Что такое когортный анализ?
Из этого материала вы узнаете:
• Определение когортного анализа в разрезе задач маркетолога.
• Как с его помощью узнать сколько денег в среднем приносит один покупатель?
• Как с помощью когортного анализа прогнозировать окупаемость рекламы и точно знать, какая из рекламных кампаний в прошлом конвертировалась в покупку?
• Как измерить влияние действий маркетолога на реальные продажи?
• Что такое здоровье бизнеса, как его измерять и зачем?
• Как провести когортный анализ самому? Пошаговое руководство
Если вы обратитесь к википедии и посмотрите на определение когортного анализа там, то оно будет выглядеть примерно так: когортный анализ — это метод маркетингового исследования поведения пользователей, который помогает оценить эффективность бизнеса, а его суть в том, что нужно проанализировать поведение групп людей, совершивших одно и то же действие в определенный период времени.
Не совсем понятно? Давайте разбираться с реальными примерами!
В начале стоит задаться главным вопросом такого анализа:
Cколько в среднем денег приносит один покупатель
и как этот показатель подсчитать?
Этот вопрос не так прост, как кажется. Если вы разделите общую выручку на количество клиентов, то в расчет попадут: как старые покупатели, которые покупали несколько раз, так и новые, которые возможно ничего не купили вообще ни разу. Поэтому такой подсчет не совсем корректен и не дает ценных выводов, так как реклама в прошлом месяце может принести прибыль только в следующем, или даже еще позже.
Например, во многих тренажерных залах от регистрации на сайте до покупки абонемента проходит несколько месяцев. Клиенту нужно выбрать из множества других вариантов, подобрать (и иногда купить) спортивное снаряжение, определиться с тренером и так далее. В таких условиях непосредственно покупка происходит далеко не сразу — зачастую через несколько месяцев. Поэтому делить количество месячных регистраций на выручку за тот же период нет смысла — деньги принесли другие пользователи сайта.
Как же тогда быть? Как свести все эти данные в единую картину и проанализировать? Есть простое решение этой задачи. Возьмите клиентов, которые зарегистрировались, например, в январе прошлого года. Посчитайте сколько покупок и какую выручку приносила эта группа от месяца к месяцу до текущего момента.
Теперь нам нужно сложить всю выручку по месяцам и получится ценность конкретно этой группы пользователей. Разделите итоговую выручку на количество людей в группе и получите среднюю ценность каждого клиента с учетом повторных покупок. Далее повторите такие же расчеты для тех, кто зарегистрировался, к примеру, в марте, феврале и других месяцах.
Таким образом, объединяя группы данных о пользователях по признаку времени (месяцу регистрации) мы объединяем их в когорты, а метод такого анализа называется когортным анализом. Этот термин используется и во многих других областях: от медицины, до финансового риск-менеджмента, но сегодня мы рассматриваем его только с точки зрения маркетинга.
В практике любого маркетолога, рано или поздно возникает похожая ситуация: вы купили показы баннера на сайте, прошел месяц, вы смотрите в аналитику и видите, что ROI этого баннера всего 30%. Не очень впечатляющий результат, но вам нужно принять решение здесь и сейчас, продлевать ли этот баннер. Возможно пользователи будут возвращаться и покупать уже позже? Окупаются ли тогда такие инвестиции в рекламу?
Как раз в этом случае анализ когорт поможет вам предсказать с высокой вероятностью окупится ли такая реклама в будущем. Нужно всего лишь посмотреть каким был ROI прибыльного рекламного источника на первом месяце. Если, к примеру, обнаружится что он был в пределах 25%, то ваш баннер показывает даже лучший результат и точно окупится.
Для более глубокого понимания обратимся к реальным примерам.
Ниже вы видите когортный анализ ROI рекламной кампании из реального примера:
Красным цветом выделены значения когорт на первой неделе. Моменты окупаемости выделены зеленым. Стоит обратить внимание, что даже когорта с 18% ROI окупилась на пятой неделе, а пять когорт из восьми переходят рубеж в 100% уже на пятой неделе. Это дает нам основание ожидать того же поведения для двух нижних — самых новых когорт.
Помимо самого ROI обычно анализируют и retention — количество вернувшихся на сайт людей, количество повторных заказов, конверсий и так далее. Это тоже важный показатель, который не стоит упускать из внимания.
Вам нужно всего лишь выбрать нужную вам метрику и наблюдать её изменения на протяжении времени от одной когорты к другой.
Ответ на этот вопрос актуален в особенности для сектора торговли, где постоянно появляются новые товары, заканчиваются старые, меняется сайт и тестируются все новые и новые рекламные источники.
При такой картине при высоком числе переменных очень сложно сказать благодаря чему выросли продажи. Из-за изменений на сайте? Новой посадочной и новому дизайну или все-таки из-за рекламы?
Конечно, вы всегда можете измерить конверсию — разделить количество покупок на количество посетителей. Но эти данные будут неточными, так как на конверсию влияет множество факторов: от качества трафика до юзабилити сайта и многих других факторов.
Решение: сравните конверсию разных когорт. Реклама и новый трафик влияет на конверсию новых пользователей, а изменения самого продукта на всех. Если она увеличилась или уменьшилась для всех когорт — это влияние сайта. Если только для последней, самой новой когорты — это реклама.
Вот как это выглядит в реальности отчетного дашборда:
Дадим слово одному из пользователей, который применяет когортный анализ на практике при формировании сквозной аналитики:
Мы постоянно улучшаем сайт: добавляем новые функции, убираем ненужные старые, меняем дизайн.
Обычные A/B‑тесты нам не подходят, потому что они показывают только конверсию в следующий шаг продажи. Нам же важно видеть, как новая функция влияет на количество вернувшихся покупателей и на LTV каждого из них.
Мы совмещаем A/B‑тесты и когортный анализ. Через пару недель после запуска изменения дизайна сайта, мы сравниваем количество заказов и LTV для двух когорт людей: тех, кто впервые попал к нам до изменения и тех, кто пришел после. Если показатели последних похожи или лучше первых — оставляем нововведение. Если ниже — откатываем. Таким образом, мы точно знаем, как наши действия влияют на долгосрочное поведение покупателей.
Это помогает нам увеличивать продажи.
Для справки:
LTV (Lifetime Value) — это пожизненная ценность клиента. LTV показывает прибыль от отношений с клиентом за весь период — с момента, когда он увидел первую рекламу или зарегистрировался на сайте, до последней покупки.
A/B тестирование — это мощный маркетинговый инструмент для повышения эффективности работы вашего интернет-ресурса. С помощью A/B тестов повышают конверсию посадочных страниц, подбирают оптимальные заголовки объявлений в рекламных сетях, улучшают качество поиска. Такое тестирование помогает на цифрах увидеть результат изменений тех или иных частей сайта и как они влияют на конверсию.
Совсем не секрет, что доля повторных заказов показывает состояние и условное “здоровье” бизнеса. Если клиенты возвращаются еще и еще — продукт явно их устраивает и удовлетворяет их “боль” или “боли”. Если же у вас есть постоянные клиенты и они приносят вам не менее 30% от выручки — это хороший показатель и у бизнеса есть прочный фундамент.
И именно когортный анализ показывает, есть ли у вас преданные продукту клиенты и как их много. Если на графиках вы замечаете, что цикл жизни когорты стал уменьшаться, а люди перестают возвращаться за продуктом — возможно, стоит обратить внимание на качество сервиса, ассортимент или другие параметры.
Итак, мы с вами выяснили, что такое когортный анализ, зачем он бизнесу и как его применять на практике. Теперь давайте закрепим эти знания пошаговым руководством в котором мы расскажем с чего начать и как проводить когортный анализ самостоятельно.
Этап первый — сбор данных.
Глобально, когорты формируют на основе любого циклического события, но в маркетинге чаще всего “точкой входа” используют дату первого захода на сайт, дату регистрации, дату первой покупки. Если кратко — дату первого касания потребителя продукта с самим продуктом, которое можно закрепить в веб-аналитике. Для того, чтобы собрать такие данные вам нужно выгрузить их (самостоятельно или с помощью программиста) из вашей базы данных сайта в таблицу формата: дата регистрации пользователя — дата покупки — номер заказа — выручка. Очень важно, чтобы у каждого пользователя был свой идентификатор по которому его можно будет распознать в дальнейшем.
Этап второй — загрузите данные в Excel.
Google Docs и Apple Numbers тоже подойдут для этих целей. А вообще, анализ данных через Excel это, конечно, прошлый век, но об этом позже. На основе этих данных вам нужно построить сводную таблицу, где строки — даты регистрации, а колонки — даты покупок. В ячейки нужно вставить либо количество записей, либо сумму выручки. В итоге каждая строка таблицы будет когортой с шагом в 1 день. В ячейках будет либо количество заказов, либо выручка этой когорты за каждый день.
Этап третий — постройте график
Для удобного визуального представления когорт подойдет stacked area chart или streamgraph — график с областями с накоплением.
Высотой всего графика станет суммарная выручка за отчетный период, а высота каждого сегмента — выручка каждой когорты.
Вот примерный итог ваших действий:
Если это краткое руководство показалось вам слишком сложным или у вас нет достаточного количества времени для того, чтобы применять его на практике самому — лучшим решением будет сервис сквозной аналитики, который даст вам подробный анализ данных всего за пару минут. К счастью, как раз в Smart Data Hub есть такая функция и работает она как те самые швейцарские часы, а вам стоит её попробовать по ссылке — smartanalytics.io
На этом все! Мы разобрали основное понятие когортного анализа, показали, как он работает на практике, и как его применить. Этих знаний вам вполне хватит для корректный отчетов в виде графика когортного анализа и правильных управленческих решений на их основе.
По разным данным от 30 до 70% рекламного бюджета самых разных компаний улетает "в трубу". Эти деньги можно сохранить или потратить на развитие бизнеса.
