Метрики продукта: что нужно знать маркетологу, чтобы работать с продуктовой командой

Продуктовые и маркетинговые метрики работают в паре: маркетинг — это поток пользователей, а продукт — двигатель, который этот поток обрабатывает. Маркетинг масштабируется бюджетом и охватом, продукт — ценностью для пользователя.
Если двигатель работает плохо, увеличивать поток бессмысленно: аудитория будет уходить так же быстро, как привлекается. Поэтому маркетологу важно понимать,
что происходит внутри продукта после того, как пришел пользователь.

Три задачи, которые помогают решить метрики продукта, на примере приложения
для доставки еды:

Не существует универсального списка метрик, который бы подходил для всех продуктов и компаний. Все зависит от целей бизнеса, продукта и отрасли. Но есть ключевые показатели на каждом этапе воронки продаж: от первого знакомства с продуктом до момента, когда пользователь стал лояльным клиентом. Эту логику описывает фреймворк AARRR:  

Метрики привлечения — CAC и конверсия в регистрацию — маркетологу, как правило, хорошо знакомы. Поэтому разберем то, что находится дальше по воронке: метрики, которые показывают, что происходит с пользователем после того, как он уже пришел в продукт.

Конверсия в первое целевое действие — доля пользователей, которые совершили ключевое действие в продукте. Что именно считается целевым — зависит от продукта. Например, создали первую задачу на доске для управления проектами, прослушали первый трек до конца в стриминговом сервисе, отправили первое письмо в сервисе для управления рассылками.

Низкая конверсия в первое действие может быть связана с проблемами в онбординге, интерфейсе, скоростью работы приложения или сайта, низкой эффективностью рекламы и CRM-коммуникаций. Например, в «КуулКлевер» заметили, что конверсии привлеченного трафика снизились. Тогда компания решила запустить цепочку коммуникаций с мобильными пушами, письмами и SMS для новых пользователей. В итоге конверсия в первую покупку выросла с 40% до 65%, во вторую — с 47% до 63%.

DAU, WAU, MAU — количество пользователей, активных за день, неделю и месяц.

Сами по себе эти цифры мало что говорят: высокий DAU может быть у продукта с низким уровнем удержания за счет агрессивного привлечения.

Показатели анализируют в связке с другими важными для бизнеса метриками. Например, Работа.ру следит за MAU (уникальные пользователи за месяц) и долей откликов на вакансии из мобильных пушей. Так компания понимает, что пользователи не просто зашли в приложение, но и совершили целевое действие. Значит, канал коммуникаций эффективен.

Retention rate — доля пользователей, которые вернулись в продукт через заданный период или продолжили пользоваться его функциями. Например, в сервисе для email-маркетинга клиенты активно запускали рассылки в первый месяц, а на второй — перестали. Retention по этой функции упал, хотя сервисом продолжают пользоваться. Это сигнал, что здесь продукт не дает ценности, и повод разобраться, что пошло не так.

Смотреть на retention нужно когортами — группами пользователей, которые пришли в один период. Обычно анализируют сразу несколько когорт (например, по неделям или месяцам) и сравнивают их между собой. Это помогает понять динамику: продукт становится лучше или хуже удерживает пользователей. Если смотреть только на одну когорту или на среднее по всей базе, можно не заметить проблем: лояльные старые пользователи могут замаскировать отток новых. Например, retention 35% может означать, что пользователи, пришедшие год назад, возвращаются в 60% случаев, а новые когорты — в 15%.

Когда продукт молодой и не набрал базу в десятки тысяч пользователей, когорты
еще небольшие и их анализ может быть необъективным. На практике когорты меньше нескольких сотен пользователей стоит интерпретировать осторожно.
Поэтому на старте показатель полезно оценивать как ранний сигнал, но проверять через интервью. Например, пригласить пользователей из когорты, где удержание проседает, — ушедших или тех, кто прошел только часть сценария.

Для маркетолога retention — один из главных индикаторов качества трафика.
Если у новых когорт retention резко ниже, чем у старых, это не всегда проблема продукта: возможно, рекламные кампании стали привлекать другую аудиторию — менее вовлеченные или менее целевое. Сравнивать когорты в разрезе источников привлечения полезно именно потому, что это показывает, какой трафик реально конвертируется в лояльных пользователей, а какой создает иллюзию роста.

Okko увеличили retention новых пользователей с помощью онбординга. Они предположили, что пользователи, которые с первых дней понимают возможности сервиса, с большей вероятностью продлят подписку. Гипотезу проверили тестом: разделили аудиторию на тестовую и контрольную группы и запустили на одну из групп каскадные welcome-цепочки. Сначала отправляли email, а тем, кто не открыл письма, — пуши. У тех, кто прошел онбординг, конверсия в первое продление подписки оказалась в 1,5 раза выше, чем у тех, кто коммуникаций не получал.

Churn rate — доля пользователей, которые перестали взаимодействовать с продуктом за период.

Нормы для метрики сильно различаются по нишам и моделям. Для SaaS-продуктов приемлемым считается показатель ниже 1%, для мобильных приложений — 3–5%. Но ориентироваться стоит прежде всего на динамику внутри своего продукта: важно не абсолютное значение, а тренд.

Метрики монетизации показывают, как пользовательская активность конвертируется в деньги. Их иногда путают с бизнесовыми — выручкой и прибылью. Разница в том, что бизнес-метрики фиксируют финансовый результат, а метрики монетизации объясняют, за счет чего он сложился: сколько платит средний пользователь, как часто, какая доля аудитории вообще платит и как это меняется со временем.

Например, выручка выросла за счет среднего чека, а частота покупок при этом упала. Значит, пользователи покупают реже, но дороже. Это повод выяснить, что влияет на покупательские привычки.

ARPU — показывает, сколько клиент в среднем тратит на продукт за определенный период времени: день, месяц или год. Учитывает всех пользователей, в том числе и тех, кто не покупал.

Аптеки «Вита» увеличили ARPU с помощью товарных рекомендаций.
Раньше они отправляли мобильные пуши по всей базе без сегментации —
только по самым популярным категориям товаров. Из-за этого кликабельность падала, а отписки росли. Команда предположила, что персонализированные рекомендации сработают лучше массовых рассылок, и протестировала товарные рекомендации на основе ML-алгоритма: пользователи получали пуши с товарами из тех категорий, которые покупали раньше. По результатам четырех месяцев тестов ARPU у пушей с рекомендациями оказался на 33% выше, чем у пушей без них.

ARPPU — средний доход на одного платящего пользователя за определенный период времени. Учитывает только пользователей с покупками.

Разница между ARPU и ARPPU показывает, какая доля аудитории конвертируется в деньги. Это помогает определить рентабельность продуктов, где к бесплатным базовым функциям предлагают купить дополнительные. Например, у сервиса с 100 тыс. активных пользователей ARPU — 50 рублей, ARPPU — 500 рублей.
Это значит, что платит только каждый десятый.

Если юнит-экономика не сходится при такой конверсии, нужно либо повышать долю платящих с помощью акций, либо пересматривать, что входит в бесплатный тариф.

Средний чек — отношение выручки за период к количеству заказов за тот же период. Показывает, сколько в среднем тратит пользователь за одну транзакцию.

Частота покупок — среднее количество покупок на одного платящего пользователя за период. Вместе со средним чеком частота покупок объясняет, за счет чего меняется ARPU: пользователи стали покупать чаще, или каждая покупка стала дороже, или и то и другое одновременно.

MRR — ежемесячная регулярная выручка. Показатель используют подписочные продукты: образовательные платформы, поставщики ПО. Он учитывает только платежи, которые повторяются из месяца на месяц.

MRR удобно считать для разных групп клиентов: новичков, ушедших и тех, кто купил дополнительные услуги. Это сразу показывает, за счет чего меняется выручка.

LTV (Lifetime Value, или пожизненная ценность клиента) — совокупный доход от одного клиента за все время взаимодействия с продуктом. Формулы расчета LTV различаются в зависимости от бизнес-модели, доступных данных, целей расчета и требуемой точности. Продуктовая команда считает LTV на конкретный период — например, на 6-й или 12-й месяц: берут всю выручку от когорты и делят на количество клиентов в ней.

Например, пришло 100 клиентов. 25 ушли на третьем месяце и принесли
25 000 рублей, еще 25 ушли на четвертом и принесли 30 000 рублей, оставшиеся 50 остались и на шестой месяц и принесли 120 000 рублей. LTV шестого месяца = (120 000 + 25 000 + 30 000) / 100 = 1 750 рублей.

LTV — пограничная метрика: для бизнеса это один из финансовых результатов в дополнение к выручке, для продакта — индикатор того, насколько хорошо продукт удерживает пользователя. Универсального значения «хорошего» LTV не существует — для разных отраслей и бизнесов свои бенчмарки.

NPS (Net Promoter Score) — индекс лояльности пользователей. Его определяют с помощью опроса. Респондентов спрашивают, с какой вероятностью они порекомендуют бренд или просят оценить конкретный сервис. Дальше делят аудиторию на группы в зависимости от их ответов. Тех, кто поставил самую высокую оценку, называют промоутерами, со средней — нейтралами, с низкой — критиками

К моменту, когда NPS падает, пользователи уже давно недовольны. Поэтому важна не столько абсолютная цифра, сколько динамика и то, что говорят критики.
Это прямой источник гипотез для улучшения продукта.

В Zolla хотели улучшить процесс самовывоза заказов. Чтобы собрать от клиентов обратную связь, тем, кто забрал покупку, показывали на сайте опросник и просили оценить сервис по шкале от 1 до 5. Если пользователь ставил оценку меньше пятерки, ему задавали дополнительные на следующей странице опросника. Результаты опроса помогли Zolla доработать сервис: добавить возможность выкупить часть заказа и ускорить сборку.

NPS-опросы могут дать необъективную выборку: в опросах охотнее участвуют активные и эмоционально вовлеченные пользователи. Поэтому удовлетворенность полезно оценивать и с помощью LTV (пожизненная ценность клиента). Чем дольше пользователь остается и чем больше платит, тем выше LTV.

Набор метрик на конкретном проекте определяют с помощью фреймворков —
они помогают структурировать показатели и расставить приоритеты. Выстраивать
эту систему — задача продакта. Но маркетологу полезно понимать логику:
почему продуктовая команда смотрит именно на эти цифры и чего ждет от маркетинга. AARRR мы уже разобрали в предыдущем разделе.
Но есть и другие фреймворки, которые полезно знать.

North Star Metric — одновременно отражает ценность
для пользователя и для бизнеса. У Spotify это время прослушивания, у Airbnb — количество ночей бронирования. «Яндекс Такси» использует LTV (пожизненная ценность клиента) — сумму, которую компания зарабатывает на клиенте в течение всего периода его активности.

Когда метрика растет, бизнес зарабатывает больше. Если такой связи нет, это не North Star, а так называемая метрика тщеславия (vanity) — показатель, который красиво выглядит в презентации, но не помогает принимать решения. Например, количество скачиваний, количество регистраций, количество просмотров страниц. Они могут расти при деградирующем продукте.

Дерево (пирамида) метрик — иерархия показателей от верхнеуровневых к локальным. Например, для сервиса доставки еды дерево может выглядеть так: удержание клиентов → среднее время доставки → количество курьеров в зоне → количество ресторанов-партнеров.

Такая структура показывает, какая проблема стоит за падением главного показателя. Если продакт говорит, что удержание падает у когорт из определенного канала,
это сигнал для маркетинга пересмотреть таргетинг или оффер.

HEART — фреймворк Google для оценки качества пользовательского опыта: Happiness (удовлетворенность), Engagement (вовлеченность), Adoption (освоение), Retention (удержание), Task Success (успешность выполнения задач). Маркетолог с ним чаще сталкивается как с источником данных от продакта, чем применяет сам. Например, продуктовая команда говорит, что просел engagement по новой функции. Для маркетинга это сигнал не масштабировать кампанию вокруг нее до выяснения причин.

Маркетологу не нужно самому строить дерево метрик или искать North Star. Но полезно понимать, что происходит в продукте после того, как пришел пользователь. Это помогает оценивать не только количество трафика, но и его качество, обосновывать решения данными и видеть, как работа маркетинга влияет на результат бизнеса в целом. Разберем каждый из этих пунктов.

Оценивать качество трафика, а не только его количество. Если из одного канала приходят пользователи с высоким retention rate и LTV, а из другого — с высоким churn rate, это повод перераспределить бюджет. Например, небольшое Telegram-комьюнити может давать меньше лидов, чем контекстная реклама, но клиенты оттуда остаются дольше и рекомендуют продукт чаще. Лиды — это точка входа, а не результат.

Не запускать дорогие кампании без продуктового обоснования. Если продакт уверен, что новая функция — прорыв, но не может подкрепить это метриками использования, у маркетолога есть аргумент: сначала данные, потом кампания.
Иначе есть риск потратить бюджет на продвижение функций,
которые еще не доказали свою ценность.

Работать с продуктовой командой не только как с заказчиком кампаний,
но и как с источником данных. Уточнять, что происходит в продукте: какие функции используют, где теряются пользователи, что меняется после релизов. Это помогает маркетологу работать осознанно: видеть, какие каналы приводят аудиторию,
которая остается, и распределять бюджет с учетом этих данных.