Определение и базовая логика
Когорта — это группа клиентов с общей точкой старта, чаще всего по месяцу первого платежа. Когортный анализ отслеживает, что происходит с этой группой по мере её взросления.
Cohort Analysis = отслеживание определённой группы клиентов по месяцам её жизни
Это принципиально отличается от агрегированных метрик. Агрегированный churn говорит, сколько клиентов ушло из активной базы. Когортный анализ показывает, какое поколение клиентов стало лучше или хуже и на каком этапе жизненного цикла начинается проблема.
Поэтому когорты — это инструмент диагностики, а не просто описательная метрика. Они показывают, действительно ли со временем улучшаются продукт, онбординг, таргетинг, pricing или expansion motion.
Как устроен когортный анализ
Три полезных типа когорт
- Временные когорты: клиенты, сгруппированные по месяцу или кварталу первого платежа.
- Поведенческие когорты: клиенты, сгруппированные по тому, выполнили ли они ключевое действие, например подключили интеграцию.
- Атрибутивные когорты: клиенты, сгруппированные по каналу, тарифу, географии или размеру компании.
Временные когорты отвечают, улучшается ли продукт. Поведенческие помогают найти настоящий activation event. Атрибутивные когорты показывают, какие сегменты и каналы дают лучшую долгосрочную экономику.
Logo Retention и Revenue Retention — это разные анализы
Logo Retention(month t) = Активных клиентов в месяце t / Клиентов в Month 0 × 100
Revenue Retention(month t) = MRR когорты в месяце t / MRR когорты в Month 0 × 100
Logo Retention отвечает на вопрос, сколько клиентов осталось. Revenue Retention отвечает, сколько ценности осталось, включая expansion. У зрелого SaaS logo retention может падать, а revenue retention при этом уходить выше 100%, если оставшиеся клиенты расширяются.
Как правильно строить когортную таблицу
- Единообразно определить активного клиента, обычно как платящего клиента с MRR выше нуля на конец месяца.
- Начинать когорту с первого платежа, а не с регистрации, чтобы trial не искажал картину.
- Использовать строки для cohort month, а столбцы для месяцев жизни: Month 0, Month 1, Month 2 и далее.
- Всегда делить retention на исходный размер когорты или исходный cohort MRR в Month 0.
Это звучит просто, но ошибки в определениях делают весь анализ обманчивым.
Форма кривой не менее важна, чем само значение
Здоровая retention curve обычно резко падает в начале и затем выходит на плато. Непрерывное линейное снижение означает, что продукт не становится sticky. Очень сильное падение в Month 1 при стабильном плато чаще говорит о проблеме онбординга или несоответствии ожиданий, чем о глубокой слабости продукта.
Revenue Retention тоже может формировать J-кривую: сначала падать, а затем уходить выше 100%, когда expansion начинает доминировать над churn.
Зачем нужны heatmap
Когортные heatmap позволяют мгновенно увидеть паттерны. Улучшающаяся диагональ показывает более сильный онбординг или продукт в новых когортах. Затемнение поздних столбцов показывает более сильное долгосрочное удержание или expansion. Деградирующая диагональ даёт ранний сигнал, который агрегированные метрики ещё могут скрывать.
Связанные метрики и стратегический смысл
Cohort LTV реалистичнее формульного LTV
Cohort LTV(month T) = Σ(Cohort MRR × Gross Margin с Month 0 по Month T) / Клиентов в Month 0
Cohort LTV основан на реальном поведении удержания и expansion, а не на сильном предположении, что churn постоянен вечно. Поэтому он намного полезнее для серьёзных решений по unit economics.
Half-life когорты
Half-life = первый месяц, в котором Logo Retention падает до 50% или ниже
Half-life — компактный способ сравнивать долговечность когорт. По мере улучшения продукта и таргетинга это значение обычно должно расти.
Area Under the Curve
AUC(12 месяцев) = Retention M1 + Retention M2 + ... + Retention M12
AUC приближённо показывает, сколько customer-months жизни когорта создала за первый год. Это сильная summary-метрика, если нужен один показатель без полной потери жизненного цикла.
Поведенческие когорты помогают найти настоящий activation event
Один из самых ценных сценариев — разделить клиентов по тому, выполнили ли они вероятное activation action в первые дни. Если клиенты, подключившие интеграцию в первую неделю, удерживаются на Month 3 или Month 6 сильно лучше, это действие близко к реальному aha moment.
Когортный анализ каналов меняет то, как нужно читать CAC
Organic, referral, paid search, outbound и event-когорты часто имеют принципиально разные retention curves. Поэтому одного CAC недостаточно. Channel LTV и cohort retention нужно читать вместе, прежде чем масштабировать или резать канал.
Cohort NRR часто идёт по J-кривой
Многие SaaS-когорты стартуют ниже 100% из-за раннего churn, затем приближаются к 100%, а позже уходят выше 100%, когда expansion начинает устойчиво перекрывать потери. Скорость, с которой когорта пересекает 100%, — сильный сигнал зрелости expansion motion.
Типичные ошибки когортного анализа
- Начинать когорту с регистрации, а не с первого платежа. Trial сильно искажает Month 1 retention.
- Делить на предыдущий месяц вместо Month 0. Это превращает когортный retention в обычный месячный retention.
- Сравнивать когорты разного возраста. Month 6 одной когорты нельзя сопоставлять с Month 12 другой.
- Игнорировать размер когорты. Малые когорты шумны и легко создают ложные выводы.
- Игнорировать сезонность. По возможности сравнивайте January с January, а не автоматически с December.
- Считать реактивацию непрерывным retention. Реактивированных клиентов нужно учитывать отдельно.
- Смотреть только на logo retention. Revenue retention может рассказывать совсем другую историю качества бизнеса.
Пример расчёта и диагностика
Пример для Mid-Market SaaS:
- January cohort M1 Logo Retention = 89%
- April cohort M1 Logo Retention = 83%
- July cohort M1 Logo Retention = 72%
- January cohort M3 Revenue Retention = 91%
- May cohort M3 Revenue Retention = 78%
Это уже не случайный шум. Новые когорты стабильно ухудшаются, и revenue retention падает вместе с logo retention. Это указывает на настоящую проблему качества привлечения или онбординга, а не на временный артефакт отчётности.
Диагноз: новые клиенты хуже fit или медленнее доходят до ценности.
Главные подозреваемые: ухудшение paid channels, расширение ICP, деградация онбординга или более сильное давление конкурентов.
Лучший следующий шаг: разложить просевшие когорты по каналу, сегменту и activation behavior до изменения бюджета или product priorities.
Как Dnoise строит cohort analysis
Dnoise автоматически строит временные когорты по Stripe-данным первого успешного платежа. Trial-only клиенты по умолчанию исключаются, а таблицы Logo Retention и Revenue Retention строятся параллельно.
Платформа поддерживает и поведенческие когорты, если activation events передаются через API или automation integrations. Heatmap, inter-cohort improvement и cohort-based LTV помогают быстро увидеть, вызваны ли изменения онбордингом, retention, channel mix или качеством expansion.
Почему серьёзная retention-работа начинается с когорт
Dnoise помогает увидеть, становятся ли новые клиенты действительно сильнее или агрегированные SaaS-метрики скрывают медленную деградацию.