Блог

Когортный анализ: что это и как его считать

Богдан Камаев, ментор · 8 ноября 2026

Когортный анализ это способ изучать поведение пользователей, разбив их на группы по времени первого действия и наблюдая за каждой группой отдельно. Группа называется когортой: например, все, кто пришёл в январе. Так видно, как меняется продукт для новых пользователей, и это невозможно разглядеть в общих цифрах.

Самый частый вариант считает retention, то есть удержание: какая доля когорты вернулась через месяц, два, три. Ниже пример с числами, готовый код на SQL и на Python и разбор ошибок. Все данные в примерах придуманы для объяснения.

Что такое когорта простыми словами

Представь выпуск вуза. Выпуск 2020 и выпуск 2024 учились по разным программам и попали на разный рынок, сравнивать их по одному среднему бессмысленно. С пользователями то же самое. Те, кто пришёл до редизайна, и те, кто пришёл после, увидели разный продукт.

Когорту определяют два решения:

Зачем нужен когортный анализ в маркетинге и продукте

Общие метрики смешивают старых и новых пользователей. Рост новых способен спрятать то, что продукт теряет людей. Посмотри на число активных за месяц в нашем примере:

Месяц Активных пользователей
Январь 1000
Февраль 1620
Март 2322
Апрель 2174
Май 2375

Выглядит как рост с одной просадкой. Понять, откуда она и что с ней делать, из этой таблицы нельзя. Когорты отвечают на конкретные вопросы:

Пример: таблица когорт и retention

Сначала абсолютные числа. Строка это когорта, столбец это номер месяца после прихода. M0 это месяц прихода, M1 следующий и так далее. В ячейке количество уникальных пользователей когорты, которые были активны в этом месяце.

Когорта M0 M1 M2 M3 M4
Январь 1000 420 330 240 250
Февраль 1200 492 324 324
Март 1500 510 450
Апрель 1100 451
Май 900

Активные за месяц из таблицы выше получаются отсюда: сложи числа по диагонали. Например, апрель это 240 + 324 + 510 + 1100 = 2174.

Теперь делим каждую ячейку на размер когорты из M0 и получаем retention в процентах. Формула: retention месяца N = активные в месяц N / размер когорты × 100. Для февраля в M1: 492 / 1200 × 100 = 41%.

Когорта Размер M0 M1 M2 M3 M4
Январь 1000 100% 42% 33% 24% 25%
Февраль 1200 100% 41% 27% 27%
Март 1500 100% 34% 30%
Апрель 1100 100% 41%
Май 900 100%

Лесенка справа снизу это норма: майская когорта ещё не прожила ни одного следующего месяца.

Как читать когортный анализ

Таблицу читают в трёх направлениях, и каждое отвечает на свой вопрос.

По строке: как ведёт себя одна когорта. Январь падает с 42% до 24–25% и к M3–M4 перестаёт снижаться. Похоже, что около четверти пришедших в январе остаются, но двух точек для уверенного вывода мало. Кривая, которая выходит на плато, хороший признак. Кривая, которая падает к нулю, значит, что людям продукт в итоге не нужен.

По столбцу: становятся ли новые когорты лучше. В M1 идут 42%, 41%, 34%, 41%. Мартовская когорта выглядит провальной, и первое желание: разбираться, кого привели в марте.

По диагонали: что случилось в конкретном календарном месяце. Одна диагональ это один месяц для всех когорт. Апрель это январская M3 (24%), февральская M2 (27%) и мартовская M1 (34%). У всех трёх значения ниже соседних по столбцу. Выходит, плохая мартовская когорта тут ни при чём: в апреле просели все сразу. Искать надо событие апреля: сбой, изменение в приложении, сезон. И просадка из первой таблицы становится объяснимой.

Отсюда практическое правило: прежде чем винить когорту, проверь диагональ.

Retention и rolling retention

Обычный retention считает тех, кто был активен именно в месяц N. Rolling retention считает тех, кто был активен в месяц N или хотя бы раз позже. Он всегда не меньше обычного, и его кривая никогда не растёт, потому что человек, вернувшийся в марте, считается удержанным и в феврале. В SQL-примере ниже у январской когорты из трёх человек обычный M1 равен 66,7%: пользователь 2 пропустил февраль. Rolling M1 равен 100%, ведь в марте этот пользователь вернулся.

Обычный подходит для продуктов с регулярным использованием. Rolling полезен там, где человек законно пропадает на месяц и возвращается: покупка билетов, редкие заказы. Важно одно: называй метрику точно и не сравнивай одну с другой.

Связанная метрика: churn, отток. В простом варианте это доля тех, кто ушёл, то есть 100% минус retention. Если M1 равен 41%, отток к этому месяцу составляет 59%.

Как посчитать когортный анализ в SQL

Маленькая таблица событий на PostgreSQL. Пользователи 1, 2 и 3 пришли в январе, 4 и 5 в феврале. Обрати внимание, пользователь 2 пропустил февраль.

CREATE TABLE events (user_id INT, event_date DATE);

INSERT INTO events VALUES
  (1, '2026-01-05'), (1, '2026-01-20'), (1, '2026-02-03'), (1, '2026-03-11'),
  (2, '2026-01-14'), (2, '2026-03-02'),
  (3, '2026-01-28'), (3, '2026-02-15'),
  (4, '2026-02-02'), (4, '2026-03-20'),
  (5, '2026-02-17');

Запрос строится по шагам: находим месяц прихода каждого пользователя, собираем уникальные пары «пользователь и месяц активности», считаем номера месяцев и размер групп, делим на размер когорты.

WITH first_month AS (
    SELECT user_id,
           date_trunc('month', MIN(event_date))::date AS cohort_month
    FROM events
    GROUP BY user_id
),
activity AS (
    SELECT DISTINCT
           e.user_id,
           f.cohort_month,
           date_trunc('month', e.event_date)::date AS activity_month
    FROM events e
    JOIN first_month f USING (user_id)
),
by_month AS (
    SELECT cohort_month,
           ((EXTRACT(YEAR FROM activity_month) - EXTRACT(YEAR FROM cohort_month)) * 12
            + EXTRACT(MONTH FROM activity_month) - EXTRACT(MONTH FROM cohort_month))::int AS month_number,
           COUNT(*) AS users
    FROM activity
    GROUP BY cohort_month, month_number
)
SELECT cohort_month,
       month_number,
       users,
       ROUND(100.0 * users / FIRST_VALUE(users) OVER (
           PARTITION BY cohort_month ORDER BY month_number
       ), 1) AS retention_pct
FROM by_month
ORDER BY cohort_month, month_number;
cohort_month month_number users retention_pct
2026-01-01 0 3 100.0
2026-01-01 1 2 66.7
2026-01-01 2 2 66.7
2026-02-01 0 2 100.0
2026-02-01 1 1 50.0

FIRST_VALUE с окном берёт значение первой строки когорты, то есть её размер. Если окна пока даются тяжело, разберись с ними в статье про оконные функции SQL.

Чтобы получить привычную таблицу с колонками M1, M2, замени последний SELECT на этот. FILTER в PostgreSQL выбирает для агрегата только нужные строки.

SELECT cohort_month,
       MAX(users) FILTER (WHERE month_number = 0) AS size,
       ROUND(100.0 * MAX(users) FILTER (WHERE month_number = 1)
             / MAX(users) FILTER (WHERE month_number = 0), 1) AS m1,
       ROUND(100.0 * MAX(users) FILTER (WHERE month_number = 2)
             / MAX(users) FILTER (WHERE month_number = 0), 1) AS m2
FROM by_month
GROUP BY cohort_month
ORDER BY cohort_month;
cohort_month size m1 m2
2026-01-01 3 66.7 66.7
2026-02-01 2 50.0 NULL

Когортный анализ в Python (pandas)

Те же данные и та же логика. to_period("M") превращает дату в месяц, transform("min") записывает каждому событию первый месяц пользователя, nunique считает уникальных, unstack разворачивает результат в таблицу.

import pandas as pd

events = pd.DataFrame({
    "user_id": [1, 1, 1, 1, 2, 2, 3, 3, 4, 4, 5],
    "event_date": [
        "2026-01-05", "2026-01-20", "2026-02-03", "2026-03-11",
        "2026-01-14", "2026-03-02",
        "2026-01-28", "2026-02-15",
        "2026-02-02", "2026-03-20",
        "2026-02-17",
    ],
})
events["event_date"] = pd.to_datetime(events["event_date"])

events["activity_month"] = events["event_date"].dt.to_period("M")
events["cohort_month"] = events.groupby("user_id")["activity_month"].transform("min")
events["month_number"] = (
    (events["activity_month"].dt.year - events["cohort_month"].dt.year) * 12
    + events["activity_month"].dt.month - events["cohort_month"].dt.month
)

counts = (
    events.groupby(["cohort_month", "month_number"])["user_id"]
    .nunique()
    .unstack()
)
retention = counts.div(counts[0], axis=0).mul(100).round(1)
print(retention)
month_number      0     1     2
cohort_month                   
2026-01       100.0  66.7  66.7
2026-02       100.0  50.0   NaN

Для наглядности добавь тепловую карту: seaborn.heatmap(retention, annot=True, fmt=".0f"). На ней сразу видны просевшие столбцы и диагонали.

Когортный анализ в Яндекс Метрике

Считать вручную не всегда нужно. В августе 2026 Яндекс рассказал о четырёх отчётах Метрики для сайтов: «Когортный анализ» показывает, как накапливаются визиты, конверсии и доход у пользователей одного периода; Retention и Rolling Retention показывают долю вернувшихся; Retention Dynamics сравнивает когорты между собой, например до и после изменений на сайте. Для мобильных приложений похожий отчёт есть в AppMetrica. Проверено в ноябре 2026.

Готовые отчёты хороши для быстрого взгляда. SQL и Python понадобятся, когда входное событие своё, например первая успешная оплата, и когда надо присоединить данные, которых нет в счётчике. На собеседовании аналитика могут попросить посчитать удержание руками. Другие вопросы собраны в статье вопросы на собеседовании аналитика данных.

Частые ошибки

Считать события вместо людей. Пользователь, открывший приложение 10 раз за месяц, должен дать единицу. Поэтому в SQL стоит DISTINCT, а в pandas nunique.

Считать незрелые когорты нулём. У майской когорты нет M1, потому что июнь ещё не наступил. Если подставить туда ноль, средний M1 упадёт с 39,0% до 32,9%: 1873 / 5700 вместо 1873 / 4800. Такую ячейку оставляй пустой.

Усреднять проценты вместо людей. Простое среднее M1 по четырём когортам даёт 39,5%. Правильное среднее, взвешенное по размеру: (420 + 492 + 510 + 451) / (1000 + 1200 + 1500 + 1100) = 39,0%. На близких по размеру когортах разница мала, на когортах из 100 и 10 000 человек она исказит вывод.

Смотреть на неполный период. Если выгрузка сделана 20 мая, майские цифры сравнивать с полными месяцами нельзя, они занижены. Убирай текущий период или считай по дням жизни пользователя.

Путать календарные месяцы и прожитое время. Человек, пришедший 31 января и вернувшийся 1 февраля, попадёт в M1, хотя прошёл один день. Для точной картины считай номер периода от даты прихода конкретного пользователя: 0–29 дней, 30–59 и так далее.

Делать выводы по маленьким когортам. В когорте из 20 человек один ушедший двигает retention на 5 процентных пунктов. Это шум. Укрупни период или дождись данных.

Смешивать каналы. Средняя когорта может скрывать хороший органический трафик и плохую рекламу. Разбей когорту по источнику, прежде чем принимать решения по бюджету.

Когорты входят в базовый набор продуктового аналитика рядом с метриками и A/B-тестами. Если идёшь в эту профессию и хочешь выйти на рынок с понятным планом, посмотри, как мы помогаем найти работу в аналитике.

Частые вопросы

Что такое когортный анализ простыми словами?

Ты делишь пользователей на группы по времени прихода и смотришь, как каждая группа ведёт себя дальше. Так можно сравнить тех, кто пришёл в январе, с теми, кто пришёл в апреле. Чаще всего смотрят долю вернувшихся.

Как посчитать retention?

Возьми число пользователей когорты, активных в период N, и подели на размер когорты. Если в когорте 1200 человек и через месяц вернулись 492, retention первого месяца равен 41%. Активность определи заранее: вход, покупка, ключевое действие.

Какой период выбрать для когорт?

Смотри на естественную частоту использования продукта. Для мессенджера подойдут дни или недели, для интернет-магазина месяцы. Если период слишком короткий, таблица получится шумной, если слишком длинный, ты поздно заметишь проблему.

Можно ли сделать когортный анализ в Excel или Google Таблицах?

Да. Выгрузи для каждого пользователя месяц прихода и месяц активности, собери сводную таблицу с уникальными пользователями и подели значения на столбец M0. Для разовых задач этого хватает, для регулярной отчётности удобнее SQL.

Какой retention считается хорошим?

Единой нормы нет, она зависит от типа продукта. Полезнее сравнивать свои когорты между собой и смотреть, выходит ли кривая на плато. Если новые когорты удерживаются лучше старых и кривая перестаёт падать, продукт движется в правильную сторону.

Нужна помощь с поиском работы?

Помогаю найти работу аналитиком данных и продуктовым аналитиком. На бесплатной консультации за 20 минут разберём, где ты сейчас, какая цель и как до неё дойти.

Записаться на бесплатную консультациюМенторство по аналитике

Читать дальше

Собеседование на аналитика данных: какие вопросы задаютСтажировка в Т-Банке: как попасть на ML, аналитику и данныеSQL вопросы на собеседовании и задачи с разбором