Я просто обожаю аналитику, цифры и всё, что с этим связано. Иногда испытываю просто нереальный восторг, глядя на красивую и наглядную визуализацию статистических данных. Цифры — это язык, который позволяет нам понимать внутреннюю природу процессов и принимать правильные решения. И сегодня мы поговорим об одном очень полезном и информативном методе — о когортном анализе.
Когортный анализ — это вид анализа, в котором исследуется специфика поведения совокупности людей, объединенных в группу по некому параметру.
Параметр для формирования таких групп (или когорт) определяется, исходя из представлений о целевой аудитории и преследуемых целей. Основная ценность когорты состоит в том, что анализируемые статистические данные не сваливаются в одну кучу, а группируются по определенным характеристикам, что позволяет выявлять корреляцию между динамикой этих характеристик и проведенными изменениями и достаточно точно прогнозировать последующие изменения в поведении той или иной когорты.
Что такое когортный анализ?
Необычность когортного анализа заключается в том, что в большинстве методов анализа берётся срез как-бы «поперёк» — на какую-то дату (регистрации, покупки, открытия, клики, отписки), а в когортном анализе — «вдоль» всего жизненного цикла клиентов. Для этого мы проводим разделение всех пользователей на определённые группы (когорты), объединённые схожим признаком, и затем анализируем активности этих групп с течением времени.
Когортный анализ стал очень популярен с появлением UNIT-экономики. Так, например, он используется для определения LTV (Life Time Value), Churn Rate и CLT (Customer Life Time). Для этого анализируется база покупателей, а группировка происходит по дате регистрации клиента или первого взаимодействия с ним. Это может быть неделя, месяц или год – всё зависит от специфики бизнеса и периодичности повторных покупок.
Например, чтобы определить среднее время жизни клиента (CLT), внутри каждой когорты, определенной по месяцу регистрации покупателя, анализируется доля клиентов, совершивших заказ: в месяц регистрации, во второй, третий, четвёртый и т.д.
Затем данные по каждому месяцу цикла жизни усредняются и строится график, на котором видно за какой период в среднем у нас «выгорают» когорты. Точка пересечения линейной аппроксимации с осью абсцисс и определяет CLT.
Однако, применять когортный анализ можно не только к данным с историей покупок, но и, например, к статистике открытий писем. Как вы знаете, ДашаМейл предоставляет множество инструментов для анализа ваших рассылок и адресных баз. И сегодня я хочу рассказать об одном из уникальных для российского рынка email-сервисов отчетов – когортном анализе статистики открытий. Да, да, словосочетание звучит страшно, но, уверяю вас, все очень просто и, главное, полезно.
Когортный анализ статистики открытий
В email-маркетинге подписчиков объединяют в когорты на основании даты их попадания в базу. Отслеживание динамики открытий по подобным когортам позволяет определить долю вовлеченности пользователей, которые зарегистрировались в различное время, а также узнать, какая из когорт активнее откликается на содержание вашей рассылки. Сегментируя таким образом имеющиеся у вас данные, вы получаете сведения, которые недоступны при анализе совокупной статистики, и узнаёте ваших клиентов с совершенно неожиданной стороны. В результате вы сможете качественнее интерпретировать результаты тестов, выявлять тенденции в изменениях для каждой группы, но самое главное, когортный анализ позволит вам определить время жизни подписчиков (аналог CLT – Customer Life Time, где в качестве клиента оказывается подписчик).
Для проведения когортного анализа сначала следует разбить базу на когорты по дате подписки (в одну когорту попадают пользователи, подписавшиеся в одном месяце), а затем собрать статистику: сколько пользователей из каждой когорты открывали рассылки в каждом месяце, следующем за их подпиской. Из полученных данных формируется таблица. Сервис DashaMail.ru делает это всё автоматически, и результат выглядит следующим образом:
Просто зайдите в статистику исследуемой адресной базы в раздел «Когортный анализ» и вы увидите сколько подписчиков было добавлено с тот или иной месяц, сколько писем им было отправлено и какой процент подписчиков в каждой когорте открывал их в разные месяцы своего «срока жизни» в базе.
В столбце «Прирост» мы видим сколько подписчиков добавилось в базу в конкретном месяце. По горизонтали же находится шкала времени — какова была открываемость рассылок в этом месяце для выбранной когорты. Она дифференцирована по цветам: от красного (самая низкая открываемость) к зеленому (самая высокая открываемость). В самом низу добавлена информация об общем числе отправленных писем за месяц.
Наведя мышку на точку пересечения, например, май 2023 года по вертикали и по горизонтали (39,53 %) говорит нам о том, что 39,53 % ваших клиентов, подписавшихся на рассылки в мае, открывали письма и первый месяц своего пребывания в базе. А двигаясь по горизонтали вправо, мы видим, что в сентябре по всем когортам был всплеск уровня открытий писем. Это интересное наблюдение, которое подсказывает, что стоит детальнее изучить сентябрьские рассылки и учесть их особенности в дальнейшей стратегии email-марктетинга.
Как использовать на практике когортный анализ статистики открытий?
1. Тестирование разных стратегий email-маркетинга
Описанная выше ситуация, когда мы видим рост уровня открытий писем по всем или почти всем когортам в определенный месяц, как правило, случается, если мы что-то удачно меняем в нашей стратегии коммуникаций. Например, изменилась частота рассылок, контент или время отправки.
Что можно протестировать, отследив таким образом эффективность вносимых в стратегию email-маркетинга изменений?
- Изменение дней недели и времени проведения рассылок.
- Добавление рассылки по не открывшим подписчикам с новой темой письма.
- Изменение соотношения продающих и контентных рассылок.
- Изменение частоты рассылок.
- Внедрение сегментации рассылок и персонализации писем.
- Запуск автоматизаций.
Например, после внедрения welcome-цепочки для новых подписчиков, вы можете увидеть как изменилась вовлеченность в ваши рассылки по сравнению со старыми когортами подписчиков, которые её не получали.
Оценить эффект от изменения лид-магнита в форме подписки или в целом стратегии сбора базы можно, отследив изменение количества новых подписчиков в столбце «Прирост» когортного анализа. Однако это видно и в динамике аудитории, скажете вы. Да, но в когортном анализе вы увидите не только количество новых подписчиков, но и их качество. Если вы замечаете, что подписчиков стало больше, но их вовлечённость в письма снизилась, значит, вы привлекли не совсем тех, кто вам нужен.
Используя когортный анализ, вы сможете точно измерить влияние каждого изменения на поведение ваших подписчиков и выбрать наиболее эффективные стратегии для будущих рассылок.
2. Определение времени жизни подписчика
Вполне логично, что новые подписчики, которые только попали в вашу базу, сильнее вовлечены в рассылки. Они только о вас узнали, у них есть интерес или даже потребность в ваших услугах и товарах. Они активнее открывают и читают ваши письма. Но со временем этот «запал» начинает спадать. И это нормально.
Аналогично тому, как когортный анализ истории покупок позволяет определить CLT, когортный анализ статистики открытий позволяет оценить время жизни подписчика в вашей базе. Посмотрите за сколько месяцев вовлеченность подписчиков в каждой когорте в ваши рассылки снижается в 2-3 раза? Эта информация поможет вам определить в какой период времени нам нужно успеть донести самую главную информацию о нашей компании до подписчика. Кроме того, работая над контентом, мы можем повышать время жизни подписчика в базе.
Зная время жизни подписчика в базе, можно определить для себя длину приветственной серии писем и момент, когда пора запускать автоматическую реактивационную цепочку.
3. Выявлять закономерности в бизнесе
В когортном анализе очень хорошо видны такие закономерности, как, например, сезонность. Если вы ничего не меняете в стратегии email-маркетинга, но видите, что в определенные месяцы из года в год увеличивается количество новых подписчиков и/или их вовлеченность в ваши рассылки, это говорит об одном: потребность в ваших услугах и товарах на рынке в эти периоды возрастает.
4. Прогнозирование продаж
Когортный анализ и продолжительность времени жизни подписчиков в базе позволяют предсказывать важнейшие показатели прибыльности бизнеса. Так, если известно, что в сентябре было привлечено определенное число подписчиков, каждый из которых остается активным в среднем три месяца, можно заранее рассчитать объем продаж от этой группы в течение всей осени.
Итак, использование когортного анализа адресной базы позволяет:
- определить среднее время жизни подписчика и своевременно проводить его реактивацию, в том числе в автоматическом режиме;
- сегментировать обычные рассылки по времени добавления подписчиков, адаптируя контент для новых подписчиков и тех, кто уже перестает читать ваши рассылки, повышая тем самым эффективность email-маркетинга;
- анализировать эффективность каналов привлечение подписчиков, используемых в течение времени;
- тестировать различные стратегии в рассылках (менять соотношение контентных и продающих писем, варьировать частоту и время проведения рассылок, добавлять новые триггеры и т.д.) и корректно интерпретировать результаты проводимых тестов;
- выявлять закономерности в бизнесе, в т.ч. сезонность;
- прогнозировать продажи с email-рассылок.
В общем, я просто в восторге. А вы?
С любовью, Даша и творческий коллектив DashaMail.ru
Загрузка...