Когортный анализ креаторов: почему один пост — не сигнал

«Аня выпустила виральный Reel на 2M — давайте дадим ей весь бюджет!». Через месяц — её следующие 8 постов в среднем по 6k просмотров, бюджет потрачен впустую. Это классическая ошибка single-event reasoning'а. Cohort-анализ — это про то, как смотреть на креатора как на серию экспериментов, а не на отдельные точки данных. Ниже — три типа когорт, которые реально применимы в creator-management, и почему 30 постов — минимальный sample для решения.

Single-event bias: почему один пост ничего не говорит

Распределение просмотров постов одного креатора — это почти всегда power-law (Парето). На 30 публикаций обычно:

• 1–2 «виралки» (50× от median)
• 3–4 «полу-успешных» (5–10× от median)
• 20+ «обычных» (около median)
• 3–5 «провалов» (0.2× от median)

Если ты случайно засэмплил один пост — у тебя 70% шанс попасть в «обычный», 10% в «провал», 13% в «полу-успех», 7% в «виралку». То есть single-post outcome сообщает почти ноль информации об underlying качестве креатора. Это шум, не сигнал.

Cohort-анализ решает эту проблему — мы агрегируем поведение по группам (cohorts) постов, чтобы достать сигнал из шума.

3 типа когорт, релевантных creator-management

Type 1 — By creator (per-author cohort)

Все посты одного креатора за фиксированный период. Используется для оценки underlying-performance автора, не зависимой от отдельных hit-or-miss exceptions.

Ключевые метрики на cohort:

• Median views (главная)
• p10 / p50 / p90 распределение просмотров
• Doctrina velocity-curve (что происходит в первые 24 часа)
• Tail-share — какой % просмотров приходится на топ-3 поста (high tail-share = креатор живёт «виралками», нестабильно; low tail-share = ровная производительность)

Type 2 — By format (per-format cohort)

Все посты определённого формата (например «POV-формат» или «list-формат» или «react-формат») в команде или у одного креатора. Используется для format-strategy decisions.

Пример анализа: команда из 10 креаторов за 90 дней выложила 67 «POV-формат» постов и 41 «list-формат» пост. Cohort-анализ показывает median POV — 18k views, median list — 4k. Decision: формат list в backlog на pause, POV — на double-down.

Главная ловушка: confounding variables. Если POV-формат использует в основном Аня (а она в принципе сильнее остальных), то cohort-разница — это разница между Аней и остальными, не между форматами. Защита — нормализовать по автору или использовать paired comparison (только креаторы, которые делают оба формата).

Type 3 — By time-of-launch (per-week cohort)

Все посты, опубликованные в конкретную неделю — все креаторы вместе. Используется для tracking trend'ов команды и detection алгоритм-shift'ов.

Что отлавливает:

• Систематическое падение performance команды (median views в week N+1 ниже на 30% от week N — что-то изменилось, либо в нашем процессе, либо в алгоритме)
• Sukcess по неделям после стратегического сдвига (например, поменяли фокус на educational-контент — видим как cohorts недель после change реагируют)
• Seasonality (cohort'ы недель в декабре/январе обычно ведут себя иначе, чем cohort'ы в июне)

The 30-post rule (и почему не 10 и не 100)

Минимальный sample size для статистически значимого cohort-анализа на content-метрики — около 30 постов. Это не volосовое число, это где Central Limit Theorem начинает работать на skewed-распределениях просмотров постов.

На 10 постах: ошибка медианы ±35–50%. Cohort на 10 постах может показать median 20k или 30k для одного и того же автора — зависит от того, какие именно 10 постов попали. Решения по такому cohort'у — рулетка.

На 30 постах: ошибка медианы ±10–15%. Достаточно для сравнительных решений (creator A vs B, format X vs Y).

На 100 постах: ошибка ±5%. Можно делать тонкие attribution-решения, но 100 постов = 6+ месяцев для среднего креатора. Слишком медленная обратная связь для practical creator-management.

Practical rule: 30 постов — для creator-vs-creator сравнения. 50–80 постов — для format-strategy decisions (т.к. format смешан между авторами). Week-cohorts — 5–10 постов в неделе, но смотрим по week-trend, не по abs.

Рабочий пример: cohort-анализ одного креатора за 90 дней

Креатор Маша, 90 дней, 42 поста. По single-event она «случайно виральная»: у неё было 2 поста на 1M+. По cohort-анализу — раскладка честнее.

Distribution per-post views

Tail-share анализ

• Топ-3 поста = 56% от total views за 90 дней
• Топ-10 постов = 78% от total views
• Остальные 32 поста = 22% от total views

Interpretation: Маша — креатор с высоким tail-share (56% от топ-3). Это значит, что её performance сильно зависит от «иногда залетающего хита». Решения:

• Для бренда: sponsored post — рискованно, нужен guarantee-clause в контракте (мин views или make-good если ниже). Risk-adjusted price.
• Для агентства: Маша — high-variance актив, держим её в составе но не строим на ней критические клиентские кампании. Хорошо для exploration слотов, не для guaranteed-delivery слотов.
• Для контент-стратегии: разобрать топ-3 поста — что в них общего (тема / формат / hook / время). Если pattern есть — попросить Машу делать больше такого. Если pattern нет — это lottery, принять как факт.

Сравнение с креатором Игорем (тот же tier)

По total-views Маша «лучше в 3 раза». По median — Игорь чуть лучше. По tail-share — Игорь ровный (21%), Маша вирусная (56%).

Какой выбор «правильный»? Зависит от цели:

• Brand awareness / reach campaign → Маша (max total views, виральность в плюс)
• Performance / conversion campaign с гарантией → Игорь (predictable, ниже variance, рассчитываемая воронка)
• Long-tail SEO / evergreen content → Игорь (стабильность важнее explosiveness)

Этот разговор невозможен без cohort'а. На уровне «у Маши 2M на одном посте!» вся stratification теряется.

Как встроить cohort-анализ в процесс

Cadence

Daily: single-event метрики (см. daily report) — реакция на горячее.

Weekly: Type-3 cohort (week-of-launch) для team-level trend monitoring. Один график — median views по неделям.

Monthly: Type-1 cohort (per-creator) для performance review каждого автора. Не как basis для firing, а как basis для разговора (что работает, что не работает, что попробовать).

Quarterly: Type-2 cohort (per-format) для контент-стратегии. Раскладка format × performance, decision на следующий квартал.

Инструменты

Cohort-анализ — это в первую очередь правильно структурированные данные, во вторую — tooling. Минимум:

• База постов с метаданными: creator_id, format_tag, published_at, views_24h, views_total, ER
• Простой SQL / Sheets pivot для агрегации
• Готовое решение — analytics-tool типа Viralmaxing (имеет /my/insights с per-creator distribution + per-format breakdown)

Скриншот distribution-чарта в Viralmaxing — встроим в финальной редакции.

4 anti-pattern'а в cohort-анализе

1. Сравнение разных периодов

Cohort Маши за «весна 2026» vs cohort Игоря за «осень 2025» — incomparable. Алгоритм меняется, тренды меняются, seasonality. Всегда сравнивайте same-period cohorts.

2. Mean вместо median

Уже сказано выше, но стоит повторить — на skewed-distribution mean обманывает. Виральный пост перекашивает mean на месяцы.

3. Игнорирование posting-cadence

Если креатор A постит 30 раз в 90 дней, а креатор B — 10 раз, то у B просто 3× меньше «шотов в лотерею». Сравнивать их по «total views» — бесполезно. Сравнивайте median, p90, и tail-share.

4. Cohort'ы без temporal anchor

«Median у Маши — 18k». За какой период? Если 90 дней — это один сигнал. Если 365 дней — это media того, что Маша когда-либо постила (включая контент, который сейчас бы провалился из-за изменения тренда). Cohort без temporal anchor — это не cohort.