Retention:
как считать, виды
и интерпретация

Retention — это доля пользователей, которые вернулись в продукт через определённое время после первого визита (или другого ключевого действия). Если из 1000 новых пользователей через неделю вернулось 200 — Day-7 Retention равен 20%.

Почему это метрика номер один? Потому что без удержания всё остальное бессмысленно. Можно привлечь миллион пользователей, но если они уходят через день — нет ни выручки, ни роста, ни продукта. Retention показывает, нашёл ли продукт свою ценность для пользователя.

Зачем Retention продуктовому аналитику

Существует несколько способов считать Retention. Они дают разные числа для одних и тех же данных — и это нормально. Важно понимать, какой тип подходит для вашей задачи.

Когда использовать какой тип

Стандартные точки измерения

В индустрии устоялись несколько ключевых временных точек. Каждая говорит о разном:

На собеседованиях в BigTech вас попросят написать SQL-запрос для расчёта retention. Ниже — три варианта, от простого к продвинутому.

Запрос 1: Classic Day-N Retention

Самый частый вопрос на собесе: «Посчитайте Day-1 и Day-7 Retention по когортам». Предполагаем таблицу user_activity с полями user_id и activity_date, и таблицу users с полем registration_date.

WITH cohorts AS (
  SELECT
    u.user_id,
    DATE_TRUNC('month', u.registration_date) AS cohort_month
  FROM users u
),
activity AS (
  SELECT DISTINCT
    a.user_id,
    a.activity_date
  FROM user_activity a
)
SELECT
  c.cohort_month,
  COUNT(DISTINCT c.user_id) AS cohort_size,

  -- Day-1 Retention ROUND(100.0 * COUNT(DISTINCT CASE WHEN a.activity_date = c.registration_date + 1 THEN c.user_id END)
    / COUNT(DISTINCT c.user_id), 2) AS day_1_retention,

  -- Day-7 Retention ROUND(100.0 * COUNT(DISTINCT CASE WHEN a.activity_date = c.registration_date + 7 THEN c.user_id END)
    / COUNT(DISTINCT c.user_id), 2) AS day_7_retention,

  -- Day-30 Retention ROUND(100.0 * COUNT(DISTINCT CASE WHEN a.activity_date = c.registration_date + 30 THEN c.user_id END)
    / COUNT(DISTINCT c.user_id), 2) AS day_30_retention

FROM cohorts c
LEFT JOIN activity a ON c.user_id = a.user_id
GROUP BY c.cohort_month
ORDER BY c.cohort_month;

Запрос 2: Rolling Retention (Day-N+)

SELECT DATE_TRUNC('month', u.registration_date) AS cohort_month,
  COUNT(DISTINCT u.user_id) AS cohort_size,
  ROUND(100.0 * COUNT(DISTINCT CASE WHEN a.activity_date >= u.registration_date + 7 THEN u.user_id END)
    / COUNT(DISTINCT u.user_id), 2) AS rolling_day7_retention
FROM users u
LEFT JOIN (SELECT DISTINCT user_id, activity_date FROM user_activity) a
  ON u.user_id = a.user_id
GROUP BY 1 ORDER BY 1;

Разница с Classic — одно слово: >= вместо =. Мы считаем всех, кто пришёл в день 7 или позже. Число будет выше, чем Classic — и это нормально.

Запрос 3: Полная когортная таблица Retention

Это самый мощный запрос — он строит матрицу «когорта × период», которую потом визуализируют как heatmap. Именно это обычно просят на финальных собесах.

WITH cohorts AS (
  SELECT
    user_id,
    DATE_TRUNC('month', registration_date) AS cohort
  FROM users
),
monthly_activity AS (
  SELECT DISTINCT
    user_id,
    DATE_TRUNC('month', activity_date) AS active_month
  FROM user_activity
),
cohort_data AS (
  SELECT
    c.cohort,
    -- Период: сколько месяцев прошло DATE_PART('month',
      AGE(m.active_month, c.cohort)
    )::INT AS period,
    c.user_id
  FROM cohorts c
  JOIN monthly_activity m ON c.user_id = m.user_id
  WHERE m.active_month >= c.cohort
)
SELECT
  cohort,
  period,
  COUNT(DISTINCT user_id) AS active_users,
  ROUND(100.0 * COUNT(DISTINCT user_id)
    / FIRST_VALUE(COUNT(DISTINCT user_id))
      OVER (PARTITION BY cohort ORDER BY period), 1)
    AS retention_pct
FROM cohort_data
GROUP BY cohort, period
ORDER BY cohort, period;

Когортная таблица — это стандартный способ представить retention. По строкам — когорты (месяц регистрации), по столбцам — период (0, 1, 2, 3... месяца после регистрации). В ячейках — процент вернувшихся. Вот пример для e-commerce продукта:

Как читать эту таблицу

Три направления чтения дают три разных инсайта:

Паттерн 1: DAU вырос, а Retention упал

Классический кейс на собеседовании. Типичная причина: маркетинг привлёк много нецелевых пользователей. DAU вырос за счёт новых, но они не задерживаются — retention падает. Для диагностики нужно разбить когорту на сегменты по источнику трафика и посмотреть, отличается ли retention между ними.

Паттерн 2: Retention вырос, а Revenue не вырос

Пользователи возвращаются, но не платят. Возможные причины: удержание растёт среди бесплатных пользователей, а платящие ведут себя так же. Или — пользователи возвращаются «лёгким» паттерном (открыл приложение, не совершив целевое действие). Нужно смотреть не просто на «визит», а на качественные действия.

Паттерн 3: Новая когорта хуже предыдущей

Retention падает от когорты к когорте — столбец вниз в таблице. Возможные причины: изменился канал привлечения (пришли менее качественные пользователи), сломался онбординг, сезонность. Первым делом стоит сегментировать по источнику и проверить, не изменился ли микс каналов.

Бенчмарки — это ориентиры, а не цели. Они сильно зависят от типа продукта, рынка и стадии. Но знать их полезно, чтобы понимать контекст и адекватно оценивать свои цифры.

Retention — тема, которая появляется практически на каждом собеседовании продуктового аналитика. Вот реальные типы вопросов:

Как отвечать на кейсовый вопрос про retention

Алгоритм, который работает на собесе: