Когортный анализ в SEO

Когортный анализ в SEO — метод изучения групп пользователей, объединённых общим признаком и временем первого взаимодействия с сайтом, по их поведению на длинной дистанции. Это инструмент уровня выше базовых отчётов веб-аналитики: позволяет отделить кратковременные всплески от устойчивого роста, валидировать изменения на сайте и продвижении, сравнить качество трафика разных периодов и увидеть накопительную окупаемость канала за пределами одной сессии. Когортный отчёт строится в GA4 и Яндекс.Метрике штатными средствами; для глубоких задач — через выгрузку в BigQuery или Yandex DataLens.

Что такое когортный анализ

Когортный анализ — метод исследования, при котором пользователи группируются по моменту первого взаимодействия с сайтом и их дальнейшее поведение отслеживается через одинаковые временные интервалы. Когорта пользователей, пришедших на сайт в первую неделю января, наблюдается отдельно от когорты, пришедшей во вторую неделю; для каждой когорты строится одна и та же метрика (возвраты, конверсии, выручка) с шагом неделя, две недели, месяц.

Главное отличие когорты от обычного сегмента — временная привязка. Сегмент «пользователи из органики Google» одинаков сегодня и через год: туда попадают все, кто пришёл из этого источника. Когорта «пользователи из органики Google, пришедшие в неделю с 6 января» состоит из конкретного набора людей с фиксированной точкой входа; через месяц состав когорты не меняется, меняются только их действия на сайте за прошедшее время.

Когортный анализ отвечает на вопрос «как меняется поведение пользователей со временем», а не «сколько пользователей пришло за период». Это другой угол на тот же набор данных — продольный, а не сечение.

В когортной таблице по горизонтали откладываются временные шаги после первого визита (неделя 0, неделя 1, неделя 2…), по вертикали — сами когорты по неделям первого визита. На пересечении — значение метрики (число вернувшихся пользователей, конверсия, доход). По диагоналям таблицы видно, как когорты ведут себя со временем; по столбцам — как меняется поведение когорт от периода к периоду.

Когортный анализ распространён в подписочных сервисах и e-commerce, где LTV клиента критичен для оценки бизнеса. В SEO он применяется реже, но даёт уникальную информацию о качестве органического трафика, которую невозможно получить из стандартных отчётов веб-аналитики.

Зачем когортный анализ в SEO

Базовые отчёты Яндекс.Метрики и GA4 показывают трафик и конверсии в разрезе источников за выбранный период. Эта картина отвечает на вопрос «сколько пришло сейчас», но не отвечает на четыре более сложных вопроса, которые регулярно встают перед SEO-аналитиком и собственником бизнеса.

• Удержание пользователей из органики. Возвращается ли пользователь, попавший на сайт по поисковому запросу, через неделю-две-месяц — или это разовый визит. Показатель удержания (retention) — диагностический: низкое удержание подсвечивает либо нерелевантность трафика (запросы привлекают не ту аудиторию), либо проблемы сайта (плохой пользовательский опыт после первого визита).
• Сравнение качества трафика разных периодов. Когорта «пользователи, пришедшие в марте» и когорта «пришедшие в сентябре» показывают, изменилось ли поведение нового трафика после крупных событий — апдейта алгоритма, расширения семантики, редизайна сайта, появления конкурентов в выдаче.
• Накопительная окупаемость канала. Часть пользователей из органики совершает целевое действие не в первой сессии, а через 30, 60, 90 дней. Стандартный отчёт «Источники → Конверсии» атрибутирует это действие текущей сессии и теряет связь с первым визитом. Когорта пользователей по дате первого визита показывает, какой процент дойдёт до сделки в течение трёх месяцев, какой — в течение полугода.
• Валидация изменений на сайте и продвижении. Когорта «до изменения» и когорта «после» сравниваются по одинаковой метрике на одинаковом отрезке времени после первого визита. Если когорта после редизайна возвращается на сайт чаще когорты до редизайна — изменение работает. Без когортного сравнения такие выводы строятся на сравнении абсолютных цифр в разные периоды и искажаются сезонностью.

В этом смысле когортный анализ — следующий уровень аналитики после базовых отчётов по источникам и конверсиям. Он не заменяет ни Метрику, ни сквозную аналитику, а добавляет к ним временное измерение поведения пользователей.

Виды когорт для SEO

Когорта формируется по двум параметрам: критерию принадлежности (что объединяет пользователей) и моменту первого взаимодействия (когда они впервые попали на сайт). Для SEO-аналитики на практике применяются пять типов когорт.

• По дате первого визита. Классическая когорта: все пользователи, впервые попавшие на сайт в неделю N. Без дополнительных фильтров эта когорта показывает общую динамику возвращаемости и используется как базовый референс — на её фоне видно, выделяется ли какая-то подкогорта.
• По источнику первого визита. Когорта «впервые пришли из органики Google в неделю N» отдельно от «впервые пришли из органики Яндекса в неделю N». Сравнение двух поисковых систем по одной нише: какой канал даёт более устойчивого пользователя, кто чаще возвращается на сайт после первой сессии.
• По типу поискового запроса. Когорты «брендовые запросы», «коммерческие запросы», «информационные запросы» строятся через сегменты по UTM-меткам или через разметку посадочных страниц. Брендовая когорта обычно показывает более высокую возвращаемость и конверсию — это пользователи, которые уже знакомы с компанией. Коммерческая когорта даёт лучшую конверсию в первой сессии, но более низкое удержание. Информационная — низкая конверсия в первой сессии, но накопительный приход в течение нескольких месяцев.
• По посадочной странице первого визита. Когорта пользователей, впервые попавших на конкретную статью блога или на конкретную категорию каталога. Применяется для оценки контентного маркетинга в SEO: какие материалы приводят пользователей, которые потом возвращаются и совершают покупку.
• По устройству первого визита. Когорта «мобильные пользователи, пришедшие в неделю N» и «десктопные пользователи, пришедшие в неделю N». Различия в удержании между этими когортами подсвечивают проблемы с мобильной адаптацией или с поведенческими сценариями на разных устройствах.

Когорты можно комбинировать — например, «брендовые запросы из органики Яндекс, мобильное устройство, неделя N». Чем больше параметров в определении когорты, тем уже выборка и тем сильнее статистический шум. Разумная глубина — два параметра одновременно; три уже требуют большой посещаемости сайта, чтобы значения метрики оставались статистически значимыми.

Когортный отчёт в GA4

GA4 предлагает два уровня работы с когортами. Простой уровень — отчёты раздела Жизненный цикл → Удержание с базовыми показателями возвращаемости и взаимодействия по когортам новых пользователей. Углублённый уровень — шаблон «Когортный анализ» (Cohort Exploration в англоязычном интерфейсе) в разделе Исследования, который позволяет задать параметры когорты, метрику возврата, шаг и сегменты.

Базовый сценарий настройки когортного исследования в GA4:

1. Открыть раздел Исследования. В левом меню GA4 — пункт «Исследования» (Explorations). В Галерее шаблонов выбрать шаблон «Когортный анализ».
2. Задать критерий включения в когорту. Это событие, по которому пользователь попадает в когорту: первое посещение (first_visit), любое событие в выбранную дату, конверсия. Для SEO-задач обычно выбирается «Первое посещение» с фильтром по источнику google / organic или yandex / organic.
3. Задать критерий возврата. Это событие, которое считается «возвратом» пользователя из когорты. Варианты — любое событие, конкретное действие (просмотр страницы, конверсия, покупка). Для оценки удержания достаточно «любого события».
4. Выбрать гранулярность. День, неделя или месяц. Для SEO-задач разумна неделя или месяц — на дневной гранулярности шум слишком велик.
5. Настроить отображаемую метрику. Число активных пользователей, выручка, события — то, что нужно отслеживать на дистанции. Для глубокого анализа добавляются параметры (источник, устройство, страна, посадочная страница) и сегменты для сравнения двух подкогорт.

Ограничение базового когортного исследования в GA4 — выборочный режим (sampling) на больших объёмах данных и максимальное окно 12 недель в шаблоне. Для проектов с большим трафиком и потребностью в более длинном временном горизонте применяется выгрузка событий GA4 в BigQuery и построение когортных таблиц через SQL-запросы. Это даёт полный контроль над выборкой и любые горизонты — но требует выделенного аналитика и оплаты ресурсов BigQuery.

Когортный отчёт в Яндекс.Метрике

Яндекс.Метрика предоставляет когортный отчёт в разделе «Конверсии». Настройка ближе к интерфейсу обычных отчётов Метрики, чем к гибкой среде Explorations в GA4 — параметров меньше, но это снижает порог входа для маркетолога без опыта построения исследований.

1. Открыть раздел Когортный анализ. В интерфейсе счётчика — «Отчёты → Стандартные отчёты → Конверсии → Когортный анализ» (точное расположение пункта меню обновляется Яндексом периодически).
2. Выбрать метрику формирования когорты. Первый визит или первая покупка. Для SEO-задач — первый визит с фильтром по источнику «Поисковая система».
3. Указать временной промежуток. Глубина наблюдения — последние 3, 6, 12 месяцев или произвольный диапазон.
4. Выбрать шаг когорты. День, неделя или месяц. Логика та же, что в GA4 — для SEO рекомендуется неделя или месяц.
5. Настроить метрику анализа. Возвраты на сайт, число заказов, доход, достижение цели. Метрика отображается на пересечении когорты и шага возврата.

Сильная сторона когортного отчёта Метрики — связка с целями счётчика. Когорту можно построить по достижению любой настроенной цели, а не только по визиту, и отслеживать конверсионные шаги в когортах. Слабая сторона — отсутствие гибкой настройки параметров когорты в интерфейсе. Для глубоких задач (нестандартные комбинации параметров, длинные окна, сшивка с CRM-данными) применяется выгрузка через Logs API Метрики в Yandex DataSphere или ClickHouse с визуализацией в Yandex DataLens.

Какие выводы делать из когорт

Когортная таблица — это сырой инструмент. Её ценность зависит от того, какие вопросы ставит маркетолог и какие сравнения проводит. На практике из когортного анализа в SEO извлекаются четыре класса выводов.

• Скорость затухания возвращаемости. В первой строке любой когорты — 100% (это сами пользователи в момент входа). На следующих шагах процент возвращающихся падает. Скорость падения — диагностический показатель: типичная для информационного контента когорта теряет 70–90% пользователей в первый шаг и далее стабилизируется на нескольких процентах. Если когорты теряют 95%+ сразу и до нуля через два шага — у трафика проблемы с релевантностью или у сайта проблемы с удержанием.
• Сравнение когорт до и после изменения. Простейший пример: ввели новую структуру каталога интернет-магазина 15 марта. Когорты января-февраля сравниваются с когортами апреля-мая по одинаковой метрике (возвраты через 2 недели, например). Если новая структура работает — когорты после марта показывают более высокие значения возвратов на одинаковых шагах. Сезонность остаётся переменной, но при сравнении когорт одинаковых месяцев разных лет она нейтрализуется.
• Поиск «сильного» источника трафика. Когорты «органика Google» и «органика Яндекс» сравниваются по удержанию на длинной дистанции. Канал с более низким приходом по числу пользователей может оказаться более «сильным» по возвращаемости и LTV. Это аргумент против оценки каналов только по объёму трафика и заявок в первой сессии.
• Поиск «сильного» контента. Когорты по посадочной странице первого визита — какие материалы приводят пользователей с высоким удержанием. Часто оказывается, что не самые посещаемые статьи дают лучшие когорты по возврату — это сигнал, на какой контент стоит делать ставку в долгосрочной стратегии.

Cropas работает с когортным анализом как с одним из инструментов глубокой SEO-аналитики: настраивает выгрузку данных Метрики и GA4 в Yandex DataLens или BigQuery, строит когортные дашборды под конкретные бизнес-вопросы заказчика, привязывает выводы из когорт к решениям по контенту и продвижению. Это уровень аналитики, который имеет смысл подключать на проектах с устойчивым трафиком и потребностью в обоснованных решениях по бюджету.

Типичные ошибки интерпретации

Когортная таблица легко вводит в заблуждение, если читать её без понимания контекста. Шесть типичных ошибок интерпретации, которые регулярно встречаются при первом знакомстве маркетолога с когортным анализом.

Отдельная категория ошибок — попытка построить когорту на слишком коротком отрезке наблюдения. Когорта из 4 недель показывает только первичную возвращаемость; для оценки накопительной окупаемости канала нужны минимум 12 недель, для LTV-анализа — 26 недель и больше. Короткое окно — допустимо для тактических задач, но не для стратегических выводов по бюджету.

Часто задаваемые вопросы

Чем когортный анализ отличается от обычной сегментации в Яндекс.Метрике или GA4?

На практике это два разных инструмента под разные задачи. Сегментация решает оперативные вопросы: за прошедшую неделю с мобильных устройств пришло 1200 пользователей, из них 80 совершили целевое действие — нужно для отчёта на сегодня или для быстрой фильтрации воронки. Когорта решает стратегические вопросы: пользователи, впервые попавшие на сайт в марте, возвращаются на сайт реже когорты февраля — что-то изменилось в трафике после марта. Сегмент собирает нужное сечение прямо сейчас, когорта отслеживает зафиксированную группу на длинной дистанции. На одних и тех же данных можно построить и сегментный, и когортный отчёт — выбор между ними определяется не наличием инструмента, а характером управленческого решения, под которое строится отчёт.

На какой минимальной посещаемости сайта имеет смысл строить когорты?

Базовый ориентир — 100 пользователей в когорту минимально, чтобы статистический шум не превышал значимый эффект. На неделю это означает примерно 100 уникальных пользователей органического трафика в неделю — около 5000 в месяц. На меньшей посещаемости когорты можно строить с шагом месяц вместо недели, но точность выводов будет ниже.

Можно ли строить когортный анализ только по органическому трафику?

Да, через применение сегмента «Источник = Поисковая система» в Яндекс.Метрике или фильтра по параметру session_source_medium со значениями google / organic и yandex / organic в GA4. Когорта будет включать только пользователей, впервые попавших на сайт через органику, и отслеживать их дальнейшее поведение независимо от того, через какие каналы они возвращаются.

Что показывает падение возврата на третьей-четвёртой неделе в когорте?

Падение на этом отрезке нормально для большинства сайтов — основная масса пользователей либо возвращается в первые 7–14 дней, либо не возвращается вовсе. Если падение резкое (например, с 30% до 2% за неделю), это может указывать на проблемы с поведенческими сигналами сайта, низкое качество трафика по конкретному пулу запросов или ошибки в учёте возвратов. Анализируется через сравнение с когортами других периодов и других источников.

Сколько по времени нужно собирать данные для первого осмысленного когортного отчёта?

Минимум 3 месяца — чтобы было хотя бы 4 завершённые когорты с двенадцатью шагами наблюдения каждая. Для статистически значимых сравнений «до и после» — 6 месяцев данных с равным распределением между периодами «до» и «после» точки изменения.

Как когортный анализ связан со сквозной аналитикой?

Сквозная аналитика добавляет к когорте слой данных о сделках и выручке из CRM. Базовая когорта в GA4 или Метрике строится по активности и достижению целей внутри сайта; когорта в системе сквозной аналитики дополнительно показывает, какая доля пользователей когорты дошла до закрытой сделки и какую выручку принесла. Это переход от «удержания» к LTV-анализу.

Когортный анализ работает для B2B с длинным циклом сделки?

Работает с поправкой на временной горизонт. В B2B первый шаг когорты часто измеряется не неделей, а месяцем, а полное наблюдение — 6–12 месяцев. В таких проектах когортный анализ строится через выгрузку данных в DataLens или BigQuery с сшивкой с CRM, потому что встроенные шаблоны GA4 и Метрики не поддерживают такие длинные окна в интерфейсе.

Нужны ли для когортного анализа платные инструменты сверх Метрики и GA4?

На уровне базового анализа — нет, штатных средств обеих систем достаточно. Платные инструменты (BigQuery, Yandex DataSphere, DataLens, ClickHouse, специализированные BI-системы) применяются на следующем уровне: длинные временные окна, сложные комбинации параметров, сшивка с CRM, кастомные визуализации. Переход на платные инструменты имеет смысл при устойчивой потребности в когортной аналитике и наличии аналитика, который умеет с ней работать.

Чем отличается когортный анализ возвратов от анализа повторных визитов в стандартных отчётах?

Стандартный отчёт «Новые и вернувшиеся пользователи» показывает абсолютное число возвратов за период, без привязки к моменту первого визита. Когортный анализ привязывает каждое возвращение к конкретной когорте по дате первого визита и строит динамику возвращаемости вглубь — какой процент когорты вернулся через 1, 2, 3, 4 недели. Стандартный отчёт отвечает «сколько вернулось», когортный — «как именно эти пользователи возвращаются со временем».