Эффект когорты

Как использовать когортный анализ

Когортный анализ заключается в исследовании характеристик когорт (групп пользователей), объединенных по общим временным признакам. Когорты очень похожи на сегменты с тем отличием, что когорта объединяет пользователей определенного промежутка времени, в то время как сегмент может быть основан на любых других характеристиках пользователей.

Для сайтов когорту обычно определяют по первому посещению или целевому действию пользователя. Затем мы можем отслеживать, как меняется поведение пользователей из этой когорты с течением времени, или сравнивать сами когорты между собой.

Это предоставит нам возможность лучше понимать влияние маркетинговых мероприятий и повысить качество принимаемых решений.

Когортный анализ разделяет действия новых и старых пользователей. Благодаря этому у нас появляется возможность разделить показатели бизнеса, отвечающие за получение новых клиентов и за удержание старых. Почему это важно? Обычно для оценки успешности бизнеса используют общий доход:

Однако это не говорит о том, за счет чего увеличивается этот доход. Вы можете успешно привлекать новых пользователей и за счет этого увеличивать прибыль, но ваши старые пользователи могут больше не возвращаться. Из такого графика этого не узнать.

Разобьем пользователей на когорты и построим аналогичный график:

Каждая когорта на графике представлена своим цветом и их сумма показывает ту же доходность, что и прошлый график, но теперь мы видим какое влияние оказывают разные группы пользователей на доход. Первые вертикальные линии каждого цвета отображают покупки новых пользователей.

Также мы видим, как ведут себя эти пользователи в дальнейшем – это показывают хвосты того же цвета, которые тянутся до конца графика. На данном графике первый импульс роста с 9-го по 29-го марта происходил за счет привлечения новых пользователей. Но после 3-го апреля количество новых пользователей снизилось и перестало увеличиваться.

В это время доход увеличивался за счет уже привлеченных ранее пользователей.

Отслеживание новых посещений

Итак, первый вариант использования когортного анализа – это сравнительный анализ разных когорт. Это отличный способ отслеживания новых посещений и трендов.

Например, мы можем отслеживать результаты изменений на сайте. Если вы собираетесь что-то менять на сайте или делаете это регулярно, то когортный анализ – это то, чем вы просто обязаны пользоваться.

С помощью него вы можете быстро оценить эффект от нововведений и понять насколько изменения пришлись по вкусу вашим пользователям: стали ли они совершать больше целевых действий или меньше, увеличились ли продажи или доход и т.д.

Аналогично можно измерять эффект от маркетинговых кампаний: были ли они эффективны, какой доход они принесли. На скриншоте ниже можно заметить существенный рост дохода от когорты, в которую собраны пользователи, посетившие сайт в течение недели, начавшейся 20 июня. Мы сразу можем оценить успешность мероприятий, проведенных в течение этой недели.

Отслеживание повторных посещений

Второй вариант использования когортного анализа можно назвать анализом лояльности пользователей – это исследование когорт с течением времени. На графике мы видим когорты (линии разного цвета) и доход, который они приносят в течение выбранного периода времени.

Мы можем оценить время жизни пользователей и доход, который приносит каждый пользователей (LTV – lifetime value). Если пользователи совершают первую покупку и больше не возвращаются к вам, вы сразу же увидите это и сможете принять меры по возвращению пользователей.

В данном примере пользователи продолжают возвращаться на сайт и совершать покупки в течение долгого периода времени.

Вы также можете понять, как разные когорты ведут себя в дальнейшем. Одни из них могут приносить вам больший доход, другие – меньший. Определив, чем отличаются эти когорты между собой, вы сможете привлекать более лояльную вам аудиторию. Дальше мы рассмотрим, какие варианты есть для построения отчетов по когортному анализу на основе данных из Google Analytics.

Когортный анализ в Google Analytics

Технически вы можете построить когорты с помощью сегментов, выбирая группы пользователей за нужный период.

Для каждой когорты придется создать свой сегмент, а затем выгрузить данные в Excel, где и производить дальнейшую манипуляцию над данными и анализ. Однако это очень трудоемко и неудобно.

К счастью, Google Analytics предлагает пользователям отчет по когортам, который находится в разделе «Аудитория – Когортный анализ». Выглядит он следующим образом: 

Для построения отчета вам необходимо выбрать тип и размер когорты, показатель, который будет выводится на графике и в таблице, и диапазон, за который вы хотите получить отчет. На рисунке выше в качестве показателя выбрано количество транзакций и когорты построены по неделям.

На верхнем графике отображается количество транзакций, которые совершили пользователи каждой когорты. Транзакции, принадлежащие одной когорте, отображаются линией одного цвета и разбиваются по периодам, в данном случае по неделям. На графике мы видим, сколько транзакций совершают пользователи в первую и последующие недели.

Под графиком размещается таблица, которая отображает ту же самую информацию, но в табличном виде, где каждая когорта представлена одной строкой.

Как и в других отчетах Google Analytics, мы можем добавить сегменты и изучить когорты одного конкретного сегмента или сразу нескольких. Такая возможность очень сильно расширяет функционал когортного анализа и позволяет исследовать когорты в разрезе практически любых параметров.

При изучении когорт на всех пользователях сразу, без сегментации, не всегда можно объяснить то или иное отклонение. Также в общей массе пользователей бывает очень трудно заметить какие-либо изменения т.к. большое количество источников трафика сливается и заметить разницу между когортами невозможно. Благодаря сегментам появляется возможность посмотреть на тонкий срез посетителей.

В этом случае, как правило, найти и объяснить отклонения уже не составляет труда. На скриншоте ниже в качестве примера приведен когортный отчет для платного и бесплатного трафиков. В отличие от прошлого отчета (см. скриншот выше), здесь легко заметить различия в когортах, и, если вы в курсе маркетинговых мероприятий, легко поймете, чем они вызваны.

Так же легко вы сможете увидеть какой эффект имели те или иные изменения на сайте, сравнив поведение когорт до и после изменений.

К сожалению, когортный анализ в Google Analytics обладает рядом существенных недостатков, осложняющих его эффективное использование. Вот основные из них.

1.Семплинг

Если вам необходимо использовать сегменты, то, скорее всего, вы столкнетесь с семплингом.

Это значит, что для вашего отчета Google Analytics будет использовать только часть данных, из-за этого о точности данных говорить уже невозможно. Как следствие, принимать решения, основанные на неточных данных, не имеет смысла.

Если для примера взять отчет с сегментацией на платный и бесплатный трафик, приведенный выше, то он был построен всего на 10% от всех данных.

2. Только один тип когорты

В Google Analytics доступен только один тип когорты – дата первого посещения. Таким образом, вы можете группировать пользователей только по первому посещению. Часто бывает необходимо провести анализ групп, основанных на других характеристиках пользователей, например, на первых транзакциях, на каких-то событиях и т.д. К сожалению, с Google Analytics это сделать невозможно.

3. Ограниченный период отчетности

Следующее ограничение касается размера когорты и периода отчета. Что касается размера когорты, то в Google Analytics их три: по дням, по неделям и по месяцам. Этого вполне достаточно, однако к ним привязаны диапазоны дат для отчета. Если вам необходимы когорты по дням, то отчет вы сможете создать максимум за последние 30 дней.

Для недельных и месячных групп доступно только последние 3 месяца. Безусловно, это лучше, чем ничего, но для эффективного применения когортного анализа этого маловато, особенно если вы анализируете более крупные периоды – недели и месяцы.

Кстати, недели в Google Analytics начинаются с воскресенья, а не с понедельника, и изменить это невозможно.

4. Ограниченная визуализация

На графике можно отобразить только 4 когорты. Показатель выводится в виде линейного графика максимум за последние 12 дней или недель. Никаких других возможностей в графической части отчета нет.

Когортный анализ в Tableau

Из-за ограничений, описанных выше, использование встроенного когортного анализа в Google Analytics становится практически бесполезным для сложных проектов. Поэтому в нашем агентстве было принято решение создать отчет по когортам таким образом, чтобы устранить все эти недостатки.

В итоге получилась связка Google Analytics + BigQuery + Tableau. С помощью API данные из Google Analytics ежедневно импортируются в BigQuery, а затем визуализируются с помощью Tableau.

Для сложных и уникальных проектов может понадобиться предварительная настройка сбора данных, которая расширит функциональность и информативность отчета.

Мы хотели бы показать вам пример такого отчета:

Такой отчет отлично подойдет маркетологам и руководству, он не требует сложных настроек, создания сегментов, а предоставляет всю важную информацию в готовом виде со всеми необходимыми фильтрами и сегментами.

Данные обновляются автоматически, и вы каждый день будете видеть актуальную информацию о вашем проекте.

И что важнее всего – нам удалось обойти ограничения, которые присутствуют в стандартном отчете Google Analytics:

1. Благодаря выгрузке данных с помощью API нам удалось обойти семплирование, отчет строится на всех данных, а не на какой-то их части. 2.

Тип когорты мы можем задавать самостоятельно, но может потребоваться предварительно настроить события, по которым требуется группировать пользователей. 3. Период для отчета мы можем указывать абсолютно любой, за который у нас собраны данные.

4.

Благодаря Tableau мы практически ничем не ограничены в визуализации и при необходимости можем построить любые графики и таблицы.

Нужно отметить, что вам даже не обязательно использовать BigQuery, для построения таких отчетов. Для этого понадобится выгрузить данные из Google Analytics в Excel и затем построить отчет в Tableau. В этом случае вы даже можете воспользоваться бесплатной версией Tableau т.к. вам не понадобиться подключаться к BigQuery.

Для небольших проектов этого может быть вполне достаточно, к тому же это можно сделать совершенно бесплатно. Конечно, если данных очень много, то будет проблематично выгрузить их в Excel, не говоря уже о регулярном обновлении.

Поэтому использование API Google Analytics для импорта данных в BigQuery является оптимальным решением для крупных проектов.

Источник: https://AdIndex.ru/publication/tools/2016/08/22/135913.phtml

Как с помощью когортного анализа определить — чего хочет пользователь?

Каждый день мы оставляем за собой след, путешествуя по просторам всемирной паутины. Пользователи ежеминутно генерируют неисчислимое количество информации, делая вклад в формирование биг даты, работа с которой сегодня является необходимостью для большинства онлайн-бизнесов.

Из-за обилия данных становится сложнее определить пользу информации для принятия окончательного решения. Нужно заручиться определённым набором инструментов, чтобы оперативно ориентироваться в массивах даты и эффективно работать с ними. Один из них — когортный анализ, об особенностях которого я расскажу в этой статье.

Что это такое

Когортный анализ — подраздел поведенческой аналитики, направленный на получение информации о паттернах и тенденциях поведения пользователя на протяжении определённого промежутка времени в рамках его жизненного цикла. Современный когортный анализ помогает не только обрабатывать данные, но и наглядно их визуализировать.

1. Как покупатели взаимодействуют с сайтом на протяжении длительного промежутка времени?

2. Какие паттерны пользовательского поведения существуют и в чём могут быть их причины?

3. Какой эффект имеют на пользователей разные рекламные кампании?

Если вы задаётесь этими вопросами и не знаете, как быстро найти на них ответ — поможет когортный анализ.

Основной принцип когортного анализа — разделение данных на родственные группы (когорты) на основе перформанс-метрик или бизнес-показателей. Это отличается от классического подхода, когда массив данных рассматривается и анализируется целиком.

Чаще всего пользователи делятся на когорты в зависимости от времени целевого действия — посещение страницы, регистрация, заполнение формы, загрузка, покупка и т.д. Другими словами, когорта — это сегмент пользователей, которые совершили определённое действие в заданный интервал времени.

Простой пример деления покупателей на когорты на основе даты первой покупки:

Когортный анализ позволяет сконцентрироваться только на тех данных, которые имеют значение для определённых целей. Мы можем быстрее выявить поведенческие тренды и определить факторы, влияющие на эти тренды, рассматривая пользователей в рамках когорт на конкретных промежутках времени.

Этот метод анализа помогает определить причины оттока пользователей, оценить эффективность рекламных кампаний в долгосрочной перспективе и стратегии удержания клиентов, узнать их покупательские привычки.

Алгоритм когортного анализа

Клиент — региональный интернет-магазин профессиональной косметики.

Цели анализа — определить, как пользователи взаимодействуют с интернет-магазином на протяжении времени и выяснить причины паттернов покупательского поведения, если такие будут обнаружены.

Для анализа использовались данные из CRM: дата и сумма заказа, order ID и client ID, а также канал, по которому клиент пришёл на сайт.

Взяли интересующий нас отрезок времени, чтобы определить, к какой когорте относится пользователь. Отрезок, в нашем случае год, разбили на равные интервалы — месяцы. Когорты пользователей строили на основе даты первой покупки.

Благодаря этим данным удалось определить, сколько прибыли принесла каждая когорта в течение года.

Диаграмма помогает лучше понять информацию.

На основе полученных данных можно сделать выводы:

• Члены каждой когорты приносят клиенту наибольшую прибыль в течение первого месяца, затем количество покупок существенно снижается;
• Клиенты позитивно реагируют на «техники удержания», например, ремаркетинговые кампании или приуроченные к праздникам акции — это видно по пикам активности пользователей на диаграмме;
• Существующие клиенты имеют потенциал для развития. С ними необходимо работать, чтобы увеличить прибыль, избежав затрат на привлечение новых клиентов.

Есть много сценариев, по которым можно построить когортный анализ. Всё ограничивается только доступными вам данными и смекалкой. Начать можно с простого и быстрого анализа — вы точно сможете сделать его «на коленке».

5 шагов:

1. Подготовить данные о пользователях и покупках;

2. Импортировать данные в Google Sheets;

3. Привести их в порядок;

4. Прописать формулы и создать таблицы;

5. Наслаждаться своим великолепием.

1. Подготовка и импорт данных

Вне зависимости от того, насколько глубоким вы планируете анализ и сколько факторов хотите затронуть, ваш сет данных должен содержать:

• Дату, на основании которой пользователь будет определён в какую-либо когорту — например, дата регистрации;
• Дату конверсионного действия — покупки, скачивания и т.д.

2. Создание таблицы

Легче всего визуализировать таблицу, где строки — когорты, а столбцы — интервал времени, на протяжении которого пользователи совершают или не совершают необходимое действие.

Цифра в этой клетке означает, сколько пользователей, зарегистрированных с октября по ноябрь, совершило конверсионное действие.

3. Приводим данные в порядок

В первую очередь нужно отформатировать и развести данные по разным листам, чтобы процесс анализа был максимально быстрым и удобным.

Создайте лист, где будут храниться ваши исходные данные: ID пользователей, даты регистрации и конверсионных действий, столбец с нумерацией пользователей (для подсчёта количества пользователей в когорте необходимо каждому присвоить значение 1)

Таблицу с результатами анализа и диаграммами лучше вынести на отдельный лист.

4. Работа с формулами

Формула SUMIFS суммирует данные в интервале на основе разных критериев.

=SUMIFS (sum range, criteria_range1, criterion1, [criteria_range2, criterion2, …])

Проще говоря,

sum_range = колонка с результатом (какое кол-во человек принадлежит к той или иной когорте);

criteria_range1 = диапазон поиска;

criterion1 = критерий поиска;

criteria_range2 & criterion2 = добавочные условия, которые можно использовать для определения более сложных сегментов.

Для примера выше:

sum_range = интервал, включающий всех рассматриваемых пользователей;

criteria_range1 = диапазон дат, в течение которых пользователь должен зарегистрироваться, чтобы принадлежать какой-либо когорте;

criterion1 = диапазон дат, в течение которых произошло конверсионное действие (доп. критерий отбора пользователей).

Формула должна выглядеть таким образом:

=SUMIFS('Data'!$F$2:$F$625,'Data'!$D$2:$D$625,”>”&$C$1,'Data'!$D$2:$D$625,””&A7,'Data'!$E$2:$E$625,”

Источник: https://www.e-promo.ru/blog/performans_marketing/kak_s_pomoshchyu_kogortnogo_analiza_opredelit_chego_khochet_polzovatel/

Когортный анализ: инструкция + 3 простых примера

У Вас взрыв продаж в 2 раза. Да, вот так счастье неожиданно привалило. И Вы, как умный предприниматель, хотите понять, что повлияло на это.

И если Вы будете делать линейный анализ из серии “Вложили в этом месяце 100 т. р. на рекламу и народ пошёл”, то могут получатся ложные данные. Поэтому если Вам нужна прозрачность и понимание, то когортный анализ в этом деле король.

Примеры использования

Сейчас я ничего не скажу кроме того, что когортный анализ – это метод определения эффективности Ваших действий. И не потому, что я жадный (иначе я бы не вёл этот блог), а всё ради Вас. Лучше Вы сами поймёте, что это такое, через несколько примеров ниже.

Ну, а если вдруг даже после них будут трудности, то так уж и быть, мы изучим научный подход к этому делу по шагам.

Важно. Любой анализ, в том числе когортный, строится на данных. Если у Вас их сейчас нет, то первым делом начните их собирать.

Пример 1. Отложенная покупка

Вы запускаете рекламу на свой landing page, трафик идёт тоннами, количество заявок на получение прайс-листа увеличивается ежедневно в геометрической прогрессии.

И Вы уже на пол пути купить новый большой сейф. Только по результату месяца Вы смотрите на ситуацию и понимаете, что заявок много, а продаж нет.

Если бы не мы, то в лучшем раскладе Вы сделаете выговор сотрудникам, а в худшем – приложите руку с пистолетом к виску.

Как мы спасли ситуацию? Мы объяснили Вам, что нельзя ждать быстрых результатов в Вашем бизнесе. Цикл сделки измеряется в нескольких месяцах, поэтому нужно по-прежнему давать рекламу и смотреть на результат.

Только результат нужно оценивать именно через когортное исследование. А именно, Вы смотрите в разрезе 3-6-12 месяцев, когда человек оставил заявку и когда он купил.

Возможный итог, что Ваш цикл сделки равняется 2 месяцам и поэтому канал рекламы нужно оценивать только через это время и ни капельки раньше.

Пример 2. Эффективность рекламы

Вы придумали акцию “Всем покупателям бутылка виски в подарок”. Значит заряжаете Вы девочек с флаерами проводить данную активность в Вашем городе. Народ начинает идти, и естественно бутылки с виски разлетаются как бабушкины пирожки.

И Вы считаете, что акция выстрелила, оффер отличный, можно дать маркетологу премию и повторять мероприятие каждые пару месяцев.

Но только есть один момент, который Вы не предусмотрели. По этой листовке люди приходят так же через 2-3-5-7 месяцев, так как Вы случайно не указали срок действия. И люди также покупают и требуют свою коробку счастья.

Поэтому, внимание, вопрос – если акция была в январе, а человек купил в августе, то результат работы маркетинга оценивать как за январь или за август?

Или ещё хуже – Вы раздали такие листовки в январе и феврале, а человек пришёл в августе, то какая из листовок сработала лучше?

Именно через когортный анализ, Вы можете увидеть в разрезе всего времени, когда человек получил листовку (если на ней указать дату) и когда он пришёл. Причём, Вы будете видеть, сколько человек пришло в первый месяц / день после раздачи, сколько во второй, и так хоть в течение всей жизни, если у Вас настолько длинный цикл сделки.

Нужен маркетинговый консалтинг?

Свяжитесь с нами для улучшения маркетинга в Вашем бизнесе

Маркетинг, продажи
и персонал

Индивидуально
под Ваш бизнес

Опыт в Вашей
сфере

Узнать подробнее

Пример 3. Канал рекламы

Вы запустили сразу 2 канала привлечения клиентов, а именно, вложили по 50 т.р. в таргетированную рекламу и в контекстную рекламу.

Этих денег Вам хватило ровно на месяц. И за это время по своей CRM системе Вы видите, что из пришло 150 заявок, а из контекстной 250. Какой Вы делаете вывод? Что контекстная реклама лучше?!

Но опять, это не факт. Такой поверхностный анализ лишь предполагает, что Яндекс и Гугл привлёк больше потенциальных клиентов, и при этом не показывает, сколько из них реально купило.

И даже если на основе примера 1, мы сделаем когортный анализ в разрезе 6 месяцев, и определим, что большая часть заявок конвертировалась всё-таки из контекстной рекламы, то мы также можем ошибиться.

Так как в разрезе 3 лет, через когортное исследование мы можем увидеть удивительный факт – именно те 150 заявок из принесли нам за всё время больше денег, чем из Яндекса и Гугла (регистрируемых в один и тот же месяц).

И связанно это с тем, что клиенты из контекста маленькие и долго не живут, когда из приходят мастодонты с большими сумами и на долгий срок.

Важно. Выжимайте из бизнеса максимум с помощью нашей методички формата “фишечная стратегия”. В ней самый сок из сотен тренингов и книг по маркетингу и продажам. А также концентрат успешных действий. По ссылке скидка 50% в течение 4 часов, кликайте -> “Реальный маркетинг: 165 фишек + 33 основы“

Что же это такое

Весь сок когортного анализа в том, что Вы не сваливаете все показатели в единую кучу, а конкретно видите, что повлияло на позитивный или негативный результат.

И всё же, так как я обещал дать Вам научное обоснование, то сдерживаю слово. И делаю это в максимально простой форме:

Когортный анализ – это изучение поведения групп людей, объединенных общими признаками и датой совершения действия.

Вы вроде уже изучили 3 примера, но всё же визуально ещё ни разу не видели, как выглядит это чудовище в деле. Ниже я покажу картинку, на которой всё описано. В двух словах: это когорта от даты первого посещения клиентом сайта до его заявки в разрезе 31 дня (на графике).

Если Вы поймёте эти данные, то все дальнейшие анализы Вы будете раскусывать, как орешки, так как визуальная часть когортного подхода практически всегда одинаковая.

Когортный анализ

Как Вы уже догадались, идеально использовать это исследование, когда у Вас длинный цикл сделки. Тогда логично, что оценивать действия на следующий день и даже на месяц не правильно, нужно смотреть дальше.

И также логично, если у Вас короткий цикл сделки, и к тому же разовые продажи, то когортный анализ Вам нужен в довольно редких случаях.

Кстати. Данный анализ можно делать в Roistat на основе веб данных, и помимо бесплатных 14 дней, по промокоду “INSCALE” +1 месяц бесплатного тестирования.

Направления анализа

Когортное исследование Вы можете делать в разных разрезах и с разной аудиторией. Причём, результат полностью зависит от задачи, которую Вы хотите решить.

Это я к тому, что готовых решений не существует, изучать можно сотни показателей. Но всё же я дам Вам направления, чтобы Вы от чего-то отталкивались.

Подсчитывать все эти показатели Вы можете либо в CRM-системе, (например, Битрикс24 или Мегаплан), либо в веб-аналитике (в частности гугл), либо в сервисе сквозной аналитики.

Кстати. Если Вы решили использовать CRM, то рекомендую Мегаплан, и специально для Вас я подготовил промокод “Megastart”. Он дает скидку 10% + еще 14 дней бесплатного периода. Просто сообщите его специалисту -> megaplan.ru

Далее можете как в самих системах посмотреть данные в разных разрезах, так и выгрузить в Excel, и после чего там упражняться. Но как правило, если сервис или система сбора адекватная, то внутренних фильтров достаточно.

Коротко о главном

Честно, за всё время маркетингового анализа и консалтинга мы провели когортный анализ в маркетинге буквально одному десятку клиентов. И это связано не с тем, что идея плохая, наоборот, чистота показателей важна любому бизнесу.

Тут трудность в другом – отсутствие вводных данных для проведения исследований. Увы, в малом и среднем бизнесе цифры не собираются. По классике жанра, все циклятся на количестве клиентов и прибыли.

А дальше никто не идёт. Убеждать в обратном не буду. Когда Вам нужен будет когортный анализ в маркетинге, Вы сами это поймёте. Первый признак — что-то происходит, но непонятно почему именно так.

Источник: https://in-scale.ru/blog/kogortnyj-analiz

Что такое когортный анализ и как он применяется в маркетинге

Анализируя действия клиентов на сайте или любой другой площадке в Интернете можно выудить много полезных знаний о целевой аудитории. Например, узнать самое популярное время продаж, средний чек, показатель отказов и другое.

Однако ключевые метрики у каждой ЦА в определенный период времени могут быть разными. Если попытаться рассмотреть их все вместе, можно легко запутаться или получить ошибочную картину происходящего.

Поэтому маркетинговые показатели изучают отдельно для каждой группы методом анализа  когорт. Рассмотрим подробнее этот инструмент.

Что такое когортный анализ

Начнем с определения.

Когорта – это сегмент целевой аудитории или группа людей, которых объединяют общие характеристики, опыт, признаки в конкретном временном отрезке. 

Опыт, характеристики и прочие атрибуты ЦА могут изменяться довольно существенно с течением времени. Например, пользователь в июне покупает одну продукцию, в июле – другую, а в августе – третью.

Точно так же обстоит дело и с услугами или каналами трафика: посетитель в будние дни заходит на сайт с компьютера, а по выходным с мобильного гаджета.

С помощью когортного анализа можно исследовать группы с общими признаками и эффективно отслеживать их активность.

Когорты в маркетинге – это довольно неоднородная целевая аудитория: новички сайта или сервиса, постоянные пользователи, временные посетители и другие. Они все разные на первый взгляд, но, используя метод, маркетологи объединяют их в несколько когорт. Например, клиент купивший продукт на сайте компании в ноябре через контекстную рекламу Яндекса, входит в следующие группы:

• Пользователи из поисковой рекламы Яндекса. Анализируя этот сегмент, можно узнать, насколько эффективны контекстные объявления в поисковой выдаче по сравнению с РСЯ и баннерами.
• Клиенты, купившие продукцию в ноябре. С помощью этих метрик определяют сезонность продаж.
• Покупатели конкретного продукта. Анализируя эту когорту, маркетологи выявляют спрос на товар у разных сегментов ЦА.

Таким образом, идея когортного анализа заключается в том, чтобы разделить пользователей на группы по схожим характеристикам или атрибутам для отслеживания их поведения во времени.

Сфера применения

Анализировать группы представителей целевой аудитории по схожим признакам полезно там, где бизнес сильно привязан к количеству клиентов. Например, в онлайне отток пользователей достаточно существенно бьет по показателям доходности бизнеса. Здесь и снижение уникальных посетителей на сайте, отписка от рассылок, рост отказов и спад вовлеченности.

С другой стороны приток новых клиентов говорит об успешности маркетинговой стратегии, даже несмотря на большой пул постоянных покупателей. Поэтому в онлайн-бизнесе анализ когорт, мониторинг поведения пользователей помогает держать руку на пульсе.

Когортный анализ активно используется в следующих сферах:

1. Формирование портрета целевого клиента. Собирая информацию из разных когорт в течение определенного отрезка времени можно составить довольно точный портрет идеального клиента. Например, анализируя такие метрики, как лояльность покупателей, сезонность, готовность к онлайн-заказам и другие.
2. Улучшение конверсии. Анализ когорт поможет собрать информацию, которую нельзя получить сплит-тестированием. Причина в том, что когортным методом отслеживаются разные сегменты ЦА и информация по ним более точная, актуальная. С помощью А/В тестирования сравнивают группы пользователей только по показателю конверсии, тогда как при когортном анализе подключаются ещё два параметра – время и место. Например, проверим какой цвет кнопки побуждает пользователей больше кликать. Сплит-тест показал, что 45% больше нравится красная кнопка, а 55% – синяя. Подключим когорту по месяцу (время) и месту. Выясняем, что большая группа пользователей из черноморского региона лучше реагирует на красную кнопку, потому что синий (морской) цвет им уже немного приелся. В итоге мы лучше понимаем сегменты своей ЦА и у нас появляются новые идеи, как продуктивно работать с этими пользователями.
3. Сфера SaaS. Когортный анализ используются в облачных проектах для оптимизации цикла продаж. Например, есть программный продукт – полноценная и триал-версия, тарифные планы на подписку, метрики доходов и расходов компании. Попробуем подключить анализ когорт. В первую группу попадают пользователи пробной версии, в другую – те, кто юзают триал. Временные периоды – 15 и 30 дней соответственно. Определяем, из каких когорт чаще всего переходят к заказу полной версии, какие тарифные планы подключают, каков отток за период и другие показатели. Также строятся когорты по ценам (тарифам), доходам и расходам за отрезок времени.

Ключевые показатели

В любой аналитике есть соблазн начать изучать все метрики ради статистики. В качестве обучения – занятие полезное, но на практике нужно расставлять приоритеты. Какие когорты отнести к ключевым метрикам на конкретный момент времени, а каким уделить меньше внимания? Всё зависит от специфики вашего бизнеса.

Можно выделить ряд универсальных показателей когортного анализа, которые используются практически всегда:

• Контрольная точка (Stick Point) – определенная сумма заказа, после которой клиент с высокой долей вероятности становится постоянным.
• Каналы привлечения. Разные источники отличаются своей эффективностью в генерации клиентов. С помощью когортного анализа можно разделить потоки по схожим характеристикам групп. Например, покупатели в период распродаж зачастую приносят такой же или даже более высокий доход, как и остальные клиенты. Узнать это с помощью А\В тестов невозможно, потому как и постоянные покупатели могут проявлять большую активность в период распродаж.
• Конвертация пользователей из пробной версии продукта в платный тариф. Анализ когорт подскажет, какие группы бесплатной версии продукта охотнее переходят на платный тариф.
• Повторные покупки. Важная метрика для понимания успешности компании у клиентов. Часто первая покупка – это некий кредит доверия, который пользователь выписывает компании. Повторные покупки говорят о том, что покупатель доволен результатом использования продукта, качеством сервиса.
• Аналитические системы Гугл и Яндекс предлагают следующие характеристики когорт. Например, длительность сеанса на сайте или в приложении, количество просмотров страниц, доход по одному клиенту, средний чек, процент достигнутых целей и другие.

Примеры когортного анализа

   Как любая аналитическая система распределяет пользователей по когортам? Рассмотрим простой пример, житель Москвы посетил сайт 25 июля из органической выдачи Яндекса и приобрел продукт «Х» через форму онлайн-заявки. Он распределяется по следующим группам:

1. Когорта пользователей сайта из Москвы.
2. Трафик из Яндекса.
3. Пользователи из поисковой выдачи.
4. Органическая выдача.
5. Когорта «июль».
6. Когорта «25 июля».
7. Продукт «Х».
8. Онлайн-заявка.

Ещё один пример. Нужно исследовать эффективность подписки пользователей на email-рассылку сайта агентства. Допустим, используем три площадки, где размещаем подписную онлайн-форму: конкурс в Инстаграм, партнерский ресурс и подписка на собственном сайте.

После активного набора подписчиков в июле, получили следующий результат: с конкурса в Инстаграм получили 850 подписок, с сайта партнера – 120, а с самого ресурса – 1100.  Далее мы отслеживаем процент открываемости писем и количество отписок.

Например, за три месяца – август, сентябрь, октябрь – пришедшие с Инстаграм отписались сразу после окончания конкурса, больше всего постоянных читателей пришло с партнерского сайта.

Таким образом, мы определили, что тратить бюджет на привлечение подписчиков Инстаграм невыгодно. Лучше сосредоточиться на аудитории сайта партнера.

Резюме

Мы узнали, что когортный анализ – это более точный инструмент для изучения групп ЦА, чем A\B тестирование. Также мы изучили ключевые показатели этого метода аналитики, посмотрели несколько примеров из практики. В любом методе, главное, правильно расставлять приоритеты, ориентируясь на специфику бизнеса. Когортный анализ – не исключение их правил.

Источник: https://www.calltouch.ru/glossary/kogortnyy-analiz/

Что такое когортный эффект? Определение и примеры – Интересный – 2020

Эффект когорты – результат исследования, который происходит из-за особенностей изучаемой когорты. Когорта – это любая группа, которая разделяет общий исторический или социальный опыт, например, год их рождения. Эффекты когорты вызывают беспокойство у исследователей в таких областях, как социология, эпидемиология и психология.

Ключевые выводы: когортный эффект

• Когорта – это группа людей, которые имеют общие характеристики или опыт, такие как год рождения, регион, в котором они родились, или термин, в котором они начали колледж.
• Эффект когорты возникает, когда на результат исследования влияют характеристики изучаемой когорты.
• Когортные эффекты могут поставить под угрозу результаты исследований, в которых используются методы поперечного сечения, которые сравнивают две или более групп в один момент времени.
• Единственный способ защититься от когортных эффектов при изучении того, как люди меняются со временем, – это провести продольное исследование.

  В продольных исследованиях исследователи собирают данные от единственного набора участников в течение долгого времени.

Определение когорты

Когорта – это группа людей, которые имеют определенную характеристику.

Как правило, общая характеристика – это жизненное событие, которое произошло в определенный период времени, например, при рождении или окончании средней школы.

Наиболее часто изучаемые когорты связаны с возрастом (например, люди, которые имеют год рождения или обозначение поколения). Дополнительные примеры когорт включают:

• Люди, которые начали колледж в том же году
• Люди, которые выросли в одном регионе в течение определенного периода времени
• Люди, которые подверглись тому же стихийному бедствию

Когорта – это любая группа, которая разделяет общий исторический или социальный опыт, например, год их рождения.

Определение эффекта когорты

Влияние характеристик когорты на результаты научного исследования называется когортным эффектом.

Хотя факторы, которые делают группу людей когортой, могут показаться широкими и, следовательно, имеют мало общего с каждым отдельным членом группы, общие характеристики группы могут влиять на результаты в контексте исследования.

Это связано с тем, что характеристики разных когорт меняются со временем из-за их общего опыта, даже если этот опыт был очень общим.

Психологические исследования имеют тенденцию фокусироваться на рождении или поколении. Такие когорты разделяют общий жизненный опыт и испытывают схожие социальные тенденции.

Например, исторические события, искусство и популярная культура, политические реалии, экономические условия и моральный климат, в котором росли миллениалы, сильно отличались от тех, что пережили бэби-бумеры.

Другими словами, когорты поколений и рождений развиваются в разных социокультурных контекстах, что может влиять на результаты исследований.

Скажем, исследователь хотел увидеть, как легко люди научились играть в новую мобильную игру с искусственным интеллектом. Она решила провести исследование и набрала участников в возрасте от 20 до 80 лет. Ее результаты показали, что, хотя младшим участникам было легко научиться играть в эту игру, старшим участникам было гораздо сложнее.

Исследователь может сделать вывод, что пожилые люди менее способны учиться играть в игру, чем молодые. Тем не менее, результаты исследования могут также быть результатом когортных эффектов в том, что пожилые участники будут гораздо меньше подвержены мобильным устройствам, чем более молодые участники, что может затруднить для них изучение того, как играть в новую игру.

Таким образом, когортные эффекты важно учитывать в исследованиях.

Поперечное и продольное исследование

Когортные эффекты являются особой проблемой в исследованиях, в которых используются методы поперечного сечения. В перекрестных исследованиях исследователи собирают и сравнивают данные от участников в двух или более возрастных группах в один момент времени.

Например, исследователь может собирать информацию об отношении к гендерному равенству на рабочем месте от людей в возрасте 20, 40, 60 и 80 лет. Исследователь может обнаружить, что люди в 20-летней группе более открыты для гендерного равенства на работе, чем в 80-летней группе.

Исследователь может сделать вывод, что с возрастом они становятся менее открытыми для гендерного равенства, но результаты также могут быть следствием когортного эффекта – у 80-летней группы был совершенно иной исторический опыт, чем у 20-летней группы и в результате по-разному оценивает гендерное равенство.

В перекрестных исследованиях когорт при рождении или поколении трудно определить, является ли результат результатом процесса старения или он обусловлен различиями между различными изученными когортами.

Единственный способ защититься от когортных эффектов при изучении того, как люди меняются со временем, – это провести продольное исследование.

В продольных исследованиях исследователи собирают данные от единственного набора участников в течение долгого времени.

Таким образом, исследователь может собрать информацию об отношении к гендерному равенству на рабочем месте в 2019 году от группы 20-летних, а затем задать участникам те же вопросы, когда им 40 (в 2039 году) и снова, когда им 60 (в 2059 году) ).

Преимущество продольного метода состоит в том, что, изучая группу людей во времени, можно наблюдать изменения непосредственно, гарантируя, что нет никаких опасений, что когортные эффекты могут поставить под угрозу результаты исследований.

С другой стороны, продольные исследования дороги и требуют много времени, поэтому исследователи чаще используют методы поперечного сечения.

При использовании схемы поперечного сечения сравнения между различными возрастными группами можно проводить быстро и эффективно, однако всегда возможно, что когортные эффекты повлияли на результаты перекрестного исследования.

Примеры эффекта когорты

Психологические исследователи использовали поперечные и продольные исследования для измерения изменений личностных качеств с течением времени.

Например, перекрестное исследование группы участников в возрасте от 16 до 91 года показало, что пожилые люди были более приятными и добросовестными, чем молодые.

При объяснении ограничений своего исследования, однако, исследователи написали, что они не могут быть уверены, были ли их результаты связаны с влиянием развития в течение жизни или результатом когортных эффектов.

Фактически, есть исследование, которое указывает, что когортные эффекты играют роль в различиях личности.

Например, в исследовании, опубликованном в журнале «Личность и индивидуальные различия», исследователь использовал прошлые исследования по измерению экстраверсии у американских студентов колледжа для сравнения уровней этой черты в когортах при рождении с 1966 по 1993 год. Результаты показали значительное увеличение экстраверсии со временем, показывая влияние, которое когорта рождения может оказать на личность.

Источники

• Allemand, Matthias, Daniel Zimprich и A.A. Jolijn Hendricks. «Различия в возрасте пяти личностных доменов на протяжении всей жизни». Психология развитият. 44, нет. 3, 2008, с. 758-770. //dx.doi.org/10.1037/0012-1649.44.3.758
• Козби, Пол К. Методы в поведенческих исследованиях. 10-е изд., McGraw-Hill. 2009.
• «Эффект когорты». ScienceDirect, 2016, //www.

  sciencedirect.com/topics/medicine-and-dentistry/cohort-effect

• Макадамс, Дэн. Человек: введение в науку психологии личности, 5-е изд., Wiley, 2008.
• Twenge, Jean M. «Изменения когорты рождения в экстраверсии: межвременный метаанализ, 1966-1993». Индивидуальность и индивидуальные различиятом 30, нет 5, 2001, 735-748. //doi.org/10.

  1016/S0191-8869(00)00066-0

Смотреть видео: RFM анализ – пример и как проводить (October 2020)

Источник: https://ru.eszterozsvald.com/1246-what-is-a-cohort-effect-definition-and-examples.html