По данным ScaleXP за 2025 год, медианный CAC payback period для B2B SaaS составляет 15 месяцев, а у enterprise-сегмента - 18-24 месяца. При этом большинство компаний принимают решения о перераспределении маркетингового бюджета на основе CPL и количества лидов - то есть метрик, которые не имеют никакого отношения к тому, сколько revenue каждый канал в итоге принёс. Инвестировать в канал 15 месяцев и только потом узнать, что он приводил нецелевых клиентов с высоким churn - стандартная ситуация для команд, у которых нет когортного анализа.
Проблема не в отсутствии данных: CRM-системы накапливают всё необходимое. Проблема в том, что данные не разрезаются правильно: маркетинг смотрит на CPL, продажи - на win rate, а связи между каналом привлечения и долгосрочным LTV клиента никто не считает. В результате бюджет распределяется по ощущениям, а не по revenue-данным.
В этой статье разбираем, что такое когортный анализ применительно к B2B pipeline, какие метрики считать в разбивке по каналам, и как настроить это на практике - без сложных BI-систем на старте. Если вас интересует тема атрибуции в B2B шире - посмотрите наш материал про multi-touch атрибуцию.
Проблема с каналами, которую не видно в стандартных отчётах
Стандартный маркетинговый отчёт показывает: LinkedIn дал 40 лидов, Google Ads - 60, SEO - 20. CPL по LinkedIn в три раза выше, чем по Google. Вывод, который напрашивается: LinkedIn неэффективен, надо перераспределить бюджет.
Но что если лиды из LinkedIn закрываются с win rate 35%, а из Google - с win rate 8%? И средний чек у LinkedIn-лидов вдвое выше? Тогда вывод противоположный - и разрезать бюджет нужно в другую сторону.
Когортный анализ позволяет увидеть именно это: не поверхностные метрики лидогенерации, а долгосрочное поведение лидов в зависимости от канала, периода привлечения, и других параметров.
Что такое когорта в контексте B2B pipeline
В SaaS cohort analysis обычно применяется к продуктовым метрикам: retention, churn, LTV по месяцам активации. В B2B продажах логика та же, но применяется к pipeline.
Когорта - это группа лидов, объединённых по общему признаку. В B2B продажах чаще всего используют:
- Когорта по каналу привлечения - все лиды, пришедшие через LinkedIn Ads за Q1 2025
- Когорта по периоду - все лиды, вошедшие в pipeline в январе 2025
- Когорта по сегменту - все лиды из fintech компаний с 50-200 сотрудниками
Смысл в том, чтобы отслеживать, что происходит с каждой когортой во времени: как они движутся по стадиям, с каким win rate закрываются, какой revenue они принесли через 6, 12, 18 месяцев.
Ключевые метрики когортного анализа для pipeline
Win rate по каналу. Самая базовая метрика, которую удивительно мало кто считает в разбивке по источникам. Если у вас есть CRM с корректно заполненными source полями - это отчёт на 20 минут.
Time-to-close по когортам. Разные каналы дают лидов с разной скоростью принятия решений. Лид из cold outbound может закрываться за 90 дней, а из inbound (когда они сами нашли вас) - за 45. Это влияет на cash flow и на то, как планировать pipeline.
ACV (Average Contract Value) по каналу. Часто выясняется, что «дорогой» канал даёт более крупные сделки. Подробнее о том, как правильно считать реальный CAC по каждому каналу, мы писали в отдельной статье: реальный CAC по каналу. - и в итоге revenue per lead выше, несмотря на высокий CPL.
Churn rate по когорте привлечения. Если лиды из определённого канала чаще churnят через 6-12 месяцев - это сигнал о quality mismatch. Канал привлекает не тех.
Pipeline velocity по стадиям. На какой стадии лиды из разных каналов застревают чаще всего? Если LinkedIn-лиды доходят до демо с конверсией 70%, но закрываются хуже - проблема в продажах или в продукте, а не в маркетинге.
Как это настроить на практике
Для когортного анализа pipeline нужны три вещи: чистые данные в CRM, корректная атрибуция источника, и инструмент для когортного отчёта.
Данные в CRM - поле source/channel должно заполняться при создании лида, не задним числом. Если ваши sales заполняют CRM нерегулярно, или source field optional - данные будут грязными и анализ бессмысленным. Это организационная, а не техническая проблема.
Атрибуция источника - как лид попал в CRM? Заполнил форму с UTM? Вам написал в LinkedIn? Пришёл через SDR outbound? Каждый из этих случаев требует своей логики атрибуции. Простой UTM-based атрибуции часто недостаточно для B2B с длинным циклом.
Инструмент для отчёта - в базовом варианте это может быть экспорт из CRM + сводная таблица. В более зрелом варианте - BI инструмент (Looker, Metabase, Power BI) с когортными дашбордами. Для начала достаточно Excel: группируете лиды по каналу и кварталу входа, смотрите что стало с каждой группой.
Что делать с результатами
Когортный анализ часто выявляет несколько типичных паттернов:
Один канал стабильно даёт лиды с высоким win rate, но бюджет на него ниже потому что CPL «высокий» - перераспределить бюджет.
Лиды из определённого периода (например, после конкретной кампании) churnят значительно быстрее - разобраться, что изменилось в том периоде: оффер, квалификация, сегмент.
Pipeline velocity резко упала в определённой когорте - это может указывать на изменение в процессе продаж или появление конкурента в том сегменте.
Главная ценность когортного анализа не в красивых дашбордах, а в том, что он переводит разговор с «сколько лидов мы дали» на «сколько revenue мы сгенерировали». Это меняет отношения между маркетингом и продажами - и это стоит того.