Retention Rate: большое исследование про удержание пользователей

Максим Гойхман, Product Manager, Билайн. Churn считаем по тем пользователям, которые не пользовались диджитал-каналом в течение определённого периода, например, 4 месяцев.

Сейчас пытаюсь разобраться, что лучше использовать — Retention или Churn? На что влиять? Можно ли использовать обе метрики одновременно?

Сейчас у меня конфликт:

• Если смотрю на Churn, думаю о том, как вернуть пользователей и предотвратить их уход.
• Если смотрю на Retention, думаю о том, как сделать так, чтобы пользователи оставались активными.

Пользователь уходит, когда сталкивается с проблемой. Для такой когорты нужно что-то исправлять. А если речь идёт о многомиллионной аудитории, всегда будут пользователи с такими запросами.

И тогда возникает вопрос: что приоритетнее — увеличивать возвращаемость через напоминания и создание новой ценности или устранять проблемы, которые раньше не решали? Если сосредоточусь на проблемах небольшого сегмента, не потеряю ли внимание основной аудитории? Не снизится ли Retention большой группы, пока я борюсь с Churn в маленькой? Ресурсы ограничены, и приходится выбирать.

Хотя, конечно, иногда гипотезы по снижению Churn и росту Retention пересекаются. Сейчас вместе с продуктовым аналитиком мы разбираемся, на что именно стоит влиять и какие метрики удобнее отслеживать из недели в неделю. Задача — понимать, что мы движемся к цели повышения MAU.

Максим Гойхман, Product Manager, Билайн

Бизнесу важен показатель месячной активной базы (MAU). Чтобы повлиять на MAU, я увеличиваю Retention Rate. И для этого смотрю на более узкие сегменты, как они возвращаются от недели к неделе. Если вижу отток, то пытаюсь найти способы увеличить недельный Retention, чтобы дальше увеличить MAU.

Подневной Retention тоже можно анализировать, особенно при запуске кампаний, когда важно понять, что происходит с когортой пользователей. Это подсказывает, какие нужно внести корректировки: изменить интерфейс или переписать текст.

Сергей Бегишев, CPO, Overgear

Мы помимо Retention пристальное внимание обращаем ещё и на воронку пользователя — конверсией. Разбиваем на много этапов, например,

1. Пользователь зашёл на сайт;
2. Открыл страницу с товарами;
3. Добавил в корзину;
4. Совершил покупку.И каждый этап — это конверсия. Нам важно, чтобы как можно больше людей доходили до целевого конца.

Максим Гойхман, Product Manager, Билайн

Мы увеличиваем Retention Rate пользователей личного кабинета на сайте и в мобильном приложении, чтобы повысить ARPU клиента. Это, в свою очередь, способствует росту выручки всей компании.

Сергей Бегишев, CPO, Overgear

Ещё мы обращаем внимание на метрики здоровья. Наш продукт — это тесное взаимодействие пользователя и исполнителя (платформа), поэтому метрики здоровья — это косвенный фактор, который тоже влияет на Retention.

Под метриками здоровья у нас подразумеваются отзывы пользователей об играх и исполнителях, рейтинги, частота покупок продукта у того или иного исполнителя или в рамках той или иной категории товаров и так далее.

Анна Дулепова, Product Manager, Raiffeisen Bank

Помимо классического когортного анализа, полезно учитывать mindset пользователей — их цели и мотивы (Job to Be Done).

Например, на этапе онбординга или с помощью анализа поведения можно выяснить, зачем человек пришёл: решить разовую задачу, найти новый тариф или изучить дополнительные функции. Это помогает точнее рассчитать Retention и Churn по сегментам, понять, кто «на грани ухода», и что можно сделать для их удержания: одному не хватает конкретной фичи, другому — понятного интерфейса, третьему — гибкого тарифного плана.

Такой подход делает анализ более гибким, позволяя не просто увидеть, сколько пользователей ушло, а понять, какая группа и с какими мотивами испытывает трудности. В итоге можно вносить точечные улучшения для каждого сегмента, а не усреднять всех в одном потоке.

Сергей Бегишев, CPO, Overgear

Чтобы правильно анализировать Retention, важно чётко выделять целевое действие, которое действительно отражает вовлечённость пользователя. В играх таким действием может быть, например, прохождение 5-го уровня и открытие сундука, который активирует второстепенные сценарии, усиливающие привязку игрока.

Допустим, если игрок достигает 5-го уровня на 7-й день, то его Retention выше, чем у 80% базы. Если он уже дошёл до 5-го уровня, вероятность, что он продолжит играть и пройдёт 8-й уровень, значительно возрастает. А если он настолько погружён в игру, то, скорее всего, совершит покупку.

Выделение таких ключевых точек помогает лучше понимать поведение пользователей и оптимизировать механики удержания.

Олег Афанасьев, CPO RuStore

Для много-сегментного продукта B2B/B2C следует рассматривать Retention для каждого из направлений, так как они решают различные задачи для разных сегментов пользователей и имеют свои особенности. Например, в случае магазина приложений:

• Retention пользователей (B2C): Высокая конкуренция (Google, Xiaomi, Huawei и другие), волатильность пользователей. Строим лояльность через безопасность и снижение страхов пользователя (возможная потеря денег, данных);
• Retention паблишеров (B2B): Даём возможность зарабатывать через платформу, предлагаем доступ к большой аудитории. Улучшаем документацию, модерацию (занимает в среднем около часа) и поддержку (быстрее Apple/Google).

Дарья Щурик, Head of Growth, вертикальная ферма в Дубае Greeneration.ae

Мы считаем Retention каждый месяц, причём идёт расчёт для:

• доли клиентов, которые делают повторные заказы;
• срока «жизни» клиента: сколько месяцев он делает повторные заказы и когда отваливается.

В B2B-продукте когортный Retention не так важен, потому что удержание клиента не зависит от события, которое его привело. В модели B2B клиентов немного, а каждый договор стоит дорого. Поэтому основной фокус — не на удержании через n-месяцев после события, а на отслеживании повторных заказов. Также важна индивидуальная работа с каждым ушедшим клиентом, а не классический когортный анализ. Кроме того, из-за малого количества клиентов когорты получаются слишком маленькими, что делает статистику нерелевантной.

Анна Дулепова, Product Manager, Raiffeisen Bank

В B2B SaaS-продуктах клиентом формально является одна компания, но внутри неё может быть разное количество пользователей: пять, три или десять. Поэтому для оценки удержания анализируется несколько уровней:

• На уровне компании (осталась ли компания активной);
• На уровне пользователей (сколько человек продолжают пользоваться продуктом). Для последнего это так называемый Sticky Factor, который измеряется как доля активных пользователей внутри компании за месяц.

Евгения Найдина, Руководитель группы продуктовых аналитиков, RuStore

При выборе периода расчета в первую очередь необходимо определить, RR чего мы считаем, какое действие является для нас целевым. Это могут быть явные действия, когда пользователи заходят в продукт, или неявные — фоновые функции, например, автоматические обновления. В зависимости от выбранного целевого действия период расчета может отличаться.

Олег Афанасьев, CPO RuStore

В RuStore нормальным поведением считается возвращаемость в пределах 7–12 дней. В анализе мы используем периоды 7, 30 и 90 дней:

• 7 дней (7D) — минимальный показатель. Если здесь есть проблемы, это тревожный знак для первичного сценария;
• 30 дней (30D) — сглаживает первичное впечатление и учитывает вторичные сценарии;
• 90 дней (90D) — позволяет оценить, вовлечён ли пользователь во вторичные сценарии. Если нет, происходит отток.

Дарья Щурик, Head of Growth, вертикальная ферма в Дубае Greeneration.ae

При анализе данных обращаем внимание на полноту данных. Важно убедиться, что метрики рассчитываются по всему массиву пользователей и включают все события без исключений. Нередко возникает ситуация, когда часть данных «отваливается» или теряется из-за технических проблем: например, плохо настроенной интеграции между системами или разрывов в учёте информации. Это особенно критично в небольших стартапах, где учёт не всегда ведётся системно, и даже небольшой процент потерянных данных может значительно исказить картину.

Например, в B2B-компании, у которой клиентов относительно мало (скажем, агротехнический стартап со 150 ресторанами-клиентами), потеря информации даже о нескольких повторных заказах сильно влияет на точность анализа. Это приведёт к тому, что компания может неправильно понять жизненный цикл клиентов, их реальную лояльность, частоту повторных покупок и общий уровень удовлетворенности. Без полного сбора данных о каждом повторном заказе невозможно получить корректные выводы о ретеншене клиентов, качестве сервиса и точках для улучшения.

На что обращаете внимание при анализе данных? На полноту данных. Важно убедиться, что метрики рассчитываются по всему массиву пользователей и включают все события без исключений. Нередко возникает ситуация, когда часть данных «отваливается» или теряется из-за технических проблем: например, плохо настроенной интеграции между системами или разрывов в учёте информации. Это особенно критично в небольших стартапах, где учёт не всегда ведётся системно, и даже небольшой процент потерянных данных может значительно исказить картину.

Например, в B2B-компании, у которой клиентов относительно мало (скажем, агротехнический стартап со 150 ресторанами-клиентами), потеря информации даже о нескольких повторных заказах сильно влияет на точность анализа. Это приведёт к тому, что компания может неправильно понять жизненный цикл клиентов, их реальную лояльность, частоту повторных покупок и общий уровень удовлетворенности. Без полного сбора данных о каждом повторном заказе невозможно получить корректные выводы о Retention клиентов, качестве сервиса и точках для улучшения.

Олег Афанасьев, CPO RuStore

Помимо экранной активности есть ещё фоновая активность (например, обновление приложений). Retention можно считать не только по частоте захода в продукт, но и по эффективности фонового пинга — приоритет зависит от сценария:

1. Если экранная активность падает, но фоновая растёт, значит, основная функция (например, обновления) работает стабильно, но вторичные сценарии не используются;
2. Если экранная активность растёт, а фоновая падает, это может указывать на недоверие пользователей или проблемы с функциональностью.

Сергей Молчанов, CEO SellMonitor

1. Ты считаешь Retention Rate по своему бизнесу, берёшь всех пользователей целиком и видишь, что Retention низкий, а Churn Rate — 80–90%. Кажется, что этим бизнесом лучше не заниматься. Но потом задумываешься: если у других работает, значит, что-то делаем не так?
2. Дальше начинается глубокий анализ: это история про детальное погружение и сегментацию пользователей. Ошибка — генерализировать данные и делать на их основе выводы, не углубляясь в детали.
3. У каждого бизнеса есть свои параметры, у каждой клиентской базы — свои очевидные (пол, возраст, регион) и менее очевидные характеристики. Важно не просто осознавать их наличие, но и уметь ставить маркеры и триггеры, которые помогут правильно сегментировать пользователей.

Станислав Лабач, CPO, MyFin.By

В нашем случае месячный Retention не имеет смысла, так как цикл принятия решения пользователем слишком длинный. Это может создать ложное впечатление об эффективности, если не учитывать специфику цикла продукта.

Для кредитного продукта, где заявка может приниматься через несколько месяцев после первого контакта, использование месячных показателей Retention может скрывать реальные проблемы с конверсией в заявку — пользователи возвращаются в поиск информации, а не для выполнения целевого действия.

Анна Николаева, Product Manager, Joom (ex-Avito, ex-Kuper)

При анализе Retention важно учитывать внешние факторы, включая сезонность.

Retention измеряется на длительных отрезках времени, и его значения могут искажаться при смешивании когорт или пересечении с маркетинговыми активностями. Например, пользователи, привлеченные во время ноябрьской распродажи, ведут себя иначе не из-за изменений в продукте, а под влиянием самой акции.

Игнорирование внешних факторов приводит к ошибочным выводам:

• Сезонность — тесты в ноябре могут не отражать типичные показатели.
• Смешивание когорт — пользователи из разных периодов ведут себя по-разному.
• Маркетинговые активности — акции и реклама влияют на Retention.

В Joom, где конкуренция высока, игнорирование этих факторов искажает оценку эффективности программ лояльности и акций. Например, в пиковые сезоны retention может казаться выше, а в низкие — ниже, хотя причина кроется не в продукте, а во внешних условиях.

Евгения Найдина, Руководитель группы продуктовых аналитиков, RuStore

Мы, как команда продуктовых аналитиков, отвечаем за:

• Обеспечение достаточного объёма корректных данных;
• Методологию расчета RR;
• Реализацию расчетов и написание кода, скриптов, дашбордов;
• Поиск причин, которые приводят к росту или падению RR;
• А также помогаем с историческими данными и с прогнозами.

Евгения Найдина, Руководитель группы продуктовых аналитиков, RuStore

В экосистеме VK есть много собственных решений — для описания событий продуктовой аналитики, для проведения и интерпретации A/B-экспериментов и так далее.

Мы, как RuStore, являемся частью экосистемы VK, поэтому активно используем продукты компаний, входящих в группу: MyTracker, Redash, Omicron.

Что хорошо — инструментарий большой и даёт нам возможность реализовывать  большую часть наших «хотелок». Помимо этого, пожелания по доработкам команды продуктов забирают в бэклог на развитие.

Из минусов — у каждого инструмента своя специфика и правила, которым надо следовать, поэтому иногда мы бываем ограничены в своих действиях.

Помимо этого мы, как команда продуктовых аналитиков, сами создаём инструменты для нашей команды продукта (пользователей аналитики):

• Аналитические дашборды;
• Self-service инструменты: доски-конструкторы, с помощью которых можно самостоятельно собрать необходимую аналитику;
• Аналитический бот, который позволяет быстро получить статистику по какому-то конкретному действию и тому подобное.

Олег Афанасьев, CPO RuStore

Для нашего продукта, «хороший» Retention — это постоянно растущий показатель.

У нас нет публичных данных для сравнения с конкурентами, поэтому мы устанавливаем собственные целевые ориентиры. Используя исторические данные, мы оцениваем, насколько эффективно удерживаем пользователей.

Сергей Молчанов, CEO SellMonitor

В модели, которую я построил для своего продукта, Retention считается хорошим, если:

• На второй год отваливается 70% пользователей, а 30% остаются.
• В последующие годы скорость оттока снижается — из оставшихся 30% уходит уже менее 70%.

Если со временем отток замедляется, это позитивный сигнал.

Максим Гойхман, Product Manager, Билайн.

Супер Retention — должен пойти «улыбкой» к 50% — когда показатель стабильно держался в районе 30%, а потом за счёт вирального эффекта или добавления новых фич, пользователи возвращаются больше, и RR растёт до 50%.

Прекрасный Retention месячный — когда показатель стабильно держится в районе 30%.

Хороший Retention — когда на 6-й месяц остаётся 15%. С этим можно работать. Но это если есть приток новых пользователей, потому что если его нет, то тогда к концу года от 15% никого не останется и мы разоримся.

Юрий Мешалкин, Product Manager, RapidSeedbox | Co-founder CAIK & Frontty

Нам удалось обнаружить скрытую причину оттока пользователей. Анализ данных показал, что значительная часть Churn Rate оказалась непреднамеренной — пользователи теряли доступ к сервису не потому, что хотели уйти, а из-за проблем с оплатой. Исследование выявило две ключевые причины:

1. Неоплата рекуррентного платежа из-за отсутствия средств на карте или ошибок платёжного сервиса;
2. Высокий Churn Rate среди пользователей криптоплатежей — оказалось, что выбранный провайдер не поддерживает автоматические списания, и пользователи просто забывали продлевать подписку.

После того как команда оценила масштаб проблемы и процент оттока, стало ясно, что Churn Rate можно сократить, если изменить процесс оплаты и уведомлений.

Сергей Бегишев, CPO, Overgear

При поиске точек роста Retention начинаем с когортного анализа, который помогает выявить, в какой момент пользователи начали отваливаться. Если замечать снижение Retention только в долгосрочной динамике, можно упустить момент, когда средний показатель долгое время был стабильным, а затем резко упал. Например, если 30-дневный Retention падает на 10% по сравнению с предыдущими когортами, это может указывать на проблемы, возникшие в определённый период.

Анализируем сверху вниз:

1. Изменилось ли что-то в маркетинговых каналах и привлечении?
2. Произошли ли изменения в товарной матрице?
3. Вносились ли изменения на сайте, в навигации или в использовании платёжных систем?

Постепенно углубляясь в эти вопросы, можно выявить причину падения Retention и найти точки роста.

Максим Гойхман, Product Manager, Билайн

Мы обладаем обширными данными о пользователях — знаем, как они пользуются интернетом и связью, какие сайты посещают. В нашем распоряжении более 2000 атрибутов, на основе которых можно формировать детализированные сегменты.

Варианты сегментации:

• По типу продукта: обычная мобильная связь, b2b-услуги и прочее;
• По демографии: пол, возраст. Но демографию почти не используем;
• По типу потребления: использует ли интернет, как часто, сколько тратит (на трафик, минуты, SMS), смотрит ли YouTube и прочее;
• По оплатам: каким способом оплачивает услуги, как часто, меняет ли тариф на более дорогой.

Пример задачи

Берём уснувшую базу и начинаем искать, что привело к тому, что они уснули. Последовательно проверяем каждый атрибут. Например, берём атрибут «смена тарифа». Видим, что только 1% уснувшей базы перед уходом меняли тариф. Это нерепрезентативно, значит, продолжаем искать! Так методом перебора находим атрибуты с большим влиянием и пытаемся вернуть базу».

Юрий Мешалкин, Product Manager, RapidSeedbox | Co-founder CAIK & Frontty

Churn Rate начинается ещё на этапе привлечения — важно привлекать именно тех, кому продукт действительно нужен. Мы изменили позиционирование на главной странице, и отток пользователей, пришедших оттуда, снизился.

Сергей Молчанов, CEO SellMonitor

Для пользователей с выручкой более миллиона рублей (считается крупным сегментом с большим оборотом и LTV в нашем продукте), которые не продлили подписку, мы применяем подход, когда раз в месяц, а иногда и два, отправляем таким клиентам e-mail и WhatsApp-рассылку с приветственным сообщением от CEO сервиса. Я лично готов созваниваться с крупными селлерами — это даёт сразу несколько преимуществ:

1. Создание дополнительной ценности благодаря персональному общению;
2. Получение ценных инсайтов о проблемах в продукте и возможных направлениях его развития;
3. Понимание приоритетных фич — какие инструменты они используют и чего им не хватает.

• Ищем опытным путём и экспериментируем.Анализируем текущий Churn Rate и ставим амбициозные цели, например, сократить отток на 10–20%. Проверяем гипотезы, тестируем, отслеживаем результаты: почему сработало или не сработало, какие улучшения необходимы.Проводим A/B-тесты и эксперименты, ежемесячно оцениваем статистическую значимость результатов. Разбираем вклад каждого эксперимента и анализируем совокупный эффект: если в сумме тесты снизили отток на 5%, пересматриваем планы и цели.
• Сравниваем с рыночными бенчмарками. Анализируем исследования и статьи со средними показателями Retention и Churn Rate для веб- и мобильных продуктов. Изучаем активную базу пользователей: частоту посещений, скачиваний. Сопоставляем собственные результаты с рыночными, чтобы определить целевые показатели и понять, где мы находимся относительно среднего уровня.

Максим Гойхман, Product Manager, Билайн

Продукт: личный кабинет пользователя Билайн на сайте и в приложении.

Источники для поиска точек роста:

1. Аналитика;
2. Анализ конкурентов — исследуем пользовательские пути, оцениваем, что сделано лучше, какие факторы влияют на опыт. Сопоставляем с аналитикой своего продукта, приоритизируем изменения;
3. Продуктовые каналы и геймификация — изучаем механики из других сервисов (например, банков), тестируем разные подходы;
4. Качественные исследования;
5. Количественные исследования — опросы о целях входа в приложение (мотив захода) + опросы ушедших пользователей;
6. Наблюдение за действиями пользователей в офлайне — анализируем, что они делают в салонах связи, и добавляем функциональность в продукт;
7. Экспертная оценка — дорабатываем интерфейс и улучшаем user flow (в прошлом году провели редизайн).

Техническое уточнение — при формировании пользовательской базы исключаем SIM-карты, не предназначенные для личного пользования (например, встроенные в шлагбаумы и другие устройства). Такие номера никогда не станут реальными пользователями личного кабинета, поэтому их не учитываем в расчётах активной базы.

Сергей Бегишев, CPO Overgear

Не всегда есть возможность или необходимость проводить A/B-тесты, поэтому иногда мы сразу делаем полный релиз. В таких случаях важно заранее определить, насколько нужно увеличить продажи, чтобы окупить, например, программу лояльности или кешбэк.

Другие метрики могут лишь косвенно указывать на эффект. Например, сокращение времени между первой и второй покупкой может свидетельствовать о положительном влиянии изменений. Однако прокси-метрики не всегда стабильны: основная метрика может расти, а прокси — временно снижаться.

Поэтому перед запуском составляем проект с гипотезами и задаём guard-метрики, которые помогают отслеживать, не искажают ли результаты сезонные факторы или другие внешние изменения. Для точных выводов важно анализировать эффект в динамике.

Станислав Лабач, CPO, MyFin.By

При проведении экспериментов не стоит смотреть исключительно на абсолютный рост Retention, так как этот показатель может колебаться из-за сезонных факторов. Вместо этого рекомендуется:

• Анализировать несколько метрик. Следите не только за общим Retention, но и за динамикой WAU (еженедельных активных пользователей) и MAU (ежемесячных активных пользователей).
• Использовать соотношение WAU/MAU: если общий Retention растёт, но отношение WAU/MAU остаётся стабильным, это может указывать на сезонные пики, а не на качественное улучшение продукта;
• Применять краткосрочные индикаторы: в длительных периодах (например, 6 месяцев) используйте прокси-метрики, которые помогают оперативно оценивать влияние изменений на поведение пользователей.

Анна Николаева, Product Manager, Joom (ex-Avito, ex-Kuper)

Атрибуция Retention через эксперименты затруднена, так как на него могут влиять длительные периоды наблюдения и множество факторов: каннибализм, сезонность, изменения в маркетинге, обновления продукта, конкурентная среда, качество сервиса, товарная матрица, финансовые изменения и другие. Эти переменные усложняют анализ, поскольку Retention может изменяться под воздействием сразу нескольких причин. Вместо этого проще использовать прокси-метрики, такие как отношение DAU к WAU или DAU к MAU, которые позволяют быстрее и точнее оценивать изменения в поведении пользователей. Также полезен Titan’s Raid, но из-за сложности его восприятия лучше использовать его в виде отношения одной метрики к другой.

Сергей Бегишев, CPO, Overgear

Каннибализация каналов привлечения — важный аспект атрибуции, который необходимо учитывать. Например, один и тот же пользователь мог прийти по рекламе, но при этом он также мог бы вернуться через email-рассылку. Если каналы не разделять корректно, сложно определить, какой из них действительно привёл клиента.

Кроме того, если старый пользователь открыл письмо, может показаться, что он вернулся благодаря email-рассылке, хотя на самом деле мог увидеть рекламу ранее. Поэтому важно учитывать все точки контакта с пользователем, чтобы правильно анализировать эффективность каналов.

Анна Николаева, Product Manager, Joom (ex-Avito, ex-Kuper)

Я могу выделить три основные проблемы при расчёте Retention Rate, которые связаны с фундаментальным вопросом: зачем он нам нужен и как его правильно интерпретировать? Часто анализ строится на допущениях вместо чёткого понимания целей, что приводит к следующим сложностям:

1. Неоднозначность определения метрики:
   • Разные компании трактуют Retention по-разному: для одних важно, что пользователь просто возвращается, для других — что он совершает покупку или иное целевое действие;
   • Важно определить, какую именно активность считать за «возвращение» и какие сроки расчёта подходят (например, 7, 30 дней или более длительные периоды);
   • В некоторых сферах (например, кроссбордерная доставка) слишком ранние метрики могут быть нерелевантны, так как цикл использования продукта длительный.
2. Трудности влияния на Retention через продукт:
   • На удержание часто сильнее влияет маркетинг, чем сам продукт, поэтому сложно отслеживать, какие именно изменения приводят к росту Retention;
   • Лояльностные программы и механики вовлечения часто внедряются «на веру», без точных метрик, а проверка их эффективности требует длительного времени и ресурсов;
   • Команды могут быть загружены другими задачами, и проведение обратных тестов (отключение механик) становится затруднительным;
3. Высокая стоимость удержания пользователей:
   • В маркетплейсах и других сервисах с материальными стимулами (скидки, баллы, бонусы) Retention обходится дорого;
   • Например, программы лояльности могут требовать значительных затрат, но не всегда оправдывают вложения: крупные игроки могут столкнуться с тем, что бонусные системы повышают краткосрочное вовлечение, но не обеспечивают долгосрочной окупаемости;
   • Важно заранее понимать, какие механики заменяют реальные деньги и к чему это приведёт в долгосрочной перспективе.

Олег Афанасьев, CPO RuStore

Рекомендации по работе с Retention Rate:

• Не забывайте учитывать сезонность: день недели, месяц, год. Часто ошибки происходят, когда анализируют данные без учёта низкого сезона. Накопите данные за разные сезоны и анализируйте, как продукт работает в каждом из них;
• Следите за оттоком пользователей. Это важный показатель, который нельзя игнорировать;
• Работайте над коммуникацией. Если хотите, чтобы пользователи оставались, важно работать на всех этапах взаимодействия:
  • С удержанием текущей аудитории;
  • С ушедшими пользователями;
  • С привлечением новых пользователей.
• Ищите перпендикулярные метрики, которые ставят под сомнение ваши выводы. Если заметили нетипичный рост по какой-то метрике, проверьте данные, сравните с рынком, пересмотрите гипотезы.