Почему когортный анализ важен для маркетинга

Быструю окупаемость рекламных вложений стоит ожидать только от товаров с коротким циклом покупки. Для сложных продуктов – это из ряда фантастики. Однако оценивать эффективность таких рекламных кампаний как-то надо. Для этого существует когортный анализ, предназначенный для того, чтобы исследовать поведение пользователей, учитывая фактор времени.

Когортный анализ: что это

Это метод маркетингового исследования поведения клиентов, сгруппированных в когорты по определенным действиям, которые были совершены ими в заданный промежуток времени. Когорта – группа пользователей, объединенная по целевому действию и/или времени, когда они это действие совершили (регистрацию, покупку, подписку). 

Чем когорта отличается от сегмента? Наличием фактора времени. Получается, что сегмент – более широкое понятие. 

Какие переменные использует когортный анализ

• Действие пользователя: вовлечение или монетизация. Например, к вовлечению относится установка приложения, регистрация, подписка. Монетизация заключается в покупке, платной подписке или оплате счета.
• Временной промежуток совершения целевого действия: день, неделя, месяц, квартал и т.д.
• Отрезок времени, в течение которого длится исследование. По прошествии времени наблюдения за когортой прекратятся.
• Требуемые бизнесу показатели: ARPU, ROI, LTV, конверсия и другие.

Ценность когортного анализа в том, что он позволяет отследить важные параметры в динамике. Также он дает представление о ключевых метриках для разных сегментов, о качественных результатах маркетинговых действий.

Когортный анализ подойдет для оценки:

• Эффективности каналов привлечения. Расскажет о каналах, которые «поставляют» лояльных клиентов. Менеджмент на основе полученных данных сможет перераспределить бюджет на наиболее результативные источники. Почему нельзя оценить эффективность сразу после завершения рекламной кампании и успокоиться? Представьте, с рекламы в Facebook пришло 2000 пользователей, а после e-mail рассылки – всего 1000. Однако уже через месяц 90% пришедших с Facebook перестали использовать приложение, а из привлеченных через рассылку нецелевой аудиторией оказались всего 15%. Итак, какой канал оказался эффективнее? 

• Окупаемости инвестиций. Для серьезных сделок (в сфере недвижимости, электронных сервисов) ROI грамотно оценивать спустя некоторое количество времени, поскольку логично полагать, что первая же реклама не принесет должного эффекта. Допустим, рекламная кампания Altcraft Platform завершилась в январе. Потенциальный клиент тогда впервые услышал о существовании платформы и зашел на сайт за подробностями. Затем потянулось время на обдумывание, изучение возможностей, отзывов. Только в мае клиент запросил демо-версию, а в июне был подписан договор о сотрудничестве. Оцени мы ROI в феврале, оказалось бы, что рекламная кампания провалилась с громким треском.

• Метрики LTV. Lifetime value – это прибыль от клиента на протяжении всего срока сотрудничества с ним. Метрика показывает ценность новых клиентов конкретного типа. Отслеживая длительность сотрудничества и величину доходов с клиента, получится спрогнозировать эти показатели для схожих когорт.

• Результатов тестирования. Когортный анализ посчитает изменения конверсии после А/Б-тестов в ретроспективном измерении. Как и в случае с оценкой эффективности каналов привлечения, бывают ситуации, когда удачный элемент тестирования не выдерживает проверку временем.

Также результаты когортного анализа используют, чтобы повысить активность действующих клиентов.

Как применять когортный анализ

Для начала обозначим, что для проведения когортного анализа требуется релевантная выборка: не рекомендуется использовать данный метод, имея менее 1000 пользователей (событий) в базе. 

Способ отлично подойдет для массового бизнеса В2В или В2С с длительным циклом продажи.

Далее поговорим об этапах проведения когортного метода маркетингового исследования. Для этого нужно:

1. Определить цель исследования и отслеживаемую метрику. Проиллюстрируем описание примером. Допустим, наша цель – определить наиболее эффективный канал продаж мобильного приложения. За метрику примем конверсию – платную подписку на месяц использования приложения. Параллельно оценим коэффициент удержания клиентов. Он показывает процентное соотношение клиентов, продолжающих пользоваться приложением, по большей части с платным доступом.

2. Сформировать когорты. Реклама мобильного приложения проходила в Instagram, Facebook, Яндексе и Google в июне. Потенциальным клиентам предлагалось пройти регистрацию и попробовать бесплатную месячную демо-версию. Довольные клиенты могли платно продлить подписку и продолжить пользоваться приложением. За когорты возьмем лояльных клиентов, которые купили доступ в июле, отсортируем их по каналам привлечения  – итого получилось 4 разные когорты.

3. Провести анализ по когортам за 3 месяца после совершения целевого действия. Оценим количество активных клиентов с разбивкой по месяцам. Анализ показал, что Facebook сработал наиболее успешно: клиенты, узнавшие про наше мобильное приложение из Facebook, оставались лояльными как минимум на протяжении трех месяцев. 

Когортный анализ удобнее проводить, используя электронные таблицы: Excel или Google-Таблицы. Однако в них нет встроенного механизма расчета, то есть прописывать формулы придется самостоятельно. В сервисе Google Analytics когортное исследование автоматизировано, но наложено ограничение на разделение пользователей на когорты: только по первому действию в заданный промежуток времени.

Для тех, кто не готов мириться с описанными недостатками таблиц и Google Analytics, существуют платформы автоматизации маркетинга. В CDP Altcraft Platform когортный анализ можно провести для когорт клиентов, совершивших целевое действие в течение недели или месяца. Отчет формируется по следующим показателям:

• числу уникальных кликов или открытий;

• соотношению уникальных кликов к открытиям или к отправленным сообщениям;

• соотношению уникальных открытий к отправленным сообщениям.

Для удобства пользователей результаты представляются в виде таблицы или графика.

Как проводить когортный анализ для различных метрик

Использование метода когортного анализа для оценки эффективности каналов привлечения мы уже описали, говоря об этапах проведения исследования.

Тем не менее разберем еще один пример: будем определять самый эффективный канал привлечения новых подписчиков рассылки. Рассмотрим 3 когорты – по числу каналов. Временное ограничение 15-30 марта – период, когда проходила рекламная кампания. Из 3000 подписчиков через 5 месяцев осталось 782. В таблице приведена статистика – сколько привлеченных пользователей оставались активными с течением времени.

На первый взгляд кажется, что реклама в Facebook оказалась самой эффективной, поскольку с нее пришло преобладающее число подписчиков. Однако к августу только 6% отправленных писем оказались прочитанными. Качественная целевая аудитория была получена через канал «Партнерские посты ВКонтакте», поэтому именно на этот источник следует обратить внимание маркетологам из компании N.

Оценка метрики LTV

Допустим, мы оцениваем LTV пользователей, начавших пользоваться приложением доставки продуктов питания на дом. Клиенты, сделавшие первый заказ в одном из месяцев I квартала 2020 года, образовали 3 когорты: январь, февраль и март 2020. Исследование длилось полгода – за это время анализировалось дальнейшее поведение когорт. Для сопоставимости данных анализ проводился через ARPU – средний доход с клиента, в рублях.

LTV рассчитывается по каждой когорте в отдельности или для всех клиентов сразу – подробнее о способах расчета показателя читайте здесь. Для подсчета Lifetime примем для себя правило: это время от начала сотрудничества до его прекращения (первого нулевого результата).

Чтобы найти LTV по когорте, достаточно сложить значения ARPU на протяжении Lifetime этой когорты. LTV январской когорты составило 14100 рублей, февральской – 12600 рублей, мартовской – 9300 рублей. 

Таким образом, пользователи, заинтересовавшиеся приложением в январе, остаются более «надежными» и ценными для компании. А средства, с помощью которых они были привлечены, можно считать наиболее эффективными.

На первый взгляд кажется, что в марте 2020 года была проведена крайне эффективная рекламная кампания: она не только принесла новых пользователей с рекордным ARPU (4500 рублей), но и значительно подстегнула январскую и февральскую аудитории (4000 и 3700). Когортный анализ выявил, что это мнение является ошибочным. 

Кроме того, вспомним, что именно в марте 2020 года, в связи с распространением коронавирусной инфекции, были введены ограничения, и для многих людей доставка продуктов питания на дом стала необходимостью. Затем люди вернулись к привычному укладу жизни. Когортный анализ как раз указывает нам на ниспадающее поведение мартовской когорты, а расчет метрики LTV подтверждает логику аналитически.

В данной ситуации не рекомендуем использовать полученные результаты анализа для прогнозирования финансовых показателей будущих периодов. Внешняя ситуация не соответствовала привычному поведению потенциальных клиентов, и строить прогноз на фоне критических значений в корне неверно.

Пример с тестированием

Были запущены тесты новых дизайнов, разработанных под раздел интернет-магазина «Заказ сопутствующих товаров». Есть яркий вариант – дизайн А, более сдержанный – дизайн В, привычный – Old. Требуется выбрать наиболее успешный вариант. Когорты сформированы по числу кликов на каждый из вариантов за неделю: с 5 по 11 июня. Оценивается конверсия в течение 3 месяцев.

Из таблицы видно, что по кликабельности лидирующие позиции занимает дизайн А, однако показатели конверсии оставляют желать лучшего. Дизайн В уступает по количеству кликов, зато выигрывает в конверсии. Подвох в том, что его результаты лишь незначительно отличаются от старого дизайна, поэтому переход на дизайн В не вполне оправдан. Дизайнеру и маркетологу компании следует обдумать иную концепцию. 

Вместо заключения

Когортный анализ – очень интересный инструмент для анализа поведения пользователей. Конечно, такой способ поддержки управленческих решений достаточно привередлив: требует значительного объема данных, времени на их сбор, выбора показательной метрики, компетентного аналитика. Однако при этом результаты анализа могут вас поразить.