Как аналитика научилась измерять верность аудитории
Содержание:
- Зачем измерять то, что происходит после первого визита
- От эпидемиологии до продуктовых метрик
- Четыре отчета в Метрике
- От удержания к деньгам
Зачем измерять то, что происходит после первого визита
История продуктовой аналитики довольно короткая. Еще в начале двухтысячных сайты и сервисы оценивались почти исключительно по посещаемости и конверсии. Этого хватало, пока бизнес был в основном транзакционным — человек пришел, купил, ушел, и неважно, вернется ли он снова. Но с ростом подписочных моделей, мобильных приложений и SaaS-сервисов оказалось, что разовая конверсия — обманчивый показатель. Можно потратить огромный бюджет на рекламу, получить прекрасный CTR и хорошую цену за установку, а через месяц обнаружить, что 90% привлеченных людей полностью забыли о продукте. Индустрия придумала образ «дырявого ведра»: сколько воды ни лей сверху, если в ведре дыра, уровень не поднимется. Приток новых пользователей бессмыслен без удержания старых.
В 2007 году инвестор и предприниматель Дэйв Макклюр предложил модель AARRR (Acquisition, Activation, Retention, Revenue, Referral), которая на долгие годы стала своеобразным катехизисом стартаперов. Удержание (Retention) заняло в этой формуле центральное место: оно определяет, будет ли бизнес расти органически или ему придется вечно покупать новых клиентов, компенсируя отток. С тех пор retention rate — метрика, показывающая долю пользователей, вернувшихся к продукту через определенный промежуток времени, — стала одним из ключевых индикаторов здоровья цифрового бизнеса, наравне с выручкой.
По данным исследований мобильного рынка, медианный показатель удержания на 30-й день для приложений составляет около 5%, а для успешных продуктов — 25% и выше. Для сравнения, в B2B SaaS-сегменте, где решение принимается медленнее, но и ценность продукта выше, приемлемым считается годовое удержание клиентов на уровне 90% и больше, иначе экономика подписки просто не сходится. Разброс огромный, и это первый урок: универсального «хорошего retention» не существует, все зависит от природы продукта, цикла принятия решения и частоты, с которой человек в принципе может вернуться.
Второй урок в том, что удержание нельзя посчитать одной цифрой на всю аудиторию. Пользователи, пришедшие в понедельник, и пользователи, пришедшие после запуска рекламной кампании через месяц, — это, по сути, разные популяции с разным поведением. Чтобы сравнивать сопоставимое с сопоставимым, аналитике потребовался инструмент, который умеет разбивать людей на однородные группы и следить за каждой группой отдельно во времени. Этот инструмент называется когортным анализом, и придуман он был не в маркетинге.
От эпидемиологии до продуктовых метрик
Слово «когорта» пришло в аналитику из демографии и медицинской статистики. В XIX веке демографы заметили, что нельзя просто взять смертность населения за год и сделать из нее выводы. Люди разных лет рождения проживали разные исторические условия: войны, эпидемии, урожайные и голодные годы. Чтобы корректно сравнивать, статистики стали формировать когорты по году рождения и следить за судьбой каждой такой группы отдельно. Метод, известный как cohort study, стал одним из столпов эпидемиологии XX века, с его помощью, например, доказывали связь курения с раком легких, наблюдая за когортами курящих и некурящих на протяжении десятилетий.
Продуктовая аналитика позаимствовала принцип почти без изменений, просто заменив «год рождения» на «дату первого визита» или другой признак входа в продукт, а «смертность» — на «отток». Пионерами переноса когортного анализа в веб-метрики в конце 2000-х и начале 2010-х были такие фигуры, как Шон Эллис (автор термина growth hacking, взлом роста) и позже Брайан Балфур и Эндрю Чен, чьи блоги фактически сформировали язык, на котором сегодня говорит вся индустрия роста.
Если сгруппировать пользователей по общему признаку (источнику трафика, устройству, дате первого визита, версии продукта) и затем смотреть, как каждая такая группа ведет себя в одинаковые промежутки времени после точки входа, можно увидеть закономерности, невидимые в агрегированных цифрах. Разница между обычной статистикой и когортной здесь принципиальна. Если посмотреть на общее число визитов сайта за месяц, легко ошибиться: рост может объясняться просто притоком новых людей, а не тем, что старые стали активнее. Когортный подход разделяет эти два эффекта, он отвечает на вопрос «что происходит с конкретной группой людей по мере того, как проходит время после их знакомства с продуктом». Временные окна в когортном анализе отсчитываются не по календарю, а от момента первого визита каждой группы. Неделя 1 для тех, кто пришёл 13 июля, — это не та же самая календарная неделя, что неделя 1 для тех, кто пришел 20 июля.
Четыре отчета в Метрике
Первый отчет, когортный анализ в узком смысле, показывает накопленный результат: сколько визитов, целевых действий или дохода когорта успела принести к определенному моменту. Число в каждом следующем периоде включает в себя все, что было накоплено ранее, и поэтому график всегда идет вверх или остается на месте, но никогда не падает. Это удобно, когда нужно понять долгосрочную ценность аудитории, например, сравнить две рекламные кампании, которые в первую неделю выглядели одинаково успешными, но через два месяца одна из них вырвалась вперед по суммарному доходу, потому что привлекла более лояльных пользователей.
Второй отчет — классический Retention — устроен противоположным образом: он смотрит не на накопление, а на активность именно в этом конкретном окне, без оглядки на предыдущие периоды. Если пользователь пропустил неделю, а потом вернулся, для Retention это будет просто «ноль» в пропущенной неделе и «плюс один» в той, где он снова появился. Такой отчет хорош, когда нужно нащупать момент обвала: скажем, если удержание держится на уровне 30% первые две недели, а затем резко падает до 8%, это сигнал, что именно на третьей неделе стоит запускать реактивационную рассылку, пуш-уведомление или ретаргетинговую кампанию, до того, как пользователь окончательно забудет про продукт.
Третий отчет, Rolling Retention, решает проблему, которая особенно болезненна для бизнесов с длинным циклом принятия решения. Классический Retention слишком строг к тем, кто заходит нерегулярно: человек, планирующий покупку квартиры или автомобиля, может месяц не открывать сайт, а потом вернуться и довести дело до сделки. Для обычного Retention это выглядит как полная потеря пользователя на промежуточных неделях, хотя по факту он остался в контуре интереса. Rolling Retention учитывает любое возвращение, не только в данном окне, но и позже, и поэтому дает куда более оптимистичную и, что важнее, более честную картину для таких сфер, как недвижимость, автомобильный рынок, туризм, крупная бытовая техника, сложные B2B-услуги.
Четвертый отчет, Retention Dynamics, меняет саму оптику наблюдения: вместо того чтобы следить за одной когортой во времени, он выстраивает разные когорты рядом и сравнивает их на одинаковых этапах жизни. Это инструмент, который позволяет ответить на вопрос «стало ли лучше после редизайна» или «какая рекламная кампания приводит более лояльных людей». Такой формат используют продуктовые команды крупных технологических компаний для A/B-тестирования изменений интерфейса: изменение считается удачным не тогда, когда вырос трафик, а тогда, когда выросло удержание среди тех, кто впервые попал на обновленную версию.
От удержания к деньгам
Удержание — прямой предшественник другого, более денежного показателя: жизненной ценности клиента, LTV (lifetime value). LTV равен среднему доходу с пользователя за период, умноженному на среднюю продолжительность его «жизни» в продукте, которая в свою очередь напрямую зависит от вероятности удержания. Чем выше retention rate, тем длиннее ожидаемая жизнь клиента и тем выше LTV при том же среднем чеке. Крупные технологические компании готовы тратить огромные деньги не на рекламу, а на улучшение продукта: рост удержания на несколько процентных пунктов может увеличить пожизненную ценность клиента кратно сильнее, чем любое снижение цены привлечения.
Здесь возникает классическое венчурное правило юнит-экономики, сформулированное инвестором Дэвидом Скоком и ставшее стандартом оценки стартапов: соотношение LTV к CAC (стоимости привлечения клиента) должно быть не ниже трех к одному, а срок возврата инвестиций в привлечение укладываться в 12 месяцев. Без данных об удержании этот расчет невозможен в принципе: CAC посчитать легко, это просто затраты на маркетинг, поделенные на число новых клиентов, а вот LTV без когортного анализа превращается в гадание на кофейной гуще. Отсюда и практическая ценность отчетов, о которых шла речь.
