Когортный анализ в маркетинге интернет-магазина

Маркетинг10 Создание сайтов9 Контекстная реклама3 SEO5 Комплекс услуг3 Дизайн3 Программирование4 SMM4 Менеджмент Digital1 Мобильная разработка1 Интернет-маркетинг Использование сервиса1 Юзабилити Брендинг E-commerce

E-commerceСтатья

Веб-аналитикаЭлектронная коммерция

Когортный анализ на практике. Cколько денег в среднем приносит один покупатель?

Алексей Куличевский

2 февраля 2014

3 957

Когда мы говорили, что самая важная метрика в маркетинге — ROI и почему при планировании маркетинговых активностей CLV круче, чем ARPU, то поднимали вопрос: сколько денег в среднем приносит один покупатель? Ответить на него не так просто, как может показаться.

Если вы разделите общую выручку на количество клиентов, то в расчет попадут как старые покупатели, которые покупали несколько раз, так и новые, которые не заказали ни разу.

Например, в закрытых шоппинг-клубах, от регистрации до покупки часто проходит несколько месяцев. Поэтому делить количество месячных регистраций на выручку за тот же период нет смысла — деньги принесли другие пользователи.

Есть элегантное решение этой задачи. Возьмите клиентов, которые зарегистрировались, например, в январе прошлого года.

Покупки и выручка зарегистрировавшихся в январе — Посчитайте сколько покупок и какую выручку приносила эта группа от месяца к месяцу до текущего момента.

Сложите выручку по месяцам и получите ценность группы. Разделите итоговую выручку на количество людей в группе и получите среднюю ценность каждого клиента с учетом повторных покупок. Повторите расчеты для тех, кто зарегистрировался в феврале, марте и последующих месяцах.

Обратите внимание, мы формируем группы по временнóму признаку — месяцу регистрации. В экономике, также в медицине и социологии, такие группы людей называют когортами, а метод — когортным анализом.

Когортный анализ на практике

Прогнозируйте окупаемость рекламы

Представьте ситуацию. Вы купили показы банера. Прошла неделя, звонит менеджер и спрашивает, будете ли продлевать. Вы заглядываете в аналитику и видите, что сейчас ROI банера всего 30%. Кажется, продлевать рекламу не стоит. Но что, если люди будут возвращаться и покупать? Решение нужно принимать сейчас.

Анализ когорт поможет с высокой вероятностью предсказать окупится реклама в будущем или нет. Посмотрите каким был ROI прибыльного рекламного источника на первой неделе. Например, в Дарбери, средний ROI источника на первой неделе был 25%. Так что сайт с вашим банером показывает даже лучший результат.

Давайте посмотрим на картинку. Мы анализируем ROI кампании VK Campaign 3 источникаVkontakte. Я обвел красным значения ROI для каждой когорты на первой неделе.

ROI рекламного источника по когортам — Обратите внимание, что даже когорта с начальным ROI 18% в итоге окупилась, хоть и на пятой неделе.

Моменты окупаемости обозначены зелеными точками. Заметьте, что пять когорт из восьми переходит рубеж в 100% на третьей неделе. Это дает нам основание ожидать того же поведения для двух нижних — самых новых когорт.

Помимо ROI, по когортам сравнивают retention — количество вернувшихся на сайт людей, количество повторных заказов, конверсии и так далее. Выберите важную для вас метрику и наблюдайте как она меняется на одном временном промежутке от когорты к когорте.

Измеряйте влияние ваших действий на продажи

Это особенно актуально для больших магазинов, где одновременно появляются новые товары, заканчиваются старые, улучшается сайт, запускаются новые рекламные источники. Представьте, что в прошлом месяце вы запустили новый дизайн сайта и новую рекламную кампанию. Продажи выросли. Благодаря дизайну или рекламе?

Можно, конечно, измерить конверсию — разделить количество покупок на количество посетителей. Но это будет неточно: на конверсию влияют и удобство сайта, и качество трафика. Так что она могла изменится или не изменится по обеим причинам.

Решение. Реклама влияет на новых посетителей сайта, а изменение продукта — на всех.

Изменение поведения покупателей после изменения дизайна сайта — Сравните конверсию разных когорт. Если она увеличилась или уменьшилась для всех когорт — это влияние сайта. Если только для последней, самой новой когорты — это реклама.

Измеряйте здоровье бизнеса

Доля повторных заказов показывает состояние бизнеса. Если постоянные клиенты приносят вам от 30% выручки и более — это хороший показатель. Кроме того, когорты показывают есть ли у вас преданные клиенты и как их много.

Когорты и доля повторных покупок — Если замечаете, что когорты стали быстрее «умирать» — люди перестали возвращаться — возможно, стоит обратить внимание на качество сервиса или ассортимент.

Делаем когортный анализ вручную

Шаг 1. Соберите данные. Когорты формируют на основе любого события, но в маркетинге чаще используют дату первого захода на сайт, дату регистрации, дату первой покупки. Попросите программиста или самостоятельно выгрузите данные из базы данных вашего магазина в в формате: Дата регистрации пользователя — Дата покупки — Номер заказа — Выручка.

Шаг 2. Загрузите данные в Excel. Google Docs и Apple Numbers тоже подходят. Постройте сводную таблицу. Строки таблицы — даты регистрации. Колонки — даты покупок. В ячейки вставьте либо количество записей, либо сумму выручки. В итоге каждая строка таблицы будет когортой с шагом в 1 день. В ячейках будет либо количество заказов, либо выручка этой когорты за каждый день.

Шаг 3. Полезно построить график. Для представления когорт подходит stacked area chart — график с областями с накоплением. Или streamgraph, который мы в Oh My Stats называем «удав».

Шаг 4. Анализируйте! :)

На апрельском курсе «Практический интернет-маркетинг» мы разберем все возможности когортного анализа и 100500 других практических приемов привлечения, удержания и возвращения клиентов. Записывайтесь.

Это пока секрет, но... Света Кузьмина, инструктор курса про маркетинг, ранее директор по аналитике и Business Intelligence в Групоне, готовит углубленный курс про работу с таблицами в Excel «like a pro». Следите за анонсами!

Оригинал: http://blog.ohmystats.com/cohort-analysis/

Сергей Бизикин
Digital Analyst в Спортмастер

Для проведения простого когортного анализа можно также использовать функционал сегментов в Google Analytics, который в недавнем прошлом доработала команда Google.

Задача: в сентябре 2013 года мы провели массовую рекламную кампанию по привлечению новых пользователей, а в январе хотим определить, какую долю от общей посещаемости сайта (и заказов) данного месяца составляют посетители, привлеченные нами в рамках сентябрьской кампании.

Для этого создаем сегмент «Сентябрьские посетители» с настройками:
— Дата первого посещения: находится между 01.09.2013 и 30.09.2013

В результате мы получим срез по посетителям, привлеченных нами в сентябре 2013 года, которые посещали сайт и оформляли заказы в январе 2014 года.

Созданные нами сегмент можно детализировать, указав в его настройках, например, конкретные источники посещений.

Пётр Аброськин
Директор по технологиям и аналитике в ArrrowMedia

Алексей, спасибо за интересный материал!

Тема очень непростая, но общий тренд понятен: выбор правильных метрик и выбор правильной методологии для анализа. Это очень важная вещь, поскольку такая метрика, как CPO/CPA для больших проектов становится все менее значимой.

На последнем саммите партнеров Google Analytics представители Google заявили, что нужно отходить от подсчета CPO и делать выводы по CLV. Но тут возникают следующие проблемы:

Кто это все будет делать?
Специалистов, которые могут посчитать CLV, хватает. Но не хватает тех, кто может на основании этих данных сделать правильные выводы (на мой взгляд).
Также стоит проблема выбора инструментов для подсчета.
Не на всех проектах пользователи должны (могут) зарегистрироваться перед покупкой. Следовательно, очень сложно для них посчитать повторные заказы. Нужно внедрять систему «отлова» этих пользователей (например, по номеру телефона или корзины). Universal Analytics движется в этом направлении, но и он пока не может обеспечить приемлемую точность.
Даже если удалось все настроить, получить данные и сделать выводы, то возникает следующая проблема: как это все внедрить. Желательно, в автоматическом режиме. Здесь могут помочь средства автоматизации рекламы AdLens, Marin и т.д. Но и с ними хватает проблем.

Вывод: На мой взгляд, такая аналитика применима для крупных рекламодателей, кто может себе позволить штат профессиональных аналитиков, программистов и инструменты автоматизации.

Возможно, я сгущаю краски. Буду рад выслушать другие точки зрения.

Антон Терехов
Директор по развитию в ADV web/engineering

Когортный анализ является базисным элементом маркетинговой аналитики. Без него невозможно представить себе правильно бизнес-планирование и нормальный разговор с инвесторами. На практике «правильному» когортному анализу мешает несколько моментов:

Данные нужно собирать за достаточно длительный промежуток времени, т.е. если средний интервал между покупками для вашего бизнеса составляет пару месяцев, то для построения когортного анализа вам придется анализировать достаточно длительные промежутки времени. Т.е. такого рода аналитика хорошо подходит для «постфакторного анализа» и для «бизнес-планирования», для совсем оперативного анализа нужно будет использовать более простые методы.
Важно еще понимать, что абсолютные значения, даваемые когортным анализом важны, но тренды, относительные изменения различных параметров даже важнее.

На примере статьи Алексея — это хорошо видно. Думаю, что у инструментов, которые позволяют провести когортный анализ по модели SAAS — большое будущее.

Николай Хлебинский
CEO & Co-Founder в Retail Rocket

Прекрасный материал, когортный анализ в России практически не используется. Хочется остановиться на том, что при расчете Customer Lifetime Value и ROI на его основе не стоит забывать, что acquisition cost в большинстве случаев (особенно в электронной коммерции) не статичен. За каждый повторный заказ (кроме прямого перехода на сайт) мы платим снова и снова, поэтому знаменатель формулы расчета возврата на инвестиции нужно так же непрерывно обновлять, как и числитель.

Олег Рудаков
Ведущий веб-аналитик в AdLabs

Когорта — это еще один способ сегментации посетителей схожих по какой либо общей характеристике, ее особенностью является то, что когорта закреплена за определенным временным периодом. Примерами когорт могут служить пользователи, впервые купившие что-то на сайте по скидочной акции, или, например, посетители сайта, подписались на email рассылку после определенного письма. С помощью когортного анализа возможно оценить поведение определенной группы пользователей в течение длительного периода времени. Таким образом, когортный анализ поможет понять, было ли рекламное размещение, или акция эффективными в длительной перспективе.

Что касается инструментария для когортного анализа, то в настоящее время можно выделить Google Analytics и новый функционал расширенных сегментов. Если раньше для когортного анализа в Google Analytics было необходимо использовать пользовательские переменные или нестандартные варианты срабатывания событий, то в настоящее время система позволяет создавать расширенные сегменты по посетителям (а не только по посещениям), а также использовать в качестве сегмента период первого посещения (не более 31го дня). При этом можно использовать также последовательность условий для сегмента, выбрав первое взаимодействие пользователя, однако, в таком случае все действия пользователей должны выполняться в рамках временного периода не более 90 дней.

В целом, когортный анализ позволяет принимать более осмысленные решения, основываясь на поведении конкретных групп посетителей.

И, как говорит Авинаш Кошик: «Segment or die!»

Ирина Чернова
Руководитель отдела аналитики в i-Media

Хотелось бы отметить, что у множества бизнесов в России низкий процент повторных покупок. И проблема тут лежит скорее не в подсчете конверсий и ROI, а в области сервиса компаний. Мы все ощущаем это на себе, когда покупаем в магазинах. Хочется надеяться, что развитие подобных инструментов улучшит российский retail.

Конечно, для качественного ответа на вопрос «сколько приносит нам один клиент?» важна интеграция с общей клиентской базой, заказами, которые были оформлены не через интернет. Google Analytics (Universal) сейчас уже решает задачу подобного анализа.

Но здорово, что несмотря на «всесильный» Google, появляются инструменты, которые хочется попробовать. Обязательно попробуем.