Активных пользователей за месяц стало больше. Это может быть результатом удачного привлечения, даже если каждый новый клиент перестал возвращаться быстрее прежнего. Чтобы увидеть разницу, сгруппируйте людей по дате первого значимого действия и посмотрите, сколько из каждой группы вернулись через одинаковое время. Такой разбор называют когортным анализом удержания.
Сначала решите, что для вашего продукта означает «вернулся». Открытие страницы подходит новостному сервису, но для B2B-продукта с ежемесячной оплатой полезнее повторное создание отчёта или оплаченный период. Без этого определения красивая тепловая карта останется картой посещений.
Соберите честную когорту
У когорты есть три условия: вход, возврат и время. Например: вошли пользователи, впервые создавшие проект в сентябре; вернулись те, кто снова создал отчёт; измеряем по неделям с даты первого проекта. Если вместо первого проекта взять дату регистрации, вы исследуете уже другую проблему — переход новичка к первой ценности.
GA4 в Cohort exploration разделяет inclusion criterion и return criterion, поддерживает дневную, недельную и месячную гранулярность. Важная деталь реализации: когорты GA4 основаны на данных устройства; User-ID не используется для построения когорт. Если один человек работает с телефона и ноутбука, интерпретируйте результат с учётом этого ограничения.
У Amplitude в анализе удержания тоже есть стартовое и возвращающее событие. Но «вернулся ровно на седьмой день» и «вернулся на седьмой день или позже» — разные метрики. Они не должны стоять рядом как будто показывают одно и то же. Зафиксируйте способ счёта, часовой пояс и календарное окно перед сравнением отчётов.
Прочитайте одну строку без обмана
Предположим, в когорте недели 1 было 100 новых пользователей, в следующую неделю значимое действие повторили 40, через две недели — 25. Тогда удержание недели 1 равно 40/100 = 40%, недели 2 — 25/100 = 25%. Это учебные числа, показывающие расчёт, а не норму для рынка.
| Когорта | Размер при входе | Неделя 1 | Неделя 2 | Что пока нельзя сказать |
|---|---|---|---|---|
| Неделя 1 | 100 | 40 / 40% | 25 / 25% | Почему люди ушли |
| Неделя 2 | 20 | 12 / 60% | 8 / 40% | Что она лучше первой: выборка мала и аудитория могла отличаться |
| Неделя 3 | 80 | 32 / 40% | — | Для недели 2 ещё не прошло время |
Прочерк в последней строке означает незрелую ячейку, а не ноль. Если добавить её в среднее, удержание искусственно упадёт. Если взять для сравнения первые две когорты и просто усреднить их проценты за неделю 1, получится 50%. Но размеры когорт разные: для этой пары взвешенное удержание равно (40 + 12) / (100 + 20) = 43,3%. Вся таблица содержит три зрелые ячейки недели 1; общий результат по ним — (40 + 12 + 32) / (100 + 20 + 80) = 84/200 = 42%. Считайте через людей, а не через среднее процентов, и показывайте знаменатель рядом с каждой оценкой.
Отделите изменение состава от изменения продукта
Когорта с низким удержанием может появиться после запуска нового канала, скидочной акции или изменения определения входа. Сам продукт мог не ухудшиться. Разбейте данные по источнику, тарифу, устройству или первому выполненному действию — только если в каждой группе остаётся достаточно наблюдений для осмысленного чтения.
Дальше проверьте событие возврата. Если пользователь оплачивал подписку, а событие «открыл приложение» перестало отправляться после обновления, кривая покажет техническую поломку. Сверьте контрольный сценарий, объём событий и дату релиза. Изменение retention после правки продукта само по себе не доказывает причинность: одновременно могли измениться реклама, сезон и аудитория.
Выберите одно действие по найденному месту потери. Когда много людей не возвращается уже в первую неделю, проверьте, получили ли они обещанный первый результат и что мешало. Если провал появляется после пробного периода, исследуйте продление и платежи. В обоих случаях сравнивайте следующие когорты по тому же правилу входа и возврата.
Загрузите таблицу в WiseLab
Калькулятор когортного удержания принимает CSV с численностью когорт и вернувшихся пользователей либо с процентами, показывает тепловую карту и позволяет выгрузить результат. Для взвешенного удержания нужны численности: проценты без размера когорты не позволяют правильно сложить людей. Перед загрузкой обезличьте данные; персональные ID в сводной когортной таблице не нужны.
Если пока нет надёжных событий входа и возврата, начните с плана измерения. Если вопрос в том, на каком шаге люди теряются до первого ценного действия, используйте разбор воронки. Когортный анализ отвечает на вопрос о повторном поведении после входа; воронка — о прохождении последовательных шагов.
Схемы WiseLab построены на учебных данных и поясняют метод; они не показывают результат клиента.
Источники и дата проверки
- Google Analytics: Cohort exploration — критерии включения и возврата, гранулярность, ограничение User-ID.
- Amplitude: Interpret your retention analysis — способы расчёта Return On и Return On or After.
- Amplitude: Retention Analysis FAQ — взвешенный расчёт и уникальные пользователи.
Справки проверены 2 октября 2026 года. Арифметика таблицы проверена вручную; бизнес-примеры учебные.
Что думаете?
Загружаем комментарии…