Когортный анализ. Метрики продукта vs метрики роста.

Когортный анализ – это очень эффективный инструмент продуктовой и маркетинговой аналитики. К сожалению, о нем немногие знают, а те кто знают, крайне редко его используют.

Из статьи вы узнаете:

  • в чем состоит суть когортного анализа
  • чем метрики роста отличаются от метрик продукта
  • почему попытки построить продуктовую аналитику, основываясь на метриках роста, заканчиваются плачевно
  • как я использую когортный анализ в маркетинге и в продуктовой аналитике
  • за какими метриками продукта необходимо следить и почему

когортный анализ - инструмент продуктовой аналитики

Когортный анализ в маркетинге и продуктовой аналитике

Давайте попробуем сравнить два автомобиля и узнать, какой из них лучше?

  • Первый проехал 2000 км, а второй 12000 км
  • Первым автомобилем сейчас пользуются 5 раз в неделю, а вторым 4 раза в неделю.
  • Первый автомобиль в последний месяц в среднем проезжал 10км, к второй 20км.
  • В данный конкретный момент первый автомобиль едет на скорости 100 км/ч, а второй автомобиль едет на срокости 70км/ч

К сожалению, на основе имеющейся информации невозможно ответить на поставленный вопрос. Но почему-то как только доходит до интернет проектов или мобильных приложений, то все начинают следить за метриками вроде DAU, MAU, доход, общее количество регистраций и пытаться на основе них делать выводы о продукте, влиянии изменений и эффективности маркетинговых активностей.

Перечисленные выше метрики являются метриками роста. За ними полезно следить для общего понимания ситуации, но применительно к работе над продуктом подобные метрики бесполезны, так как на их основе невозможно принимать продуктовые решения, ровно как и оценивать влияние продуктовых изменений.

Когда вы работаете над продуктом, то вас должны интересовать, в первую очередь, его “объем” и “плотность”, а не его “масса”. “Масса” просто констатирует факт, не объясняя, откуда она взялась и как на нее повлиять. Вы же должны стремиться к тому, чтобы разложить ключевые метрики на составляющие, декомпозировать их, определяя рычаги воздействия на них. Основной задачей при работе над продуктом является определение рычагов воздействия и поиск способов влияния на них.

В этой деятельности вам не обойтись без аналитики. Аналитика является обратной связью на ваши действия, вашими глазами в продуктовом мире. Сначала аналитика позволяет вам понять, где вы находитесь, что за продукт вы сделали, как им пользуются в реальном мире, а затем позволяет увидеть то, как ваши действия, вносимые изменения влияют на ваш продукт. Аналитикой на картинке ниже я называю этапы: Measure, Data, Learn.

analytics1

 

Одним из наиболее эффективных инструментов продуктовой аналитики является когортный анализ. Именно о нем сегодня пойдет речь.

 

Почему метрики роста бессмысленны для аналитики продукта

Давайте рассмотрим следующую модельную ситуацию. Есть продукт, который обладает следующими характеристикам:

  • стоимость привлечения пользователя составляет 1$
  • средний доход с одного пользователя составляет 2$ в течение следующих 4 месяцев
  • 30% новых пользователей продолжают пользоваться продуктом спустя месяц (далее доля постепенно снижается до 15%)
  • Команда продвижения привлечет 10 тыс. новых пользователей в первый месяц после запуска, 15 тыс. во второй, 20 тыс. в третий и так далее
  • Продакт менеджер, который отвечает за развитие продукта, вносит в него  изменения каждый месяц. Изменения неудачные, поэтому после каждого из изменений доход с пользователя падает на 0,1$, а доля пользователей, продолжающих использовать продукт падает на 2%.

В компании, где разрабатывается этот продукт, принято следить за месячной аудиторией (MAU или Monthly Active Users) и прибылью каждого из проектов. На основе этих метрик выставляются kpi и оцениваются успехи команды, работающей над продуктом.

Следя за выбранными метриками, спустя первые 9 месяцев  руководство было очень довольно результатами нового продукта, в том числе и успехами продакт менеджера. Но вспомните – наш продакт менеджер каждый месяц портит продукт! При этом метрики роста уверенно идут вверх.

1

Ниже приведены те же самые графики, но уже за 16 месяцев. На этих графиках мы, наконец, видим первые признаки неудачных изменений продукта. Но лишь спустя 12 месяцев!

Дело в том, что на метрики роста влияют две составляющие: продукт и продвижение. Следя за метриками роста, вы не можете просто отделить эти два фактора. Именно по этой причине метрики роста совершенно не подходят для продуктовой аналитики.

При правильно построенной аналитике мы бы увидели неудачное влияние обновлений продукта еще в первые недели / месяцы.

2

 

Суть когортного анализа

В каждый конкретный день аудитория вашего продукта представляют из себя смесь тех, кто начал использовать ваш сервис сегодня, вчера, месяц назад и так далее. Следить за этой неоднородной массой и пытаться делать выводы – крайне неблагодарное занятие.

Идея когортного анализа состоит в том, чтобы резделить пользоватей на группы по определенным признакам, и отслеживать поведение этих групп во времени.

Обычно группы пользователей (когорты) выделяют на основе недели (месяца), когда пользователи пришли в приложение. Выделив такие группы пользователей (когорты), вы следите за ними в течение времени и измеряете ключевые метрики для каждой отдельной когорты. Таким образом, сравнивая показатели мартовской и майской когорт пользователей, вы можете объективно сравнивать соответствующие этим периодам времени версии продукта.

Для более глубокой аналитики выделенные когорты необходимо дополнительно сегментировать на основе источника трафика, платформы, страны и других факторов, которые имеют смысл в вашем конкретном продукте.

Скорее всего, значения ваших ключевых метрик будут отличаться для разных сегментов, ровно как и разные продуктовые изменения будут по-разному влиять на разные сегменты пользователей.

 

Ключевые метрики продукта - LTV и CAC

Две ключевые метрики, которые в конечном итоге определяют финансовую успешность вашего продукта – это LTV (Life Time Value) и CAC (Customer Acquisition Cost).

LTV – деньги, которые средний пользователь тратит в вашем мобильном приложении за все время его использования. CAC – ваши затраты на привлечение среднего пользователя.

Почему эти две метрики так важны для вашего продукта и как они влияют на ваши бизнес показатели вы можете прочитать в материале “Аналитика SaaS. Критерии жизнеспособности” и  в материале “Убийца стартапов: стоимость привлечения клиентов” или посмотреть здесь. В рамках же этой статьи важность этих метрик будет принята по умолчанию, а более подробно будет освещены способы работы с этими метриками.

Я не буду подробно останавливаться на вопросе измерения и работы с CAC, так как это не ключевая компетенция классического продакт менеджера. Намного больший интерес представляет LTV – это как раз ключевая компетенция любого ответственного за продукт.

LTV – это ключевая метрика, отражающая ценность (пользу) вашего продукта для ваших пользователей и клиентов. Именно эта метрика должна стоять во главе угла при работе над продуктом.

LTV – замечательная метрика, но у нее есть один минус – она высокоуровневая. Чтобы понимать, как на нее воздействовать, вам необходимо ее декомпозировать на более простые и приземленные на продукт метрики.

 

Декомпозиция LTV на метрики продукта

Обычно метрики привязываются к ключевым точкам жизненного цикла пользователя в приложении. Тем самым мы создаем возможность отслеживать успешность продвижения пользователей в приложении и находить узкие места, требующие нашего внимания.

Я обычно отслеживаю путь пользователя в продукте с точки зрения его вовлеченности и монетизации.

Вовлеченность описывается следующими этапами в жизненном цикле пользователя:

  1. активация в приложении
  2. залипание в приложении (или активность использования)
  3. долгосрочный retention (сколько пользователей продолжают использовать продукт спустя месяц, два месяца и так далее после регистрации)

Монетизация же описывается следующей последовательностью этапов жизненного цикла пользователя:

  1. активация в приложении
  2. увидел продающий экран
  3. совершил 1 покупку
  4. совершил 2 покупку

Ниже я привел метрики, соответствующие каждому из этапов жизненного цикла пользователя в продукте (метрики могут отличаться для разных продуктов):

  • Активация в приложении (% тех, кто прошел туториал или совершил ключевое целевое действие в приложении, например, зарегистрировался и добавил первых друзей)
  • Залипание в приложении (% пользователей, который дошли до N уровня или, например, добавили N друзей: число N определяется экспериментальным путем)
  • Пользователь увидел предложение о покупке (% пользователей, которые увидели предложение о покупке)
  • Пользователь совершил первую покупку (% покупающих что-либо в приложении, средняя сумма первой покупки)
  • Пользователь совершил повторную покупку (% совершивших повторную покупку, средняя сумма повторной покупки, среднее количество повторных покупок)
  • Retention (% пользователей, которые используют приложение спустя месяц/два/три/четыре после регистрации)

Все этим метрики влияют в конечном итоге на LTV. В каждом из продуктов могут быть свои особенности, но для большинства подобные базовые этапы/метрики подойдут.

 

Метрики продукта и как они влияют на LTV

Давайте подробнее рассмотрим описанные выше метрики продукта и то, как они влияют на LTV, на примере абстрактной игры.

 

Активация в приложении

В любой игре пользователя сначала обучают, проводя его через туториал. Те, кто не прошли туториал, скорее всего, не будут дальше играть и тем более платить. Именно поэтому для нас критично отслеживать долю пользователей, успешно прошедших этот этап.

Также полезно отслеживать долю тех, кто смог выполнить ряд целевых действий по окончании туториала (то есть обучился и теперь может самостоятельно играть). Такая метрика будет отражать насколько качественно спроектирован процесс обучения.

 

Пользователь “залип” в приложении

Пользователь, скорее всего, не будет платить, если он не увлекся игрой. Именно поэтому нам надо отслеживать долю тех, кто залип в приложении. С этой целью мы измеряем долю тех, кто прошел до N уровня или тех, кто заходил в приложении более 5 раз в течение недели с момента установки.

Обычно метрику для факта залипания определяют опытным путем. В этой статье есть примеры подобных метрик для ряда популярных сервисов.

 

Пользователь увидел предложение о покупке, сделал первую покупку

Одной из наших целей является получение дохода, поэтому нам надо стимулировать первую покупку в приложении. Но покупка совершается с определенного экрана нашего приложения (например, с экрана магазина), поэтому необходимо отслеживать долю пользователей, которые увидели этот экран.

Если экран о продаже видят 10% приходящих пользователей, то это автоматически ограничивает сверху долю пользователей, которые могут сделать первую покупку в нашей игре.

 

Повторные покупки

Первая покупка – это хорошо, но финансово успешные продукты обычно отличаются высокой долей повторных покупок. Часто первая покупка – это определенный кредит доверия пользователя приложению – если он удовлетворен результатом и полученной пользой, то, скорее всего, он совершит и повторную покупку. Поэтому еще одной важной метрикой становится, доля пользователей, совершающих повторные покупки, а также среднее количество повторных покупок.

 

Retention

Для того, чтобы пользователи имели шанс совершить несколько покупок – они должны продолжать играть в нашу игру в течение длительного времени, а не бросать ее спустя день. Для отслеживания этого явления мы будем измерять retention.

 

Построение продуктовой аналитики и пример использования когортного анализа

Самым простым в реализации вариантом построения аналитики продукта будет создание воронок на каждое из описанных выше событий. В большинстве случаев у вас получатся воронка монетизации и воронка вовлеченности пользователей.

Далее необходимо будет сравнивать показатели вашего продукта для когорт пользователей, сформированных на основе недели, когда они пришли в приложение. Для такой аналитики идеально подходят инструменты Mixpanel  и Localytics.

funnel

 

Я здесь рассмотрю более сложный, но и более продуктивный подход – использование когортного анализа для продуктовой аналитики. Использование когортного анализа углубит ваше понимание продукта и того, как ваши пользователи используют его во времени.

Будем формировать когорты пользователей на основе недели, когда они пришли в приложение. Для простоты в примере рассмотрены только следующие метрики: CAC, LTV, Ratention, % совершивших первую покупку, % совершивших повторную покупку. Также для простоты когорты не сегментировались ни по каким дополнительным признакам.

 

Приступим. Ниже приведена таблица когортного анализа рассматриваемого продукта (можете считать, что это игра или туристическое приложение). Ознакомьтесь с таблицей.

В первую неделю в первую версию нашего приложения пришло 3000 пользователей. На конец “0 недели” 25% из них прошли туториал, но еще никто не заплатил. К концу 1 недели еще 5% прошли туториал  (то есть всего уже 30%), при этом 1,2% совершили первую покупку. К концу 2 недели туториал прошли 34% из рассматриваемой когорты, а первую покупку совершили 1,4%.

Спустя неделю мы выпустили новую версию приложения, где изменили туториал. Как мы видим из таблицы когортного анализа – это сработало! К концу 4 недели уже 47% прошли туториал (ранее лишь 34%). Расширение воронки монетизации на уровне туториала увеличило и долю тех, кто совершил покупку. К сожалению, наши пользователи не совершают повторные покупки, что не позволяет выйти на операционную безубыточность продукта, даже несмотря на то, что команда продвижения смогла существенно снизить CAC (пусть и сократив приток новых пользователей). Тратим на привлечение мы 0,8$, а зарабатываем лишь 0,5$ со среднего пользователя спустя 8 недель.

В третьей версии приложения мы доработали туториал и добавили новые покупки в приложение, увеличив разнообразие. Это позволило нам увеличить долю повторных покупок и сравнять LTV с CAC.

cohort_analysys

 

Примерно так когортный анализ позволяет нам понимать свой продукт, а также то, какие улучшения работают, а какие нет.

 

В заключении

Самый сложный этап в работе над продуктом возникает тогда, когда первые значения метрик для вашего продукта получены и встают вопросы:

  • Полученные значения метрик – это хорошо или плохо?
  • Над какой метрикой следует работать в следующей версии приложения в первую очередь?
  • Как приоритезировать гипотезы, придуманные для улучшения метрики?

Об этих вопросах я  напишу в другой статье. Если вы хотите не пропускать новые материалы, то подписывайтесь на рассылку блога или вступайте в группы в социальных сетях.

 

Основные идеи статьи

  • метрики роста не подходят для построения аналитики продукта, так как на них влияет не только продукт, но и маркетинг/продвижение
  • две ключевые метрики продукта – LTV и CAC
  • LTV – высокоуровневая метрика, поэтому ее следует декомпозировать на метрики продукта, привязанные к ключевым этапам жизненного цикла пользователя в приложении
  • суть когортного анализа состоит в том, чтобы отслеживать ключевые метрики каждой отдельной когорты во времени
  • когортный анализ позволяет объективно сравнивать разные версии продукта и оценивать влияние изменений на продукт

 




Подписка на рассылку новых материалов

Уважаемые читатели, подпишитесь на рассылку новых материалов блога. Вы будете получать не более одного письма в неделю с интересными и полезными статьями про аналитику и маркетинг в интернете.



Запись опубликована в рубрике Аналитика, Без рубрики, Маркетинг, Мобильная разработка с метками , , . Добавьте в закладки постоянную ссылку.
  • rusppc

    Почему Вы опускаете тот факт, что пользователи первой когорты установившие изначально v1.1 продукта, также как и пользователи второй когорты обновятся до v1.2. И соответственно внесенные изменения в v1.2 будут иметь последствия для обоих когорт.
    Именно поэтому мне представляется когортный анализ (на основе недель привлечения) “уязвимым”, и более оправданно строить анализ на основе сегментов пользователей по версиям продукта.

    • Олег Якубенков

      Да, вы правы, но и у такого подхода есть свои минусы.

      Например, если новая версия выходит раз в несколько недель, то хороших данных для каждой версии будет лишь на пару недель, а потом пользователи из текущей версии будут утекать в новую.
      Изменения часто вносятся с сервера без обновления приложения.

      Тут, скорее, под каждую конкретную задачу надо выбирать соответствующий инструмент.

      В этой статье я умышленно не стал упоминать многие детали, чтобы не усложнять материал. Хотелось прозрачно донести саму идею.

      • rusppc

        Огромное Вам спасибо за материалы. Надо было сразу поблагодарить, а не вставлять свои пять копеек. Явно назрела необходимость в появлении блогов освещающих вопросы аналитики – и у Вас мощный старт. С интересом буду наблюдать за продолжением.

        • Олег Якубенков

          Спасибо :)

  • Олег, спасибо за Ваши материалы. Начали применять идеи на практике, и столкнулись с тем ,что не можем четко отделить первичные покупки от повторных: наша внутренняя система не может сделать группировку по AppleID, а во флурри нет разбиения продаж по когортам.
    Подскажите, есть ли бесплатные (или недорогие) средства для подобного анализа?

    • Олег Якубенков

      Привет

      Есть бесплатный инструмент Game Analytics с частично реализованным функционалом когортного анализа, но есть сомнения в честности рассчитываемых этой системой данных. Game Analytics занижает данные на 30-40% относительно других систем. Об этом писали в комментариях к статье со сравнением систем аналитики + я сам проверял на одном из наших приложений.

      Как вариант, если не очень большие объемы данных, то можно писать данные себе в базу данных в таблицу со структурой {uuid, event, parametrs}. Для расчета ключевых метрик этого должно хватить.

      • Это мы пишем, но оно сильно расходится со статистикой продаж эпл. завтра попробую ещё пару идей проверить :-)

      • Сергей Зинкин

        GA все данные занижает или только в когортном анализе?

  • Roman

    Спасибо за отличную статью!
    А поясните, пожалуйста, некторые моменты с подсчетом LTV на примере игры. Мне не совсем понятно как считать такую компаненту в LTV, как LT. Как понять, что пользователь ушел из игры: он не играл в нее неделю, две, месяц? И если средняя продолжительность жизни игрока в игре 2 месяца, то мерять ведь неделями, как у вас в примере, не получится? Или допустим я трудился над ретеншеном и сделал обновление в игре. Я не знаю на сколько увеличилась LT игрока. Я выделяю когорту и пока не посчитаю ее LT, я не могу высчитать LTV? Т.е. получается, чтобы понять динамику LTV придется ждать долго, а с мобильными играми много времени на принятие решения нету. Спасибо заранее.

    • Олег Якубенков

      “Мне не совсем понятно как считать такую компаненту в LTV, как LT. Как понять, что пользователь ушел из игры: он не играл в нее неделю, две, месяц? ”

      Это хороший вопрос. На самом деле, вам не надо знать LT. Когда вы нарисуете график доходов от определенной когорты пользователей во времени, то, скорее всего, быстро сможете понять, какой у вас примерно LTV. У большинства игр график дохода от когорты похож на график логарифма, темп его роста замедляется очень стремительно (обычно за первые неделю-две когорта оставляет существенную часть денег, из тех, что заплатит за LT).

      Если в вашем случае доход от когорты растет и не замедляется в течение очень длительного периода времени (пусть 2 месяца), то вам и правда будет сложно оценить LTV, но, скорее всего, в этом случае вас эта метрика должа мало волновать :)

      • Roman

        Спасибо за ответ, Олег.

        “У большинства игр график дохода от когорты похож на график логарифма, темп его роста замедляется очень стремительно (обычно за первые неделю-две когорта оставляет существенную часть денег, из тех, что заплатит за LT).”

        Вы правы. У нас f2p модель и в игру можно играть совсем без платежей, прогресс будет конечно весьма медленным, но можно совсем не платить. При желании же развиваться быстро в игре можно оставлять большие суммы денег. Таким образом, мы видим график логарифма для выделенной когорты, но в данной когорте будет % платящих, которые останутся в игре на долго и для которых характерен высокий средний чек. Т.е. на дистанции доход от них перекроет первый двух недельный пик от всей когорты. Проблема в том, что трудно спрогнозировать в какой именно момент эти платящие игроки захотят ускорить свой прогресс и когда они уйдут из игры. Это сильно затрудняет понимание LTV для данной игры.

        • Олег Якубенков

          Если вы увидели, что рост доходов от когорты замедляется и выполаживается, то маловероятно, что потом темп роста доходов начнет увеличиваться.
          Да, скорее всего, будут игроки, которые продолжат платить, но изменения характера поведения кривой, скорее всего, не будет (если у вас другой случай, то это очень интересно).

          Ну а вообще, наверняка, у вас есть группа пользователей, которые пришли 2 или более месяцев назад – изучите их, постройте график ARPU для пользователей в этой когорте во времени. Хотя бы частично это даст ответы на ваши вопросы.

          • Roman

            Спасибо за совет и за статьи.
            Буду и дальше с удовольствием вас читать.

  • Спасибо за статью! Очень и очень полезно, доходчиво, жизненно.
    С нетерпением жду предложения о том, как правильно анализировать, делать выводы и находить узкие места в продукте.

  • Карина Бродская

    Олег, не могли бы вы написать формулу, по которой рассчитываете LTV в первой таблице, приведённой в этой статье. Обычно формула выглядит следующим образом: LTV=(ср. выручка с клиента*маржинальность)/отток клиентов. Как можно посчитать отток, если каждую неделю учитываются и старые и новые пользователи, совершившие покупку? Вы отток считаете только по строке “совершили повторную покупку”? Поделив последующий столбец на предыдущий?

    • Олег Якубенков

      Привет
      Я все считаю намного проще.

      Беру пользователей, которые пришли в конкретную неделю (пусть в неделю 0). Потом считаю сколько денег эти пользователи потратили в неделю 0, неделю 1 и так далее.
      Сумма потраченных этими пользователями денег к неделе N / кол-во пользователей в этой группе – получаем LTV на N неделю.

      В зависимости от специфики расчетов тут уже можно учитывать/не учитывать накладные расходы и другие факторы.

      • Григорий Михолап

        Олег, т.е. в этой таблице при расчете показателей для каждой недели вы за базу берете размер когорты (а не количество пользователей оставшихся к N-ой неделе), верно?

        • Олег Якубенков

          Георгий, если я правильно понял вопрос, то да

          • Григорий Михолап

            Олег, а подскажите использовали ли вы такие показатели как LTV3 или LTV7? (это прогноз LTV за первые 3 и 7 дней соответственно). Если использовали, то как?

          • Олег Якубенков

            Григорий,
            Я обычно строю динамику LTV по дням
            И сравниваю ее для интересующих меня групп пользователей

          • Григорий Михолап

            т.е. ровно так как в таблице выше рассчитан LTV по неделям вы строите по дням? А LTV считаете по такой формуле? Сумма_всех_платежей/Кол-во_пользователей, где сумма и количество берется по пользователям, которые пришли в отчетную неделю. (например неделя 12.10-18.10)
            Если формула такая, но у вас выходит не совсем LTV, а ARPU, который однако уже ближе к week7-9 дает оценку LTV.

  • Александр-аналитик

    Где вы все увидели аналитику. Аналитика- это вопрос объективности сравнения. Например в ваших когортах, Было 1, а стало 2 это в два раза больше или всего на один больше. А было 99, а стало 100 это изменения или случайность?

    • Олег Якубенков

      Александр, если подготовите интересную статью, где расскажете про истинную аналитику, то с радостью ее опубликую.

  • Александр-аналитик

    Фраза”сравнивая показатели мартовской и майской когорт пользователей, вы можете объективно сравнивать…” вызывает недоумение. Объективно сравнить можно только объективным аналитическим методом, а так имеется ввиду “субъективно” сравнить и если это так, то дальнейшее описание бессмысленно. Так как все последующее будет зависит от оценки конкретного человека на этом этапе.

  • Много орфографических ошибок в тексте и самого текста много, тут уже в пору книгу писать:)
    Но в целом, материал полезный, хоть и написано в основном не для Российского рынка!

  • Julia

    Олег, здравствуйте! спасибо большое за очень полезную статью. А теперь ряд вопросов (простите, если какие-то из них покажутся Вам глупыми, только начала разбираться в теме)

    1) по каким именно параметрам надо делить пользователей на когорты?
    2) о каких покупках в игре идет речь? можно ли имплементировать в релевантную игру покупку продукта из fmcg-категории в партнерских онлайн-магазинах (озон, утконос и тд)?
    3) что тут будет подразумеваться под туториал? и каким он должен быть?
    заранее большое спасибо!

    • Олег Якубенков

      Юля, здравствуйте

      1) когорты выделяются по дате регистрации пользователя
      далее их можно сегментировать по другим важным для вас параметрам (страна, ос и тд)

      2) под покупками подразумеваются инапы
      вопрос про покупку fmcg продуктов не до конца понял – ничего подобного в играх я точно не видел :) но если вдруг можно сделать такую покупку в игре, то подхода к анализу данных это не меняет

      3) туториал – это обучение пользователя тому, как играть в игру

  • Спасибо за статью. Написано лаконично и доходчиво без лишних деталей. Прочитал с удовольствием.

    • lohmatyi312

      Спасибо!

  • Александр Токмаков

    Олег, привет! Еще раз внимательно прочитал твою статью. Хочу поблагодарить и задать пару вопросов:
    1) Есть мнение, что CAC – это вообще не метрика продукта, а метрика продвижения продукта. Она зависит от качества и кол-ва маркетинга и не зависит от продукта. Нужна она исключительно в принятии решения на основе ROI=LTV-CAC
    2) Делишь ли ты связку CAC-LTV по каналам и по сегментам в каналах? Т.к. в разных каналах и особенно разных сегментах будет свой LTV.
    Т.е. получается: Канал#1-Сегмент#1-Когорта#1 и у них свой CAC-LTV.

    • Victor Smirnov

      Привет, расскажи плз, почему ты предлагаешь именно внутри каналов выделять сегменты и каким образом?
      По-моему легче понаставить UTM-меток на кучу каналов, и после объединять каналы в сегменты.
      Но возможно мы просто на разных рынках. О каком ты ведешь речь?

      • Александр Токмаков

        Рынки не причем.
        Utm метками ты только узнаешь откуда пришел юзер.
        Я же рассматриваю вариант сегментирования в сегментировании.