Продуктовая аналитика: полное руководство

Что такое продуктовая аналитика

Продуктовая аналитика — это практика сбора, анализа и интерпретации данных о том, как пользователи взаимодействуют с цифровым продуктом. Её цель — помочь команде принимать решения на основе фактов, а не интуиции.

Звучит абстрактно, поэтому вот конкретный пример. У вас мобильное приложение для заказа еды. Вы видите, что выручка за март упала на 12%. Что делать? Без продуктовой аналитики — гадать. С ней — декомпозировать метрику, найти, на каком этапе воронки провал, в какой когорте пользователей, в каком регионе. И уже потом принимать решение.

Продуктовая аналитика отвечает на три главных вопроса:

• Что происходит? Метрики, дашборды, мониторинг. DAU падает или растёт? Конверсия в покупку выше или ниже целевой?
• Почему это происходит? Сегментация, когорты, декомпозиция. Падение DAU — это проблема привлечения или удержания? Какая когорта показала аномалию?
• Что с этим делать? Гипотезы, A/B-тесты, приоритизация. Если проблема в онбординге — запускаем эксперимент с новым флоу и замеряем результат.

Продуктовая аналитика нужна не только крупным компаниям. Стартап из трёх человек, который следит за retention и конверсией воронки, принимает решения лучше, чем корпорация, которая смотрит только на выручку в конце квартала. Дело не в масштабе, а в культуре принятия решений на основе данных.

Чем отличается от бизнес-аналитики и маркетинговой аналитики

Границы размыты, но фокус разный:

Бизнес-аналитика смотрит на финансовые показатели компании в целом: выручка, маржа, операционные расходы, P&L. Горизонт — кварталы и годы. Аудитория — топ-менеджмент и финансовый отдел.

Маркетинговая аналитика фокусируется на привлечении: каналы, CTR, CPC, атрибуция, ROAS. Основной вопрос — откуда приходят пользователи и сколько это стоит.

Продуктовая аналитика — это то, что происходит после привлечения. Как пользователь активируется, как использует продукт, что заставляет его вернуться, что приводит к оплате, а что — к оттоку. Горизонт — от сессии до lifetime. Аудитория — продуктовая команда: менеджеры, дизайнеры, разработчики.

Ключевые метрики

Метрик десятки, но есть набор, который должен знать каждый продуктовый аналитик. Разберём основные.

DAU, WAU, MAU

DAU (Daily Active Users) — количество уникальных пользователей, которые совершили целевое действие за день. WAU — за неделю. MAU — за месяц.

Что считать «активностью» — зависит от продукта. Для мессенджера это отправка сообщения. Для маркетплейса — просмотр каталога или покупка. Для SaaS — вход в систему или использование ключевой фичи. Определение активности — первое, что нужно зафиксировать при настройке аналитики. Если считать активным каждого, кто открыл приложение на секунду, DAU будет завышен и бесполезен.

Stickiness — отношение DAU к MAU. Показывает, насколько «липкий» продукт, то есть какая доля месячной аудитории заходит каждый день.

Stickiness = DAU / MAU

У Facebook stickiness исторически около 60% — больше половины месячной аудитории заходит каждый день. У типичного B2B SaaS — 10–20%. Если ваш stickiness ниже 10%, пользователи приходят, но не возвращаются регулярно.

Retention

Retention — доля пользователей, которые вернулись в продукт через определённое время. Это, пожалуй, самая важная метрика продуктовой аналитики.

• D1 retention — вернулись на следующий день
• D7 retention — вернулись через неделю
• D30 retention — вернулись через месяц
• Rolling retention — вернулись на N-й день или позже

Retention считают по когортам: берут группу пользователей, зарегистрировавшихся в один период, и смотрят, какая доля из них активна через N дней.

Retention D1 = Пользователи, активные на 1-й день / Все пользователи когорты × 100%

Если D1 retention вашего приложения — 40%, значит, 60% пользователей уходят навсегда после первого дня. Это сигнал, что с онбордингом или первым опытом что-то не так.

Бенчмарки сильно зависят от категории продукта. Для мобильных игр D1 retention 30–40% считается хорошим. Для SaaS-продуктов monthly retention 90%+ — норма, потому что пользователи платят и имеют высокий switching cost. Сравнивайте свой retention с продуктами из своей категории, а не с абстрактными числами из статей.

Подробнее о расчёте retention и работе с когортами: retention и когорты.

Конверсия и воронки

Конверсия — доля пользователей, которые перешли из одного этапа в следующий. Воронка — последовательность таких этапов.

Пример воронки e-commerce:

1. Зашёл на сайт — 100 000 пользователей
2. Посмотрел карточку товара — 40 000 (40%)
3. Добавил в корзину — 8 000 (20% от предыдущего шага)
4. Оформил заказ — 3 200 (40%)
5. Оплатил — 2 800 (87,5%)

Общая конверсия = 2 800 / 100 000 = 2,8%

Воронка показывает, где именно «протекает» — на каком шаге теряется больше всего пользователей. В примере выше самое узкое место — переход от карточки товара к корзине (20%). Это приоритет для оптимизации.

Подробнее: воронки конверсии.

LTV и CAC

LTV (Lifetime Value) — суммарная выручка, которую приносит один пользователь за всё время использования продукта.

Упрощённая формула:

LTV = ARPU × Среднее время жизни пользователя

Или через retention:

LTV = ARPU / Churn Rate

CAC (Customer Acquisition Cost) — стоимость привлечения одного платящего клиента.

CAC = Расходы на привлечение / Количество привлечённых клиентов

LTV/CAC ratio — ключевой показатель здоровья бизнеса. Если LTV/CAC < 1, вы тратите на привлечение больше, чем зарабатываете. Ориентир для устойчивого бизнеса: LTV/CAC ≥ 3.

Важно: LTV/CAC ratio — это не абсолютная истина. Бизнес с LTV/CAC = 5, но payback period в 24 месяца может умереть раньше, чем окупится. Всегда смотрите LTV/CAC вместе с payback period и cash flow.

Подробнее о расчёте и подводных камнях: LTV и CAC.

ARPU и ARPPU

ARPU (Average Revenue Per User) — средняя выручка на одного пользователя (включая неплатящих).

ARPU = Выручка за период / Количество активных пользователей за период

ARPPU (Average Revenue Per Paying User) — средняя выручка на одного платящего пользователя.

ARPPU = Выручка за период / Количество платящих пользователей за период

Связь между ними:

ARPU = ARPPU × Доля платящих пользователей

Если ARPU растёт, важно понять за счёт чего: растёт доля платящих (конверсия в платёж) или средний чек (ARPPU). Это разные проблемы с разными решениями.

Churn

Churn Rate (коэффициент оттока) — доля пользователей, которые перестали пользоваться продуктом за определённый период.

Churn Rate = Ушедшие пользователи за период / Активные пользователи на начало периода × 100%

Churn и retention — две стороны одной монеты:

Churn Rate = 1 − Retention Rate

Для подписочных продуктов monthly churn 5% звучит невинно, но за год это 1 − (1 − 0,05)¹² ≈ 46% оттока. Больше чем каждый второй пользователь уйдёт. Именно поэтому даже небольшое снижение churn даёт огромный кумулятивный эффект.

Важно различать user churn (отток пользователей) и revenue churn (отток выручки). Они могут расходиться: если уходят низкоплатящие клиенты, user churn растёт, а revenue churn может оставаться стабильным. Обратная ситуация ещё опаснее — уход нескольких крупных клиентов может не изменить user churn, но обрушить выручку.

Фреймворки

Метрики без структуры — это хаос из чисел. Фреймворки помогают организовать метрики в систему и понять, на чём фокусироваться.

AARRR (Pirate Metrics)

AARRR — фреймворк Дейва МакКлюра, который описывает жизненный цикл пользователя через пять этапов:

Acquisition (привлечение) — как пользователи узнают о продукте. Метрики: количество новых пользователей, источники трафика, CAC по каналам.

Activation (активация) — первый положительный опыт. Метрики: конверсия регистрации, прохождение онбординга, совершение ключевого действия (aha-moment). Например, для Dropbox активация — загрузка первого файла.

Retention (удержание) — возвращаются ли пользователи. Метрики: D1, D7, D30 retention, DAU/MAU.

Revenue (монетизация) — платят ли пользователи. Метрики: конверсия в платёж, ARPU, ARPPU, LTV.

Referral (виральность) — рекомендуют ли продукт другим. Метрики: viral coefficient (k-factor), NPS, доля органических регистраций.

Сила AARRR в том, что он заставляет думать о продукте как о воронке: нет смысла лить трафик (Acquisition), если пользователи не активируются. Нет смысла оптимизировать монетизацию, если retention близок к нулю.

На практике команды используют AARRR для приоритизации. Если у продукта хороший retention, но низкая активация — фокусируйтесь на онбординге. Если активация высокая, но пользователи не платят — работайте над моделью монетизации. Фреймворк помогает не распыляться на всё сразу.

North Star Metric

North Star Metric (NSM) — единственная метрика, которая лучше всего отражает ценность, которую продукт даёт пользователям. Вся команда ориентируется на неё при принятии решений.

Критерии хорошей NSM:

• Отражает ценность для пользователя (а не только для бизнеса)
• Коррелирует с долгосрочным ростом выручки
• Команда может на неё влиять
• Понятна всем — от разработчика до CEO

Примеры NSM для разных продуктов:

• Spotify: время прослушивания музыки в месяц
• Airbnb: количество забронированных ночей
• Slack: количество сообщений, отправленных в команде
• Facebook: количество пользователей с 7+ друзьями за первые 10 дней (историческая)

NSM — это не единственная метрика, за которой вы следите. Это метрика-компас. Рядом с ней живут input-метрики: показатели, которые на неё влияют. Например, если NSM — «количество забронированных ночей», то input-метрики — количество объявлений, конверсия поиска в бронирование, средняя длительность бронирования.

Подробнее: North Star метрика.

Когортный анализ

Когортный анализ — метод, при котором пользователей делят на группы (когорты) по общему признаку и отслеживают поведение каждой группы во времени.

Зачем нужны когорты:

• Отделить эффект продукта от эффекта привлечения. Средний retention может расти просто потому, что изменился микс каналов. Когорты покажут, улучшился ли продукт на самом деле.
• Найти точку деградации. Если когорта марта сильно хуже когорты февраля — ищите, что изменилось.
• Оценить LTV. Когорты показывают, как накапливается выручка с группы пользователей по мере их жизни в продукте.

Типичная когортная таблица — это матрица, где строки — когорты (месяц регистрации), столбцы — периоды (M0, M1, M2...), а значения — процент retention или кумулятивная выручка.

Помимо acquisition-когорт (по дате регистрации), существуют поведенческие когорты — группы по совершённому действию. Например: «прошли онбординг» vs «не прошли», «пришли из рекламы» vs «пришли из органики». Поведенческие когорты помогают найти aha-moment — действие, после которого пользователь с высокой вероятностью остаётся надолго.

Когортный анализ — один из самых частых вопросов на собеседованиях аналитиков. Подробный разбор с SQL-запросами: когортный анализ.

Unit-экономика

Unit-экономика — это анализ доходов и расходов на уровне одной «единицы» (пользователя, заказа, подписки). Она отвечает на главный вопрос: зарабатываем ли мы на каждом клиенте или теряем?

Базовые компоненты

CAC (Customer Acquisition Cost) — стоимость привлечения одного клиента. Включает все расходы на маркетинг и продажи, разделённые на количество привлечённых клиентов.

LTV (Lifetime Value) — сколько денег принесёт клиент за всё время. Существует множество способов расчёта, от простых до предиктивных моделей.

Payback Period — время, за которое выручка от клиента покрывает CAC. Для подписочных продуктов:

Payback Period = CAC / (ARPU × Gross Margin)

Если payback period — 6 месяцев, а средний срок жизни клиента — 4 месяца, бизнес теряет деньги на каждом клиенте.

Contribution Margin — маржинальный доход на единицу. Выручка от клиента минус переменные расходы (стоимость обслуживания, процессинг платежей, стоимость серверов).

Когда unit-экономика работает

Unit-экономика особенно полезна:

• На ранних стадиях стартапа — чтобы понять, сходится ли модель
• При масштабировании — чтобы понять, не растёт ли CAC быстрее LTV
• При оценке каналов привлечения — unit-экономика по каждому каналу отдельно

Когда unit-экономика может вводить в заблуждение:

• Продукт ещё не достиг product-market fit — считать LTV рано, пользователи уходят по причинам, не связанным с экономикой
• Сильная сезонность — средние значения врут
• Разные сегменты клиентов с принципиально разной юнит-экономикой — считать «среднее» бессмысленно, нужна сегментация

Пример расчёта

Допустим, вы запускаете подписочный сервис. Подписка стоит 500 руб./месяц. Средний пользователь живёт 8 месяцев. Gross margin — 70%.

LTV = 500 × 8 × 0,7 = 2 800 руб.

Вы тратите на рекламу 200 000 руб./месяц и привлекаете 100 клиентов.

CAC = 200 000 / 100 = 2 000 руб.

LTV/CAC = 2 800 / 2 000 = 1,4

Payback Period = 2 000 / (500 × 0,7) = 5,7 месяца

Модель формально сходится (LTV > CAC), но LTV/CAC всего 1,4 — это ниже ориентира в 3. И payback period почти 6 месяцев при среднем сроке жизни 8 месяцев — запас слишком мал. Нужно либо снижать CAC, либо увеличивать retention, либо поднимать цену.

Подробнее: unit-экономика.

Инструменты

Продуктовая аналитика — это не только знание метрик. Нужно уметь собирать данные, визуализировать их и делать выводы. Вот основные категории инструментов.

Продуктовые аналитические платформы

Amplitude — лидер рынка для продуктовой аналитики. Воронки, когорты, retention-кривые, сегментация — всё из коробки. Бесплатный план до 10 млн событий/месяц.

Mixpanel — основной конкурент Amplitude. Похожий функционал, сильная сторона — гибкие отчёты и JQL (собственный язык запросов). Бесплатный план до 20 млн событий/месяц.

PostHog — open-source альтернатива. Аналитика, сессионные записи, A/B-тесты, feature flags — всё в одном. Можно развернуть на своих серверах. Хороший выбор для тех, кто ценит контроль над данными.

Все три инструмента работают по принципу event-based трекинга: вы отправляете события (page_view, button_click, purchase) с параметрами, а платформа позволяет строить по ним отчёты.

BI и визуализация

Tableau — мощный инструмент визуализации. Drag-and-drop интерфейс, огромные возможности кастомизации. Стандарт в крупных компаниях.

Looker (Google) — BI-платформа с LookML — языком описания моделей данных. Сильная сторона — единый источник правды (metrics layer), чтобы все считали метрики одинаково.

Metabase — open-source BI. Простой интерфейс, можно строить дашборды без знания SQL. Хороший выбор для стартапов и небольших команд.

Работа с данными

SQL — главный язык аналитика. Все основные хранилища данных (PostgreSQL, BigQuery, ClickHouse, Snowflake) поддерживают SQL. 90% рабочих задач аналитика решаются SQL-запросами.

Python (Pandas, NumPy) — для задач, которые не ложатся в SQL: статистический анализ, построение моделей, кастомные визуализации (Matplotlib, Seaborn). Библиотека Pandas по сути — SQL на стероидах для табличных данных.

dbt (data build tool) — инструмент для трансформации данных в хранилище. Позволяет писать SQL-модели, добавлять тесты, документацию и версионирование. Стандарт в современном data stack.

A/B-тестирование

Продуктовая аналитика неразрывно связана с экспериментами. Инструменты:

• Встроенные в продуктовые платформы — Amplitude Experiment, PostHog Experiments
• Специализированные — Statsig, Optimizely, VWO
• Кастомные решения — многие крупные компании (Яндекс, Авито, Ozon) строят свои системы A/B-тестирования

Выбор инструмента зависит от масштаба, бюджета и технической зрелости команды. Для стартапа PostHog или Statsig — более чем достаточно. Для крупной компании с миллионами пользователей чаще нужно кастомное решение.

Как выбрать стек

Для начинающей команды оптимальный набор: одна аналитическая платформа (Amplitude или PostHog), SQL-доступ к базе данных, и простой BI (Metabase или Google Looker Studio). Этого хватает для 80% задач.

Не пытайтесь внедрить всё сразу. Лучше хорошо настроить трекинг ключевых событий в одном инструменте, чем размазать данные по пяти платформам. Самая частая проблема компаний — не нехватка инструментов, а некачественные данные в существующих.

Декомпозиция метрик

Декомпозиция — ключевой навык продуктового аналитика. Это умение разложить верхнеуровневую метрику на составляющие, чтобы найти причину изменения.

Базовый фреймворк

Любую метрику можно представить как произведение или сумму компонентов. Например:

Revenue = Users × Conversion × AOV

Где AOV (Average Order Value) — средний чек. Если выручка упала на 10%, вы декомпозируете:

• Users выросли на 5%
• Conversion упала на 8%
• AOV упал на 7%

Теперь понятно, что проблема не в трафике (он даже вырос), а в конверсии и среднем чеке. Дальше копаете глубже: конверсия упала на каком шаге воронки? В каком сегменте? На каком устройстве?

Пример: «DAU упал на 15%»

DAU можно декомпозировать так:

DAU = Новые пользователи + Вернувшиеся пользователи − Ушедшие пользователи

Или:

DAU = MAU × Stickiness (DAU/MAU)

Первая декомпозиция показывает: новых стало меньше (проблема привлечения) или старые перестали возвращаться (проблема удержания)?

Вторая декомпозиция: упал ли размер аудитории или снизилась частота использования?

Дальше сегментируем: по платформе (iOS vs Android), по каналу привлечения, по географии, по когортам. На каждом шаге сужаем зону поиска, пока не найдём root cause.

Пример: «конверсия в покупку упала на 20%»

Конверсию в покупку можно декомпозировать по шагам воронки:

Конверсия = CR(каталог → карточка) × CR(карточка → корзина) × CR(корзина → оплата)

Проверяем каждый шаг. Оказалось, CR(корзина → оплата) упал с 65% до 48%. Остальные шаги стабильны. Теперь сегментируем: на iOS конверсия осталась прежней, а на Android упала вдвое. Проверяем — неделю назад вышло обновление Android-приложения. Смотрим error logs — новая версия крэшится на странице оплаты у устройств с Android 12. Вот он, root cause.

Этот процесс — от симптома к диагнозу через последовательное сужение — и есть декомпозиция в действии.

Принципы хорошей декомпозиции

1. Двигайтесь от общего к частному. Сначала верхнеуровневая метрика, потом компоненты, потом сегменты.
2. Используйте MECE-принцип. Компоненты должны быть взаимно исключающими и совместно исчерпывающими. Revenue = Revenue_mobile + Revenue_desktop — это MECE. Revenue = Revenue_new_users + Revenue_big_spenders — нет (пересечение).
3. Проверяйте гипотезы данными. «Конверсия упала, потому что сломалась страница оплаты» — это гипотеза. Подтвердите её: посмотрите на конверсию по шагам, на error rate, на сессионные записи.
4. Не останавливайтесь на первом уровне. «Упал retention» — это не root cause. Почему упал? У какой когорты? После какого действия?

Декомпозиция — это то, что спрашивают на продуктовых кейсах. Подробнее: продуктовые кейсы.

Как стать продуктовым аналитиком

Что нужно уметь

Продуктовый аналитик — это гибрид технических и бизнес-компетенций:

Технические навыки:

• SQL на уровне выше среднего: оконные функции, CTE, сложные JOIN, оптимизация запросов
• Python (Pandas, NumPy) для нестандартных задач и автоматизации
• Умение работать с аналитическими платформами (Amplitude, Mixpanel или аналоги)
• Основы статистики: p-value, доверительные интервалы, A/B-тестирование

Продуктовые навыки:

• Понимание продуктовых метрик и фреймворков (всё, что описано в этом руководстве)
• Умение декомпозировать метрики и формулировать гипотезы
• Навык коммуникации: объяснять сложные выводы простым языком
• Бизнес-контекст: понимание, как метрики связаны с деньгами и стратегией

Типичный карьерный путь

Вход через аналитику данных. Многие продуктовые аналитики начинали как аналитики данных — писали SQL-отчёты, строили дашборды. Со временем стали глубже погружаться в продукт и перешли в продуктовую аналитику.

Вход через маркетинг. Маркетинговые аналитики, которые начали считать не только привлечение, но и поведение пользователей после регистрации.

Вход через продуктовый менеджмент. PM, который хочет глубже работать с данными и уходит в аналитику.

Вход через data engineering. Инженеры данных, которые устали строить пайплайны и хотят быть ближе к продуктовым решениям. Техническая база сильная, нужно наращивать продуктовое мышление.

Прямой вход. Стажировки и junior-позиции продуктовых аналитиков в крупных компаниях (Яндекс, Тинькофф, Ozon, Avito) — хороший способ начать без опыта.

Продуктовый аналитик vs Data Analyst vs Data Scientist

Data Analyst — широкий термин. Может работать с любыми данными: финансовыми, операционными, HR. Фокус на отчётности и визуализации. Инструменты: SQL, Excel/Sheets, BI.

Продуктовый аналитик — специализация Data Analyst в продуктовой команде. Фокус на поведении пользователей, метриках продукта, экспериментах. Помимо SQL и BI, нужно понимание продуктовых фреймворков и A/B-тестирования.

Data Scientist — строит предиктивные модели, использует machine learning. Фокус на алгоритмах: рекомендации, прогноз оттока, кластеризация пользователей. Нужна более глубокая математическая и программистская база (Python, ML-библиотеки).

На практике роли часто пересекаются, особенно в небольших компаниях, где один человек совмещает несколько функций. В стартапе из 20 человек «продуктовый аналитик» — это тот, кто и дашборд построит, и SQL-запрос напишет, и A/B-тест проанализирует, и презентацию для инвесторов подготовит. В крупной компании эти функции распределены между отдельными людьми и командами.

Зарплаты продуктовых аналитиков

Продуктовая аналитика — одна из наиболее высокооплачиваемых специализаций в аналитике данных. Ориентиры по рынку в 2026 году:

• Junior (0–1 год опыта): 90 000–140 000 руб./месяц
• Middle (1–3 года): 180 000–280 000 руб./месяц
• Senior (3+ лет): 320 000–500 000+ руб./месяц

Зарплата зависит от компании, города и конкретных навыков. Аналитики, которые умеют не только считать метрики, но и влиять на продуктовые решения, стоят дороже. Знание Python и статистики на хорошем уровне добавляет 20–30% к рыночной ставке.

FAQ

Чем продуктовый аналитик отличается от дата-аналитика?

Дата-аналитик — общая роль, которая может работать в любом отделе: финансы, маркетинг, операции, HR. Продуктовый аналитик — специализация внутри продуктовой команды. Он фокусируется на поведении пользователей, метриках продукта (retention, конверсия, LTV), A/B-тестировании и декомпозиции. Технический стек похожий (SQL, Python, BI), но продуктовому аналитику нужно глубокое понимание продуктовых фреймворков и умение переводить данные в продуктовые решения.

Какие метрики самые важные?

Зависит от типа продукта и стадии. Для стартапа до product-market fit — retention. Если пользователи не возвращаются, остальные метрики не имеют значения. Для растущего продукта — активация и конверсия в ключевое действие. Для зрелого продукта — LTV, ARPU и unit-экономика. Универсальное правило: начинайте с retention. Если retention стабильный — оптимизируйте монетизацию и привлечение. Если нет — всё остальное преждевременно.

Нужно ли знать программирование?

SQL — обязательно, это основной рабочий инструмент. Python — крайне желательно: он нужен для статистического анализа, автоматизации рутины и задач, которые не ложатся в SQL. Знать программирование на уровне разработчика не нужно — вы не пишете продакшен-код. Нужно уметь работать с данными: загрузить таблицу, отфильтровать, посчитать агрегаты, построить график, провести статистический тест.

С чего начать изучение продуктовой аналитики?

Первый шаг — освоить SQL на хорошем уровне: это фундамент. Без SQL вы не сможете самостоятельно проверить ни одну гипотезу. Параллельно изучайте продуктовые метрики и фреймворки — DAU/MAU, retention, воронки, AARRR, когортный анализ. Потом переходите к статистике и A/B-тестам. Практикуйтесь на реальных данных: возьмите публичные датасеты, постройте когортную таблицу, посчитайте retention, декомпозируйте метрику. Полезно также читать продуктовые блоги (Amplitude, Lenny's Newsletter, GoPractice) и разбирать кейсы реальных компаний. Теория без практики не работает — аналитик растёт на задачах, а не на учебниках.