Фаннел, когорты, retention

Фаннел, когорты, retention: как не запутаться в метриках, думать цифрами и находить инсайты

Зачем нужны фаннел, когорты и retention

Как работают фаннелы (воронки)

Фаннел — это разложение пользовательского пути по этапам. Каждый этап — шаг пользователя, например: регистрация, заполнение профиля, покупка. На каждом шаге часть пользователей отваливается. Если знаешь, где проседает метрика, понимаешь, где искать проблему.

Пример: в мобильном приложении 10 000 скачиваний, только 6 000 зарегистрировались, 3 000 сделали первый заказ. Фаннел показывает: главный провал между скачиванием и регистрацией. Значит, надо улучшить онбординг.

Зачем нужны когорты

Когорта — группа пользователей, которые начали пользоваться продуктом примерно в одно время или с одним действием. Обычно смотрят когорты по дате регистрации или по первому заказу.

Когорты помогают не путать эффект новинок с привычкой или косяками. Если ретеншн новой когорты падает ниже предыдущих, возможно что-то сломалось или тест провалился.

Мини-кейс: Разработчики вводят новый онбординг. Аналитика по когортам показывает: те, кто прошёл новый онбординг, чаще доходят до оплаты, чем предыдущая когорта.

Зачем следить за retention

Retention — это процент пользователей, которые вернулись в продукт спустя определённое время. Слабый ретеншн = высокий отток, почти всегда проблема в продукте или его ценности. Часто считают Day 1, Day 7, Day 30 retention.

Кейс: В приложении доставки еды Day 1 retention — 38%, Day 7 — 12%. Если после доработки push-уведомлений показатели выросли, эксперимент зашёл.

Retention — это топовый сигнал о жизнеспособности продукта. Без повторных возвращений экономика почти никогда не сойдётся, CAC не окупится.
— Эндрю Чен, автор “The Cold Start Problem” (Источник)

Как строить фаннелы и находить узкие места

Разбиение на этапы

Перечисли ключевые действия, без которых конверсия не случится. Для e-commerce: визит → добавление в корзину → начало оформления → оплата.

Как фиксировать цифры на каждом этапе

В отчётах смотри конверсию между этапами: сколько пользователей прошло шаг, сколько отвалилось. Если на каком-то этапе считаешься сессиями, а на другом пользователями, будут ошибки.

Пример: В финтех-сервисе разрыв между заполнением анкеты и привязкой карты. После оптимизации UI доля привязавших карту выросла на 9 процентных пунктов.

Эксперимент: как замерять влияние изменений

Когда тестируешь гипотезу, например, упрощаешь форму заказа, сравни фаннел до и после, смотри разницу по когортам, считай uplift не только на конверсионном этапе, но и по ретеншну.

Кейс: В FMCG-сервисе A/B-тест нового чекаута. Фаннел показал: добавление автозаполнения дало рост конверсии в оплату. Когорта новых пользователей с новым чекаутом через неделю совершает вторую покупку чаще.

Ссылка для подробного изучения: Amplitude: Funnel Analysis Overview

Как собирать когорты и читать поведение пользователей

Основные подходы к построению когорт

В продуктовой аналитике чаще всего строят когорты по:

дате регистрации или первого действия
каналу привлечения (органика, реклама, партнерки)
первому продукту или функционалу

Если смотришь все данные вперемешку, выводы могут быть ложными: например, ушедшие после акции пользователи портят общие метрики.

Как читать когорты в динамике

Открывай когортный отчет в BI-системе или аналитике продукта. Сравни динамику возвратов (ретеншн) разных когорт. Если новая когорта отваливается быстрее, ищи изменения в продукте или маркетинге.

Пример: Онлайн-образовательная платформа заметила просадку Day 7 retention в когорте после запуска промо-кода: пользователи активировали пробные периоды и “сгорали”, не перейдя на платную версию.

Для визуализации используй heatmap, cohort table или line chart. Инструменты: Amplitude (Cohort Analysis Guide), Mixpanel.

Retention: как вычислять и для чего использовать

Виды retention

Есть несколько способов считать retention:

Classic retention (возврат в конкретный день)
Rolling retention (вернулся в обозначенное или позднее время)
Bracketed (синоним rolling)

Важно не путать с показателем DAU/MAU: последний показывает долю активных, но не учитывает когортность.

Основные ловушки и ошибки

Частая ошибка — считать когорты не по тем событиям или смешивать метрики новых и старых пользователей. Ещё один антипаттерн: пытаться улучшать ретеншн механиками, не влияющими на core value продукта.

Кейс: Слишком частые ненужные пуши временно выравнивают Day 1 retention, но к концу месяца приводят к чистке приложения.

Как применять для продуктовых решений

Ретеншн — главный ориентир для фичей, маркетинговых акций или нового UX. Если результат эксперимента не даёт долгосрочного эффекта на когортном ретеншне, менять направление.

Retention лучше всего показывает устойчивость роста. Без него не бывает настоящей продуктовой экономики
— Lenny Rachitsky, автор Lenny’s Newsletter (Lenny’s Newsletter)

Какие выводы делать из аналитики

Как отслеживать экспериментальные эффекты

Для любого продуктового теста замеряй метрики, не только конверсию, но и когортный ретеншн в динамике. Иначе можно незаметно ухудшить долгосрочные показатели.

Пример: Финтех добавил геймификацию. Конверсия выросла, но через месяц когорта “новых” ушла: механика не была связана с основной ценностью.

Какие решения чаще всего принимаются

Изменить форму онбординга, если когорты новых пользователей теряют retention.
Переделать этапы фаннела, где теряется большая часть пользователей.
Откатить фичу или скидку, если новые когорты стали хуже по возвратам.

Совет: Всегда смотри аналитику не только по общим метрикам, а по когортам и ретеншну. Это снижает вероятность ошибочных решений.

Антипаттерны и типовые ошибки

Неверные группировки и микс cohort/funnel

Не смешивай разные каналы привлечения или регионы. Сравнивай похожие когорты на дистанции, иначе будет “каша”.

Фокус только на коротком ретеншне

Краткосрочный рост Day 1 не спасает, если Day 7 и Day 30 стремятся к нулю. Не гоняйся за цифрами, не оценивая повторные циклы.

Хаотичный сбор событий

Если нет единства в сборе событий и трактовке шагов, все результаты нерепрезентативны. Проведи аудит трекинга.

FAQ: коротко о главном

Чем фаннел отличается от когорт?
Фаннел — это путь одного пользователя в моменте. Когорта — это группа пользователей по времени или событию и их поведение в динамике.

Что если Day 1 retention высокий, а дальше резко падает?
Часто причина — сильный триггер на первом этапе, но отсутствует ценность для возврата. Надо смотреть, где теряется интерес.

Можно ли фаннел и когорты строить по разным событиям?
Да, фаннел часто строят по ключевым шагам, когорты — по входу или первому действию.

Как понять, какая когорта важнее?
Смотри когорты по целевому действию и по важным для бизнеса каналам. Так видно, кто окупается и насколько быстро.

Какие инструменты нужны для когортного анализа?
Amplitude, Mixpanel, Looker, собственные BI-системы с кросс-таблицами и heatmap.

Что делать, если все когорты показывают просадку?
Проверь баги, изменения в продукте, маркетинге или внешние факторы. Возможно, испортился трафик или произошли технические сбои.