расходниках. Если провал на M3–M4 — угасает уже сформированный интерес, и работают реактивационные механики: «мы давно вас не видели», персональная скидка, подборка новинок.

Второй вывод — качество каналов. Когорты по источникам показывают, откуда приходят клиенты, которые остаются. Дальше это меняет распределение бюджета: канал с дешёвым кликом, но одноразовыми покупателями проигрывает каналу с дорогим кликом и высоким LTV. Без когорт такое решение принять невозможно — по цене клика первый канал всегда выглядит выгоднее.

Третий вывод — сегменты для рассылок и триггеров. На основе когорт и их поведения формируют сегменты в CRM: «новички без второй покупки», «угасающие лояльные», «выпавшие из активности». Битрикс24 и модуль рассылок позволяют настроить на эти сегменты автоматические сценарии. Так когортный анализ превращается из аналитики в работающий маркетинговый конвейер.

• Провал на M1 → приветственная серия, второе предложение, онбординг клиента.
• Плавное угасание к M3–M6 → реактивация, персональные подборки, программа лояльности.
• Разница когорт по каналам → перераспределение рекламного бюджета в пользу «долгих» источников.
• Скидочные когорты с низким удержанием → пересмотр политики промо, чтобы не приваживать одноразовых охотников за ценой.

Метрики, которые считают по когортам

Вокруг матрицы удержания вращается небольшой набор метрик. Держите их определения в одном месте, чтобы в команде не было разночтений.

Важно не смешивать выручку и прибыль. LTV по выручке легче считать, но он льстит: канал может гнать оборот и при этом быть убыточным из-за низкой маржи и высокой стоимости привлечения. Как только у вас есть себестоимость (а в связке каталога с 1С она обычно есть), переходите на LTV по прибыли — только он честно сравнивается с CAC. Эта логика напрямую вытекает из юнит-экономики магазина, которую мы разбираем отдельно.

Как интерпретировать и не обмануться

Когортная таблица выглядит объективно, но выводы из неё легко сделать неверные. Несколько принципов трезвого чтения.

Не сравнивайте недозревшие когорты. У майской когорты в июле заполнены только M0–M1, у январской — вся строка. Сопоставлять их «итоговый LTV» некорректно: у молодой группы будущее ещё впереди. Сравнивайте только одинаковые месяцы жизни.

Учитывайте сезонность прихода. Клиенты, пришедшие в предновогодний ажиотаж на подарок, ведут себя иначе, чем пришедшие в спокойном марте за товаром для себя. Низкое удержание праздничной когорты — не всегда провал магазина, иногда это природа спроса. Сравнивайте когорты аналогичных сезонов, а лучше — год к году.

Следите за размером когорты. Процент удержания в когорте из 40 человек скачет от пары случайных заказов. Мелкие группы шумят; для устойчивых выводов нужен достаточный объём, иначе вы примете случайность за тренд.

Различайте выживших и всю когорту. Если считать средний чек только по вернувшимся, он растёт «сам собой» — просто потому, что остаются самые лояльные. Это выживший, а не улучшение. Всегда держите в голове, от какой базы берётся процент: от всей когорты или от активных на данный момент.

Не путайте корреляцию с причиной. Рост удержания у свежих когорт мог совпасть с вашим нововведением, а вызван сменой сезона, рекламной кампанией или чисткой каналов. Прежде чем приписывать эффект изменению, исключите очевидные альтернативные объяснения.

Частые ошибки при когортном анализе

• Считают когорты по выручке без нормализации клиентов — гостевые заказы не склеены, повторные покупки теряются, удержание занижено.
• Сравнивают дальние колонки молодых и старых когорт — у молодых там просто нет данных, вывод пустой.
• Используют средний LTV по магазину для решений о рекламе — смешивают клиентов разных стадий жизни и получают бесполезное число.
• Не отсекают отменённые и неоплаченные заказы — первая когорта и удержание раздуваются, картина приукрашена.
• Приписывают рост удержания своему нововведению, не исключив сезонность и рекламные всплески.
• Строят выводы по крошечным когортам — случайные заказы принимают за тренд.
• Считают LTV по выручке вместо прибыли — убыточный по марже канал выглядит выгодным.
• Не фиксируют источник первого касания в момент заказа — построить когорты по каналам задним числом уже нельзя.

Чек-лист внедрения

Сведём подготовку когортного анализа в практический список, по которому удобно проверять готовность.

1. Источник данных чист. Заказы выгружаются из Битрикса, клиенты нормализованы и склеены по email/телефону, дубли устранены.
2. Определена «покупка». Зафиксировано, какие статусы считаются покупкой (оплаченные/подтверждённые); правило едино во всех отчётах.
3. Когорта задана. Для каждого клиента вычислен месяц первой покупки, для каждого заказа — месяц жизни.
4. Матрица удержания строится. Есть тепловая таблица «когорта × месяц жизни» с процентами возврата.
5. LTV считается по прибыли. Подтянута себестоимость/маржа, накопленный LTV сопоставляется с CAC и сроком окупаемости.
6. Каналы размечены. Источник первого касания фиксируется в заказе или CRM, доступны когорты по каналам.
7. Пересчёт автоматизирован. Матрица обновляется фоновым агентом (по закрытию месяца или ночью), отчёт открывается из готовой таблицы.
8. Выводы превращаются в действия. По точкам оттока настроены сегменты и триггерные сценарии в Битрикс24/рассылках.

Вывод

Когортный анализ переводит разговор о клиентах с языка «сколько продали» на язык «как живёт наша база». Он показывает то, что средние цифры прячут: осыпается удержание или крепнет, окупается ли привлечение, какой канал приводит клиентов, которые остаются, и помогло ли конкретное изменение на сайте. Всё это считается из данных, которые интернет-магазин на 1С-Битрикс собирает с первого заказа, — нужно лишь правильно их сгруппировать и научиться читать треугольную матрицу. Начните с временных когорт и удержания, добавьте LTV по прибыли, свяжите выводы с сегментами и триггерами — и клиентская база из чёрного ящика превратится в управляемый актив.