Когортный анализ email-маркетинга интернет-магазина: как оценить рассылку

Когортный анализ — это способ увидеть, как ведёт себя email рассылка для интернет магазина не «в среднем по больнице», а по группам клиентов, объединённым общим признаком: месяцем первой покупки, датой подписки, источником трафика. Он отвечает на вопрос, который не решает обычная сводка: какие письма действительно удерживают покупателей, а какие просто собирают клики. Ниже — рабочая методика, которую можно внедрить в магазине любого размера.

Что такое когорта и чем она отличается от сегмента

Когорта — это группа пользователей, объединённая событием в определённый период времени. Например, все, кто оформил первый заказ в марте 2025 года. Сегмент же — срез по текущему состоянию: «женщины 25–34 из Москвы» или «те, кто не открывал письма 90 дней».

Разница принципиальная. Сегмент описывает, кто клиент сейчас. Когорта показывает, как он менялся во времени — и именно поэтому она так хорошо работает в email-маркетинге, где весь смысл в повторных касаниях.

Сегмент отвечает на вопрос «кто они», когорта — «что с ними происходит через месяц, три, год».

Почему обычные отчёты по рассылке искажают картину

Стандартный отчёт «отправлено — открыто — кликнуто — выручка» смешивает в одну цифру новых подписчиков, лояльных покупателей и тех, кто последний раз открывал письмо полгода назад. Если в этом месяце вы закупили много нового трафика, средние метрики вырастут, даже если качество работы с базой упало.

Типичный эффект — «размытие» показателей:

• открываемость падает, потому что в базу добавили «холодные» адреса, а не потому что контент стал хуже;
• выручка на письмо растёт за счёт нескольких крупных заказов постоянных клиентов;
• отписки выглядят низкими, хотя из старой когорты ушла половина.

Когортный срез убирает этот шум и показывает динамику каждой группы отдельно.

Как разбить базу на когорты: четыре рабочих подхода

1. По месяцу первой покупки

Базовая когорта для e-commerce. Все клиенты, впервые купившие в одном месяце, дальше сравниваются по повторным заказам. Так видно, сколько денег приносит когорта за 3, 6, 12 месяцев и как на это влияет email-программа.

2. По месяцу подписки

Подходит, когда магазин активно собирает базу до первой покупки. Когорта подписчиков января против когорты марта покажет, менялось ли качество лид-магнита, попапа или формы подписки.

3. По источнику подписки

Источник — чекбокс при оформлении заказа, всплывающее окно, страница с промокодом, офлайн-мероприятие. Один и тот же контент писем даёт разный отклик, и когортный анализ выявит, откуда приходят самые «долгоиграющие» подписчики.

4. По RFM-сегментам внутри когорты

Внутри когорты можно дополнительно разделить клиентов по давности, частоте и сумме покупок. Так вы поймёте, растёт ли доля «чемпионов» или база плавно сползает в «спящих».

Какие метрики считать в когортной таблице

Когортная таблица — это матрица: строки — когорты, столбцы — периоды жизни (месяц 0, месяц 1, месяц 2 и далее). В ячейках размещаются метрики:

• Retention — доля клиентов когорты, совершивших повторную покупку в N-м месяце.
• Revenue per user (RPU) — выручка на одного участника когорты за период.
• LTV — накопленная выручка на клиента к горизонту 6–12 месяцев.
• Вклад email — доля заказов, где письмо было последним касанием перед покупкой.
• Отписки и жалобы — по периодам, а не общей суммой.

Отдельно стоит считать вклад конкретных сценариев: приветственной серии, брошенной корзины, реактивации. Тогда видно, какой из них улучшает retention, а какой просто «съедает» отправки.

Пошаговый порядок внедрения

1. Выгрузите историю заказов и подписок минимум за 12 месяцев в одну таблицу.
2. Определите признак когорты — для старта достаточно месяца первой покупки.
3. Посчитайте retention и RPU по периодам, соберите матрицу в таблице или BI-инструменте.
4. Разметьте, какие письма получала каждая когорта: тип, дата, сценарий.
5. Сравните когорты с разными email-программами и выделите гипотезы.
6. Запустите A/B-тест на новых когортах и проверьте, изменилась ли кривая удержания.
7. Повторяйте расчёт раз в месяц, фиксируя изменения по периодам.

Как читать когортную таблицу: три типовых сценария

Первый: retention во втором месяце резко падает, а дальше стабилизируется на 4–6%. Это нормальный профиль для розницы — задача не «поднять всё», а сдвинуть точку стабилизации вверх на 1–2 пункта.

Второй: новые когорты показывают удержание хуже старых. Обычно причина в том, что изменился источник трафика или ослабла приветственная серия.

Третий: выручка на клиента растёт только у когорт, которые получили реактивационную цепочку. Это прямое доказательство, что сценарий окупается.

Смотрите не на абсолютные значения, а на наклон кривой: именно он показывает, работает ли email рассылка для интернет магазина на длинной дистанции.

Частые ошибки

• Малые когорты — меньше 100–200 человек: разница в один заказ выглядит как «рост в 30%».
• Смешивание выручки из email и из других каналов без прозрачной атрибуции.
• Сравнение когорт, которые получали разное количество писем за период.
• Оценка только по открытиям: из-за настроек приватности Apple Mail open rate искажён.
• Смена признака когорты от отчёта к отчёту — динамику потом не собрать.

Инструменты и минимальный набор

На старте достаточно выгрузки в Google Sheets или Excel со сводными таблицами. Когда данных становится много, подключают BI-платформы и встроенную аналитику ESP — она обычно умеет строить когорты по дате первого заказа. Главное — единый идентификатор клиента и корректные даты событий.

Вывод

Когортный анализ превращает email-маркетинг из набора разовых кампаний в управляемый процесс. Он показывает, какие сценарии реально повышают удержание, а какие только создают нагрузку на базу. Начните с одной матрицы по месяцу первой покупки, добавьте метрику выручки на клиента и пересчитывайте раз в месяц — уже через два-три цикла вы увидите, куда двигать бюджет и контент.

Дисклеймер: статья носит информационный характер. Метрики и выводы зависят от специфики магазина, качества данных и объёма базы; перед изменениями в маркетинговом бюджете проверяйте гипотезы на своих данных.