Открыть сервисСервис

Retention — удержание пользователей

Retention (от англ. retention — удержание) — показатель, отражающий долю пользователей, которые продолжают пользоваться продуктом или услугой спустя определённое время после первого взаимодействия. В маркетинге, аналитике и управлении продуктом retention измеряет лояльность аудитории и эффективность удержания клиентов, дополняя показатели привлечения (acquisition) и монетизации.

Определение и суть

Retention отвечает на вопрос: сколько пользователей, пришедших в продукт в определённый период, вернулись к нему позже. Низкий retention означает, что аудитория «утекает» — люди пробуют продукт и уходят, высокий — что ценность продукта удерживает их. Показатель особенно важен в цифровых бизнесах: мобильных приложениях, SaaS-сервисах, подписочных моделях, онлайн-играх и e-commerce.

Retention тесно связан с метрикой churn (отток): чем выше отток, тем ниже удержание. Обе метрики считаются зеркальными и обычно анализируются вместе.

Основные типы retention

Retention принято разделять по способу расчёта:

ТипСуть расчёта
N-day retentionДоля пользователей, вернувшихся в продукт в конкретный день (например, D1, D7, D30)
Rolling retentionДоля пользователей, вернувшихся в любой день после N-го дня
Unbounded retentionДоля пользователей, вернувшихся в любой момент после первого визита
Bracket retentionДоля пользователей, вернувшихся в заданный интервал (например, между 4-м и 7-м днём)

Наиболее распространён в практике N-day retention, особенно D1 (возврат на следующий день), D7 и D30. В мобильной аналитике D1 retention выше 40 % считается хорошим результатом, D7 — около 20 %, D30 — около 10 %, хотя ориентиры сильно различаются по вертикалям.

Формула расчёта

Базовая формула N-day retention:

Retention (Dn) = (Пользователи, вернувшиеся в день N) / (Пользователи, пришедшие в день N-0) × 100 %

Пример: если 1000 человек установили приложение 1 января, а 30 января к нему вернулись 150 из них, D30 retention составляет 15 %.

Для rolling retention формула меняется: в числитель попадают все пользователи, вернувшиеся в любой день после N-го.

Когортный анализ

Retention почти всегда анализируется в разрезе когорт — групп пользователей, объединённых общим признаком (датой первого взаимодействия, каналом привлечения, страной, тарифом). Когортный анализ позволяет увидеть динамику удержания во времени и оценить, как меняется поведение новых пользователей относительно старых.

Типичный график retention по когортам имеет вид «падающей кривой»: резкое снижение в первые дни, затем постепенное выравнивание. Если кривая «выходит на плато» — часть аудитории закрепилась в продукте. Если продолжает падать до нуля — продукт не удерживает пользователей.

Факторы, влияющие на retention

На удержание пользователей влияет множество факторов:

Retention в разных отраслях

  • Мобильные приложения и игры: ключевая метрика монетизации — чем дольше пользователь остаётся, тем выше его Lifetime Value (LTV).
  • SaaS и B2B: retention часто измеряется через продление подписок и расширение выручки (net revenue retention).
  • E-commerce: возвратные покупки, частота заказов, доля повторных клиентов.
  • Медиа и контент-сервисы: ежедневная и ежемесячная активность аудитории (DAU/MAU).

Retention и LTV

Retention напрямую влияет на Lifetime Value — совокупную выручку от пользователя за всё время взаимодействия с продуктом. Модель LTV часто строится на основе retention-кривой: чем выше удержание, тем больше циклов монетизации доступно бизнесу. В маркетинге это создаёт связку CAC (стоимость привлечения) → Retention → LTV, где удержание выступает ключевым фактором окупаемости привлечения.

Методы повышения retention

Практика выработала набор стандартных подходов: улучшение онбординга, персонализированные рекомендации, push-уведомления и email-реактивация, программы лояльности, регулярное обновление контента, работа с отзывами и поддержкой, A/B-тестирование сценариев возврата. В зрелых продуктовых командах retention считается общей метрикой, за которую отвечают маркетинг, продукт и поддержка одновременно.

Источники:

  • Амин А., Фаррелл С. «Lean Analytics»
  • Мэйерс Д. «Product-Led Growth»
  • Материалы App Annie / data.ai по мобильной аналитике
  • Статьи и отчёты компании Amplitude по продуктовой аналитике
  • Материалы конференции ProductLab и статей на Habr о retention-аналитике
Заметили ошибку или не согласны с информацией в статье? Напишите нам support@bfometr.ru