Retention и Churn

Общее #

• Назначение: диагностика здоровья продукта; оценка product-market fit; основа юнит-экономики.
• Аудитория: PM, growth, аналитики, инвесторы.
• Статус: устоявшийся; стандартная часть продуктовых метрик.
• Не путать с: DAU/MAU (активность за период; статья готовится), LTV/CAC (финансовая проекция удержания в деньги; юнит-экономика), Sticky Factor (отношение DAU/MAU; статья готовится).

Retention (удержание) — доля пользователей или клиентов, которые продолжают пользоваться продуктом через определённое время после первого использования или начала оплаты. Churn (отток) — зеркальная метрика: доля тех, кто за то же время продукт покинул. Вместе они отвечают на главный вопрос здоровья продукта: возвращаются ли люди, которых привлечение уже оплатило, — или продукт работает как «дырявое ведро», в которое приходится беспрерывно доливать новых пользователей.

Пара retention/churn — самая ранняя количественная обратная связь о ценности продукта: конверсию можно поднять рекламой и промо, выручку — скидками, но удержание покупается только реальной пользой. Не случайно Дэвид Скок в цикле о метриках стартапа называл удержание королём продуктовых метрик (customer math): пока когорты не удерживаются, рост трафика лишь увеличивает скорость сгорания денег на привлечении. Именно поэтому инвесторы при разборе метрик в первую очередь смотрят не на абсолют выручки, а на форму кривых удержания.

Виды churn #

Отток — не одно явление, а семейство разных процессов, которые в отчёте выглядят одинаково:

• Voluntary churn (добровольный) — осознанное решение пользователя: не увидел ценности, разочаровался, ушёл к конкуренту, не согласен с ценой.
• Involuntary churn (недобровольный) — уход без решения пользователя: не прошла оплата, истекла карта, ошиблось списание. По данным ProfitWell, на involuntary-отток приходится заметная часть потерь подписочных бизнесов, и он лечится не продуктом, а биллингом (dunning-письма, автоматическое обновление карт, ретраи платежей).
• Logo churn (отток клиентов) — ушедшие аккаунты или компании. Считается в штуках: сколько клиентов из стартовых закрыло подписку.
• Revenue churn (отток выручки) — потерянные деньги с учётом даунгрейдов и сокращения мест. Может расходиться с logo churn: уход десяти мелких клиентов и даунгрейд одного крупного дают разный logo churn, но похожую потерю выручки.
• Gross churn (валовый) — все потери без учёта роста потребления оставшимися; net churn (чистый) — потери за вычетом экспансии (расширения подписок у оставшихся клиентов). Net-показатель может быть отрицательным: база растёт, даже если клиенты уходят.

Место в продуктовом цикле #

В воронке AARRR (Pirate Metrics) Retention — третья ступень, следующая за Acquisition и Activation, и одновременно фундамент остальных: удержавшиеся пользователи создают Referral и Revenue. Retention связан и с North Star Metric: NSM большинства продуктов живёт в зоне удержания — «клиенты, устойчиво получающие ценность», — а кривая удержания служит проверкой того, что ведущая метрика не растёт на «проливе» новых пользователей. Для Product-Market Fit удержание — самый объективный поведенческий сигнал: форма кривой удержания нередко используется как главный индикатор PMF. Наконец, retention — вход в юнит-экономику: пожизненная ценность клиента (LTV) — это финансовая проекция кривой удержания (математика LTV/CAC — в статье «Юнит-экономика: LTV, CAC, ROMI»).

Исторический фундамент темы — работа Фредерика Райхельда The Loyalty Effect (1996), показавшая экономическую цену лояльности: небольшое улучшение удержания клиентов даёт непропорциональный рост прибыли. Для стартап-практики канон задали Дэвид Скок (серия Startup Metrics, For Entrepreneurs), Брайан Бальфур (эссе об удержании, Reforge), Шон Эллис и Морган Браун (Hacking Growth, 2017), а также справочник ProfitWell по удержанию в SaaS.

Удержание и вовлечённость #

Retention часто путают с вовлечённостью (engagement). Разделение простое: retention отвечает на вопрос «остался ли», engagement — «насколько глубоко использует». Пользователь может удерживаться формально (заходит раз в месяц по привычке) и не получать ценности; наоборот — интенсивно использовать продукт две недели и уйти навсегда. Зрелые метрические системы измеряют оба слоя: удержание задаёт горизонт жизни клиента, вовлечённость — качество этой жизни. В этой статье речь о первом слое; второй — тема отдельных материалов о поведенческих метриках.

Как считать #

Базовые формулы работают для любого продукта; различаются единицы измерения: пользователи (B2C), аккаунты-компании (B2B, «логотипы»), деньги (MRR/ARR в подписочных моделях), повторные покупки (e-commerce).

Customer Retention Rate #

CRR = (Customers_end − New_customers) / Customers_start × 100%

• Customers_start — клиентов на начало периода;
• Customers_end — на конец периода;
• New_customers — привлечённых за период (новичок не считается удержанным).

Logo Churn Rate #

Logo Churn = Lost_customers / Customers_start × 100%

Пример (B2B SaaS, месяц). На 1 сентября у сервиса 200 клиентов; за месяц пришло 18 новых, ушло 16. На 30 сентября — 202 клиента.

• CRR = (202 − 18) / 200 = 92%;
• Logo Churn = 16 / 200 = 8%.

Без реактиваций и возвратов CRR и logo churn в сумме дают 100%: это одна и та же информация, прочитанная с разных сторон. Расходятся они, когда ушедшие возвращаются или клиент «засыпает» и просыпается в одном периоде.

Revenue Churn: gross и net #

Для подписочных моделей отток денег информативнее оттока логотипов, потому что клиенты неравны по деньгам.

Gross Revenue Churn = Churned_MRR / MRR_start × 100%
Net Revenue Churn   = (Churned_MRR − Expansion_MRR) / MRR_start × 100%
NRR (Net Revenue Retention) = (MRR_start − Churned_MRR + Expansion_MRR) / MRR_start × 100%

• Churned_MRR — потерянная выручка: отмены плюс даунгрейды плюс сокращение мест;
• Expansion_MRR — рост выручки от оставшихся: тариф выше, больше мест, допродажи.

Пример. MRR на начало месяца — 1 000 000 ₽. За месяц потеряно 60 000 ₽ (отток и даунгрейды), экспансия дала +90 000 ₽.

• Gross Revenue Churn = 60 000 / 1 000 000 = 6%;
• Net Revenue Churn = (60 000 − 90 000) / 1 000 000 = −3% (отрицательный — база выросла);
• NRR = (1 000 000 − 60 000 + 90 000) / 1 000 000 = 103%.

NRR выше 100% называют золотым стандартом SaaS: компания растёт на существующих клиентах, даже не привлекая новых. Обратная сторона: NRR может маскировать logo churn (см. «Минусы и риски метрики»).

Примеры для других моделей #

E-commerce. Подписки нет, поэтому удержание измеряют повторными покупками: доля покупателей когорты, совершивших следующий заказ в окне (60/90/180 дней). Пример: из 1 000 покупателей января в течение 90 дней повторно купили 190 → 90-дневный repeat rate = 19%. Дополнительно отслеживают частоту покупок и время до второго заказа.

Mobile-приложение. Удержание считают по дням с установки: D1, D7, D30 — доля установок, чьи владельцы вернулись на 1-й, 7-й, 30-й день. Пример: 10 000 установок, на первый день активны 2 500 (D1 = 25%), на седьмой — 1 100 (D7 = 11%), на тридцатый — 600 (D30 = 6%).

Определите «активность» до расчёта #

Число retention зависит от того, что считать «активностью»: открыл приложение, совершил ключевое действие, купил, открыл рабочий файл в B2B-инструменте. Слабые определения (открытие по push) завышают удержание, слишком строгие (покупка) — занижают. Корректная метрика привязана к ключевому действию ценности, тому же, что обычно питает NSM. В B2B дополнительно различают удержание пользователей и удержание аккаунтов: команда может быть активна, пока компания оплатила только один лицензионный слот.

Месячный и годовой churn #

Отток накапливается нелинейно, поэтому месячную ставку нельзя умножать на двенадцать. Перевод между горизонтами:

Годовой churn = (1 − (1 − месячный churn)^12) × 100%

Пример: 1% в месяц — это не 12%, а около 11,4% в год; 3% в месяц — почти 30,6% в год; 5% в месяц — примерно 46% в год, то есть почти половина базы за двенадцать месяцев. Нелинейность приводит к классической ошибке чтения отчётов: «всего 3% в месяц» звучит терпимо, пока не переведёшь в годовую перспективу и не увидишь треть потерянной базы.

Типичные ошибки расчёта #

• Новые пользователи в знаменателе CRR. Если не вычесть привлечённых за период, CRR измеряет рост, а не удержание: показатель «удержания» растёт на маркетинговом бюджете.
• Реактивации как удержание. Вернувшийся после перерыва клиент — не то же самое, что непрерывно активный. Реактивации честнее учитывать отдельной строкой: они показывают работу win-back-кампаний, а не здоровье ядра.
• Средний retention по базе. Смешение когорт разного возраста искажает метрику в обе стороны (разобрано в разделе «Когортный анализ»).
• Сравнение разных типов retention. N-day и range на одном продукте дают разные числа; сравнивать свой range-ретеншен с чужим N-day — бессмысленное упражнение.
• Окно анализа короче естественного цикла. Продукт с месячным циклом использования, измеренный по D7, покажет ложно катастрофическое удержание (см. «Типы Retention»).
• Опора только на биллинг. «Не отменил подписку» не равно «получает ценность»: спящие аккаунты и годовые планы маскируют фактический отток.

Кривая удержания #

Кривая удержания (retention curve) — график, где по горизонтальной оси отложено время с момента привлечения (дни или недели для B2C, месяцы для B2B), а по вертикальной — доля когорты, всё ещё активная к этому моменту. Это главный артефакт анализа удержания: одна кривая сообщает больше, чем любая точечная метрика, потому что показывает динамику, а не срез.

N-day и Range на кривой #

Форма кривой зависит от способа измерения:

• N-day retention — пользователь активен ровно в день N. Кривая получается «зубчатой»: пик в день рассылки или выходные проваливает отдельные точки.
• Range retention — пользователь активен хотя бы раз в интервале (например, в течение недели N). Кривая получается монотонной: диапазон сглаживает колебания частоты.

Для анализа формы используют range-кривые; N-day-точки (D1, D7, D30) удобны как компактные ориентиры для дашбордов и бенчмарков.

Три формы кривой #

• Спад к нулю (decay). Кривая не выравнивается и стремится к нулевой оси: продукт пробуют и бросают. Какой бы ни был трафик, накопленной аудитории не возникает — классическое «дырявое ведро». Это сигнал отсутствия product-market fit: рынок не находит в продукте ценности, за которую стоит возвращаться.

Спад к нулю — PMF нет:

100% │●
     │ ╲
 40% │  ●
     │   ╲
 20% │    ●●
     │      ╲╲
 10% │        ●●
   0%└──────────╲────→ время

• Плато (plateau). Кривая сначала падает, потом выходит на горизонталь: ядро пользователей остаётся навсегда. Уровень плато называют естественным удержанием (natural retention). Плато — самый надёжный количественный сигнал Product-Market Fit: продукт встроился в рутину части аудитории, и эта часть не тает.

Плато — устойчивое ядро:

100% │●
     │ ╲
 40% │  ╲
 30% │   ●________________________
     │
   0%└───────────────────────────→ время

• «Улыбка» (smile). Кривая падает, а затем приподнимается: пользователи возвращаются с задержкой. Характерно для сезонных и событийных продуктов — налоговые отчёты, бронирование путешествий, годовое планирование. На коротком горизонте такая кривая выглядит как спад к нулю, поэтому горизонт измерения обязан соответствовать естественному циклу использования.

«Улыбка» — сезонное возвращение:

100% │●
     │ ╲
 40% │  ╲
 20% │   ╲___          ___╱╱
     │       ╲________╱
   0%└────────────────────→ время
              сезон

Форма важнее числа #

При чтении кривой форма важнее конкретного значения: 30% на плато говорят сильнее, чем 60% в точке падающей кривой, — первое означает устойчивое ядро, второе — красивый срез распадающейся базы. Практика анализа — сравнение кривых соседних когорт: если каждая следующая когорта ложится выше предыдущей, продукт улучшается; если ниже — несмотря на рост аудитории, здоровье продукта падает. Точечный retention-процент, вырванный из формы кривой, — самый распространённый способ обмануться собственной метрикой.

Когортный анализ #

Когортный анализ — способ считать retention честно. Когорта — группа пользователей, привлечённых в один период (неделя или месяц регистрации, первая покупка, запуск кампании). Удержание всегда считается внутри когорты и сравнивается между когортами на одном и том же «возрасте» (неделе жизни, месяце жизни).

Почему средний retention лжёт #

Агрегированная метрика по всей базе смешивает когорты разного возраста и размера — и систематически искажает картину в обе стороны:

• Эффект «дырявого ведра». Общая активность (например, WAU) может годами стоять на месте, пока каждая отдельная когорта распадается: отток просто маскируется притоком новичков. При остановке маркетинга такая аудитория обнуляется за несколько месяцев.
• Эффект быстрого роста. Обратная ловушка: при взрывном притоке новых пользователей среднее удержание по базе падает, даже если каждая следующая когорта удерживается лучше предыдущей, — свежие, ещё «несозревшие» когорты перевешивают старые.

Числовая иллюстрация первого эффекта. Продукт еженедельно привлекает 1 000 новых пользователей; каждая когорта теряет 40% в первую неделю, ещё 20% во вторую и далее держит плато 40%:

Неделя   Новые   Активные (агрегат)
W1       1000    1000
W2       1000    1600    (600 из W1 + 1000 новых)
W3       1000    2000    (400 + 600 + 1000)
W4       1000    2400    (400 + 400 + 600 + 1000)
...
W∞       1000    2400    — агрегат стабилен

По агрегированному отчёту аудитория растёт и «выход на плато» выглядит здоровым — при этом каждая когорта теряет 60% за две недели, а остановка привлечения на неделю обрушивает «растущую» базу почти на половину. Именно эту иллюзию разрушает когортный разрез.

Различить эти сценарии можно только одним способом: разбить базу на когорты и посмотреть, что происходит с каждой из них по отдельности.

Пример когортной таблицы #

Пять недельных когорт, retention по неделям жизни (доля активных от размера когорты на старте):

Когорта      W0     W1     W2     W3     W4
нед. 1      100%   38%    27%    24%    23%
нед. 2      100%   41%    30%    27%     —
нед. 3      100%   45%    34%     —      —
нед. 4      100%   49%     —      —      —
нед. 5      100%    —      —      —      —

Чтение таблицы:

• По горизонтали (жизнь когорты). Самое крутое падение — между W0 и W1: пользователи, не получившие ценность, уходят сразу. К W3–W4 спад замедляется — кривая выходит к плато около 23%.
• По вертикали (сравнение когорт). W1-удержание растёт от когорты к когорте: 38% → 41% → 45% → 49%. Продуктовые изменения (онбординг, производительность, качество) работают: новые пользователи удерживаются лучше предшественников.
• Треугольная форма. Правый нижний угол пуст не потому, что данные потеряны, а потому, что события ещё не произошли: у пятой когорты не наступила W1. Сравнивать когорты можно только на «созревших» пересечениях — нельзя ставить в один ряд W1 молодой когорты и W4 старой.

Когортная таблица отвечает на вопрос «где и когда теряем»; вопрос «почему теряем» требует качественных методов — интервью с ушедшими и win/loss-анализа (см. ниже).

Типы Retention #

Три канонических способа определения «вернулся» (классификация Брайана Бальфура) привязаны к естественной частоте использования продукта. Выбор типа — не техническая деталь, а решение, определяющее число: один и тот же продукт на N-day и Range даст отличающиеся в разы показатели.

N-Day Retention (классический) #

Пользователь активен ровно в N-й день (неделю, месяц) после привлечения. Строг и нагляден, но жёсток к продуктам с нерегулярным циклом: пользователь, зашедший на 6-й и 8-й день, в D7-ретеншене не увиден. Подходит для продуктов с повседневной привычной частотой — мессенджеры, игры, социальные сети.

Range/Bracket Retention (удержание диапазоном) #

Пользователь активен хотя бы один раз внутри окна: «с 8-го по 14-й день», «в течение первого месяца». Окно гасит колебания частоты и честнее отражает удержание продуктов с неровным циклом: такси (поездки раз в пару недель), e-commerce, B2B-инструменты отчётности. Плата — скрытая инерция: широкий диапазон сам по себе повышает число, поэтому сравнивать range-ретеншен с чужим N-day бессмысленно.

Calendar Retention (календарный) #

Активность измеряется по календарным периодам независимо от даты регистрации: «какая доля клиентов, плативших в январе, платила и в феврале». Стандарт для B2B SaaS и подписок: месяц — естественный цикл биллинга, а «возраст» клиента вторичен. Удобен для расчёта CRR и churn по месяцам, но смешивает когорты разного возраста — внутри календарной метрики прячется когортный анализ.

Сводная таблица #

Естественная частота использования #

Правило выбора одно: окно измерения должно соответствовать естественному циклу использования. Продукт, к которому принято обращаться раз в месяц, нельзя судить по D7; продукт ежедневного спроса, измеряемый скользящим кварталом, скроет момент отвала. Типовая привязка (по Бальфуру):

Практический тест естественной частоты: как часто пользователь решает задачу продукта «в старом мире», без продукта. Если задачу решают раз в квартал, требовать еженедельного возврата — значит мерить удержание против физики поведения. Связь удержания с активными аудиториями (DAU/WAU/MAU) и Sticky Factor — тема отдельной статьи (готовится).

Причины оттока и как с ним работать #

Churn — симптом; лечение зависит от диагноза. Пять основных классов причин покрывают большую часть оттока.

Пять классов причин #

• Продуктовый churn. Пользователь не получил ценности: продукт не закрывает его задачу, ценность достижима слишком долго, «задание», на которое продукт «нанимали», не выполнено. Главный и самый массовый класс; диагностируется по обрыву активности сразу после первого использования.
• Технический churn. Ценность есть, но опыт её получения ломается: баги, медленная загрузка, недоступность, неудобный интерфейс на устройстве пользователя. Отличается локализуемостью: когорты на затронутых платформах или сценариях распадаются точечно.
• Ценовой churn. Цена перестаёт согласовываться с ценностью: пересмотр тарифов, падение ценности при сокращении использования, «не потянул» на этапе продления. Часть случаев — не ошибка продукта, а отсев сегмента, которому продукт не по карману.
• Конкурентный churn. Ушли к альтернативе: дешевле, быстрее, функциональнее или просто привычнее. Сигнализирует не о поддержке, а об отставании ценностного предложения.
• Экономический churn. Внешние обстоятельства клиента: у компании срезали бюджет, бизнес закрылся, у потребителя изменились жизненные обстоятельства. От продукта почти не зависит, но чувствителен к макроциклам и структуре клиентской базы.

Отдельно стоит involuntary churn — уход по техническим причинам биллинга (не прошла оплата). Это самый «дешёвый» для устранения отток: dunning-последовательности писем, автоматические обновления карт и повторные попытки списания возвращают заметную часть «потерянных» клиентов без единого продуктового изменения.

Инструменты работы с оттоком #

• Exit-interview (выходное интервью). Короткий опрос в момент отмены: причина ухода одним вопросом с вариантами и полем для комментария. Даёт массовую статистику причин; главный источник — момент, когда мотив ещё свеж.
• Win/loss-анализ. Качественные интервью с двумя группами: продлившими и отказавшимися. Разница их ответов локализует ценность и её дефицит точнее, чем любой опрос. Метод опирается на практику Customer Development (статья готовится).
• Когортный анализ. Количественная локализация: какие когорты, сегменты, платформы и шаги онбординга теряют больше. Отвечает «где», подставляя адресатов для качественного «почему».
• Save offers (спецпредложения удержания). Таргетированные предложения в момент отмены: пауза подписки вместо расторжения, скидка, смена тарифа. Работают как скорая помощь, но не устраняют причину; злоупотребление обучает базу «угрожать уходом».
• Улучшение онбординга. Профилактика вместо лечения: значительная часть оттока закладывается в первые минуты, когда пользователь не дошёл до ценности. Это территория активации — второй ступени AARRR.

Карта «признак → причина → инструмент» #

Первичный диагноз ставится по данным о характере отвала, после чего уточняется качественными методами:

Хороший и плохой churn #

Отток сам по себе не приговор: «хороший» churn — отсев нецелевых клиентов, которым продукт не мог помочь (привлечены неточным позиционированием, переросли или недоросли до продукта), — освобождает ресурсы и очищает базу. «Плохой» churn — уход целевых клиентов, ради которых продукт создан. Различить их можно только сегментируя отток по соответствию идеальному профилю клиента; агрегированная ставка churn смешивает оба потока и потому в отрыве от сегментов малоинформативна.

Целевые значения Retention/Churn #

Бенчмарки полезны как ориентир, но не как норма: значения зависят от сегмента, цены, цикла продажи и определения активности. Сравнивать продукт честнее всего с собственными прошлыми когортами.

Пояснения:

• B2B SaaS. Месячный churn 1% означает годовые потери около 11–12% базы: накопительный эффект оттока недооценивают чаще всего — 3% в месяц — это почти треть клиентов за год.
• Consumer mobile. Средние D1/D7/D30 по индустрии — примерно 25%/11%/6%; устойчивые 15% на D30 ставят продукт в верхнюю часть рынка. Пороги сильно зависят от категории (игры удерживают хуже утилит).
• NRR > 100% означает: даже без новых логотипов выручка базы растёт за счёт экспансии. Именно этот режим позволяет SaaS-компаниям переживать провалы притока новых клиентов.
• Связка с юнит-экономикой. Retention определяет LTV, а LTV соотносится со стоимостью привлечения: при LTV/CAC больше 3 экономика привлечения сходится (подробный разбор — в статье «Юнит-экономика: LTV, CAC, ROMI»). Низкое удержание не лечится дешёвым трафиком: оно делает любой CAC убыточным.

Плюсы сильного Retention #

• Удерживать дешевле, чем привлекать. По классическим оценкам (Bain, HBR), привлечение нового клиента стоит в 5–25 раз дороже удержания существующего, а повышение удержания всего на 5% даёт прирост прибыли от 25% до 95% (Райхельд, The Loyalty Effect): старые клиенты покупают больше и обходятся без расходов на конверсию.
• Compound growth. Удержание превращает рост в накопительный процесс: каждый привлечённый пользователь остаётся в базе и добавляется к следующему периоду. Слабое удержание съедает процент роста: 10% притока при 10% оттока дают нулевой чистый результат (1,10 × 0,90 = 0,99) — база даже медленно тает.
• LTV растёт. Продолжительность жизни клиента обратно пропорциональна churn, поэтому даже небольшое улучшение удержания кратно удлиняет горизонт монетизации и поднимает LTV — а с ним и допустимый CAC.
• Основа Referral. Рекомендуют только те, кто остался: устойчивое ядро пользователей — источник органического роста, который невозможно купить рекламой (этап Referral в AARRR).
• Инвестиционная привлекательность. NRR выше 100% и выходящие на плато когорты — первое, на что смотрят в метрическом due diligence: они показывают, что рост воспроизводим и не зависит от одного маркетингового канала.
• Обратная связь для продукта. Удержавшиеся пользователи дают данные и комментарии, на которых строится следующая итерация продукта: без ядра продуктовая команда слепа.

Минусы и риски метрики #

• Маскировка churn годовыми планами. Годовая предоплата прячет недовольство до момента продления: отток, случившийся в феврале, проявится в отчётах только в декабре. По этой же причине искажают картину продлённые триалы и «спящие» аккаунты без отмены. Лечение — считать удержание по продуктовому использованию, а не только по биллингу.
• Logo churn против revenue churn. NRR выше 100% может скрывать системный уход мелких клиентов, компенсируемый экспансией крупных: выручка растёт, а «дырявость» продукта для малого сегмента не видна. Зрелые команды смотрят обе метрики обязательно.
• Метрика не отвечает «почему уходят». Retention и churn — диагностические показатели: они фиксируют факт и момент отвала, но не причину. Без качественного слоя (exit-interview, win/loss) команды начинают «лечить» отток вслепую — скидками вместо ценности.
• Чувствительность к определению. Значение зависит от выбора типа retention (N-day против range), окна и определения активности: два отчёта об «одном» продукте могут расходиться в разы. Внешние бенчмарки без сверки методики сравнивать бессмысленно.
• Риск «удержания любой ценой». Таргет на retention стимулирует тёмные паттерны: усложнённую отмену, save offers по умолчанию, удержание скидками. Удержанный против воли клиент не возвращается и не рекомендует — падает LTV и Referral при формально красивом churn.
• Хороший churn не отличить от плохого без сегментации. Агрегированная ставка растёт и при оздоровлении базы (отсев нецелевых), и при потере ядра: одна и та же цифра означает противоположные диагнозы.

Связанные материалы #

• Product-Market Fit — плато кривой удержания как главный поведенческий сигнал PMF.
• North Star Metric — ведущая метрика ценности, которая чаще всего живёт в зоне удержания.
• AARRR (Pirate Metrics) — Retention как третья ступень воронки роста и фундамент Referral.
• Введение в управление продуктом — общая картина, в которую встраивается метрический слой.
• Юнит-экономика: LTV, CAC, ROMI (#10) — LTV как финансовая проекция удержания; окупаемость привлечения.
• DAU/MAU и Sticky Factor — статья готовится (#12).
• Воронки и конверсии (#13) — поэтапный путь пользователя: где теряются те, кто мог бы удержаться.
• Customer Development и win/loss-анализ — статья готовится (#18).

Первоисточники #

• Reichheld F. (1996). The Loyalty Effect. — экономика лояльности: влияние удержания на прибыль.
• Skok D. (2014). Startup Metrics: Doing Customer Math (For Entrepreneurs). — удержание как королевская метрика стартапа; логотипный и доходный отток.
• Balfour B. Essays on Retention (Reforge). — типы удержания (N-Day, Range, Calendar), кривые и их интерпретация.
• Ellis S., Brown M. (2017). Hacking Growth: How Today’s Fastest-Growing Companies Drive Breakout Success. — место удержания в ростовых циклах.
• Zapolsky E. The SaaS Retention Handbook (ProfitWell). — бенчмарки удержания и оттока для SaaS; involuntary churn.