# Когортный анализ в CRM: как увидеть, где база начинает терять деньги > Средний LTV выглядит стабильно, а выручка с базы тихо проседает. Когортный анализ показывает, в какой момент клиенты начинают уходить — и где вы теряете деньги. **Рубрика:** Статьи **Дата:** 2026-06-24 Картина, которую мы видим почти на каждом аудите: дашборд показывает ровный средний чек, retention в районе «нормы», LTV не падает. А выручка с базы при этом буксует. Маркетолог разводит руками — вроде все ок, цифры зеленые. Но деньги уходят, просто медленно и незаметно для усредненных метрик. Проблема в том, что среднее умеет врать. Оно сглаживает разницу между клиентом, который пришел два года назад и до сих пор покупает, и тем, кто оформил один заказ в марте и больше не вернулся. Чтобы увидеть, где именно база начинает протекать, нужно разрезать ее по времени привлечения. Этим и занимается когортный анализ. Механику без академизма разбираем вместе с Екатериной Черновой, CRM-маркетологом ClientCore, — так, как это работает на практике с клиентами на Mindbox и других платформах. > **Читайте также:** [Как посчитать выручку от CRM-канала и не обмануть себя атрибуцией](https://blog.clientcore.ru/articles/kak-poschitat-vyruchku-ot-crm-kanala-i-ne-obmanut-sebya-atribuciey) ## Когортный анализ: что это и зачем он нужнее, чем кажется Когорта — это группа клиентов, объединенных по дате первого касания. Все, кто совершил первую покупку в январе, — январская когорта. Февральская — отдельная группа. И так далее. Дальше смотрите, как каждая группа ведет себя во времени: сколько процентов вернулось через месяц, два, полгода, сколько денег принесла. Фокус в том, что вы перестаете смотреть на базу как на единый ком. Вместо «в среднем клиент покупает 3,2 раза» вы видите: январская когорта к третьему месяцу удержала 40%, а майская — только 22%. И сразу возникает вопрос: что случилось в мае? Сменили оффер на привлечении? Запустили скидочный трафик, который притащил охотников за халявой? Сломали онбординг-цепочку? Среднее по базе этот провал не покажет никогда. Оно его растворит в массе старых лояльных клиентов, которые продолжают тянуть метрику вверх. А база тем временем наполняется когортами, которые отваливаются все быстрее. > У одного ритейл-клиента средний retention держался на 31% — выглядело прилично. Разбили по когортам и увидели: когорты после смены подрядчика по платному трафику давали 17% против прежних 38%. Полгода компания платила за привлечение людей, которые не возвращались. Усредненная метрика это прятала. > > — Екатерина Чернова, CRM-маркетолог, ClientCore ## Как читать когортную таблицу и не утонуть в цифрах Классическая форма — треугольная таблица. По строкам идут когорты (месяцы привлечения), по столбцам — периоды жизни: месяц 0, месяц 1, месяц 2 и дальше. В ячейках — процент активных клиентов или выручка на одного. Читается она в двух направлениях, и оба важны. По горизонтали вы видите, как одна когорта затухает со временем — нормальная кривая удержания всегда падает, вопрос в скорости. По вертикали сравниваете разные когорты в один и тот же период жизни. Вот тут и вылезает правда: если месяц-1 retention у свежих когорт стабильно ниже, чем у старых, — качество привлечения или онбординга ухудшается прямо сейчас. Не пытайтесь анализировать все ячейки сразу. Начните с первого столбца после нулевого — месяц 1. Это самый чувствительный момент: вернулся клиент после первой покупки или нет. Если здесь провал, дальше по строке уже ничего не спасет. **Норма** - кривая удержания внутри когорты падает плавно и выходит на плато - свежие когорты ведут себя не хуже старых на сопоставимых периодах - разброс между когортами объясним (сезонность, акции) **Red flag** - каждая новая когорта стартует с месяца-1 ниже предыдущей - retention падает до нуля за 2-3 месяца без плато - одна когорта резко выбивается, и причину никто не помнит ## Retention по когортам: как считать, чтобы цифрам можно было верить Самая частая ошибка — считать retention как «доля клиентов, сделавших хоть одну покупку за период». Звучит логично, но дает кашу. Для подписочной модели и для ритейла с покупками раз в квартал «активность» означает совершенно разное. Базовая формула простая: берете когорту месяца X, считаете, сколько клиентов из нее совершили целевое действие в периоде N, делите на исходный размер когорты. Целевое действие нужно определить честно под вашу модель. Для FMCG-ритейла — повторная покупка. Для SaaS — продление или активное использование. Для услуг с длинным циклом — возможно, взаимодействие с контентом, иначе все когорты будут выглядеть мертвыми уже на втором месяце. И обязательно фиксируйте знаменатель. Retention по когортам считается от исходного размера группы, а не от тех, кто остался активным в прошлом периоде. Иначе вы получите retention rate, который математически не может упасть, и будете радоваться красивой картинке, пока деньги утекают. > Видела дашборд, где retention считали от предыдущего активного периода. Получалось, что удержание никогда не падает ниже 80%. Компания была уверена, что у нее железная лояльность. По правильной формуле — от исходной когорты — реальное удержание к полугоду было 19%. Разница в выводах на миллионы рублей бюджета. > > — Екатерина Чернова, CRM-маркетолог, ClientCore ## Когортный анализ и LTV: где они работают в паре Retention показывает, кто остался. LTV показывает, сколько эти оставшиеся принесли денег. По отдельности обе метрики полуслепые — вместе дают объемную картину. Считайте не средний LTV по базе, а накопительный по когортам. Берете январскую когорту и смотрите: сколько она принесла в среднем на клиента к концу первого месяца, третьего, шестого. Получаете кривую накопления выручки. Дальше накладываете эти кривые для разных когорт друг на друга. Если свежие когорты накапливают LTV медленнее старых на тех же сроках — у вас падает не охват, а экономика отношений с клиентом. Это критично для юнит-экономики. CAC вы платите сразу, а LTV возвращается во времени. Если когортный LTV проседает, может оказаться, что новые клиенты не окупают стоимость привлечения вообще — а по среднему LTV все выглядит прибыльным, потому что старая база держит показатель. Еще один срез, который мы любим, — доля выручки по «возрасту» когорт. Когда более 60-70% выручки месяца делают когорты старше года, а свежие почти ничего не приносят, бизнес живет на старых запасах. Приток новых денег иссякает, и через год-полтора это ударит по выручке уже на уровне P&L. ## Что делать, когда нашли проседающую когорту Найти провал — половина дела. Дальше нужно понять причину, а не сразу заливать ее реактивацией. Когортный анализ — это диагностика: он подсказывает, где копать, но диагноз не ставит. Первый шаг — наложите на когорты внешний контекст. Что менялось в месяцы провальных когорт? Источники трафика, посадочные, приветственная цепочка, цены, ассортимент. Часто провал привязан к конкретному изменению, и связь видна сразу, как только выкладываете таймлайн событий рядом с таблицей. Второй шаг — посмотрите, на каком периоде жизни происходит отвал. Если когорта проседает на месяце 1 — проблема в первом опыте: онбординг, доставка, ожидания не совпали с реальностью. Если отвал на месяце 4-6 — это уже про удержание и ценность: клиент попробовал, ему было нормально, но повода вернуться вы не дали. Лечатся эти два сценария совершенно разными механиками. > Правило простое: провал на раннем периоде — чините привлечение и онбординг, поздний — чините реактивацию и контент жизненного цикла. Один клиент полгода долбил реактивацией когорты, которые отваливались на месяце 1. Деньги в трубу. Проблема была в том, что приветственное письмо обещало то, чего в продукте не было. > > — Екатерина Чернова, CRM-маркетолог, ClientCore **Норма** - к каждой проседающей когорте найдена гипотеза о причине - решение выбрано под период отвала, а не наугад - после внедрения смотрите на новые когорты, а не на старые **Red flag** - любую просадку лечат массовой рассылкой со скидкой - причину провала ищут в усредненных метриках - меняют все сразу и не понимают, что сработало ## Как встроить когортный анализ в регулярную работу, а не делать раз в год Разовый когортный отчет — красиво, но почти бесполезно. Ценность появляется, когда смотрите на свежие когорты ежемесячно и сравниваете с предыдущими. Тогда деградацию привлечения вы ловите через месяц после того, как она началась, а не через год — по упавшей выручке. В Mindbox и похожих платформах когортные отчеты собираются на стандартных событиях, но дефолтные настройки редко подходят под конкретную бизнес-модель. Нужно правильно определить целевое действие, период когорты (неделя, месяц), границу активности. Мы обычно настраиваем это под клиента один раз, и дальше CRM-команда смотрит отчет на регулярных встречах вместе с триггерными метриками. Главное — превратить когорты в триггер для решений. Увидели, что новая когорта стартует ниже нормы, — это сигнал идти к трафик-команде, а не повод вздохнуть и закрыть дашборд. Аналитика без действий по итогам — просто дорогая визуализация. > **Читайте также:** [ROI CRM-маркетинга: как посчитать реальную окупаемость канала](https://blog.clientcore.ru/articles/roi-crm-marketinga-kak-poschitat-realnuyu-okupaemost-kanala) --- [Открыть статью на сайте](https://blog.clientcore.ru/articles/kogortnyy-analiz-v-crm-kak-uvidet-gde-baza-nachinaet-teryat-dengi)