Продуктовые метрики: что нужно знать начинающему аналитику

Когда команда запускает новую функцию, меняет экран регистрации или вкладывает деньги в рекламу, почти сразу возникает вопрос: стало ли продукту лучше? На него редко можно ответить одним впечатлением. Пользователи могли начать чаще открывать приложение, но не доходить до полезного действия. Регистраций могло стать больше, но новые люди могли не возвращаться через неделю. Чтобы увидеть реальную картину, команде нужны продуктовые метрики.

Продуктовые метрики помогают понять, как люди взаимодействуют с сервисом: приходят ли они, совершают ли первое полезное действие, возвращаются ли снова и получают ли ценность от продукта. Для аналитика это один из основных языков общения с продуктовой командой. Но метрика становится полезной только тогда, когда понятно, кого она считает, за какой период и какое решение может поддержать.

Метрика начинается с вопроса

Хорошая аналитическая задача редко звучит как «построй дашборд». Обычно она начинается с ситуации: после обновления пользователи стали реже завершать регистрацию, в новом тарифе меньше оплат или после рекламной кампании изменилось качество аудитории. Аналитику нужно перевести эту ситуацию в проверяемый вопрос и подобрать показатель, который поможет на него ответить.

Например, если команда изменила первые экраны приложения, полезно посмотреть не только на число регистраций, но и на то, сколько новых пользователей дошло до первого важного действия. Если сервис подписки тестирует новый тариф, стоит изучить не только число оплат, но и поведение пользователей после покупки. Одна цифра почти никогда не рассказывает всю историю.

Перед расчётом важно зафиксировать определение метрики. Что считается активным пользователем: вход в приложение, просмотр страницы или выполнение целевого действия? Когда начинается период: с момента регистрации, с календарного дня или с даты запуска функции? Такие уточнения могут показаться формальностью, но именно они позволяют сравнивать результаты корректно и не спорить о разных цифрах в разных отчётах.

Как продуктовая воронка помогает увидеть путь пользователя

Один из удобных способов посмотреть на продукт — проследить путь пользователя от первого контакта до регулярного использования. В продуктовой аналитике часто используют модель AARRR: привлечение, активация, удержание, доход и рекомендации. Это не обязательный шаблон для каждого продукта, а способ не забыть, что путь пользователя состоит из нескольких связанных этапов.

Привлечение показывает, откуда приходит аудитория. Активация помогает понять, дошёл ли новый пользователь до первого ценного действия. Удержание показывает, возвращается ли человек к продукту. Доход связан с оплатами и выручкой, а рекомендации — с тем, приводит ли пользователь других людей. В реальном продукте названия и точные определения будут отличаться, но логика остаётся похожей: важно не только привести человека, но и помочь ему получить ценность.

Например, для образовательной платформы регистрация сама по себе ещё не означает успех. Более важным действием может быть выбор профессии, открытие первого урока, выполнение практического задания или возвращение к обучению через несколько дней. Конкретную метрику выбирают исходя из того, что действительно приближает человека к полезному результату в продукте.

Конверсия: как люди переходят между шагами

Конверсия показывает, какая доля пользователей перешла от одного действия к другому. Например, сколько людей, открывших страницу курса, зарегистрировалось; сколько зарегистрированных студентов выбрало трек; сколько начавших урок дошло до практического задания.

На первый взгляд формула проста: число пользователей, выполнивших целевое действие, делят на число пользователей на предыдущем шаге. Однако результат зависит от определения базы. Если сравнивать оплаты со всеми зарегистрированными пользователями, получится одна конверсия. Если считать только тех, кто увидел страницу тарифа, — другая. Обе цифры могут быть полезными, но отвечают на разные вопросы.

Конверсию важно смотреть вместе с контекстом. Если показатель снизился после обновления, это ещё не доказывает, что причина именно в новой функции. Возможно, изменился рекламный канал, состав аудитории, сезонность или правила записи событий. Метрика помогает заметить изменение и выбрать направление проверки, но не заменяет анализ причин.

Активация: момент первой ценности

Активация показывает, какая доля новых пользователей дошла до действия, после которого продукт начинает приносить им заметную пользу. Это действие сильно зависит от типа сервиса. Для приложения доставки им может быть первый оформленный заказ. Для сервиса заметок — создание первой заметки. Для образовательной платформы — открытие урока, выполнение задания или завершение первой содержательной части трека.

Найти правильное действие активации бывает непросто. Оно не должно быть слишком поверхностным, как обычный вход в аккаунт, но и не должно быть настолько далёким, что большинство пользователей не успевает до него дойти. Команда обычно уточняет это определение постепенно, наблюдая за поведением тех, кто продолжает пользоваться продуктом.

Активация полезна, потому что помогает увидеть проблему раньше, чем она отразится на выручке или долгосрочном удержании. Если пользователь зарегистрировался, но не сделал первый осмысленный шаг, у команды есть возможность проверить онбординг, понятность интерфейса, содержание первого экрана или технические сложности на пути.

Retention: почему важно смотреть, возвращаются ли пользователи

Retention, или удержание, показывает, какая часть пользователей возвращается к продукту через определённое время. Эта метрика особенно важна для сервисов, которыми предполагается пользоваться регулярно: приложений, подписок, маркетплейсов, образовательных платформ и рабочих инструментов.

Чтобы посчитать удержание, обычно выделяют группу пользователей, которые начали пользоваться продуктом в определённый период, и проверяют, сколько из них вернулось позже. Например, можно посмотреть, какая доля студентов, начавших обучение на одной неделе, открыла следующий урок через семь дней.

Удержание требует аккуратного определения. Нужно заранее договориться, какое действие считается возвращением, как считать пользователей с разной активностью и какой период сравнивать. Иногда полезно смотреть не только общий показатель, но и отдельные группы: пользователей из разных каналов, тарифов, регионов или типов устройств. Так можно увидеть, где именно меняется поведение.

DAU и MAU: активная аудитория продукта

DAU — это число активных пользователей за день, а MAU — за месяц. Эти метрики помогают понять, насколько большой активной аудиторией пользуется сервис и как меняется её динамика. Однако сами по себе они не отвечают на вопрос, получают ли пользователи ценность от продукта.

Иногда DAU и MAU сравнивают через отношение DAU к MAU. Такой показатель может дать приблизительное представление о частоте возвращения пользователей. Но его нельзя читать отдельно от природы продукта. Для приложения, которым пользуются ежедневно, ожидания будут одними, а для сервиса, который нужен раз в месяц, — совсем другими.

Самое важное здесь — определить, что именно означает «активный». Если активностью считать любой технический визит, показатель может выглядеть выше, но не говорить о реальной пользе. Для некоторых продуктов разумнее считать активным пользователя, который выполнил ключевое действие: посмотрел урок, создал документ, оформил заказ или отправил сообщение.

Почему метрики нужно смотреть вместе

Одна метрика редко даёт полный ответ. Рост числа регистраций может быть хорошей новостью, но если при этом снизилась активация, новый трафик может оказаться менее заинтересованным. Рост конверсии в оплату не всегда означает улучшение продукта, если пользователи быстро перестают возвращаться после покупки.

Поэтому аналитик обычно связывает показатели между собой. Сначала смотрит, откуда пришла аудитория, затем — дошла ли она до первого ценного действия, вернулась ли позже и как это связано с оплатами. Такая последовательность помогает увидеть не отдельную цифру, а путь пользователя через продукт.

Полезно также показывать абсолютные значения рядом с долями. Конверсия могла вырасти на несколько процентных пунктов, но на очень маленьком числе пользователей. Или доля могла остаться прежней, а абсолютное число активных пользователей сильно увеличиться. Контекст помогает не сделать слишком сильный вывод из одной цифры.

Метрики, которые не помогают принять решение

Иногда показатель выглядит приятно, но почти ничего не говорит о состоянии продукта. Например, число скачиваний приложения может расти, но если люди не проходят регистрацию и не возвращаются, такой рост не приближает команду к цели. Подобные показатели часто называют поверхностными метриками: они могут быть интересны, но не должны становиться главным ориентиром сами по себе.

Хорошая метрика связана с действием. Если её значение изменилось, команда понимает, что стоит проверить: источник трафика, конкретный экран, сценарий оплаты, техническую проблему или коммуникацию с пользователями. Если показатель невозможно связать с решением, он может остаться просто красивой цифрой на дашборде.

Это не означает, что нужно отказаться от всех второстепенных показателей. Они помогают видеть фон и замечать необычные изменения. Однако в центре внимания должны оставаться метрики, которые отражают реальную ценность продукта для пользователя и помогают команде выбрать следующий шаг.

Как аналитику практиковаться на метриках

Начать можно с небольшой учебной задачи. Возьми данные условного сервиса, сформулируй вопрос и выбери одну-две метрики. Например: какая доля новых пользователей создала первую задачу в течение суток после регистрации, или сколько пользователей вернулось в приложение через неделю.

Затем зафиксируй определение. Кого считаешь новым пользователем? Какое действие считаешь активацией? Какой период используешь? После этого можно написать SQL-запрос, проверить результат на небольшом наборе данных, построить простой график и сформулировать вывод. Статья «SQL для аналитика: какие запросы изучать в первую очередь» поможет связать такие вопросы с практикой запросов.

Со временем полезно собирать небольшие кейсы: вопрос команды, определение метрики, запрос, результат, ограничения и рекомендация. Это развивает не только технический навык, но и умение объяснять анализ другим людям — важную часть работы Data Analyst.

Куда двигаться дальше

Продуктовые метрики нужны не для того, чтобы заполнить дашборд графиками. Они помогают команде увидеть, как пользователь проходит свой путь, где возникает проблема и какое изменение стоит проверить следующим. Для этого важно не только знать названия conversion, retention, DAU или MAU, но и уметь ясно определить, что именно измеряется.

В профессиональном треке Data Analyst на TeoBrain работа с метриками связывается с SQL, статистикой, Python, визуализацией и исследовательским анализом. Это помогает постепенно перейти от отдельных показателей к полноценной аналитической работе — от вопроса продукта до понятного вывода и следующего действия.