Что можно считать сегментом
Когда в онлайн-школе начинают разбирать воронку по частям, слово «сегмент» быстро превращается в удобную отмычку для любого вопроса: открыл фильтр, выбрал условие — и вот тебе сегмент. На практике это нормально, но стоит договориться, что это такое, иначе сравнения начнут путаться.
Сегмент — это просто группа людей или заявок, которые объединены одним общим признаком, важным для бизнеса. Признак может быть каким угодно: продукт, который человек купил или на который смотрел; поток, то есть конкретный запуск или рекламная кампания, через которую он попал; источник трафика — соцсети, поиск, рассылка, рекомендация; этап воронки, на котором человек сейчас находится; даже день недели или устройство, если это реально влияет на поведение.
Важно не путать сегментацию клиентов как общий метод с конкретным срезом, который вы делаете сегодня. Сегментация клиентов — это сам подход: смотреть не на всех пользователей как на одну массу, а делить их на группы и сравнивать, чем они отличаются. А «сегмент» в узком смысле — это уже результат одного такого деления: например, «люди, пришедшие с вебинара по продукту А в сентябре».
Для онлайн-школы разумная единица сегмента почти всегда складывается из трёх слоёв: что продаётся (продукт или курс), откуда пришёл человек (источник или канал) и в каком потоке он оказался (конкретный запуск, дата старта, воронка). Если смешать эти слои в кучу — например, сравнивать «людей с Instagram» с «людьми, купившими курс Б», — вывод будет шатким, потому что это разные оси сравнения, а не параллельные группы.
Хорошая проверка: если вы можете чётко сказать, по какому единственному признаку человек попал в эту группу, и этот признак имеет смысл для бизнеса — перед вами рабочий сегмент. Если признаков несколько и они перепутаны, сначала стоит их разделить, а потом уже сравнивать.
Какие сравнения нужны руководителю
Руководителю не нужны все возможные срезы данных — ему нужны те, которые ведут к решению. Это главный фильтр, который стоит применять раньше, чем открывать таблицу с цифрами.
Первое сравнение, которое почти всегда полезно — продукт против продукта. Какой курс или программа лучше доходит до оплаты, где длиннее цикл принятия решения, где выше процент возвратов. Это прямой разговор про ассортимент: что развивать, а что пересматривать.
Второе — источник против источника. Реклама в соцсетях, поисковая выдача, партнёрские рассылки, органические рекомендации — у каждого канала своя стоимость привлечения и своё качество аудитории. Сравнение по источникам отвечает на вопрос, куда вкладывать бюджет и усилия команды маркетинга, а не просто откуда идёт больше трафика.
Третье — поток против потока, то есть один запуск курса против другого. Это сравнение честнее любых разговоров «в этом месяце было хуже». Оно показывает, изменилась ли реально конверсия, или сработали внешние факторы: сезон, цена, состав группы.
Четвёртое, менее очевидное, но важное — этап воронки против этапа. Где именно теряются люди: на этапе заявки, на вебинаре, при обработке оплаты. Это сравнение не про «кто лучше», а про «где конкретно рвётся цепочка».
Руководителю важно смотреть на такие сравнения не как на отдельные графики, а как на связный набор вопросов: что продаём лучше, откуда приходят качественнее, какой запуск сработал сильнее и где теряем людей. Именно для этого и собирают данные в одном месте — не чтобы любоваться цифрами, а чтобы сопоставлять их быстро, без ручного сведения таблиц. Про то, как выглядит такой общий экран с ключевыми показателями, подробно писал в статье про дашборд для бизнеса — логика сравнения сегментов там работает похожим образом: сначала решить, какой вопрос задаём, и только потом выбирать разрез.
Почему маленькие группы опасны для вывода
Соблазн сравнивать всё со всем обычно разбивается об один факт: часть сегментов будет слишком маленькой, чтобы на них можно было опереться. И вот тут начинаются ложные выводы, которые звучат уверенно, но держатся на пустом месте.
Представьте, что в сентябрьском потоке с рекламы в одной соцсети было пять заявок, и три из них дошли до оплаты. Конверсия 60% — звучит отлично. Но пять человек — это не статистика, это просто пять историй. Один человек, который случайно оказался платёжеспособным и мотивированным, легко сдвигает процент на десятки пунктов. В большой группе из пятисот заявок такое же колебание на три человека попросту не заметно.
Проблема не в том, что маленькие группы врут специально. Они просто слишком чувствительны к случайности. Один отменённый платёж, один человек, который долго думал и купил через два месяца, один сбой в форме заявки — и вся картина сегмента меняется, хотя реального изменения в поведении аудитории не было.
Практический ориентир простой: прежде чем делать вывод по сегменту, стоит посмотреть не только на процент, но и на абсолютное число людей внутри него. Если там десятки заявок — выводу можно начинать доверять с оговорками. Если единицы — это сигнал для наблюдения, но не основание менять бюджет, снимать рекламу или переписывать воронку.
Отдельная ловушка — слишком мелкое дробление по нескольким признакам одновременно: источник плюс продукт плюс город плюс устройство. Каждое дополнительное условие дробит аудиторию, и очень быстро остаются сегменты из двух-трёх человек, которые ничего не говорят о реальном поведении рынка. Чем точнее срез, тем меньше в нём данных и тем аккуратнее нужно быть с выводами.
Как не задублировать одну аудиторию
Отдельная путаница возникает не из-за маленьких групп, а из-за того, что один и тот же человек попадает сразу в несколько сегментов, которые на самом деле описывают одно и то же явление с разных сторон.
Классический пример: человек пришёл с рекламы в соцсети, попал в сентябрьский поток, купил конкретный курс. Если считать источник, поток и продукт как три независимых сегмента и потом складывать результаты, можно случайно посчитать одного и того же клиента несколько раз в разных отчётах, не заметив, что речь об одной группе людей.
Другая версия той же проблемы — пересекающиеся признаки. Скажем, сегмент «клиенты с высокой вовлечённостью» и сегмент «клиенты, купившие продукт А» могут почти полностью совпадать, если именно этот продукт исторически привлекал самую активную аудиторию. Если сравнивать такие сегменты друг с другом как независимые, вывод типа «вовлечённость сильно влияет на продажи продукта А» окажется искусственным — вы просто сравнили группу с самой собой под разными именами.
Чтобы не задублировать аудиторию, полезно держать в голове простое правило: прежде чем сравнивать два сегмента, стоит прикинуть, какая часть людей в них может пересекаться. Если пересечение большое, сравнение теряет смысл — вы не увидите разницу между группами, потому что это, по сути, одна группа.
Практически это снимается тем, что данные о клиенте изначально собираются в одном месте и привязаны к одному человеку, а не разбросаны по отдельным таблицам каждого канала. Тогда систему можно спросить прямо: сколько людей одновременно попадают в оба сегмента, и имеет ли смысл их сравнивать. Здесь пригождается сквозная аналитика — подход, при котором путь клиента от первого клика до оплаты собирается в одну цепочку, а не теряется между рекламным кабинетом, CRM и таблицей с оплатами. Я писал про это подробнее в материале про сквозную аналитику и дашборды для онлайн-школ.
Как превратить различие в гипотезу
Допустим, разница между сегментами действительно есть, и группы достаточно большие, чтобы ей доверять. Дальше встаёт практический вопрос: что с этим делать, кроме как констатировать факт.
Разница сама по себе — это наблюдение, а не план действий. «Поток в октябре продавался хуже сентябрьского» — это факт. Чтобы он стал полезным, нужно превратить его в проверяемое предположение о причине. Например: конверсия упала не из-за качества продукта, а из-за того, что в октябре сменился источник трафика и пришла менее мотивированная аудитория. Или: разница связана не с источником, а с тем, что вебинар в октябре начинался позже и часть людей не досмотрела до конца.
Хорошая гипотеза отличается от простого наблюдения тремя вещами. Она называет конкретную причину, а не общее «что-то пошло не так». Она допускает проверку — то есть можно посмотреть данные ещё раз и подтвердить или отвергнуть предположение. И она привязана к действию: если гипотеза верна, что мы сделаем иначе в следующем потоке.
Проверка гипотезы обычно требует взгляда не на один показатель, а на связку: сегмент по потоку сопоставляется с сегментом по источнику внутри этого потока, и смотрится, не объясняется ли разница именно сменой каналов. Иногда для этого достаточно сравнить два периода в одном интерфейсе, не выгружая данные руками — похожий принцип разбирал в статье про аналитику рекламных воронок в одном интерфейсе.
Если после такой проверки гипотеза подтверждается на достаточно большой группе — её можно превращать в решение: менять источник, корректировать время вебинара, пересматривать скрипт продаж. Если не подтверждается — это тоже результат, просто он говорит, что искать причину нужно в другом месте.
Чтобы понять, применима ли вся эта логика к вашей школе, достаточно одного простого теста: возьмите любое сравнение, которое вы сейчас считаете показательным, и проверьте, сколько реальных людей стоит за каждой из сравниваемых групп и не пересекаются ли эти группы между собой. Если ответ на оба вопроса устраивает — вывод можно использовать. Если нет, это повод не отказываться от сравнения, а просто укрупнить сегмент или собрать данные за больший период.