code-ai-installer 4.0.0 → 4.0.1-a

package/domains/analytics/.agents/skills/cohort-analysis/SKILL.md

@@ -1,322 +1,338 @@
----
-name: cohort-analysis
-description: Анализ когорт — retention, revenue per cohort, паттерны поведения по группам
----
-# Когортный анализ — Retention, revenue и паттерны поведения по группам
-
-## Когда использовать
-- При анализе удержания клиентов — понять, как retention меняется со временем.
-- При оценке эффективности изменений — сравнить когорты до и после изменений.
-- При прогнозировании LTV — когортные данные дают наиболее точную оценку.
-- При выявлении проблем в онбординге — ранний churn в новых когортах.
-
-## Вход
-
-| Поле | Обязательно | Описание |
-|------|:-----------:|----------|
-| Продукт / сервис | ✅ | Что анализируем |
-| Бизнес-модель | ✅ | SaaS / E-commerce / Marketplace / App |
-| Критерий когортирования | ✅ | По дате регистрации / первой покупки / другое |
-| Данные по когортам | ⬚ | Реальные данные retention / revenue (если есть) |
-| Период анализа | ⬚ | За какой период (по умолчанию — 12 месяцев) |
-| Гранулярность | ⬚ | Недели / месяцы / кварталы (по умолчанию — месяцы) |
-| Размер когорт | ⬚ | Количество пользователей в каждой когорте |
-
-> Если обязательные поля не предоставлены — **запросить** у пользователя, не генерировать предположения.
-
-> Если реальных данных нет — скил формирует **методологический фреймворк** с бенчмарками по отрасли, который можно применить при появлении данных. Явно пометить как «Фреймворк (без реальных данных)».
-
-## Источники данных
-1. **Аналитика продукта** — данные о регистрациях, активности, оплатах.
-2. **Веб-поиск** — отраслевые бенчмарки retention (Mixpanel, Amplitude, Lenny Rachitsky).
-3. **Отраслевые отчёты** — средние retention curves по вертикалям.
-4. **CRM / Payment data** — данные от пользователя, если предоставлены.
-5. **Публичные данные** — retention кейсы публичных компаний (S-1 filings, earnings).
-
-> При работе с бенчмарками — указать источник, дату и степень применимости.
-
-### Связь с другими скилами
-| Скил | Что берём | Когда вызывать |
-|------|-----------|----------------|
-| `web-research` | Отраслевые бенчмарки retention, публичные кейсы | Если нет реальных данных или нужны бенчмарки для сравнения |
-| `competitive-analysis` | Retention-бенчмарки конкурентов (если публичны) | Для сравнения с конкурентами (шаг 5) |
-| `rfm-analysis` | RFM-сегменты для перекрёстного анализа с когортами | Если нужно понять, какие сегменты внутри когорт лучше удерживаются |
-| `unit-economics` | CAC для расчёта окупаемости когорты | Для шага 6 (revenue per cohort → payback period) |
-| `customer-journey-mapping` | Точки оттока для объяснения retention drops | Если нужно объяснить, почему конкретная когорта теряет пользователей |
-
-## Протокол
-
-### Шаг 0 — Сбор контекста
-1. Проверить наличие обязательных данных.
-2. Определить режим: **реальные данные** или **методологический фреймворк**.
-3. Зафиксировать период и гранулярность.
-4. Определить метрику активности: что считаем «активным» (логин, транзакция, ключевое действие — «aha moment»).
-5. Зафиксировать исключения: тестовые аккаунты, боты, аномалии.
-
-### Шаг 1 — Определение критериев когортирования
-
-| Параметр | Значение | Обоснование |
-|----------|----------|-------------|
-| Основной критерий | дата регистрации / первой покупки / подписки | [Почему выбран этот] |
-| Период когорты | неделя / месяц / квартал | [Обоснование гранулярности] |
-| Метрика активности | [логин / транзакция / ключевое действие] | [Что отражает ценность для пользователя] |
-| Период наблюдения | [6 / 12 / 24 месяца] | [Обоснование глубины] |
-| Минимальный размер когорты | ≥ 30 (статзначимость) | Когорты < 30 помечать ⚠️ |
-
-### Шаг 2 — Retention Table (Треугольник удержания)
-1. Построить таблицу retention по когортам:
-   - Строки: когорты (по месяцам регистрации).
-   - Столбцы: месяцы жизни (M0, M1, ... MN).
-   - Значения: процент активных пользователей от исходного размера когорты.
-   - M0 = 100% (по определению).
-2. Выделить ячейки цветовой маркировкой:
-   - 🟢 ≥ бенчмарка отрасли
-   - 🟡 в пределах ±5pp от бенчмарка
-   - 🔴 < бенчмарка на > 5pp
-
-### Шаг 3 — Retention Curves
-Визуализировать кривые удержания:
-1. Наложить кривые разных когорт для сравнения.
-2. Определить характерную форму:
-
-   | Форма | Описание | Интерпретация |
-   |-------|----------|---------------|
-   | **Flattening (плато)** | Снижение → выход на плато | Здоровый продукт, ядро лояльных пользователей |
-   | **Continuous decay** | Постоянное снижение без плато | Проблема с value proposition или product-market fit |
-   | **Smile curve** | Снижение → рост | Реактивация работает, но есть проблема с ранним удержанием |
-   | **Cliff** | Резкое падение на конкретном месяце | Проблема в конкретной точке (конец триала, первый платёж) |
-
-3. Определить точку стабилизации: месяц, на котором retention выходит на плато (Δ < 1pp между периодами).
-
-### Шаг 4 — Паттерны и аномалии
-1. Проанализировать когорты на паттерны:
-   - **Plateau (плато):** на каком месяце retention стабилизируется.
-   - **Decay (затухание):** какие когорты теряют пользователей быстрее.
-   - **Revival (возврат):** есть ли сезонные или триггерные возвраты.
-   - **Улучшение/ухудшение:** новые когорты лучше или хуже старых.
-2. Привязать аномалии к событиям:
-
-   | Когорта | Аномалия | Событие | Влияние | Достоверность |
-   |---------|----------|---------|---------|:-------------:|
-   | [Мар 2025] | M1 retention +8pp vs среднее | Запуск нового онбординга | Позитивное | ✅ / ⚠️ / 🔮 |
-
-### Шаг 5 — Сравнение когорт
-Сравнить когорты минимум по 2 срезам:
-
-| Срез | Группа A | Retention MX | Группа B | Retention MX | Δ | Значимость |
-|------|----------|:------------:|----------|:------------:|:-:|:----------:|
-| По времени | Ранние (Q1) | XX% M6 | Поздние (Q3) | XX% M6 | Xpp | Значимо / Нет |
-| По каналу | Organic | XX% M6 | Paid | XX% M6 | Xpp | Значимо / Нет |
-| По сегменту | Pro-тариф | XX% M6 | Free-тариф | XX% M6 | Xpp | Значимо / Нет |
-
-**Оценка значимости разницы:**
-- Размер когорт ≥ 30 и Δ ≥ 5pp → вероятно значимо.
-- Размер когорт < 30 или Δ < 5pp → пометить ⚠️, не делать сильных выводов.
-- Если есть доступ к данным: χ²-тест или z-тест для пропорций.
-
-### Шаг 6 — Revenue per Cohort
-1. Построить таблицу cumulative revenue:
-
-   | Когорта | Размер | M0 | M1 | M3 | M6 | M12 | ARPU (M12) | CAC | Payback |
-   |---------|:------:|:--:|:--:|:--:|:--:|:---:|:----------:|:---:|:-------:|
-   | [Янв] | [N] | $XX | $XX | $XX | $XX | $XX | $XX | $XX | M[X] |
-
-2. Рассчитать ARPU по когортам (cumulative revenue / размер когорты).
-3. Определить payback period: месяц, когда cumulative ARPU ≥ CAC.
-4. Выявить когорты с лучшей/худшей монетизацией.
-5. Рассчитать projected LTV на основе retention curve:
-   - `LTV = ARPU × Σ(retention_rate_month_i)` для i = 0..N
-   - Или: `LTV = ARPU / churn_rate` (при стабильном churn на плато).
-
-> Если данных о revenue нет — пропустить с пометкой «Revenue per Cohort: данные не предоставлены. Рекомендуется добавить при наличии».
-
-### Шаг 7 — Actionable Insights и Action Plan
-1. Сформулировать 3-5 ключевых findings (каждый с данными).
-2. Для каждого finding — корневая причина (гипотеза) + конкретное действие:
-
-   | # | Finding | Данные | Корневая причина | Действие | Метрика | Ожидаемый эффект |
-   |---|---------|--------|------------------|----------|---------|:----------------:|
-   | 1 | [Что обнаружено] | [Цифры] | [Почему так] | [Что делать] | [Что мерить] | +Xpp retention |
-
-3. Приоритизировать действия: P1 (быстрый эффект, низкие усилия) → P3 (долгий эффект, высокие усилия).
-4. Рекомендовать частоту пересчёта (обычно ежемесячно).
-
-## Пример — SaaS-платформа управления проектами
-
-**Контекст:** B2B SaaS, подписочная модель, 2000 новых регистраций/мес. Критерий: дата регистрации. Гранулярность: месяцы. Метрика: логин ≥ 1 раз в месяц.
-
-### Retention Table
-
-| Когорта | Размер | M0 | M1 | M2 | M3 | M6 | M12 |
-|---------|:------:|:---:|:---:|:---:|:---:|:---:|:----:|
-| Янв | 1850 | 100% | 42% 🔴 | 31% | 26% | 20% | 16% |
-| Фев | 2100 | 100% | 44% 🔴 | 33% | 28% | 22% | — |
-| Мар | 2200 | 100% | 55% 🟢 | 44% | 38% | — | — |
-| Апр | 1900 | 100% | 53% 🟢 | 42% | — | — | — |
-
-**Бенчмарк B2B SaaS:** M1: 50%, M3: 35%, M6: 25%, M12: 18% — *Источник: Lenny Rachitsky, 2025*
-
-### Retention Curves
-- **Форма:** Flattening — плато начинается с M4-M5.
-- **Точка стабилизации:** M5 при ~20% (когорты Янв-Фев), M5 при ~32% (когорты Мар-Апр).
-- **Cliff:** M0→M1 = потеря 45-58% — критический переход с триала на активное использование.
-- **Тренд:** Улучшение — когорты Мар-Апр на +11pp лучше по M1.
-
-### Аномалии
-| Когорта | Аномалия | Событие | Достоверность |
-|---------|----------|---------|:-------------:|
-| Мар 2025 | M1 +11pp vs Янв-Фев | Запуск guided onboarding (1 марта) | ✅ (A/B тест) |
-
-### Revenue per Cohort
-
-| Когорта | ARPU (M6) | CAC | Payback | Projected LTV |
-|---------|:---------:|:---:|:-------:|:-------------:|
-| Янв | $89 | $120 | M8 | $210 |
-| Мар | $124 | $115 | M5 | $320 |
-
-### Key Findings & Action Plan
-
-| # | Finding | Действие | Приоритет | Метрика | Эффект |
-|---|---------|----------|:---------:|---------|:------:|
-| 1 | M0→M1 cliff: потеря 45-58% | Расширить guided onboarding (работает с марта, +11pp) | P1 | M1 retention | +10pp |
-| 2 | Когорты Мар+ значительно лучше | Масштабировать A/B-победитель на все каналы | P1 | M1 retention | +5pp |
-| 3 | Payback Янв = M8 vs Мар = M5 | Сфокусировать marketing на каналы с высоким retention | P2 | Payback period | -2 мес |
-
-## Валидация (Quality Gate)
-
-- [ ] Определён критерий когортирования с обоснованием
-- [ ] Retention table построена (или методологический фреймворк с бенчмарками)
-- [ ] Когорты размером < 30 помечены ⚠️, выводы по ним осторожные
-- [ ] Retention curves описаны с определением формы (plateau / decay / smile / cliff)
-- [ ] Точка стабилизации определена (или зафиксировано её отсутствие)
-- [ ] Аномалии привязаны к событиям с оценкой достоверности
-- [ ] Сравнение когорт минимум по 2 срезам с оценкой значимости
-- [ ] Revenue per cohort рассчитан (или помечен как «данные не предоставлены»)
-- [ ] Сформулированы actionable findings (минимум 3) с данными
-- [ ] Action plan содержит приоритизированные действия с метриками и ожидаемым эффектом
-- [ ] Если данные моделированные / бенчмарки — это явно указано с источником и датой
-- [ ] Источники бенчмарков указаны; данные старше 12 мес помечены ⚠️
-
-> Если валидация не пройдена — доработать до повторного прохождения, а не передавать дальше.
-
-## Handoff
-Результат `$cohort-analysis` является входом для:
-- **Стратег / Медиатор** — retention как фундамент для стратегии роста.
-- **`unit-economics`** — когортный LTV и payback period для точного расчёта.
-- **`rfm-analysis`** — пересечение когортных данных с RFM-сегментами.
-- **`customer-journey-mapping`** — точки оттока (cliff, decay) для оптимизации пути.
-- **`trend-analysis`** — тренды в retention как индикатор рыночных изменений.
-
-Формат передачи: retention table + retention curves (форма, плато) + key findings + action plan. При передаче — использовать `$handoff`.
-
-## Anti-patterns
-
-| Ошибка | Почему плохо | Как правильно |
-|--------|-------------|---------------|
-| Средний retention без когорт | Маскирует проблемы новых когорт (Simpson's paradox) | Всегда разбивать на когорты |
-| Когорты без контекста | Цифры без объяснения «почему» — бесполезны | Привязывать аномалии к событиям |
-| Слишком мелкие когорты | Статистическая незначимость → ложные выводы | Минимум 30 на когорту, мелкие — помечать ⚠️ |
-| Только Day 1 / Day 7 / Day 30 | Пропущены промежуточные паттерны, cliffs | Полная retention table с каждым периодом |
-| Без action plan | Анализ ради анализа, нет ценности для бизнеса | Каждый finding = конкретное приоритизированное действие |
-| Игнорирование revenue per cohort | Retention без привязки к деньгам не показывает бизнес-эффект | Считать revenue, ARPU, payback per cohort |
-| Статичный анализ | Когорты меняются, разовый анализ быстро устаревает | Ежемесячный пересчёт, сравнение с предыдущим |
-| Сравнение когорт без оценки значимости | Разница 2pp может быть шумом, а не сигналом | Δ ≥ 5pp + размер ≥ 30 → вероятно значимо; иначе ⚠️ |
-| Бенчмарки без источника | Невозможно верифицировать, могут быть нерелевантны | Источник + дата + применимость к данной бизнес-модели |
-
-## Шаблон вывода
-
-```
-### Когортный анализ — [Продукт / Сервис]
-
-**Бизнес-модель:** [модель]
-**Критерий когортирования:** [критерий]
-**Метрика активности:** [что считаем «активным»]
-**Гранулярность:** [недели / месяцы]
-**Период наблюдения:** [N месяцев]
-**Тип данных:** Реальные / Фреймворк (бенчмарк: [источник])
-**Дата анализа:** [дата]
-
----
-
-#### Retention Table (Треугольник удержания)
-
-| Когорта | Размер | M0 | M1 | M2 | M3 | M6 | M12 |
-|---------|:------:|:---:|:---:|:---:|:---:|:---:|:----:|
-| [Янв] | [N] | 100% | [X]% | [X]% | [X]% | [X]% | [X]% |
-| [Фев] | [N] | 100% | [X]% | [X]% | [X]% | [X]% | — |
-
-Маркировка: 🟢 ≥ бенчмарка | 🟡 ±5pp | 🔴 < бенчмарка на >5pp
-
-**Бенчмарк [отрасль]:**
-- M1: [X]% | M3: [X]% | M6: [X]% | M12: [X]% — *Источник: [источник], [дата]*
-
----
-
-#### Retention Curves
-
-| Характеристика | Значение |
-|---------------|----------|
-| **Форма кривой** | [Plateau / Decay / Smile / Cliff] |
-| **Точка стабилизации** | Month [X] при [X]% (Δ < 1pp) |
-| **Критическое падение (cliff)** | M[X]→M[X]: потеря [X]pp |
-| **Тренд по когортам** | Улучшение / Стабильность / Ухудшение |
-
----
-
-#### Паттерны и аномалии
-
-| Когорта | Аномалия | Событие | Влияние | Достоверность |
-|---------|----------|---------|---------|:-------------:|
-| [когорта] | [описание + Δ] | [событие / причина] | [поз. / нег.] | ✅ / ⚠️ / 🔮 |
-
----
-
-#### Сравнение когорт
-
-| Срез | Группа A | Ret. MX | Группа B | Ret. MX | Δ | Значимость |
-|------|----------|:-------:|----------|:-------:|:-:|:----------:|
-| [По времени] | [когорта] | [X]% | [когорта] | [X]% | [X]pp | Да / ⚠️ |
-| [По каналу] | [канал] | [X]% | [канал] | [X]% | [X]pp | Да / ⚠️ |
-
----
-
-#### Revenue per Cohort
-
-| Когорта | Размер | Cum. Rev. M6 | Cum. Rev. M12 | ARPU (M12) | CAC | Payback | Proj. LTV |
-|---------|:------:|:------------:|:-------------:|:----------:|:---:|:-------:|:---------:|
-| [Янв] | [N] | $XX | $XX | $XX | $XX | M[X] | $XX |
-
-LTV формула: [ARPU × Σ retention / ARPU ÷ churn_rate]
-
----
-
-#### Key Findings
-
-| # | Finding | Данные | Корневая причина (гипотеза) | Достоверность |
-|---|---------|--------|----------------------------|:-------------:|
-| 1 | [Что обнаружено] | [Цифры, Δ, когорты] | [Почему так] | ✅ / ⚠️ / 🔮 |
-| 2 | [Что обнаружено] | [Цифры, Δ, когорты] | [Почему так] | ✅ / ⚠️ / 🔮 |
-| 3 | [Что обнаружено] | [Цифры, Δ, когорты] | [Почему так] | ✅ / ⚠️ / 🔮 |
-
----
-
-#### Action Plan
-
-| Приоритет | Действие | Целевая метрика | Ожидаемый эффект | Срок |
-|:---------:|----------|-----------------|:----------------:|------|
-| P1 | [действие] | [метрика] | +Xpp retention | [срок] |
-| P2 | [действие] | [метрика] | +Xpp retention | [срок] |
-| P3 | [действие] | [метрика] | +Xpp retention | [срок] |
-
-**Рекомендуемая частота пересчёта:** ежемесячно
-
----
-
-#### Источники и допущения
-
-| # | Факт / допущение | Источник | Дата | Достоверность |
-|---|-------------------|----------|------|:-------------:|
-| 1 | [Факт] | [Источник] | [Дата] | ✅ / ⚠️ / 🔮 |
-
-Легенда: ✅ Verified (2+ источника / A/B тест) | ⚠️ Estimated (1 источник / корреляция) | 🔮 Assumed (экспертная гипотеза)
-```
+---
+name: cohort-analysis
+description: Анализ когорт — retention, revenue per cohort, паттерны поведения по группам
+type: triggered
+domain: analytics
+owners:
+  - data_analyst
+gates:
+  - DATA_ANALYST
+tech: []
+topic: []
+triggers:
+  - "cohort-analysis"
+  - "когортный анализ"
+  - "retention analysis"
+  - "когорты"
+related: []
+budget_lines: 338
+schema_version: 1
+---
+# Когортный анализ — Retention, revenue и паттерны поведения по группам
+
+## Когда использовать
+- При анализе удержания клиентов — понять, как retention меняется со временем.
+- При оценке эффективности изменений — сравнить когорты до и после изменений.
+- При прогнозировании LTV — когортные данные дают наиболее точную оценку.
+- При выявлении проблем в онбординге — ранний churn в новых когортах.
+
+## Вход
+
+| Поле | Обязательно | Описание |
+|------|:-----------:|----------|
+| Продукт / сервис | ✅ | Что анализируем |
+| Бизнес-модель | ✅ | SaaS / E-commerce / Marketplace / App |
+| Критерий когортирования | ✅ | По дате регистрации / первой покупки / другое |
+| Данные по когортам | ⬚ | Реальные данные retention / revenue (если есть) |
+| Период анализа | ⬚ | За какой период (по умолчанию — 12 месяцев) |
+| Гранулярность | ⬚ | Недели / месяцы / кварталы (по умолчанию — месяцы) |
+| Размер когорт | ⬚ | Количество пользователей в каждой когорте |
+
+> Если обязательные поля не предоставлены — **запросить** у пользователя, не генерировать предположения.
+
+> Если реальных данных нет — скил формирует **методологический фреймворк** с бенчмарками по отрасли, который можно применить при появлении данных. Явно пометить как «Фреймворк (без реальных данных)».
+
+## Источники данных
+1. **Аналитика продукта** — данные о регистрациях, активности, оплатах.
+2. **Веб-поиск** — отраслевые бенчмарки retention (Mixpanel, Amplitude, Lenny Rachitsky).
+3. **Отраслевые отчёты** — средние retention curves по вертикалям.
+4. **CRM / Payment data** — данные от пользователя, если предоставлены.
+5. **Публичные данные** — retention кейсы публичных компаний (S-1 filings, earnings).
+
+> При работе с бенчмарками — указать источник, дату и степень применимости.
+
+### Связь с другими скилами
+| Скил | Что берём | Когда вызывать |
+|------|-----------|----------------|
+| `web-research` | Отраслевые бенчмарки retention, публичные кейсы | Если нет реальных данных или нужны бенчмарки для сравнения |
+| `competitive-analysis` | Retention-бенчмарки конкурентов (если публичны) | Для сравнения с конкурентами (шаг 5) |
+| `rfm-analysis` | RFM-сегменты для перекрёстного анализа с когортами | Если нужно понять, какие сегменты внутри когорт лучше удерживаются |
+| `unit-economics` | CAC для расчёта окупаемости когорты | Для шага 6 (revenue per cohort → payback period) |
+| `customer-journey-mapping` | Точки оттока для объяснения retention drops | Если нужно объяснить, почему конкретная когорта теряет пользователей |
+
+## Протокол
+
+### Шаг 0 — Сбор контекста
+1. Проверить наличие обязательных данных.
+2. Определить режим: **реальные данные** или **методологический фреймворк**.
+3. Зафиксировать период и гранулярность.
+4. Определить метрику активности: что считаем «активным» (логин, транзакция, ключевое действие — «aha moment»).
+5. Зафиксировать исключения: тестовые аккаунты, боты, аномалии.
+
+### Шаг 1 — Определение критериев когортирования
+
+| Параметр | Значение | Обоснование |
+|----------|----------|-------------|
+| Основной критерий | дата регистрации / первой покупки / подписки | [Почему выбран этот] |
+| Период когорты | неделя / месяц / квартал | [Обоснование гранулярности] |
+| Метрика активности | [логин / транзакция / ключевое действие] | [Что отражает ценность для пользователя] |
+| Период наблюдения | [6 / 12 / 24 месяца] | [Обоснование глубины] |
+| Минимальный размер когорты | ≥ 30 (статзначимость) | Когорты < 30 помечать ⚠️ |
+
+### Шаг 2 — Retention Table (Треугольник удержания)
+1. Построить таблицу retention по когортам:
+   - Строки: когорты (по месяцам регистрации).
+   - Столбцы: месяцы жизни (M0, M1, ... MN).
+   - Значения: процент активных пользователей от исходного размера когорты.
+   - M0 = 100% (по определению).
+2. Выделить ячейки цветовой маркировкой:
+   - 🟢 ≥ бенчмарка отрасли
+   - 🟡 в пределах ±5pp от бенчмарка
+   - 🔴 < бенчмарка на > 5pp
+
+### Шаг 3 — Retention Curves
+Визуализировать кривые удержания:
+1. Наложить кривые разных когорт для сравнения.
+2. Определить характерную форму:
+
+   | Форма | Описание | Интерпретация |
+   |-------|----------|---------------|
+   | **Flattening (плато)** | Снижение → выход на плато | Здоровый продукт, ядро лояльных пользователей |
+   | **Continuous decay** | Постоянное снижение без плато | Проблема с value proposition или product-market fit |
+   | **Smile curve** | Снижение → рост | Реактивация работает, но есть проблема с ранним удержанием |
+   | **Cliff** | Резкое падение на конкретном месяце | Проблема в конкретной точке (конец триала, первый платёж) |
+
+3. Определить точку стабилизации: месяц, на котором retention выходит на плато (Δ < 1pp между периодами).
+
+### Шаг 4 — Паттерны и аномалии
+1. Проанализировать когорты на паттерны:
+   - **Plateau (плато):** на каком месяце retention стабилизируется.
+   - **Decay (затухание):** какие когорты теряют пользователей быстрее.
+   - **Revival (возврат):** есть ли сезонные или триггерные возвраты.
+   - **Улучшение/ухудшение:** новые когорты лучше или хуже старых.
+2. Привязать аномалии к событиям:
+
+   | Когорта | Аномалия | Событие | Влияние | Достоверность |
+   |---------|----------|---------|---------|:-------------:|
+   | [Мар 2025] | M1 retention +8pp vs среднее | Запуск нового онбординга | Позитивное | ✅ / ⚠️ / 🔮 |
+
+### Шаг 5 — Сравнение когорт
+Сравнить когорты минимум по 2 срезам:
+
+| Срез | Группа A | Retention MX | Группа B | Retention MX | Δ | Значимость |
+|------|----------|:------------:|----------|:------------:|:-:|:----------:|
+| По времени | Ранние (Q1) | XX% M6 | Поздние (Q3) | XX% M6 | Xpp | Значимо / Нет |
+| По каналу | Organic | XX% M6 | Paid | XX% M6 | Xpp | Значимо / Нет |
+| По сегменту | Pro-тариф | XX% M6 | Free-тариф | XX% M6 | Xpp | Значимо / Нет |
+
+**Оценка значимости разницы:**
+- Размер когорт ≥ 30 и Δ ≥ 5pp → вероятно значимо.
+- Размер когорт < 30 или Δ < 5pp → пометить ⚠️, не делать сильных выводов.
+- Если есть доступ к данным: χ²-тест или z-тест для пропорций.
+
+### Шаг 6 — Revenue per Cohort
+1. Построить таблицу cumulative revenue:
+
+   | Когорта | Размер | M0 | M1 | M3 | M6 | M12 | ARPU (M12) | CAC | Payback |
+   |---------|:------:|:--:|:--:|:--:|:--:|:---:|:----------:|:---:|:-------:|
+   | [Янв] | [N] | $XX | $XX | $XX | $XX | $XX | $XX | $XX | M[X] |
+
+2. Рассчитать ARPU по когортам (cumulative revenue / размер когорты).
+3. Определить payback period: месяц, когда cumulative ARPU ≥ CAC.
+4. Выявить когорты с лучшей/худшей монетизацией.
+5. Рассчитать projected LTV на основе retention curve:
+   - `LTV = ARPU × Σ(retention_rate_month_i)` для i = 0..N
+   - Или: `LTV = ARPU / churn_rate` (при стабильном churn на плато).
+
+> Если данных о revenue нет — пропустить с пометкой «Revenue per Cohort: данные не предоставлены. Рекомендуется добавить при наличии».
+
+### Шаг 7 — Actionable Insights и Action Plan
+1. Сформулировать 3-5 ключевых findings (каждый с данными).
+2. Для каждого finding — корневая причина (гипотеза) + конкретное действие:
+
+   | # | Finding | Данные | Корневая причина | Действие | Метрика | Ожидаемый эффект |
+   |---|---------|--------|------------------|----------|---------|:----------------:|
+   | 1 | [Что обнаружено] | [Цифры] | [Почему так] | [Что делать] | [Что мерить] | +Xpp retention |
+
+3. Приоритизировать действия: P1 (быстрый эффект, низкие усилия) → P3 (долгий эффект, высокие усилия).
+4. Рекомендовать частоту пересчёта (обычно ежемесячно).
+
+## Пример — SaaS-платформа управления проектами
+
+**Контекст:** B2B SaaS, подписочная модель, 2000 новых регистраций/мес. Критерий: дата регистрации. Гранулярность: месяцы. Метрика: логин ≥ 1 раз в месяц.
+
+### Retention Table
+
+| Когорта | Размер | M0 | M1 | M2 | M3 | M6 | M12 |
+|---------|:------:|:---:|:---:|:---:|:---:|:---:|:----:|
+| Янв | 1850 | 100% | 42% 🔴 | 31% | 26% | 20% | 16% |
+| Фев | 2100 | 100% | 44% 🔴 | 33% | 28% | 22% | — |
+| Мар | 2200 | 100% | 55% 🟢 | 44% | 38% | — | — |
+| Апр | 1900 | 100% | 53% 🟢 | 42% | — | — | — |
+
+**Бенчмарк B2B SaaS:** M1: 50%, M3: 35%, M6: 25%, M12: 18% — *Источник: Lenny Rachitsky, 2025*
+
+### Retention Curves
+- **Форма:** Flattening — плато начинается с M4-M5.
+- **Точка стабилизации:** M5 при ~20% (когорты Янв-Фев), M5 при ~32% (когорты Мар-Апр).
+- **Cliff:** M0→M1 = потеря 45-58% — критический переход с триала на активное использование.
+- **Тренд:** Улучшение — когорты Мар-Апр на +11pp лучше по M1.
+
+### Аномалии
+| Когорта | Аномалия | Событие | Достоверность |
+|---------|----------|---------|:-------------:|
+| Мар 2025 | M1 +11pp vs Янв-Фев | Запуск guided onboarding (1 марта) | ✅ (A/B тест) |
+
+### Revenue per Cohort
+
+| Когорта | ARPU (M6) | CAC | Payback | Projected LTV |
+|---------|:---------:|:---:|:-------:|:-------------:|
+| Янв | $89 | $120 | M8 | $210 |
+| Мар | $124 | $115 | M5 | $320 |
+
+### Key Findings & Action Plan
+
+| # | Finding | Действие | Приоритет | Метрика | Эффект |
+|---|---------|----------|:---------:|---------|:------:|
+| 1 | M0→M1 cliff: потеря 45-58% | Расширить guided onboarding (работает с марта, +11pp) | P1 | M1 retention | +10pp |
+| 2 | Когорты Мар+ значительно лучше | Масштабировать A/B-победитель на все каналы | P1 | M1 retention | +5pp |
+| 3 | Payback Янв = M8 vs Мар = M5 | Сфокусировать marketing на каналы с высоким retention | P2 | Payback period | -2 мес |
+
+## Валидация (Quality Gate)
+
+- [ ] Определён критерий когортирования с обоснованием
+- [ ] Retention table построена (или методологический фреймворк с бенчмарками)
+- [ ] Когорты размером < 30 помечены ⚠️, выводы по ним осторожные
+- [ ] Retention curves описаны с определением формы (plateau / decay / smile / cliff)
+- [ ] Точка стабилизации определена (или зафиксировано её отсутствие)
+- [ ] Аномалии привязаны к событиям с оценкой достоверности
+- [ ] Сравнение когорт минимум по 2 срезам с оценкой значимости
+- [ ] Revenue per cohort рассчитан (или помечен как «данные не предоставлены»)
+- [ ] Сформулированы actionable findings (минимум 3) с данными
+- [ ] Action plan содержит приоритизированные действия с метриками и ожидаемым эффектом
+- [ ] Если данные моделированные / бенчмарки — это явно указано с источником и датой
+- [ ] Источники бенчмарков указаны; данные старше 12 мес помечены ⚠️
+
+> Если валидация не пройдена — доработать до повторного прохождения, а не передавать дальше.
+
+## Handoff
+Результат `$cohort-analysis` является входом для:
+- **Стратег / Медиатор** — retention как фундамент для стратегии роста.
+- **`unit-economics`** — когортный LTV и payback period для точного расчёта.
+- **`rfm-analysis`** — пересечение когортных данных с RFM-сегментами.
+- **`customer-journey-mapping`** — точки оттока (cliff, decay) для оптимизации пути.
+- **`trend-analysis`** — тренды в retention как индикатор рыночных изменений.
+
+Формат передачи: retention table + retention curves (форма, плато) + key findings + action plan. При передаче — использовать `$handoff`.
+
+## Anti-patterns
+
+| Ошибка | Почему плохо | Как правильно |
+|--------|-------------|---------------|
+| Средний retention без когорт | Маскирует проблемы новых когорт (Simpson's paradox) | Всегда разбивать на когорты |
+| Когорты без контекста | Цифры без объяснения «почему» — бесполезны | Привязывать аномалии к событиям |
+| Слишком мелкие когорты | Статистическая незначимость → ложные выводы | Минимум 30 на когорту, мелкие — помечать ⚠️ |
+| Только Day 1 / Day 7 / Day 30 | Пропущены промежуточные паттерны, cliffs | Полная retention table с каждым периодом |
+| Без action plan | Анализ ради анализа, нет ценности для бизнеса | Каждый finding = конкретное приоритизированное действие |
+| Игнорирование revenue per cohort | Retention без привязки к деньгам не показывает бизнес-эффект | Считать revenue, ARPU, payback per cohort |
+| Статичный анализ | Когорты меняются, разовый анализ быстро устаревает | Ежемесячный пересчёт, сравнение с предыдущим |
+| Сравнение когорт без оценки значимости | Разница 2pp может быть шумом, а не сигналом | Δ ≥ 5pp + размер ≥ 30 → вероятно значимо; иначе ⚠️ |
+| Бенчмарки без источника | Невозможно верифицировать, могут быть нерелевантны | Источник + дата + применимость к данной бизнес-модели |
+
+## Шаблон вывода
+
+```
+### Когортный анализ — [Продукт / Сервис]
+
+**Бизнес-модель:** [модель]
+**Критерий когортирования:** [критерий]
+**Метрика активности:** [что считаем «активным»]
+**Гранулярность:** [недели / месяцы]
+**Период наблюдения:** [N месяцев]
+**Тип данных:** Реальные / Фреймворк (бенчмарк: [источник])
+**Дата анализа:** [дата]
+
+---
+
+#### Retention Table (Треугольник удержания)
+
+| Когорта | Размер | M0 | M1 | M2 | M3 | M6 | M12 |
+|---------|:------:|:---:|:---:|:---:|:---:|:---:|:----:|
+| [Янв] | [N] | 100% | [X]% | [X]% | [X]% | [X]% | [X]% |
+| [Фев] | [N] | 100% | [X]% | [X]% | [X]% | [X]% | — |
+
+Маркировка: 🟢 ≥ бенчмарка | 🟡 ±5pp | 🔴 < бенчмарка на >5pp
+
+**Бенчмарк [отрасль]:**
+- M1: [X]% | M3: [X]% | M6: [X]% | M12: [X]% — *Источник: [источник], [дата]*
+
+---
+
+#### Retention Curves
+
+| Характеристика | Значение |
+|---------------|----------|
+| **Форма кривой** | [Plateau / Decay / Smile / Cliff] |
+| **Точка стабилизации** | Month [X] при [X]% (Δ < 1pp) |
+| **Критическое падение (cliff)** | M[X]→M[X]: потеря [X]pp |
+| **Тренд по когортам** | Улучшение / Стабильность / Ухудшение |
+
+---
+
+#### Паттерны и аномалии
+
+| Когорта | Аномалия | Событие | Влияние | Достоверность |
+|---------|----------|---------|---------|:-------------:|
+| [когорта] | [описание + Δ] | [событие / причина] | [поз. / нег.] | ✅ / ⚠️ / 🔮 |
+
+---
+
+#### Сравнение когорт
+
+| Срез | Группа A | Ret. MX | Группа B | Ret. MX | Δ | Значимость |
+|------|----------|:-------:|----------|:-------:|:-:|:----------:|
+| [По времени] | [когорта] | [X]% | [когорта] | [X]% | [X]pp | Да / ⚠️ |
+| [По каналу] | [канал] | [X]% | [канал] | [X]% | [X]pp | Да / ⚠️ |
+
+---
+
+#### Revenue per Cohort
+
+| Когорта | Размер | Cum. Rev. M6 | Cum. Rev. M12 | ARPU (M12) | CAC | Payback | Proj. LTV |
+|---------|:------:|:------------:|:-------------:|:----------:|:---:|:-------:|:---------:|
+| [Янв] | [N] | $XX | $XX | $XX | $XX | M[X] | $XX |
+
+LTV формула: [ARPU × Σ retention / ARPU ÷ churn_rate]
+
+---
+
+#### Key Findings
+
+| # | Finding | Данные | Корневая причина (гипотеза) | Достоверность |
+|---|---------|--------|----------------------------|:-------------:|
+| 1 | [Что обнаружено] | [Цифры, Δ, когорты] | [Почему так] | ✅ / ⚠️ / 🔮 |
+| 2 | [Что обнаружено] | [Цифры, Δ, когорты] | [Почему так] | ✅ / ⚠️ / 🔮 |
+| 3 | [Что обнаружено] | [Цифры, Δ, когорты] | [Почему так] | ✅ / ⚠️ / 🔮 |
+
+---
+
+#### Action Plan
+
+| Приоритет | Действие | Целевая метрика | Ожидаемый эффект | Срок |
+|:---------:|----------|-----------------|:----------------:|------|
+| P1 | [действие] | [метрика] | +Xpp retention | [срок] |
+| P2 | [действие] | [метрика] | +Xpp retention | [срок] |
+| P3 | [действие] | [метрика] | +Xpp retention | [срок] |
+
+**Рекомендуемая частота пересчёта:** ежемесячно
+
+---
+
+#### Источники и допущения
+
+| # | Факт / допущение | Источник | Дата | Достоверность |
+|---|-------------------|----------|------|:-------------:|
+| 1 | [Факт] | [Источник] | [Дата] | ✅ / ⚠️ / 🔮 |
+
+Легенда: ✅ Verified (2+ источника / A/B тест) | ⚠️ Estimated (1 источник / корреляция) | 🔮 Assumed (экспертная гипотеза)
+```