Кривая удержания: что это и как читать

Автор

Питер Фейдер и Брюс Харди (модель удержания); команда data science в Sequoia, Эндрю Чен, Ли Цзинь и Джефф Джордан из a16z (формы кривых и «улыбка»), 2006 и 2007 (модель); 2018 (обсуждение «улыбки» в a16z)

Уровень

301 · Продвинутый

Подходит

стартап, растущая компания

Время на внедрение

Несколько часов на первую кривую, затем разбор раз в месяц

Что понадобится

дата старта для каждого пользователя или клиента (регистрация, первая покупка, первый платёж) · журнал с датами того действия, которое считается возвращением · хотя бы одна когорта, достаточно старая для плато: обычно история в несколько месяцев

Кривая удержания — линия, которая показывает, какая доля стартовой группы ещё активна в каждом возрасте после начала. Amplitude описывает её как процент стартовой группы, который возвращается или остаётся активным со временем: кривая начинается со 100% и обычно идёт вниз. Каждая линия — одна когорта, то есть одна строка таблицы когорт, нарисованная как график. Форма говорит больше любого одного числа: она отличает продукт с ядром постоянных пользователей от продукта, который теряет людей, пока не потеряет всех.

Три формы кривой

Команда data science в Sequoia делит кривые на выравнивающиеся, падающие и «улыбающиеся». Amplitude добавляет четвёртую: кривая выравнивается на низком проценте. Это продукт, который работает для малой группы, тогда как большинство пользователей слишком медленно доходят до ценности.

Уровень важен не меньше формы. В июньском бенчмарке 2020 года Ленни Рачицкий измеряет удержание пользователей через шесть месяцев и называет хорошими примерно 25%, а отличными 45% для потребительских соцсетей; для потребительского SaaS это 40% и 70%, для корпоративного SaaS 70% и 90%. Он же пишет, что ровной кривой, на которой держится масштабируемое привлечение, хватает, чтобы бизнес жил. Эндрю Чен в эссе сентября 2025 года утверждает, что удержание затухает с предсказуемым периодом полураспада, а раннее удержание предсказывает позднее. Поэтому слабый первый месяц так трудно исправить.

Две разные «улыбки» в a16z

Словом «улыбка» в материалах a16z названы два разных графика. Первый — Power User Curve, который опубликовали Ли Цзинь и Эндрю Чен 6 августа 2018 года. Это гистограмма пользователей по числу дней активности за месяц, а форма улыбки означает группу самых активных пользователей, которые приходят каждый день или почти каждый. Она показывает, как вовлечённость распределена по пользователям за один месяц, а не как стареет когорта.

Второй — улыбка удержания. В посте What to do when product growth stalls, на сайте Чена без даты, он пишет, что узкий класс продуктов с сетевыми эффектами часто показывает улыбку: удержание растёт со временем, пока сеть наполняется. Джефф Джордан использует оба значения в подкасте a16z 2018 года. Первую улыбку он относит к гистограмме частоты использования, а «ещё одну улыбку» — к когортным кривым, которые разворачиваются вверх, потому что продукт становится ценнее. Такие кривые он вспоминает по due diligence OpenTable.

Эссе Чена 2025 года осторожнее. Он пишет, что кривая, которая стартует высоко, падает и снова становится высокой, на практике не встречается, если не считать редкие продукты с сетевым эффектом. Sequoia добавляет, что даже улыбающиеся продукты со временем стремятся к нулю, когда меняются конкуренция и поведение пользователей. Относитесь к улыбке как к случаю, который нужно проверять.

Почему кривая выравнивается или растёт

Кривая выравнивается по двум причинам: часть пользователей остаётся насовсем или меняется состав тех, кто остался. Растёт она только когда пользователи возвращаются или когда её искажают правило подсчёта и незакрытое окно.

Эффект состава чаще всего упускают из виду. Возьмите когорту, где половина — быстро уходящие, у каждого из них шанс уйти в любом периоде 40%, а другая половина — медленно уходящие с шансом 5%. Никто не меняет поведение. Но когорта удерживает 77,5% в периоде 1 и около 95% в периоде 12, и к этому моменту остаётся примерно четверть участников, почти все из медленно уходящих.

На этой идее Питер Фейдер и Брюс Харди построили модель shifted-beta-geometric. У каждого клиента постоянный шанс уйти, у разных клиентов он разный, поэтому доля удержания со временем растёт. На их данных по одному подписочному бизнесу модель, подогнанная к семи годам, завысила выживаемость на 12-й год в сегменте Regular на 2%. В заметке Харди показано, как посчитать модель в Excel. Продолжение 2018 года позволяет оттоку меняться с возрастом клиента, и поэтому модель может давать и растущие, и U-образные кривые. При этом авторы всё равно находят, что индивидуальный отток вряд ли снижается: важнее различать клиентов между собой.

Настоящий подъём даёт возврат ушедших. Джонатан Сю определяет вернувшихся как тех, кто раньше ушёл, не был активен в прошлом периоде и снова активен сейчас; как их считать, показывает growth accounting. Вернуть их может новая функция, кампания с напоминаниями или более населённая сеть.

Остальное — учёт. В описании расчёта Amplitude сказано, что удержание «возврат в этот день или позже» может только оставаться ровным или падать, а «возврат ровно в этот день» может расти, и что незавершённое окно способно завысить поздние точки. Mixpanel помечает незавершённые периоды звёздочкой. Анализ выживаемости решает ту же задачу методом Каплана — Мейера: на каждом интервале он считает только тех, за кем можно было наблюдать.

Кривые использования и кривые выручки

В эссе 2025 года Чен пишет, что удержание по выручке растёт, а удержание по использованию падает. Дэвид Скок называет такой рост выручки отрицательным оттоком: расширение за счёт оставшихся клиентов превышает выручку, потерянную из-за отмен. По его словам, это редкость. Tribe Capital показывает удержание выручки когорты выше 100%, в их примере около 120% через шесть месяцев. Рисуйте обе линии и не выдавайте рост выручки за «улыбку» сетевого эффекта.

Разрежьте линию, прежде чем верить ей

Фил Либин делит удержание на отказ с порога, отток малоценных и отток ценных клиентов и советует измерять их отдельно. Так пишет Джейсон Лемкин в конспекте SaaStr, где сообщается и о том, что Evernote снизил долю отказов с порога с 80% до 40% за 18 месяцев. В общей кривой легко не заметить, что нужные вам клиенты как раз остаются.

От кривой к деньгам

От удержания зависит стоимость бизнеса. Гупта, Леман и Стюарт сообщают, что рост удержания на 1% повышает стоимость клиентов и фирмы на 3–7% в изученных ими компаниях. Статья Фейдера и Харди 2010 года показывает, что одна средняя доля удержания занижает остаточную стоимость клиентской базы, потому что удержание в когортах обычно растёт. Маккарти, Фейдер и Харди применяют когортную оценку к Dish Network и Sirius XM.

План Growth Lab начинается с кривой удержания того сегмента, который остаётся: одно определение активности, одно число плато, один тест.

Как применять: Кривая удержания: что это и как читать по шагам

1. Зафиксируйте когорту и событие возвращения. Выберите событие, после которого клиент попадает в когорту, и действие, которое считается возвращением. Лучше брать ключевое действие, а не вход в аккаунт. Результат: одна фраза о том, кто входит в кривую и что значит «активен».
2. Рисуйте только завершённые периоды. Отложите долю активных в каждом возрасте, начиная со 100% на старте. Точки, до которых когорта ещё не дожила, не рисуйте: в незакрытом окне часть пользователей выпадает из знаменателя, и линия завышена. Результат: кривая, где каждая точка окончательная.
3. Назовите форму. Решите, куда идёт линия: к нулю, на низкое плато, на здоровое плато или вверх. Сравните уровень с бенчмарком вашей категории, взяв то же окно удержания. Результат: одна метка формы и одно число плато.
4. Разрежьте кривую, прежде чем верить ей. Разбейте кривую по каналу привлечения, тарифу или первому действию. Отдельно посмотрите тех, кто уходит в первые сессии, и тех, кто уходит позже. Результат: понятно, какой сегмент сидит на плато.
5. Проверьте любой подъём. Если хвост пошёл вверх, проверьте правило подсчёта, закрыто ли окно и сколько пользователей вернулось после ухода. Только потом ищите причину в сетевом эффекте или продукте. Результат: решение, настоящий это подъём или нет.
6. Запишите одну гипотезу и пересмотрите кривую. Выберите одно изменение, нацеленное на сегмент с плато или на падение первой недели, выкатите его для новых когорт и перерисуйте кривую, когда они повзрослеют. Результат: датированный тест, на который ответят следующие когорты.

Примеры

Карточное приложение с плато

Иллюстративный пример. Финтех-приложение с картой за месяц набирает тысячу регистраций и считает пользователя активным, если на неделе был платёж. Неделя 1: 400 человек, 40%. Неделя 4: 220, 22%. Неделя 8: 200, 20%. Неделя 12: 200, 20%. Кривая вышла на плато в 20%. Команда изучает эти 200 человек, их первый платёж и способ пополнения, а не раздувает рекламный бюджет.

Скачок после напоминаний в клинике

Иллюстративный пример. Стоматологическая клиника следит за 500 новыми пациентами и считает пациента активным в квартале, если у него был визит. Квартал 1: 60%. Квартал 2: 30%. Квартал 3: 22%. В четвёртом квартале клиника рассылает напоминания, и показатель поднимается до 31%. Это эффект кампании на пациентах, которые перестали ходить, а не «улыбка» от сетевого эффекта. Поэтому клиника сначала смотрит на неё через growth accounting и только потом говорит о лучшем продукте.

Evernote и возраст когорты

Документированный случай. В интервью AllThingsD 2013 года глава Evernote Фил Либин рассказал, что доля платящих растёт с возрастом когорты: около 0,5% в первый месяц, около 7% через год и около 25% в самой старой когорте, примерно пятилетней. Это растущая кривая доли платящих внутри когорты. Она описывает поведение выручки и не доказывает, что активных пользователей стало больше.

Когда применять

Применяйте, когда у вас есть когорты, достаточно старые, чтобы увидеть, где они выравниваются, и нужно выбрать между доработкой продукта и покупкой новых пользователей. Подходит приложениям, маркетплейсам, подпискам, клиникам и любому бизнесу с повторным использованием. Перерисовывайте после каждого изменения онбординга, цены или канала.

Когда не применять

Не берите её для продукта, которым пользуются один раз, например для разовой покупки: там нужна воронка. Не стройте кривую по данным за пару недель или по когортам в несколько десятков человек: линия прыгает от нескольких людей. Кривая говорит, остаются ли люди, но не почему.

Частые ошибки

• Принимать подъём за лояльность. В модели shifted-beta-geometric доля удержания растёт со временем, хотя у каждого клиента шанс уйти постоянный: быстро уходящие уходят первыми.
• Дать себя обмануть незакрытому окну. По документации Amplitude, неполные окна могут создать видимость подъёма, а Mixpanel помечает незавершённые периоды звёздочкой. Дождитесь закрытия окна.
• Сравнивать кривые, построенные по разным правилам. Удержание «в этот день или позже» может только падать, а «ровно в этот день» может расти, а бенчмарки бывают с другим окном, например в шесть месяцев. Сначала сверьте определения.
• Считать улыбку целью. Эндрю Чен пишет, что улыбка удержания встречается у узкого класса продуктов с сетевым эффектом, поэтому большинству команд стоит целиться в плато.
• Усреднять всех в одну линию. Разбивка Фила Либина на отказ с порога, отток малоценных и отток ценных клиентов показывает, как общая кривая прячет группу, которая важна.

Вопросы и ответы

Как выглядит хорошая кривая удержания?

Она падает в первые дни или недели, а затем выходит на плато выше нуля. Команда data science в Sequoia говорит: чем выше выравнивается кривая, тем здоровее продукт. Бенчмарки зависят от категории: в посте Ленни Рачицкого 2020 года хорошее удержание пользователей через шесть месяцев — около 25% для потребительских соцсетей и 70% для корпоративного SaaS.

Что такое улыбка на кривой удержания?

Это кривая, которая проседает, а потом снова растёт. Sequoia и Amplitude связывают её с возвращением ушедших пользователей через развитие продукта, повторное вовлечение или сетевые эффекты. По словам Эндрю Чена, она встречается у узкого класса продуктов с сетевым эффектом. В a16z тем же словом называют ещё и Power User Curve, а это другой график.

Почему моя кривая удержания идёт вверх?

Причины такие: ушедшие вернулись; инструмент считает возвращение ровно в этот день, а не в этот день или позже, как описано в документации Amplitude; окно анализа ещё открыто и завышает поздние точки; вы смотрите на долю удержания от периода к периоду, которая растёт, когда быстро уходящие уходят первыми. Исключите две последние причины, прежде чем записывать подъём в заслуги продукта.

Чем кривая удержания отличается от таблицы когорт?

Таблица когорт выписывает проценты удержания по периоду старта и возрасту. Кривая удержания рисует одну строку или среднее по строкам как линию по возрасту. Таблица удобна, чтобы сравнивать когорты в одном возрасте. Кривая удобна, чтобы увидеть, где выравнивается одна группа.

Обязательно ли кривой удержания выравниваться?

Чтобы бизнес выжил, необязательно. В посте Ленни Рачицкого 2020 года сказано: ровной кривой удержания, на которой держится масштабируемое привлечение, хватает, чтобы бизнес жил. Кривая, которая падает до нуля, означает, что бизнес стоит на месте, только пока приходят новые пользователи.

Источники

1. Andrew Chen, What to do when product growth stalls, andrewchen.com
2. Li Jin and Andrew Chen, The Power User Curve, a16z, 6 August 2018
3. Andrew Chen and Jeff Jordan, a16z Podcast on growth, retention and engagement, transcript on andrewchen.com, September 2018
4. Andrew Chen, Why retention is so hard for new tech products, 8 September 2025
5. Sequoia Capital data science team, Retention
6. Amplitude, What is a retention curve
7. Amplitude, How the Retention Analysis chart calculates retention, documentation
8. Mixpanel, Retention report, documentation
9. Peter S. Fader and Bruce G. S. Hardie, How to project customer retention, working paper 2006, Journal of Interactive Marketing 21(1), 2007
10. Peter S. Fader and Bruce G. S. Hardie, Customer-base valuation in a contractual setting: the perils of ignoring heterogeneity, Marketing Science 29(1), 2010
11. Peter S. Fader, Bruce G. S. Hardie, Yuzhou Liu, Joseph Davin and Thomas Steenburgh, How to project customer retention revisited, Journal of Interactive Marketing, 2018
12. Bruce G. S. Hardie and Peter S. Fader, A spreadsheet-literate non-statistician's guide to the beta-geometric model
13. Daniel McCarthy, Peter Fader and Bruce Hardie, Valuing subscription-based businesses using publicly disclosed customer data, Journal of Marketing 81(1), 2017
14. Sunil Gupta, Donald Lehmann and Jennifer Ames Stuart, Valuing customers, Journal of Marketing Research 41(1), 2004
15. J. Martin Bland and Douglas G. Altman, Survival probabilities (the Kaplan-Meier method), BMJ 317, 1998
16. Lenny Rachitsky, What is good retention, Lenny's Newsletter, 9 June 2020
17. Arik Hesseldahl, Evernote CEO Phil Libin on turning loyal users into paying customers, AllThingsD, 26 December 2013
18. Jason Lemkin, Phil Libin on bounce rate and high versus low value churn, SaaStr
19. David Skok, SaaS metrics 2.0, For Entrepreneurs
20. Tribe Capital, A quantitative approach to product market fit, 14 July 2019
21. Jonathan Hsu, Growth accounting, Amplitude blog, 3 December 2019

Обновлено 20 октября 2026

Илья ПушинОснователь PUSHERS & COO Fintech ServiceИлья строит операционные системы для растущих компаний в медицине и финтехе. С 2021 года руководит трансграничными платежами в ARBI Exchange, лицензированном обменнике в Таиланде, включая KYC, AML и выход в новые юрисдикции.Об автореLinkedIn