Когортный анализ (оценка эффективности)
Здесь когорта — это группа пользователей, которых объединил какой-то общий «стартовый» признак. Маркетологи формируют такие группы, чтобы в динамике смотреть, как люди из каждой когорты ведут себя после взаимодействия с рекламой.
Какие бывают признаки для формирования когорт?
- По времени. Например, все, кто зарегистрировался на сайте в одну неделю, или все, кто впервые купил товар в определённый месяц.
- По источнику привлечения. Когорта пользователей, пришедших из таргетированной рекламы в соцсетях, отдельно от тех, кто пришёл через контекстную рекламу или email-рассылку.
- По поведению. Группа тех, кто после просмотра рекламы оформил подписку, совершил первую покупку или достиг какого-то уровня в игре.
- Иногда комбинируют признаки. Например, пользователи, которые зарегистрировались в январе и сразу совершили покупку.
Зачем это нужно?
Чтобы понять реальную картину:
- Оценить, какие каналы привлечения приводят более лояльных клиентов (с высоким Retention Rate — удержанием).
- Увидеть, как меняется пожизненная ценность клиента (LTV) в зависимости от того, откуда он пришёл.
- Разобраться, почему в какой-то период упали повторные продажи: возможно, дело в самой рекламе, а может, изменился продукт или наложилась сезонность.
- Протестировать гипотезы: например, сравнить поведение пользователей, пришедших по старому и новому креативу.
Какие метрики смотрят? Конверсия, Retention Rate (удержание), Churn Rate (отток), средний чек, LTV, CAC (стоимость привлечения), ROI.
Важное предупреждение: при анализе нужно избегать ошибок. Например, не стоит сравнивать когорты сильно разного размера — это исказит статистику. Также важно учитывать внешние факторы (сезонность, запуск новой функции в продукте), иначе выводы могут быть неверными.
Таргетинг по когортам (подача рекламы)
Здесь идея в том, чтобы не таргетировать рекламу на каждого пользователя индивидуально, а объединять людей в группы по схожим интересам или поведению и показывать релевантные объявления уже этим группам. Это особенно актуально в условиях ограничений на сбор персональных данных (например, в связи с отказом от сторонних cookies).
Пример: система может сформировать когорту «любители спорта», куда попадут пользователи, часто посещающие спортивные сайты или интересующиеся определёнными видами спорта. И уже этой группе показывать рекламу спортивных товаров или мероприятий.
Плюс такого подхода — баланс между персонализацией и приватностью: вы не отслеживаете каждого человека в отдельности, а работаете с анонимными группами.
Исторический пример: Google разрабатывала систему Federated Learning of Cohorts (FLoC) в рамках проекта Privacy Sandbox — она локально в браузере группировала пользователей по паттернам поведения и выдавала сайтам ID когорты для показа рекламы. Позже Google сменила фокус на Topics API, которая работает с более широкими категориями интересов.
Какой вывод?
Если ваша задача — проанализировать, сработала ли конкретная рекламная кампания и какие каналы стоит масштабировать, используйте когортный анализ. Если же цель — настроить саму подачу рекламы так, чтобы она была релевантной для разных групп аудитории с учётом ограничений приватности, речь идёт о таргетинге по когортам.
Сколько людей по науке нужно включать в когорту?
Нет универсального числа, но в практике и по соображениям статистики обычно стремятся к тому, чтобы в когорте было от 100 до 500 человек. Я поясню, откуда взялась эта цифра и как подстроить размер под вашу задачу — так будет полезнее.
Суть в балансе: слишком маленькая когорта даёт «шум», а слишком большая может быть избыточна для быстрой проверки гипотезы.
Почему важен размер
Когда когорта мала (например, 20–30 человек), даже одно-два случайных события сильно искажают проценты. Скажем, если из 20 человек вернулся 1 — это 5%, а если 2 — уже 10%. Такие колебания делают выводы ненадёжными: легко принять шум за реальную тенденцию. Поэтому для статистической значимости и устойчивых выводов рекомендуют начинать от 100 человек. А 300–500 — это уже более надёжная база, особенно если вы планируете делить когорту на подгруппы (например, сравнивать пользователей из разных каналов внутри одной временной когорты).
Но есть нюансы
Даже при 100+ людях результат может быть слабым, если сама метрика, которую вы изучаете, по природе очень «шумная». Например, если конверсия в покупку изначально низкая или на поведение сильно влияют внешние факторы (сезонность, разовые акции), потребуется больший объём, чтобы «поймать» сигнал.
С другой стороны, если ваша задача — просто быстро проверить базовую гипотезу (например, «пришёл ли трафик из нового канала в целом лучше удерживает пользователей?»), и вы видите чёткую, сильную разницу между когортами — даже когорта в 150–200 человек может дать достаточно обоснованный вывод.
Практические советы
- Укрупняйте временной интервал. Если при разбивке по дням когорты получаются слишком мелкими, попробуйте неделю или месяц — так объём в каждой группе вырастет, и анализ станет стабильнее.
- Следите за подгруппами. Если вы планируете внутри когорты делать срезы (например, по устройству, географии или источнику), заранее закладывайте больший общий размер, чтобы в каждой подгруппе было достаточно людей для анализа.
- Комбинируйте с другими методами. Даже при достаточном размере полезно перепроверять выводы когортного анализа качественными данными или A/B-тестами — это повышает уверенность в результате.
В итоге я советую такой подход: начните с разумного минимума (100+), но если видите, что метрика «плавает», или планируете детальный разбор — увеличивайте объём или укрупняйте временной шаг. И всегда проверяйте: не искажают ли картину внешние факторы.
Отправить ответ