Retention и когорты через Claude Code без ручных таблиц

Почему когорты руками — это долго и хрупко

Когортный анализ группирует пользователей по дате прихода и смотрит, сколько из них возвращается через неделю, две, месяц. Метрика простая по смыслу, но адски неудобная в сборке вручную: нужно сопоставить каждое действие с датой регистрации, посчитать «возраст» в неделях, свернуть в матрицу и подсветить проседающие ячейки. Одна ошибка в формуле сдвига — и вся таблица врёт.

Claude Code снимает именно эту механику. Вы кладёте выгрузку в папку, описываете, что считать, — модель пишет и запускает код, который строит матрицу за секунды. При новой выгрузке вы не пересобираете формулы: та же команда прогоняет свежий файл. Это не «магия ИИ», а перенос рутины с человека на машину — вам остаётся смотреть на результат и думать, что он значит для продукта.

Какая выгрузка нужна на входе

Для базового когортного анализа хватает двух колонок на пользователя: идентификатор и дата события. Чем чище выгрузка, тем меньше правок потом.

• user_id — уникальный идентификатор пользователя.
• signup_date — дата регистрации или первой покупки (определяет когорту).
• event_date — дата активности: вход, заказ, открытие приложения.
• revenue — по желанию, если хотите строить не только retention, но и revenue-когорты (сколько денег приносит когорта со временем).

Выгрузить это можно из CRM, биллинга или базы. Если данные лежат в SQL-базе, не выгружайте руками — подключите её через MCP к базам данных, и Claude Code сам заберёт нужные поля. Для разовой задачи достаточно и обычного CSV из выгрузки. Актуальная модель Opus 4.8 спокойно держит в контексте описание схемы данных и логику расчёта одновременно, так что можно сразу оговорить нюансы: какой считать активностью, с какого события стартует когорта.

Промпт для построения матрицы удержания

Задача — не «посчитай retention», а получить конкретную матрицу с понятным форматом. Чем точнее ТЗ, тем меньше уточнений.

Прочитай events.csv (колонки: user_id, signup_date, event_date).

Построй недельный когортный анализ retention:
- когорта = неделя регистрации
- по строкам когорты, по столбцам W0..W8
- в ячейках — % вернувшихся пользователей когорты
- отдельной колонкой размер когорты

Собери результат в retention.csv и текстом опиши
3 главных наблюдения: где просадка, какие когорты
лучше, есть ли тренд по свежим неделям.

Через полминуты в папке появится retention.csv и разбор словами. Дальше — обычный диалог: «покажи то же по месяцам, а не неделям», «добавь revenue-retention рядом», «построй когорты только по платному трафику». Вам не нужно знать pandas — вы формулируете задачу как аналитику-человеку, а код пишется под капотом. Подробнее про сам метод — в разборе когортного анализа.

Как читать матрицу удержания

Готовая таблица бесполезна, если не уметь её читать. Вот типовая недельная матрица (условные цифры) и что она говорит.

Читаем по строкам — как тает когорта со временем; по столбцам — сравниваем одинаковый «возраст» у разных когорт. Здесь W1 растёт от недели к неделе (38% → 41% → 44%): свежие когорты удерживаются лучше, значит онбординг или продукт улучшаются. Самая большая просадка — между W0 и W1: за первую неделю уходит почти две трети. Именно сюда бьют в первую очередь — онбордингом и welcome-цепочкой, потому что удержать имеющегося дешевле, чем купить нового.

Плоская линия retention после N-й недели — это ваше «ядро»: пользователи, которые останутся надолго. Задача продукта — поднять этот пол, а не только замедлить первый отток.

Когорты по сегментам и каналам

Общий retention усредняет и прячет правду. Пользователи из разных каналов удерживаются по-разному, и это меняет решения по бюджету. Попросите Claude Code разбить матрицу по срезам.

Построй ту же матрицу отдельно для каждого
источника трафика (колонка source).
Сравни retention W4 по каналам и выдели,
где удержание сильно ниже среднего.

Часто оказывается, что канал с дешёвым CAC приводит людей, которые отваливаются к W2, а «дорогой» канал даёт лояльное ядро. Без разбивки по когортам вы бы резали бюджет не там. Свяжите это с LTV: канал с высоким retention обычно даёт и высокий LTV, даже если привлечение дороже. Для более тонкой работы с базой пригодится RFM-анализ через Claude Code — он режет клиентов по свежести, частоте и деньгам.

От разовой таблицы к живому отчёту

Разовый расчёт хорош для ответа на конкретный вопрос. Но retention смотрят регулярно, и переделывать каждый раз лень. Два пути автоматизации.

• Скрипт по расписанию. Просите Claude Code оформить расчёт отдельным файлом-скриптом, который берёт свежий CSV и пересобирает retention.csv. Запускаете раз в неделю одной командой.
• Дашборд. Тот же расчёт можно завернуть в дашборд на Streamlit с фильтрами по каналу и периоду, чтобы смотреть когорты без выгрузок.

Оба варианта — это переход от «посчитал один раз» к «система считает сама». На этом же принципе строятся отчёты через Claude Code: один раз описали логику — дальше только подставляете данные. Держите retention рядом с воронкой и юнит-экономикой, чтобы видеть картину целиком, а не одну метрику в вакууме.

Частые ошибки в когортном анализе

Метод простой, но напортачить легко. Проговорите эти грабли с моделью — а лучше попросите проверить ваш расчёт на них.

Последнее особенно важно: 50% от когорты в 8 человек — это четыре пользователя, статистики тут нет. Claude Code честно покажет размер когорты рядом с процентом, если вы попросите, — не игнорируйте эту колонку. И помните: модель считает то, что вы описали. Ошибётесь в определении активности — получите аккуратную, но неверную таблицу. Логику расчёта проверяйте головой, механику отдавайте машине.