Когортный анализ: что это и как применять в SEO и маркетинге

Что такое когортный анализ и зачем он нужен

Когортный анализ это метод, при котором пользователей объединяют в группы (когорты) по общему признаку и дате первого взаимодействия с продуктом или сайтом. Например, в одну когорту попадают все, кто впервые зашел на сайт в марте 2025 года, а в другую те, кто сделал это в апреле. Вместо общей статистики за месяц мы отслеживаем поведение каждой группы на протяжении её жизненного цикла. Это позволяет увидеть, как меняется поведение пользователей в зависимости от того, когда они пришли, и честно оценить, что происходит с аудиторией после внесённых изменений. Если вы всерьёз задумались о развитии сайта в поисковой выдаче, без понимания когорт вам будет сложно отличить разовый всплеск от устойчивого роста.

Главное отличие от традиционной аналитики в том, что классические отчёты по датам сравнивают «тёплое с мягким». Отчёт за май показывает сумму действий всех пользователей, включая тех, кто пришёл в январе, и тех, кто зарегистрировался вчера. Когортный анализ отвечает на вопрос «что стало с теми, кто пришёл в конкретный месяц?». На практике это работает так: если в марте вы изменили посадочные страницы, а в апреле увидели рост конверсии, традиционная аналитика скажет «ура, сработало». Когорты же покажут, что рост дали только новые пользователи апреля, а мартовская когорта повела себя хуже.

Для SEO и маркетинга этот подход даёт три важные вещи. Во-первых, он выявляет долгосрочные тренды: вы видите, как меняется качество трафика от месяца к месяцу, а не только его объём. Во-вторых, вы можете оценить удержание: сколько людей из когорты возвращается через 30, 60 и 90 дней. В-третьих, когорты позволяют изолировать влияние изменений: если вы поменяли мета-теги или структуру внутренней перелинковки, вы сразу увидите, как это отразилось на поведении именно новых пользователей. Без этого любой отчёт по динамике остаётся лишь поводом для догадок.

Какие метрики и показатели можно анализировать с помощью когорт

Retention Rate и Churn Rate

Удержание считается как доля пользователей из конкретной когорты, которые возвращаются на сайт в заданный период. Например, если в марте когорта составила 1000 новых посетителей, а в апреле вернулось 120, Retention Rate для второго месяца равен 12%. Обратная величина, Churn Rate, показывает, сколько пользователей отвалилось: при тех же цифрах отток составит 88%. Данные обычно выгружают из систем веб-аналитики.

Сравнение когорт по удержанию вскрывает проблемы, которые сглаживаются в средних значениях. Допустим, общий Retention по сайту за полгода выглядит стабильным, а в разрезе когорт видно, что пользователи с конкретного рекламного канала уходят уже на второй неделе. Это сигнал либо к смене оффера, либо к пересмотру таргетинга. Когортный анализ помогает разделить проблему привлечения и проблему удержания, и это меняет приоритеты в оптимизации.

• Retention Rate для когорты из органического трафика обычно выше, чем у контекстной рекламы, из-за разницы в интенте.
• Churn Rate в первый месяц после регистрации часто достигает 70–80%, это базовая цифра для многих ниш.
• Сравнение недельных когорт показывает влияние сезонности на удержание быстрее, чем помесячные срезы.
• Когортный анализ повторных покупок выявляет, через сколько дней клиент возвращается за следующим заказом.

LTV и средний чек

LTV в разрезе когорт считается как сумма всей выручки от пользователей группы, поделённая на их количество. Например, когорта из 200 клиентов, привлечённых в феврале, за полгода принесла 1,2 млн рублей, значит LTV равен 6000 рублей. Если у когорты за март этот показатель уже 7800 рублей, видно, что мартовская рекламная кампания привела более ценную аудиторию, и бюджет стоит перераспределить. Средний чек анализируют отдельно, потому что он не учитывает частоту покупок и может вводить в заблуждение.

Связка LTV и среднего чека по когортам даёт ответ, за счёт чего растёт ценность клиента: либо люди стали покупать чаще, либо дороже. Если растёт только чек, а частота падает, итоговый LTV может остаться на месте, и вложения в повышение среднего чека не окупаются. Для SEO-проектов мы считаем LTV по когортам из поискового трафика отдельно, чтобы понять, какие кластеры запросов приводят самых дорогих клиентов. Подробнее о том, как анализировать поведенческие данные и находить причины потери посетителей, читайте в статье про анализ трафика сайта.

Поведенческие метрики в разрезе когорт

Время на сайте, глубина просмотра и количество страниц за сеанс имеют смысл только при сравнении когорт между собой. Новички из платного трафика часто проводят на сайте меньше минуты и смотрят одну страницу, а когорта из органики показывает 3–4 страницы за визит. Эти метрики помогают оценить качество трафика ещё до того, как накопится статистика по конверсиям, что особенно ценно для молодых сайтов. Когортный анализ поведенческих факторов также используется для проверки гипотез о редизайне: сравнивают поведение пользователей, пришедших до и после изменений.

Как провести когортный анализ: пошаговый план

Как провести когортный анализ: пошаговый план

Начинаем с формулировки цели и гипотезы. Не «посмотреть, как всё растёт», а конкретно: «проверим, что пользователи из контекстной кампании X приносят больше повторных покупок, чем из органики». От цели зависит выбор когортного признака: дата первого визита, канал привлечения, конкретная кампания или версия лендинга. Метрики фиксируем заранее: retention, LTV, конверсия в целевое действие, средний чек. Без гипотезы вы утонете в данных и не поймёте, что считать результатом.

Дальше собираем данные и строим когортную таблицу. В Яндекс.Метрике есть готовые отчёты по возвратам, в Google Analytics 4 когорты настраиваются за пару кликов, но часто удобнее выгрузить сырые данные и работать в Excel или Google Sheets. Принцип простой: строки это когорты, столбцы это периоды (день 0, день 7, день 30), на пересечении значение метрики. Если пользователь пришёл 1 марта, мы отслеживаем его поведение 1, 2, 3 апреля, а не по календарным месяцам, это ключевое отличие от обычной аналитики.

Когда таблица готова, интерпретируем динамику. Если более поздние когорты удерживаются хуже, хотя продукт не менялся, возможно, дело в качестве трафика. Если retention стабилен, а конверсия падает, проблема в посадочной странице. Здесь когортный анализ часто применяется вместе с A/B тестированием для оценки эффективности изменений: запустили новый онбординг и сравнили когорты до и после. Решения принимаем по цифрам, через 2-4 недели проверяем, сработало ли. Инструменты подбираем под задачу, вот сравнение основных вариантов.

Инструменты для когортного анализа: обзор и сравнение

Начать проще всего со встроенных отчётов. В Яндекс.Метрике и Google Analytics есть готовые когортные отчёты, которые строятся автоматически по дате первого визита или первому заказу. Данные подтягиваются без выгрузок, а сегменты можно нарезать по любому измерению. Минус очевиден: стандартные отчёты ограничены шаблонными метриками, и если нужно посчитать LTV с учётом себестоимости или сравнить поведение когорт в разрезе каналов, придётся изворачиваться. Для быстрой еженедельной проверки удержания их достаточно, для глубокого анализа маркетинга этого мало.

Когда стандартный функционал упирается в потолок, в дело вступают Excel или Google Sheets. Мы выгружаем из Метрики и GA сырые данные по визитам и заказам, сводим их в сводную таблицу и строим нужные срезы. Подходит для разовых исследований и небольших объёмов данных, настройка занимает пару часов. Но если когорт десятки, а данных на миллионы строк, таблицы тормозят, а формулы превращаются в кашу. Плюс такой подход требует ручного обновления, поэтому на постоянной основе его используют редко.

Для системной работы лучше смотреть в сторону BI-систем вроде Power BI или Tableau, а также сервисов сквозной аналитики, которые считают когорты автоматически по всей воронке. BI дают гибкость: можно построить любую метрику, наложить фильтры и визуализировать динамику, но нужен человек, который разберётся с подключением данных и написанием мер. Сервисы сквозной аналитики проще, но стоят денег и привязывают к своей модели атрибуции. Выбор зависит от бюджета и задачи, но если когортный анализ нужен для ежемесячных отчётов, без специализированного инструмента не обойтись. Кстати, именно когорты часто вскрывают проблемы с конверсией, которые не видны в средних цифрах, а разобраться со способами её повышения поможет статья про увеличение конверсии.

Ошибки при когортном анализе и как их избежать

Маленькая выборка и статистическая значимость

Частая ошибка в работе с клиентами это выводы по когортам из 10–15 пользователей. С таким объёмом любой скачок конверсии это шум, а не закономерность. При трафике 500 визитов в месяц не разбивайте его по неделям, вы получите случайные колебания. Минимальный порог для достоверных выводов от 100 человек в когорте, лучше ориентироваться на 300 и более.

Сравнение когорт разного размера портит анализ даже при достаточном трафике. Когда сравниваете февральскую когорту из 5000 пользователей с июльской из 800, разница в retention на 10% может быть вызвана объёмом выборки. Мы решаем это через нормализацию: считаем относительные проценты и доверительные интервалы. В Яндекс.Вебмастере и Google Analytics 4 есть встроенные инструменты, но для серьёзных выводов приходится выгружать данные и считать в Excel или Python. Если не уверены в значимости, берите более длинный период и объединяйте маленькие когорты.

• Проверяйте, что размер каждой когорты превышает 100 пользователей.
• Нормализуйте показатели по объёму когорты, а не сравнивайте абсолютные цифры.
• Используйте доверительные интервалы, чтобы отличить реальные изменения от шума.
• Сравнивайте только одинаковые по размеру группы, например, месяц к месяцу.
• Учитывайте, что retention падает естественно, и не путайте это с проблемами.
• При маленьком трафике увеличивайте период когорты с недели до месяца.

Сезонность вносит серьёзные искажения, если её игнорировать. Декабрьская когорта интернет-магазина покажет более высокую конверсию, чем январская, из-за предновогоднего спроса. Сравнивайте когорты с аналогичными периодами прошлого года или с поправкой на сезонный коэффициент. Слишком короткий период анализа (неделя) не позволяет увидеть долгосрочные тренды, а слишком длинный (год) размывает эффект от изменений. Оптимальный горизонт для большинства задач это 30–90 дней в зависимости от цикла сделки. Неправильный выбор когортного признака сводит на нет усилия: если делите пользователей по источнику трафика, когда решающий фактор это первый экран лендинга, анализ покажет ложные корреляции. Лучше тестировать несколько признаков одновременно и смотреть, какой реально влияет на метрики.

Примеры применения когортного анализа в SEO и контенте

Как оценить влияние изменений на сайте

Классический сценарий: вы переработали коммерческие страницы или улучшили скорость загрузки. Простое сравнение «до и после» по средним метрикам почти всегда врёт, потому что на показатель влияют сезонность, рекламные кампании и случайные всплески. Когортный анализ режет эту проблему: берёте пользователей, которые впервые пришли на сайт из поиска в одну неделю до изменений, и тех, кто пришёл через неделю после. Сравниваете их поведение за одинаковый период, допустим, 14 дней с момента первого визита. Если у второй когорты конверсия в заявку выросла с 2,1% до 3,4% при том же объёме трафика, изменения действительно сработали.

В нашей практике был случай, когда клиент переписал тексты на 40 посадочных страницах. Средняя конверсия не изменилась за месяц, и владелец бизнеса хотел откатывать всё назад. Мы разбили трафик на когорты по неделям первого визита и обнаружили, что у новых пользователей из органики конверсия выросла на 27%, а у старых посетителей по закладкам упала. Причина: мы убрали блок с ценами со стартового экрана, и это сломало путь для тех, кто уже знал продукт. Без когортного разреза мы бы потеряли рабочий вариант страниц.

Важный нюанс: для SEO-изменений берите когорту по дате первого визита, а не по дате клика в выдаче. Пользователь мог увидеть сниппет неделю назад, а зайти только сегодня, и тогда он попадёт не в свою группу. В Яндекс.Вебмастере и Google Search Console удобно выгружать данные по первым посещениям, затем склеивать их с целями в системах аналитики. И не забывайте про технические изменения: если обновили robots.txt или скорость сервера, когорты помогут отделить эффект от переиндексации, хотя там придётся ждать две-три недели, пока поисковик переобойдёт страницы.

Часто задаваемые вопросы

Максим Ахтямов

Заместитель руководителя отдела разработки

Подписаться на ТГ