Когортный анализ повторных покупок: 6 вопросов и ответов

Что такое когорта в контексте повторных покупок — и чем она отличается от обычного сегмента?

Сегмент — это срез базы по текущим признакам: «покупатели корма для кошек», «клиенты клиники старше 40 лет». Когорта — это группа, объединённая по моменту или условию первого действия: «все, кто впервые купил в январе», «все, кто пришёл с акции на линзы». Ключевое отличие: когорта не меняется со временем, а значит вы наблюдаете за одной и той же группой людей на разных этапах жизненного цикла.

Именно это делает когортный анализ таким ценным для повторных продаж. Вы видите не статичный снимок, а динамику: как быстро когорта «остывает», где происходит главный отток, есть ли второй пик активности через полгода. Сегмент такого не покажет — он смешает клиентов с разной историей в одну кучу.

По какому признаку лучше формировать когорты: по дате первой покупки, каналу или продукту?

Универсального ответа нет — выбор зависит от бизнес-вопроса. Если вы хотите понять, насколько хорошо компания удерживает «новичков» в принципе, базовая когорта по месяцу первой покупки подходит лучше всего. Она сразу показывает, улучшается ли удержание год от года или деградирует.

Если вы запускали разные акции привлечения или работаете с несколькими каналами, когорта по источнику первого контакта даст ответ на вопрос «какой канал приводит клиентов с длинным циклом жизни, а какой — разовых покупателей». Для оптики это может быть контрастом между клиентами, пришедшими на проверку зрения, и теми, кто купил по скидочному купону.

Когорта по первому продукту особенно полезна там, где линейка широкая: зоотовары, аптеки, клиники с разными направлениями. Клиент, начавший с дорогого товара, и клиент, начавший с промо-позиции, в среднесрочной перспективе ведут себя очень по-разному. Это влияет на то, стоит ли вкладываться в их удержание одинаково.

Какие метрики считать внутри когорты, чтобы получить действенные выводы, а не красивые таблицы?

Минимальный набор для повторных продаж — это три показателя: retention rate на 30/60/90 дней после первой покупки, время до второй покупки (time-to-second-order) и суммарный доход с когорты к определённому периоду (cumulative revenue). Retention показывает скорость оттока, time-to-second-order — насколько хорошо работает первичный цикл возврата, cumulative revenue — реальный LTV в динамике.

Практически важный, но часто упускаемый показатель — доля клиентов, совершивших ровно одну покупку (one-and-done rate). Если в когорте 60–70% таких клиентов, это сигнал не для отдела привлечения, а для отдела удержания: проблема не в том, что мало приходит, а в том, что почти никто не возвращается. Именно на этой точке — между первой и второй покупкой — когортный анализ даёт самый прямой рычаг влияния.

Как когортный анализ помогает определить оптимальный момент для повторного контакта?

Когда вы смотрите на медианное время до второй покупки по когортам, складывается чёткий паттерн: у большинства продуктов с предсказуемым потреблением (линзы, корм для питомца, расходники) есть выраженный «пик возврата» — период, когда вероятность второй покупки максимальна. До этого пика клиент ещё не готов, после — уже уходит к конкуренту или просто забывает.

Когортный анализ позволяет не угадывать этот пик по ощущениям, а измерить его по факту: берёте когорту, строите распределение интервалов между первой и второй покупкой, находите моду. Это и есть ваш целевой момент для коммуникации. Например, для зоомагазина корм заканчивается в среднем через 23–27 дней — значит, напоминание на 20-й день попадает в окно, а на 35-й уже опаздывает.

Дополнительно когортный срез показывает, как этот оптимальный интервал различается для разных продуктовых или канальных когорт. Клиент, купивший премиальный корм, может возвращаться реже, но стабильнее. Клиент, купивший по акции эконом-позицию, возвращается быстрее, но с большим оттоком. Единый триггер «через 3 недели» будет неточным для обеих групп.

Где чаще всего ошибаются при интерпретации когортных данных?

Первая типичная ошибка — сравнивать «молодые» когорты со «зрелыми». Когорта этого месяца по определению покажет более высокий retention, чем когорта двухлетней давности, просто потому что у неё ещё не было времени уйти. Поэтому когорты нужно сравнивать на одинаковом «горизонте наблюдения»: retention когорты января на 6-м месяце против retention когорты июля на 6-м месяце — корректно. Январь целиком против июля целиком — нет.

Вторая ошибка — путать retention клиентов с retention выручки. Иногда когорта теряет половину клиентов, но оставшиеся начинают покупать больше — и суммарный доход не падает. Это разные истории, и они требуют разных управленческих решений. Смотреть только на одну из них — значит получать неполную картину.

Третья ошибка — строить когортный анализ вручную в Excel раз в квартал и считать его «достаточным». Паттерны потребления меняются, и статичный срез устаревает быстро. Настоящую ценность когортный подход даёт только тогда, когда он встроен в операционный процесс: выводы не просто читаются аналитиком, а автоматически влияют на то, кому и когда делается предложение.

Как перейти от когортного анализа к конкретным действиям в CRM без ручной работы?

Разрыв между аналитикой и действием — главная причина, по которой когортный анализ остаётся «красивым слайдом для стратсессии», а не инструментом роста. Типичный сценарий: аналитик строит когорты, находит, что 65% клиентов не делают вторую покупку в течение 45 дней, — и на этом всё. Маркетолог получает вывод, но не получает готовый список «кто именно сейчас находится в этом критическом окне».

Операционный переход выглядит так: когортная логика (оптимальный момент возврата по типу клиента и продукта) должна быть встроена в правила формирования задач и предложений прямо в CRM. Не «клиенты, купившие корм», а «клиенты из когорты Х, у которых через 3–5 дней наступает их персональный пик готовности к покупке, с предложением именно того SKU, который они брали в прошлый раз». Это уже не ручная сегментация — это предиктивная логика поверх когортных паттернов.

Именно здесь «Умный цикл» закрывает этот разрыв: система анализирует историю транзакций из 1С и вашей CRM, выявляет индивидуальные циклы потребления для каждого клиента и автоматически формирует готовую сделку с персональным предложением в нужный момент — без участия аналитика и без ручных выгрузок.

«Умный цикл» строит такой прогноз автоматически

Берёт данные из вашей учётной системы, считает следующую покупку каждого клиента и кладёт готовую сделку в CRM. Покажем на демо «горячий список» по вашей базе.