Когортный анализ в Google Analytics: зачем он нужен и как его настроить

Когортный анализ помогает понять, что на самом деле происходит с пользователями. Кто пришёл, кто остался, кто ушёл — и почему. В статье расскажем, как использовать когортный анализ для роста продукта и удержания клиентов.

Когорта — это группа пользователей, которых объединяет один признак. Чаще всего — дата первого действия: визита, регистрации или установки приложения.

Когортный анализ — это способ отслеживать поведение не всех пользователей сразу, а отдельных когорт. Например:

• те, кто пришел в январе,
• те, кто купил во время акции,
• те, кто зарегистрировался с TikTok.

И вот вы уже не просто смотрите на «среднюю температуру по больнице», а видите, как каждая когорта жила, дышала и покупала. Или не покупала. То есть мы не валим всех пользователей в одну кучу, а аккуратно раскладываем их по коробочкам-когортам.

Главное — анализируем путь именно внутри когорты: что происходит с пользователями через неделю, месяц, три.

Давайте посмотрим на примере. Наша когорта — пользователи, которые впервые запустили мобильное приложение и повторно зашли туда в течение 5 дней.

Мы видим, что 25 января приложение запустили 1124 пользователя. Процент удержания в первый день — 42,2.%. А на третий день — уже 22,8%.

К пятому дню только 17.4% пользователей все еще активны. Лишь 29,99% остались в первый день из 13 967 новых пользователей за весь этот период, причем на третий день этот показатель снизился до 18,6%, а на пятый день — до 12,8%.

Итак, что видно из когортной таблицы.

• Когда и на каком этапе отваливается большая часть пользователей.
• Цифры по вертикали показали, какой процент людей удержан на разных этапах жизненного цикла продукта.
• Что происходит в долгосроке — это уже горизонтальный срез.
• И бонус: можно сравнить, сколько пользы приносят разные когорты.

Если коротко, то когортный анализ нужен бизнесу, чтобы принимать обоснованные решения. Теперь подробнее.

Отслеживать удержание (ретеншн). Бизнесу нужно понимать, возвращаются ли пользователи и когда именно у них заканчивается «медовый месяц». Сколько людей вернулось через день, через неделю и через месяц? Если когорта отваливается на третий день — возможно, онбординг совсем не «вау». А если остаются надолго — поздравляем, вы попали в потребность.

Анализировать эффект изменений. Вы поменяли интерфейс — когорта после релиза ведет себя по-другому. Устроили акцию — посмотрите, насколько она дала прирост, и остались ли люди после скидки. А может, запустили пуши, чтобы повысить вовлеченность, но когорта, получившая уведомления, разбежалась. Без когортного анализа вы это не заметите, потому что средние цифры могут сказать: «Ну, вроде норм».

Находить «проблемные» когорты и вовремя реагировать. Когорта от 15 апреля ведет себя странно? Может, в тот день реклама попала не на ту аудиторию. Или плательщики перестали платить после последнего обновления. Когортный анализ показывает, где именно что-то пошло не так.

Понимать LTV пользователей по группам. Вместо «одна сумма на всех» можно понять, какие когорты приносят больше денег, какие — меньше, а какие вообще утекают с бесплатного тарифа и не вспоминают. Так проще выстроить стратегию: на кого тратить бюджет, кого удерживать, а кому просто сказать «спасибо и до свидания».

Когортный анализ — штука универсальная. Многие считают, что он нужен только стартапам с армией аналитиков. На деле — нет. Его применяют везде, где есть пользователь, поведение и хоть какая-то надежда на повторное взаимодействие.

Посмотрим, кто может использовать когортный анализ.

Продуктовые команды. Когортный анализ помогает им понять, как люди реально пользуются продуктом. Не просто «зарегистрировались и ушли», а что делали дальше: остались, вернулись, начали платить. Особенно полезно во время релизов — можно отслеживать, как изменилась вовлеченность после обновлений. Если когорта пользователей после релиза быстро уходит — что-то пошло не так.

Маркетологи. Они сравнивают эффективность разных каналов привлечения: какие каналы привели не просто трафик, а живых людей. Например, пользователи, пришедшие по рефералке, остались дольше, чем те, кто пришел с контекста. Значит, можно перераспределить бюджет и не кормить рекламные площадки ради просмотров.

E-commerce. Когортный анализ здесь нужен для оценки поведенческих паттернов по дате покупки. Когортами можно выделять покупателей по дате первой покупки. Дальше смотрим: как часто возвращаются, сколько тратят, через сколько дней оформляют повторный заказ. Так можно вычислить «идеального покупателя» — и попробовать таких же искать с помощью рекламы или персонализации.

EdTech, SaaS, mobile apps. То есть везде, где важно удержание и повторные действия. Особенно если есть подписочная модель: пользователь начал пробный период, а через 7 дней ушел. А когорта, пришедшая месяц назад, осталась и платит. Что изменилось: цена, контент? Когортный анализ поможет разобраться.

В общем, если у вас есть пользователи и желание расти — когортный анализ точно пригодится.

Когортный анализ — как увеличительное стекло: позволяет рассмотреть детали. Это не значит, что обычные метрики надо выкинуть. Но именно в деталях часто прячется то, что тормозит рост. Или, наоборот — потенциал, который можно усилить. Так почему когортный анализ лучше, чем стандартные метрики? Сейчас расскажем.

Показывает, где конкретно дело пошло не так. Не абстрактный «ретеншн 18%», а: «мартовская когорта ушла на третий день, а февральская остается неделями». Значит, проблема где-то в марте: в рекламной кампании, в первом касании, в онбординге. Есть за что зацепиться.

Помогает находить закономерности. Например, вы тестируете три разных посадочных (как тестировать лендинги, мы рассказывали тут). По общей конверсии плюс-минус одинаково. Но в когортном разрезе видно, что пользователи с посадочной № 3 остаются и платят дольше.

Заставляет думать в динамике. Не «у нас сегодня 500 регистраций», а «а что с этими людьми через неделю?». Не «у нас упал LTV», а «вот когорта, в которой он упал — и мы знаем, что в тот момент запустили новый тариф».

Есть классика — Google Analytics. А есть старый добрый Excel. Главное — не инструмент, а то, как вы с ним работаете. Но давайте по порядку.

Если вы уже перешли на GA4 (если нет — пора), хорошая новость: когортный анализ там встроен. Он находится в разделе «Исследования» → «Создать исследование» → «Исследование когорт». Это готовый шаблон, в котором уже настроены ключевые параметры.

Что можно сделать в «Исследованиях» GA4.

• Выбрать тип события, по которому формируются когорты.
• Настроить период когорты — день, неделя или месяц. Это важно, если вы хотите видеть, как пользователи ведут себя, скажем, через 7, 14 или 30 дней после первого касания.
• Выбрать метрику — удержание, события, доход, активность и т. д.
• Установить диапазон анализа — например, посмотреть, что происходило с пользователями в течение 28 дней после первого визита.

На выходе получаем таблицу или график, где видно, сколько человек из каждой когорты вернулись в продукт спустя X времени. Можно быстро понять, когда интерес падает, и на каком этапе теряется большая часть аудитории.

Несколько советов.

• Для вменяемого анализа нужны настроенные события и цели. Если их нет — лучше сначала заняться этим.
• Сравнивайте разные источники трафика. Поведение пользователей из рекламы и из органики может отличаться кардинально.

Подробности про когортный анализ в GA4 — в официальной справке Google. Там все по полочкам: что, где и как настраивается.

Здесь когортного отчета «в лоб» нет. Но можно крутиться через кастомные сегменты и цепочки действий. Не суперудобно, зато доступно. И если бизнес в основном в Рунете — это рабочий вариант.

Если у вас e-commerce или сложные воронки с продажами, Roistat позволяет посмотреть, как когорты ведут себя на всех этапах: от первого касания до сделки. Можно фильтровать по каналам, считать выручку, смотреть, где клиент «остыл».

Полезен для e-commerce и ритейла. Здесь когортный анализ встроен в отчеты по жизненному циклу клиента: видно, когда люди делают первую покупку, сколько живут, когда перестают покупать.

Если у вас есть сырые данные и понимание, как их нарезать — можно собрать отличную когортную воронку. Особенно если не хочется зависеть от очередного «у нас сегодня обновление, все сломалось».

Когортный анализ в Google Analytics требует немного ручной работы. Но как только вы соберете первый отчет — начнете видеть данные, которые раньше терялись в усредненной массе. Сейчас расскажем, как использовать инструменты когортного анализа в Google Analytics.

GA4 ушел от шаблона «готовая когорта» — теперь все через «Исследования» (Explore). Когорты здесь можно строить по любой логике, например:

• «зарегистрировался»,
• «нажал кнопку»,
• «начал подписку».

Для примера мы хотим отследить, возвращаются ли пользователи в течение недели.

В левой колонке GA4 перейдите в раздел «Исследования» и выберите формат «Свободная форма» (Free Form).

Слева есть блоки «Переменные» и «Настройки». Справа будет сам отчет в виде диаграммы. В блоке «Переменные» выбираем временной промежуток. Мы берем диапазон «31.03—11.05».

В «Настройках» есть выпадающее меню «Методика», там выбираем «Когортное исследование».

В разделе «Критерии включения в когорту» выберите нужный критерий. Мы выбираем «Первый контакт (дата первого посещения» — это и будет наша когорта.

Есть и другие варианты критериев.

• Все события — первое зафиксированное событие от пользователя в рамках заданного периода.
• Любая транзакция — первая покупка, совершенная пользователем в выбранные даты.
• Любая конверсия — первое конверсионное действие, которое выполнил пользователь в анализируемом интервале.
• Прочие — конкретное событие, инициированное пользователем — любое, которое вы отслеживаете и отправляете в Google Analytics.

Параметр «День», «Неделя» или «Месяц» в разделе «Уровень детализации когорты» определяет временной диапазон столбцов в отчете.

Теперь раздел «Показатели», выбираем метрику — в зависимости от того, что хотите отследить. Мы выбирали «Активные пользователи» и перетащили показатель вправо в поле «Значение».

Посмотрим, какой отчет у нас получился.

Теперь мы видим, сколько пользователей из каждой когорты вернулись через одну, две или три недели. Обратите внимание на цветовое выделение: чем выше ретеншн, тем темнее ячейка.

Совет: сравнивайте когорты между собой, а не только по отдельности — так можно заметить тренды.

Чтобы не изобретать велосипед каждый раз, есть лайфхак: GA4 предлагает шаблон «Когортный анализ» в том же разделе «Исследования». Он не идеальный, но как стартовая точка — ок. Плюс, в сети уже много готовых решений от комьюнити (ищите по фразам вроде «GA4 cohort analysis template»).

Когортный анализ показывает не только что происходит, но и почему. А значит — и действовать проще: усиливать, чинить, тестировать. Это способ увидеть поведение людей в динамике, находить узкие места, проверять гипотезы и принимать решения с цифрами в руках. И в итоге — строить продукт, в который людям хочется возвращаться.