Как с помощью когортного анализа повысить конверсию

В этой статье вы узнаете о том, что такое когортный анализ и для решения каких задач его использовать.

Начнем с определений.

Любители истории вспомнят, что когортами называли воинские подразделение римской армии, и буквально этот термин означает «огороженное место». В статистике и демографии под когортой понимается группа субъектов исследования, которые объединяет общее событие/признак и конкретный промежуток времени.

Например, люди, родившиеся в Европе после 2000 года. Или водители грузовиков, курившие в возрасте от 30 до 40 лет. Или люди, совершавшие авиаперелеты в прошлом году.

Примеры когорт в digital-маркетинге:

• количество регистраций на сайте в марте текущего года;
• количество активных пользователей в феврале текущего года;
• количество клиентов, перешедших на сайт через email-рассылку.

Когортный анализ широко используется в социологии, психологии, демографии и других дисциплинах, чтобы изучать группы людей и отслеживать изменения, происходящие с ними. И если А/В тесты – это перекрестное исследование, то когортный анализ можно назвать продольным.

На какие вопросы можно ответить с помощью когортного анализа?

Очевидно, что люди, зарегистрировавшиеся на вашем сайте недавно, имеют другой пользовательский опыт, чем те, что сделали это год назад. С помощью когортного анализа можно разделить их по группам и сравнивать.

Например, можно попробовать выявить взаимосвязь между тем, когда клиент пришел, и тем, сколько дохода он принес. Предположим, у вас приходит по 1 000 клиентов в месяц.

Что можно узнать из этой таблицы? Пока мало чего.  Но если выделить клиентов, пришедших в каждый конкретный месяц, в отдельные когорты, и для каждой указать средний доход с клиента – картина проясняется.

В нашем примере мы видим, что:

• больше всего клиенты тратят в первый месяц после прихода, и с каждым месяцем тратят чуть меньше.
• клиенты, пришедшие позже, тратят больше. Так, доход от новых пользователей в мае почти вдвое выше, чем от новых пользователей в январе.

Итак, мы сегментировали данные и смогли выяснить тенденции, которые не были видны в обобщенной статистике. Эти знания можно использовать для корректировки маркетинговых действий.

Когортный анализ позволяет проводить множество уникальных исследований и отвечать на вопросы, которые помогут вам лучше понять ваших клиентов.

Например:

Когортный анализ для формирования портрета идеального клиента

Пример от Линкольна Мерфи (Sixteen Ventures, сервис для развития SaaS-проектов):

Есть много способов использования когортного анализа, но один из самых любимых – это сбор входящей информации для составления профилей.

Во-первых, вы устанавливаете параметры вашего идеального клиента: как минимум, временные рамки. Например, последний год.

Затем вы сегментируете информацию по различным признакам (готовность к покупке, возможность совершения сделки, индекс лояльности, потенциал распространения рекомендаций).

Когортный анализ для оптимизации конверсии

Почему когорты дают вам информацию, которую А/В тесты дать не могут? Потому что когортный анализ отслеживает различные сегменты целевой аудитории.

Отличный пример от Амина Ариана (онлайн-сервис вопросов и ответов Quora):

В ходе А/В тестов мы сравниваем две группы пользователей и судим о результатах по выбранному критерию. Обычно этот критерий – показатель конверсии.

Когортный анализ – по сути, тот же А/В тест, в котором контролируются дополнительные параметры – такие как время и место.

Например, вы предполагаете, что красные кнопки чаще побуждают пользователей к регистрации, чем синие. Вы запускаете А/В тест, в котором одна группа пользователей видит красную кнопку, а вторая – синюю. И по результатам теста действительно видите, что группа «красных» дала больше регистраций.

Но что, если вместо этого провести когортный анализ?

Например, вы сегментируете пользователей по таким признакам как месяц подписки и геолокация. И узнаете, что есть довольно большая группа пользователей, которая зарегистрировалась летом в прибрежных районах.  Логично предположить, что они много времени проводили на море, и синий цвет им приелся. Поэтому они живее реагировали на красные кнопки.

Выделяете этих пользователей в отдельную когорту и подтверждаете свои выводы. Заодно выясняете, что для остальных участников эксперимента цвет вообще едва влиял на результат.

Итоги А/В теста больше не кажутся такими очевидными, не правда ли?

Когортный анализ не только поможет обеспечить лучшее толкование сплит-тестов. Он еще и богатый источник новых идей. Вы можете лучше узнать ваших клиентов, выявить тенденции в их поведении. А значит – найти то, что будет способствовать повышению конверсии. 

Когортный анализ для SaaS

В SaaS-проектах когортный анализ может помочь оптимизировать различные этапы цикла продаж. Вот несколько способов сегментировать ваши данные, чтобы получить полезную информацию:

Бесплатные демо-версии (Trial)

Советы от Линкольна Мерфи:

Чтобы понять, на какой период предоставлять триал, объедините в одну когорту пользователей, пользующихся пробной версией в течение 15 дней, а в другую – тех, что сидят на триале 30 дней. В какой группе больше переходов к платной версии? Какие тарифные планы они выбирают? Кто пользуется пробной версией более 30 дней? Помимо конверсии, можно оценивать и другие критерии – например, Lifetime Value (LTV).

Цены

Вы можете, например, выделить когорту пользователей с самым дорогим тарифным планом, и изучить их характеристики. В том числе, через какие каналы они были привлечены.

Доход

Здесь в центре вашего внимания наверняка окажутся клиенты, которые тратят больше остальных. Например, регулярно пользуются вашими предложениями по апселлу. Постарайтесь выяснить, откуда они к вам приходят, что влияет на их решения, сколько потратили на их привлечение. Кстати, тут может выясниться, что клиенты с самыми большими суммами заказов – не обязательно самые выгодные.

Какие когорты стоит отслеживать всегда?

Как и в случае с А/В тестами – есть соблазн проверять и изучать все и вся. Но ресурсы ограничены, поэтому нужно расставить приоритеты. И конкретные характеристики когорт, конечно, будут зависеть от специфики вашего бизнеса.

Тот же Линкольн Мерфи делится примерами своих любимых когорт.

Во-первых, это состояние здоровья клиентов. Здоровые, активные люди, как правило, и покупок делают больше.

Во-вторых, это контрольная точка – Stick Point. Это срок, действие или определенная сумма заказа. Когда новый клиент достигает этой точки, он с большой долей вероятности становится постоянным.

Кроме того, Мерфи уделяет внимание, в какой отрасли работает компания-клиент, а также оценивает потенциальную выручку, исходя из масштабов компании.

А Райан Фарли, соучредитель проекта LawnStarter, самыми важными когортами считает те, что позволяют оценить каналы привлечения. Например, с помощью когортного анализа он выяснил, что люди, приходящие в LawnStarter через email-рассылку, как правило, остаются гораздо дольше. Так что для этого канала можно позволить себе иметь более высокий показатель САС (затраты на привлечение), чем, скажем, на Google AdWords, у которого самый низкий коэффициент удержания.

• Клиенты, пришедшие к вам в период распродаж, в дальнейшем приносят такой же доход, как и остальные?
• Одна группа клиентов увидела ваше новое маркетинговое сообщение, а другая – нет. Как это сказалось на их средней стоимости заказа?
• Какая группа пользователей бесплатной версии вашего продукта более склонна к конвертации на платный тариф?
• Насколько эффективен тот или иной способ удержания для разных каналов привлечения?

Выводы

• Смогут ли данные, которые я получу, послужить источником перемен в маркетинговой стратегии?
• Смогу ли я благодаря новой информации точно узнать, какие маркетинговые приемы работают, а какие – нет?
• Поможет ли анализ улучшить показатели финансовой эффективности?