Retention (удержание) — доля пользователей из когорты, которые вернулись в продукт спустя N дней после первого действия. Считается как отношение вернувшихся к размеру исходной когорты: R_N = U_N / U_0. Кривую строят по дням жизни когорты, а не по календарю; её выход на плато — сигнал того, что продукт нашёл свою аудиторию (product-market fit).
Что такое retention и зачем он нужен?
Retention отвечает на вопрос: сколько людей, пришедших в продукт, продолжают им пользоваться со временем. Это базовая метрика удержания в AARRR-фреймворке и ранний предиктор жизненной ценности пользователя (LTV). Если привлечение (acquisition) наполняет верх воронки, то retention определяет, насколько дырявое у вас ведро: при низком удержании любой платный трафик утекает быстрее, чем окупается.
Ключевое правило: retention всегда считают по когортам — группам пользователей, объединённых датой первого действия (регистрация, первая покупка, первый запуск). Средний retention «по всем сразу» смешивает новичков и старожилов и вводит в заблуждение. Подробный разбор когортной механики — в посте про когортный анализ retention в SQL.
Чем отличаются classic, rolling и range retention?
Есть три разных определения «вернулся», и они дают разные числа. Путать их на собеседовании — классическая ошибка.
| Тип | «Вернулся» означает | Когда применять |
|---|---|---|
| Classic (N-day) | активен ровно в день N | продукты с ежедневным ритмом (соцсети, игры) |
| Rolling (unbounded) | активен в день N или позже | редкие сценарии использования |
| Range (bracket) | активен хотя бы раз в интервале [N; M] | недельная/месячная активность, B2B |
- Classic retention (он же N-day) — жёсткий: пользователь должен вернуться именно на N-й день. Даёт самые низкие и «дёрганые» числа, но честно показывает ежедневную привычку.
- Rolling retention — пользователь считается удержанным на день N, если он был активен в день N или в любой более поздний день. Числа выше и монотонно убывают; удобно для продуктов с редким использованием (сервис бронирования, налоговое приложение).
- Range retention — активность хотя бы раз в окне, например «на неделе 2». Сглаживает шум для продуктов, которыми пользуются не каждый день.
Сравнивать retention двух продуктов или двух периодов можно, только если совпадает и тип метрики, и определение активного действия.
Как считать N-day retention?
N-day retention — доля когорты, совершившая целевое действие в день с порядковым номером N, где день 0 — день первого контакта.
Формула:
R_N = (U_N) / (U_0)
где U_0 — размер когорты (все пользователи в день 0), U_N — число пользователей той же когорты, активных в день N.
«День N» отсчитывается от даты первого действия каждого пользователя, а не от общей календарной даты. Поэтому retention считают в терминах «дней жизни» (day 0, day 1, day 7, day 30), а не по календарю.
Разбор на числовом примере
Числа ниже — иллюстративные, не данные реальной компании.
Когорта: 1 000 пользователей зарегистрировались 1 марта (U_0 = 1000).
- День 1: вернулись 400 →
R_1 = 400/1000 = 40% - День 7: вернулись 220 →
R_7 = 220/1000 = 22% - День 30: вернулись 150 →
R_30 = 150/1000 = 15%
Знаменатель всегда U_0 = 1000, а не число вернувшихся накануне. Если делить на предыдущий день, получится другая метрика — «удержание между шагами», её тоже иногда считают, но это не N-day retention.
Churn (отток) для дня N — зеркало retention:
Churn_N = 1 - R_N
Для дня 7: Churn_7 = 1 - 0,22 = 78%. То есть 78% когорты в 7-й день неактивны (для classic-определения).
Что показывает кривая удержания (retention curve)?
Кривая retention — это график R_N по оси дней жизни когорты. У здорового продукта она имеет характерную форму:
- Резкое падение в первые дни (день 0 → день 1–3) — уходят те, кому продукт не подошёл.
- Замедление — наклон уменьшается.
- Плато (горизонтальный хвост) — кривая выходит на устойчивый уровень и почти не снижается.
Наличие плато — сильный сигнал product-market fit: у вас есть ядро пользователей, для которых продукт стал привычкой. Если кривая продолжает падать к нулю и плато нет — удержанного ядра нет, и масштабировать привлечение рано.
Форма важнее одной точки. Два продукта могут иметь одинаковый R_1 = 40%, но у одного кривая выходит на плато 20%, а у другого падает до 3% — второй не удерживает, сколько бы ни лил трафик.
# Простая эвристика "есть ли плато": сравнить наклон в хвосте с наклоном в начале
# Иллюстративные данные, не реальная компания
days = [1, 3, 7, 14, 30, 60, 90]
ret = [40, 30, 22, 18, 15, 14, 13] # проценты
early_drop = ret[0] - ret[2] # день 1 -> день 7: 18 п.п.
tail_drop = ret[-3] - ret[-1] # день 30 -> день 90: 2 п.п.
print("Ранний спад:", early_drop, "п.п.")
print("Спад в хвосте:", tail_drop, "п.п.")
# Малый спад в хвосте относительно раннего => кривая выходит на платоКак посчитать когортный retention в SQL?
Логика: определить дату первой активности каждого пользователя (когорту), затем для каждой последующей активности вычислить номер дня жизни и агрегировать. Ниже набросок на обобщённых таблицах — данные вымышленные.
WITH first_seen AS ( -- день 0 каждого пользователя
SELECT user_id,
MIN(event_date) AS cohort_date
FROM events
GROUP BY user_id
),
activity AS ( -- номер дня жизни для каждого активного дня
SELECT f.cohort_date,
e.user_id,
e.event_date - f.cohort_date AS day_n
FROM events e
JOIN first_seen f ON f.user_id = e.user_id
GROUP BY f.cohort_date, e.user_id, e.event_date - f.cohort_date
)
SELECT cohort_date,
COUNT(DISTINCT CASE WHEN day_n = 0 THEN user_id END) AS cohort_size,
ROUND(100.0 * COUNT(DISTINCT CASE WHEN day_n = 1 THEN user_id END)
/ COUNT(DISTINCT CASE WHEN day_n = 0 THEN user_id END), 1) AS r1,
ROUND(100.0 * COUNT(DISTINCT CASE WHEN day_n = 7 THEN user_id END)
/ COUNT(DISTINCT CASE WHEN day_n = 0 THEN user_id END), 1) AS r7,
ROUND(100.0 * COUNT(DISTINCT CASE WHEN day_n = 30 THEN user_id END)
/ COUNT(DISTINCT CASE WHEN day_n = 0 THEN user_id END), 1) AS r30
FROM activity
GROUP BY cohort_date
ORDER BY cohort_date;Это classic-определение (активность ровно в день N). Для range-retention меняют условие на day_n BETWEEN 7 AND 13 («неделя 2»), для rolling — на day_n >= 7. Отработать такие запросы на живой базе можно в SQL-тренажёре и на задачах по SQL.
Как retention связан с churn и LTV?
Три метрики — одна система. Churn — это ускользнувшая доля (Churn = 1 - R). А удержание напрямую задаёт, сколько в среднем пользователь «живёт» в продукте, что и превращается в LTV.
Простая связь для подписки с помесячным удержанием r (месячный retention) и средним доходом с пользователя ARPU:
LT = (1) / (1 - r), LTV ≈ ARPU × (1) / (1 - r)
Пример (иллюстративный): месячный retention r = 0,85, значит месячный churn = 15%. Средняя продолжительность жизни LT = 1 / (1 - 0,85) ≈ 6,7 месяца. При ARPU = 1000 руб/мес получаем LTV ≈ 6700 руб. Поднимите retention с 85% до 90% — и LT вырастет до 10 месяцев, а LTV — в полтора раза, без единого рубля на привлечение. Поэтому удержание — самый дешёвый рычаг юнит-экономики; детальнее в разборе LTV, CAC и payback.
Частые ошибки
- Считать retention без когорт. «Средний retention по всей базе» смешивает новичков и лояльное ядро и почти всегда завышен. Всегда фиксируйте когорту по дате первого действия.
- Делить на вчерашних, а не на
U_0. N-day retention — это доля от исходного размера когорты, а не от активных накануне. - Путать classic, rolling и range. Разные определения дают разные числа; сравнение метрик разных типов бессмысленно.
- Отсчитывать день N по календарю, а не от даты входа пользователя. Иначе пользователи, пришедшие в разные дни, попадут в один «день N» неправильно.
- Смотреть на одну точку (
R_1) вместо формы кривой. Именно плато, а не значение первого дня, говорит о product-market fit. - Неверно выбранное «активное действие». Логин без целевого действия часто раздувает retention. Определяйте активность через ключевое ценностное событие продукта.
- Игнорировать «недозревшие» когорты. У когорты, которой всего 10 дней, ещё нет
R_30— не включайте её в среднийR_30, иначе занизите метрику.
Собрать когортный retention от начала до конца и увидеть, как меняется кривая при разных определениях активности, проще всего на практике — попробуйте построить такой запрос в SQL-тренажёре и разобрать продуктовые кейсы в разделе кейсов.