📈 Продуктовые и бизнес-метрики

Короткий ответ Изменение выручки между двумя периодами можно разложить на вклад новых клиентов (new business), потерянной выручки от ушедших клиентов (churned revenue) и изменения выручки у оставшихся клиентов (expansion/contraction ARPU) — такое разложение обычно представляют в виде waterfall-диаграммы. Как это работает подробнее revenue(t) = revenue(t-1) − churned_revenue + new_revenue + expansion_revenue − contraction_revenue, где каждый компонент считается отдельно по когортам клиентов (новые, ушедшие, оставшиеся с ростом/падением трат); сумма всех компонентов должна точно равняться фактическому изменению общей выручки. Net revenue retention от старой базы = (1 000 000 - 80 000 + 60 000 - 30 000) / 1 000 000 = 95% — несмотря на рост общей выручки на 10%, старая база клиентов сама по себе немного "сжалась", весь прирост обеспечили новые клиенты. Что использовать на практике Практика. такое разложение особенно полезно для подписочных моделей (net revenue retention — NRR), где важно отличать рост "за счёт ст

Читать полностьюarpu

Короткий ответ Voluntary churn (осознанная отмена пользователем) и involuntary churn (отток из-за технических сбоев оплаты — просроченная карта, недостаток средств) имеют разную природу и разную "лечимость": involuntary churn можно существенно снизить техническими средствами (retry-логика оплаты, уведомления), а voluntary требует продуктовых/ценностных изменений — смешивание их в одной цифре churn маскирует, какой рычаг применять, и искажает прогноз LTV, если доли этих типов меняются со временем. Как это работает подробнее involuntary churn обычно не зависит напрямую от удовлетворённости продуктом и лучше моделируется как случайный "технический шум" с довольно стабильной вероятностью, которую можно снизить операционными мерами; voluntary churn отражает реальное решение пользователя и более информативен для оценки продуктовой ценности и прогноза долгосрочного удержания. После внедрения retry-логики (3 повторные попытки списания с интервалом) involuntary churn снизился до 1.5%, общий churn — до 7.5%, при этом v

Читать полностьюchurn

Короткий ответ Формула LTV = ARPU / churn предполагает постоянный churn rate во всех периодах жизни пользователя (геометрическое убывание базы), но на практике churn обычно выше в первые месяцы и снижается для "выживших" пользователей, поэтому формула систематически завышает LTV, особенно для молодых когорт. Как это работает подробнее формула выводится из суммы бесконечной геометрической прогрессии: ожидаемое число периодов жизни = Σ(1-churn)^t = 1/churn при допущении константного churn; умножая на ARPU, получаем суммарную ожидаемую выручку. Пример кода Что использовать на практике Практика. правильнее оценивать LTV через интеграл (сумму) фактической retention-кривой по когортам: LTV = ARPU × Σ retention(t) по t от 0 до горизонта, где retention(t) берётся из эмпирических данных, а не предполагается постоянной; для расчёта на ограниченном горизонте (например, 12 месяцев) нужно также решить, как экстраполировать "хвост" кривой за пределами наблюдаемых данных. Подводные камни Частые ошибки. применяют формулу 1/c

Читать полностьюarpu

Короткий ответ Сам по себе рост обеих метрик ничего не говорит об ухудшении или улучшении unit-экономики — нужно смотреть на динамику отношения LTV/CAC и payback period, а также разделять среднюю (average) CAC от предельной (marginal) CAC на дополнительном масштабировании канала, так как именно предельная экономика определяет, стоит ли наращивать бюджет дальше. Как это работает подробнее LTV/CAC — безразмерное отношение, которое абстрагируется от абсолютного роста обеих величин; если LTV растёт быстрее CAC, отношение улучшается, даже если обе цифры в абсолютном выражении выросли (например, из-за инфляции или удорожания привлечения на конкурентном рынке). Хотя LTV вырос на 20%, отношение LTV/CAC ухудшилось (с 3.0 до 2.4), потому что CAC вырос сильнее (на 50%) — правильный вывод: unit-экономика ухудшилась, несмотря на рост LTV в абсолюте. Что использовать на практике Практика. при масштабировании маркетингового канала предельный (marginal) CAC обычно растёт быстрее среднего, потому что компания исчерпывает саму

Читать полностьюcac

Короткий ответ Last-click атрибуция приписывает всю ценность конверсии последнему каналу перед действием, что системно занижает вклад "верхнеуровневых" каналов (бренд-реклама, контент), которые знакомят пользователя с продуктом, но не закрывают конверсию напрямую; multi-touch модели распределяют ценность между всеми точками касания, но требуют больше данных и явных допущений о весах. Как это работает подробнее multi-touch атрибуция (линейная, time-decay, на основе позиции, или построенная на алгоритмах вроде Shapley value / марковских цепей) распределяет условную "заслугу" за конверсию между всеми каналами, с которыми пользователь взаимодействовал до неё, вместо присвоения 100% последнему клику. При оценке эффективности канала A только по last-click модели компания рискует ошибочно отключить его, хотя он реально участвует в формировании спроса — multi-touch (или контрольный geo-эксперимент на отключение канала) даёт более полную картину. Что использовать на практике Практика. выбор модели атрибуции напрямую в

Читать полностьюattribution

Короткий ответ Для таких воронок используют "любой порядок" (unordered/any-order funnel) — считают долю пользователей, совершивших все нужные события в заданном окне времени, независимо от последовательности, вместо строгой пошаговой (ordered) воронки, которая требует строгого соблюдения порядка шагов. Как это работает подробнее строгая (ordered) воронка требует, чтобы событие B произошло строго после события A для конкретного пользователя; any-order воронка просто проверяет наличие обоих событий в пределах окна, без требования к порядку — это ближе к реальному поведению, если у продукта нет жёстко навязанного сценария (например, пользователь может сначала добавить промокод, потом товар в корзину, или наоборот). Пример кода Что использовать на практике Практика. выбор между ordered и any-order воронкой должен определяться реальным продуктовым сценарием — для чётко последовательных процессов (checkout: адрес → оплата → подтверждение) строгий порядок важен и его нарушение может говорить об ошибке в данных; для

Читать полностьюconversion

Короткий ответ Грубая оценка lifetime — среднее значение разницы между датой последнего и датой первого события пользователя, но для ещё активных пользователей это значение занижено (right-censoring), поэтому его нужно интерпретировать с оговоркой. Как это работает подробнее для каждого пользователя находим MIN(event_date) и MAX(event_date), разницу усредняем по всем пользователям. Пример кода Что использовать на практике Применение. такую оценку корректно применять только к пользователям, которые точно "ушли" (например, не было активности 60+ дней) — активные пользователи ещё не закончили свой lifetime, и включение их в расчёт как есть занижает среднее; для точной оценки нужны методы выживаемости (survival analysis). Проверка или пример. Проверка: сравнить результат с медианой (менее чувствительна к выбросам) — сильное расхождение среднего и медианы говорит о длинном хвосте распределения. Подводные камни Частая ошибка. включают в расчёт всех пользователей без разделения на "ушедших" и "ещё активных", получая

Читать полностьюchurn

Короткий ответ Нужно смотреть не только на итоговую конверсию "от первого шага до последнего", но и на процент перехода между каждой парой соседних шагов, чтобы найти шаг с наибольшей относительной потерей пользователей. Как это работает подробнее на графике воронки обычно указывают либо абсолютное число пользователей на каждом шаге, либо % от предыдущего шага, либо % от первого шага — это разные представления одних данных, и важно понимать, какое именно показано. Что использовать на практике Применение. шаг с самым низким % перехода от предыдущего шага — это обычно первая точка приложения усилий по оптимизации, но стоит также учитывать абсолютные числа: падение на 50% на шаге с 100 пользователями менее важно, чем падение на 20% на шаге с 1 000 000 пользователей. Проверка или пример. Самое большое относительное падение (20%) — между регистрацией и первой покупкой, это приоритетная зона анализа, хотя в абсолютных числах "Вход → Регистрация" потеряла больше пользователей (60 000). Подводные камни Частая ошибка.

Читать полностьюconversion-rate

Короткий ответ Нужно не "сглаживать" противоречие искусственным единым выводом, а чётко разложить его на измеримые гипотезы (например, рост DAU за счёт менее платёжеспособного сегмента, или каннибализация платных функций бесплатными), показать, какая гипотеза лучше подтверждается данными, и дать рекомендацию с явным указанием, какую дополнительную информацию нужно собрать для снижения неопределённости перед более решительными действиями. Как это работает подробнее противоречивая динамика часто объясняется декомпозицией: revenue per user = f(доля платящих, ARPPU, состав аудитории); рост DAU за счёт нового, менее монетизируемого сегмента (например, выход на новый рынок с низкой платёжеспособностью) математически снижает среднюю revenue per user, даже если оба старых и новых сегмента ведут себя стабильно внутри себя — это ещё один частный случай эффекта смешивания, похожего на парадокс Симпсона. Вывод для руководства: "Снижение общей revenue per user полностью объясняется составом аудитории (новый регион), а не

Читать полностьюdau