Метрики мобильного приложения: retention, DAU/MAU, LTV и отток
Основы4 минРедакция Innovialabs
Коротко
Главная метрика молодого приложения — retention: возвращаются ли люди через день, неделю и месяц; DAU/MAU показывает силу привычки, churn — отток, а LTV — доход с пользователя за всё время, и считать его имеет смысл, когда удержание уже стабилизировалось.
Коротко: четыре метрики, которые решают
Установки и регистрации приятно смотрятся в отчётах, но почти ничего не говорят о здоровье продукта. Реальную картину дают четыре показателя:
- Retention (удержание) — какая доля новых пользователей возвращается через N дней.
- DAU/MAU (stickiness) — насколько часто люди пользуются приложением в течение месяца.
- Churn (отток) — какая доля пользователей или подписчиков уходит за период.
- LTV (lifetime value) — сколько денег в среднем приносит один пользователь за всё время использования.
Если retention плохой, остальные метрики бессмысленно оптимизировать: вы будете наливать воду в дырявое ведро.
Как их считать
| Метрика | Формула | Что показывает |
|---|---|---|
| Retention Day N | вернувшиеся на день N / установившие в день 0 | Ценность продукта для новичков |
| DAU/MAU | средний DAU за месяц / MAU | Частоту использования, силу привычки |
| Churn | ушедшие за период / активные на начало периода | Скорость потери аудитории |
| LTV | ARPU за период × средний срок жизни пользователя | Предел, который можно тратить на привлечение |
Несколько важных уточнений:
- Retention считают по когортам — группам пользователей, пришедших в один день или неделю. Средний retention по всей базе смешивает старых лояльных и новых случайных людей и ничего не показывает.
- Классические точки — D1, D7, D30. Для приложений с редким использованием (путешествия, недвижимость) удобнее недельный или месячный retention.
- Упрощённая формула LTV для подписки: ARPU за месяц / месячный churn. Она грубая, но хорошо работает для первой оценки.
- ARPU — средний доход на пользователя за период: выручка / число активных пользователей.
Что считать нормой
Универсальных нормативов нет: всё зависит от категории и того, как часто людям в принципе нужна задача, которую решает приложение.
- Мессенджеры, соцсети, игры — ожидается ежедневное использование, поэтому важны высокий DAU/MAU и сильный D1.
- Банкинг, доставка, такси — пользуются несколько раз в неделю или месяц; низкий DAU/MAU здесь нормален.
- Путешествия, покупка жилья, сервисы событий — использование эпизодическое, смотрите на месячный retention и повторные покупки.
Сравнивайте себя с приложениями той же категории и, главное, со своими прошлыми когортами. Самый важный сигнал здоровья — кривая удержания выходит на плато: после первых недель доля оставшихся перестаёт падать. Если кривая стремится к нулю, продукт пока не нашёл своё ядро аудитории.
Какие метрики смотреть на каждом этапе
MVP и поиск product-market fit:
- retention по когортам и форма кривой;
- активация — доля пользователей, совершивших ключевое действие (первый заказ, первое сообщение);
- качественная обратная связь: интервью, отзывы в сторах.
Рост:
- DAU/MAU и частота сессий;
- воронка от установки до первой оплаты;
- retention и стоимость привлечения (CAC) по каналам рекламы;
- соотношение LTV и CAC.
Зрелый продукт:
- churn подписчиков и причины отмен;
- LTV, ARPU, выручка с удержанных когорт;
- технические метрики: доля сессий без сбоев (crash-free), скорость запуска.
Как настроить сбор данных
- Составьте план событий (tracking plan): установка, регистрация, ключевое действие, покупка, отмена подписки. Для каждого события — название и параметры.
- Используйте одинаковые названия событий на iOS и Android, иначе отчёты не сойдутся.
- Выберите инструмент: Google Analytics for Firebase, AppMetrica, Amplitude, Mixpanel. Для старта достаточно одного.
- Свяжите данные о платежах со стором или вашим биллингом, чтобы считать ARPU и LTV по реальной выручке.
- Учитывайте приватность: на iOS отслеживание между приложениями требует согласия пользователя (App Tracking Transparency), а в политике конфиденциальности нужно описать, какие данные вы собираете.
Частые ошибки
- Радоваться росту установок, не глядя на retention.
- Считать среднее удержание по всей базе вместо когорт.
- Считать LTV на первом месяце жизни продукта, когда данных ещё мало.
- Менять определение «активного пользователя» по ходу работы и сравнивать несопоставимые цифры.
- Собирать сотни событий, которые никто не смотрит, и не собирать одно ключевое.