Продуктовая аналитика: метрики и инструменты

Продуктовая аналитика — это сбор и анализ данных о том, как люди пользуются продуктом, чтобы принимать решения о его развитии на фактах, а не на догадках. В отличие от маркетинговой аналитики, которая смотрит, как пользователь пришёл, продуктовая изучает, что он делает внутри: какими функциями пользуется, где застревает, почему уходит и что возвращает его обратно. Ядро продуктовой аналитики — метрики (числовые показатели здоровья продукта), события (действия пользователей, которые вы фиксируете), воронки (последовательности шагов к цели) и когорты (группы пользователей, за которыми наблюдают во времени). Всё это вместе отвечает на главный вопрос продакта: работает продукт или только кажется, что работает.

Что такое продуктовая аналитика

Суть продуктовой аналитики — заменить мнения данными. «Мне кажется, пользователям нравится новая фича» — это гипотеза. «40% активных пользователей открыли её в первую неделю и 15% вернулись к ней снова» — это факт. Аналитика превращает первое во второе.

Работает она в цикле: вы формулируете вопрос («почему люди бросают регистрацию?»), собираете данные, находите узкое место, выдвигаете гипотезу, проверяете её изменением и снова смотрите на цифры. Без вопроса аналитика вырождается в бесконечные дашборды, на которые все смотрят и никто не действует.

Важно: данные не принимают решения за вас, они лишь сужают пространство догадок. Аналитика показывает, ЧТО происходит; ПОЧЕМУ — вы достраиваете, часто вместе с качественными методами вроде customer development и интервью.

Ключевые метрики продукта

Метрик существуют десятки, но осмысленно отслеживать стоит немногие, привязанные к стадиям жизни пользователя. Опорный каркас — воронка AARRR (привлечение, активация, удержание, доход, рекомендации). Базовый набор метрик:

• •Активация — доля новых пользователей, дошедших до момента первой ценности («ага-момент»). Например, отправил первое сообщение, создал первый проект.
• •Удержание (retention) — сколько пользователей возвращаются через день, неделю, месяц. Самая честная метрика: если люди не возвращаются, всё остальное неважно.
• •Вовлечённость — как часто и как глубоко пользуются: DAU/MAU, число ключевых действий на пользователя.
• •Отток (churn) — доля тех, кто перестал пользоваться. Обратная сторона удержания.
• •Монетизация — конверсия в оплату, средний чек, LTV.

Отдельно выделяют North Star Metric — одну главную метрику, которая лучше всего отражает ценность, получаемую пользователем. Она служит компасом: если North Star растёт, продукт действительно приносит пользу.

События: фундамент аналитики

Событие (event) — это зафиксированное действие пользователя: «нажал кнопку», «открыл экран», «завершил покупку». Метрики и воронки строятся именно из событий, поэтому качество аналитики упирается в то, насколько продуманно они спроектированы.

Главное правило: события проектируют до того, как начинают собирать. Хаотичный трекинг «на всякий случай» приводит к сотням бессмысленных событий с разными названиями, в которых потом невозможно разобраться. Работающий подход:

• •Отталкивайтесь от вопросов. Сначала — какие вопросы о продукте вы хотите задавать. Потом — какие события нужны, чтобы на них ответить.
• •Держите единый словарь. Единая схема именования (например, «объект + действие»: order_completed, screen_opened) вместо разнобоя.
• •Добавляйте свойства. К событию прикрепляйте контекст: тип пользователя, источник, тариф. Свойства позволяют резать данные по срезам.
• •Не собирайте всё подряд. Каждое событие — это поддержка и шум. Лучше десять осмысленных, чем двести случайных.

Плохо спроектированные события — самая частая причина, по которой аналитика есть, а пользы от неё нет.

Воронки: где отваливаются пользователи

Воронка (funnel) показывает, как пользователи проходят последовательность шагов к цели и на каком этапе отваливаются. Это главный инструмент, чтобы найти узкое место.

Пример воронки регистрации: открыл страницу (100%) → ввёл почту (70%) → подтвердил почту (45%) → заполнил профиль (30%) → активировался (22%). Сразу видно, где самый большой обрыв — между вводом почты и подтверждением теряется 25% из оставшихся. Значит, копать нужно туда: возможно, письмо не доходит или попадает в спам.

Воронка не отвечает, почему люди уходят, — она показывает, где именно. Это фокусирует усилия: вместо того чтобы улучшать всё сразу, вы бьёте в самое дырявое звено. После того как узкое место найдено, гипотезу проверяют изменением и А/Б-тестом.

Когортный анализ: смотреть во времени

Общие средние обманывают. «Удержание 30%» ничего не говорит, если вы не знаете, улучшается оно или падает от месяца к месяцу. Здесь помогает когортный анализ — метод, при котором пользователей группируют по общему признаку (обычно по месяцу регистрации) и наблюдают за каждой группой отдельно во времени.

Что это даёт: вы видите не «среднюю температуру по больнице», а динамику. Например, когорта января удерживается на 25%, февраля — на 30%, марта — на 38%. Значит, ваши улучшения работают: каждая новая группа пользователей задерживается дольше предыдущей. Без когорт этот прогресс утонул бы в общем среднем.

Когорты особенно важны для оценки изменений: запустили новый онбординг — сравните удержание когорт до и после, чтобы понять, дал ли он эффект.

Средние по всей базе — самый убедительный способ обмануть себя. Растущий продукт и умирающий могут показывать одинаковое «среднее удержание». Разница видна только в когортах.

Инструменты продуктовой аналитики

Инструменты делятся на несколько классов:

• •Продуктовые аналитические системы — специализированные платформы для событий, воронок и когорт (Amplitude, Mixpanel, отечественные аналоги). Их конёк — анализ поведения внутри продукта.
• •Веб-аналитика — Яндекс Метрика, системы для анализа трафика и источников. Сильны в привлечении, слабее в глубоком поведении.
• •Хранилища и BI — когда данных много и нужны свои отчёты, события сгружают в хранилище и строят дашборды в BI-инструментах.
• •Инструменты качественной аналитики — карты кликов, записи сессий, опросы. Показывают не цифры, а как именно человек взаимодействует с интерфейсом.

Выбор зависит от стадии: на старте хватает связки веб-аналитики и одной продуктовой системы. Гнаться за сложным стеком до того, как настроен базовый трекинг событий, — трата ресурсов.

Типичные ошибки

• •Метрики тщеславия. Отслеживают то, что красиво растёт (число регистраций, скачиваний), а не то, что отражает ценность (удержание, активацию).
• •Данные без вопроса. Собирают всё подряд и строят дашборды, на которые никто не смотрит. Аналитика начинается с вопроса, а не с графика.
• •Средние вместо когорт. Общая цифра скрывает динамику. Продукт может тонуть, а среднее — стоять на месте.
• •Корреляция как причина. «Пользователи, сделавшие X, платят чаще» не значит, что X заставляет платить. Причинность проверяют экспериментом, а не наблюдением.
• •Хаотичный трекинг. События не спроектированы, названы вразнобой — и данные оказываются бесполезны.
• •Аналитика без действия. Цифры смотрят, выводы делают, но ничего не меняют. Аналитика бессмысленна, если не ведёт к решениям.

Итог

Продуктовая аналитика — это дисциплина принимать решения на фактах: метрики показывают здоровье продукта, события кормят их данными, воронки находят узкие места, а когорты вскрывают динамику, которую прячут средние. Начните с ключевой метрики и продуманных событий, а не с погони за сложными инструментами. И помните: данные говорят «что», а «почему» вы достраиваете сами. Как продуктовые команды выстраивают аналитику и избегают ложных выводов, разбирают на профильных деловых мероприятиях, где практики показывают реальные дашборды и честные разборы ошибок.