AARRR (Pirate Metrics): метрики продукта за 10 минут

AARRR (произносится «арр» как пиратский крик — отсюда и название) — фреймворк Дэйва МакКлура из 2007 года. Простой, до сих пор работает. Каждая стадия жизни юзера в продукте = свои метрики. Знаешь все пять — закроешь 80% продуктовых вопросов на любом собеседовании.

Этот гайд — что мерить на каждой стадии, какие формулы использовать, и почему фреймворк до сих пор актуален несмотря на возраст.

A — Acquisition (привлечение)

Что меряем: сколько юзеров пришло в продукт.

Ключевые метрики:

• Visitors / Sessions — посещения сайта/приложения
• CAC (Customer Acquisition Cost) = маркетинговый бюджет / новые юзеры
• CAC by channel — отдельно по каналам (Google ads, инфлюенсеры, SEO)
• Conversion to signup — % посетителей которые регистрируются

Формула CAC:

CAC = (затраты на маркетинг + ЗП маркетинг-команды) / новые регистрации

Бенчмарки (для русского рынка 2026):

A — Activation (активация)

Что меряем: сколько привлечённых юзеров получили первую ценность от продукта.

Ключевые метрики:

• Activation rate = активированные / зарегистрированные
• Time to first value — сколько секунд/минут до первого «ага!» момента
• Onboarding completion — % дошедших до конца онбординга

Что такое «активация» — зависит от продукта:

• Spotify: первая прослушанная песня
• Slack: первое сообщение в канале
• Airbnb: первый поиск с введёнными датами
• zasqlpython.ru: первая решённая задача

Типичный таргет: 40-60% activation rate. Меньше 30% — серьёзная проблема онбординга.

R — Retention (удержание)

Что меряем: сколько активированных юзеров возвращаются.

Ключевые метрики:

• D1 / D7 / D30 retention — % юзеров вернувшихся в день N
• MAU / DAU / WAU — Monthly/Daily/Weekly Active Users
• Stickiness = DAU / MAU (доля юзеров заходящих ежедневно)

Формулы:

D1 retention = юзеры активные на 1-й день после регистрации / когорта × 100%
Stickiness = DAU / MAU × 100%   (норма: 10-20% для большинства продуктов, 50%+ для соцсетей)

Бенчмарки D30 retention по индустрии:

См. подробный гайд: Когортный анализ retention в SQL.

R — Referral (рекомендации)

Что меряем: сколько юзеров привлекают других.

Ключевые метрики:

• K-factor (вирусный коэффициент) = новые юзеры от рефералов / всего юзеров
• NPS (Net Promoter Score) = % promoters - % detractors
• Invite send rate — % юзеров отправивших инвайт хоть кому-то
• Invite acceptance rate — % принятых инвайтов

K-factor:

• K > 1 — вирусный рост (редко, продукты типа Telegram, TikTok)
• K = 0.3-0.7 — здоровый продукт
• K < 0.1 — нет органики, всё на платном маркетинге

NPS бенчмарки:

• 50+ — отличный продукт (Apple, Tesla, Notion)
• 30-50 — хороший
• 0-30 — средний
• < 0 — продукт ненавидят

R — Revenue (доход)

Что меряем: монетизация юзеров.

Ключевые метрики:

• ARPU (Average Revenue Per User) = выручка / всего юзеров
• ARPPU (Average Revenue Per Paying User) = выручка / только платящие
• LTV (Lifetime Value) = ARPU × LT (lifetime в месяцах)
• MRR / ARR — Monthly/Annual Recurring Revenue (для подписок)
• Conversion to paid — % юзеров ставших платящими

Главное соотношение:

LTV / CAC > 3   — здоровая unit economics
LTV / CAC = 1   — paying yourself, не растёшь
LTV / CAC < 1   — теряешь деньги на каждом юзере (не масштабируем)

Срок окупаемости (CAC payback period):

Payback = CAC / ARPU (в месяцах)

• < 12 месяцев — отлично
• 12-24 месяца — okay для B2B
• 24+ — проблемы с unit economics

Полная картинка

Acquisition         100,000 visitors
   ↓ 5% conversion to signup
Activation          5,000 signups
   ↓ 40% activation
Active users        2,000 activated
   ↓ 30% D30 retention
Retention           600 still active after month
   ↓ 20% paid conversion
Revenue             120 paying customers
   ↓ K-factor 0.3
Referral            36 from referrals (extra acquisition)

В этом примере: чтобы получить 120 платящих, нужно 100K посетителей. CAC растёт линейно с привлечением → надо оптимизировать активацию, retention и conversion внутри.

Где AARRR ломается

AARRR ≠ воронка

Это этапы жизни юзера, не строгая последовательность. Юзер может купить (Revenue) до активации (новый юзер с готовым кейсом).

Не учитывает churn явно

В классическом AARRR. Современная вариация — AARRR-C (плюс Churn) или RARRA (Retention первая, потому что критично).

Plateau metrics

Если всё растёт ровно (acquisition +10%/мес, retention постоянный) — что улучшать? AARRR не поможет с второй производной роста. Нужны другие фреймворки (HEART, Pirate flywheel).

Как использовать на собеседовании

Тебя просят: «декомпозируй падение DAU». Используй AARRR как чек-лист:

• Acquisition: новые юзеры падают?
• Activation: новые активируются хуже?
• Retention: старые перестают возвращаться?
• Referral: K-factor упал?
• Revenue: платящие переходят в free → меньше engagement?

Раскопай каждое — найдёшь корень. Так интервьюер видит что у тебя системный подход, а не «стрелять в темноту».

Связанные материалы

• Метрики продукта (296 шт) — полный справочник с формулами и SQL
• Когортный анализ retention в SQL — глубже про R
• RFM-сегментация в SQL — для acquisition оптимизации
• Воронка конверсии в SQL — A→A→R анализ
• Топ-50 вопросов собес — продуктовые кейсы

Открой справочник метрик, найди раздел «Удержание» — там все retention-метрики с готовыми SQL-запросами для расчёта на твоей БД.