Чем rolling retention отличается от классического?

Классический retention дня N считает только тех, кто вернулся ровно в этот день. Rolling — всех, кто вернулся в день N или в любой день после. Поэтому rolling на тех же данных всегда равен классике или выше, иногда в разы. Путать две цифры в одном отчете — прямой путь к ложным выводам.

Какой вид retention подходит интернет-магазину?

Рабочий набор для ecom: rolling как основная метрика состояния базы, когортная нарезка по месяцу первой покупки как формат отчета, классика точечно — для проверки welcome-цепочек и отдельных кампаний. Окно расчета брать из медианного интервала между заказами, а не из чужих бенчмарков.

Какой retention считать хорошим?

Универсальной нормы нет: у доставки еды и у магазина шин «хорошие» цифры отличаются на порядок. Рабочий ориентир — собственная динамика когорт. Если когорта за когортой M+1 растет хотя бы на 2–3 п.п. за полгода, удержание работает. Сравнивать себя с чужим бенчмарком без совпадения методики, окна и события бессмысленно.

Можно ли посчитать retention в Mindbox?

Да. Базовые отчеты и сегменты по повторным покупкам собираются внутри платформы, для полноценной когортной таблицы данные обычно выгружают в BI — например, в Power BI или DataLens. Важно заранее договориться о событии возврата и окне, чтобы выгрузка и CRM-отчеты не расходились.

Виды retention: как считать классический, rolling и когортный и не запутаться

На планерке маркетинг докладывает: retention вырос до 38%. Продукт открывает свой дашборд: у него 19%. Обе цифры честные, обе посчитаны правильно — просто по разным формулам. Дальше полчаса спора о том, чей Excel врет меньше.

Ситуация знакомая почти каждой компании, где retention считают больше одного человека. У термина есть несколько методик расчета, и они дают заметно разные числа на одних и тех же данных. Пока команда не договорится, какая методика основная, любой рост или падение метрики можно объяснить чем угодно. Разобраться в трех подходах попросили Егора Череватенко, CRM-маркетолога ClientCore, — он строит такие отчеты для клиентов в Mindbox и знает, где именно цифры начинают расходиться.

Почему в одной компании retention расходится в два раза

Путаница живет на двух уровнях. Первый — формула. Классический retention считает тех, кто вернулся ровно в заданный день. Rolling — тех, кто вернулся в этот день или в любой день после. Второй уровень — нарезка: когортный подход группирует клиентов по моменту первого события и смотрит каждую группу отдельно, вместо усреднения по всей базе.

Типичный расклад: маркетинг считает долю клиентов с повторной покупкой за 90 дней — это rolling-логика. Аналитик берет долю вернувшихся ровно на 30-й день — это классика. Оба называют результат словом «retention» и искренне не понимают, откуда у коллеги другая цифра. А когорты вообще никто не смотрит, потому что среднее по базе «и так нормально показывает».

Классический retention: формула дня N

Классический retention дня N — это доля пользователей когорты, которые совершили целевое действие ровно в день N после старта.

Retention N = активные в день N / размер когорты в день 0 × 100%

Пример. 1 марта первую покупку сделали 1000 человек. Ровно 8 марта (день 7) вернулись 120. Классический retention дня 7 — 12%. Те, кто вернулся 6 или 10 марта, в этот расчет не попали: для классики они «не вернулись в день 7».

Из-за такой жесткости кривая классического retention пилит: 12% в день 7, 4% в день 8, 9% в день 9. Это нормально для метрики — она отвечает на узкий вопрос «сколько людей возвращается именно в этот день». Отсюда и второе название — retention дня.

Где классика работает хорошо:

когда оценивают retention продукта с ежедневным сценарием использования: игры, медиа, доставка еды, фитнес-приложения;
проверка конкретного касания: вернула ли welcome-цепочка клиента на 7-й день, как планировалось;
поиск «провальных» дней жизненного цикла, где продукт теряет людей пачкой.

Где классика вводит в заблуждение — ecom с длинным циклом. Если люди покупают раз в 45–60 дней, retention дня 30 будет близок к нулю, и это не катастрофа, а следствие неподходящего окна. Клиент вернется на 47-й день — для бизнеса он удержан, для классики дня 30 он потерян.

Норма

день N выбран из реального поведения: медианный срок повторной покупки, цикл использования продукта;
рядом с цифрой всегда указано, какой это день и какая когорта;
классика используется для точечных вопросов: сработало ли письмо, выдержал ли онбординг.

Red flag

retention дня 30 считается у магазина, где люди покупают раз в квартал;
по пилообразной кривой делают выводы о «нестабильном удержании»;
цифру из классики сравнивают с чужим бенчмарком, посчитанным rolling.

Rolling retention: сколько клиентов еще с нами

Rolling retention дня N — доля пользователей, которые совершили действие в день N или в любой день после него.

Rolling N = активные в день N или позже / размер когорты в день 0 × 100%

Берем ту же когорту. Ровно в день 7 вернулся 121 человек, а в день 7 или позже — 310. Классика дает 12%, rolling — 31%. Разница в 2,5 раза на одних данных, без единой ошибки в расчетах.

Rolling отвечает на другой вопрос: сколько клиентов когорты еще живы к этому моменту. Кривая получается гладкой и снижается постепенно — по ней удобно искать точку, где база «умирает». Если rolling-кривая обрывается в районе 90-го дня, окно реактивации логично ставить на 75–80 день, пока клиент еще достучабелен.

Именно на такой «уснувшей» части базы хорошо работают реактивационные механики. В проекте для ресторана «Урюк» мы запускали розыгрыш сертификатов в низкий сезон — механика вернула предновогодний трафик и дала выручку в 20,7 раза выше затрат на призовой фонд (кейс). Подобные акции имеет смысл целить в сегмент, который rolling показывает как «еще живых, но молчащих», а не палить бюджет по всей базе.

Когортный retention: нарезка, к которой применима любая формула

Когортный подход решает другую задачу, чем две формулы выше. Он группирует клиентов по моменту первого события — регистрации, первой покупки — и отслеживает каждую группу отдельно. Внутри ячеек таблицы может стоять и классика, и rolling: когорты определяют, КАК режем данные, формула — ЧТО считаем.

Строки такой таблицы — когорты, столбцы — месяцы жизни. Иллюстративный пример:

Когорта	M+1	M+2	M+3
Март, 1200 клиентов	18%	11%	8%
Апрель, 1450 клиентов	22%	14%	—
Май, 1300 клиентов	25%	—	—

Что здесь видно сразу. По строкам: апрельская когорта удерживается лучше мартовской — стоит посмотреть, какие каналы привели апрельских клиентов. По столбцам: между M+1 и M+2 база теряет больше всего — туда и просятся удерживающие цепочки. По диагонали всплывает сезонность и эффект разовых акций. Среднее по базе все три вывода размазало бы в одну безликую цифру.

Накопительный эффект CRM тоже виден в когортах. Когда мы выстраивали CRM-направление для «Браво-Оптики», прирост +14,62% к выручке накапливался десять месяцев: каждая новая когорта удерживалась чуть лучше предыдущей за счет каскадных цепочек и email-канала (кейс). В среднем по базе такая динамика тонет, потому что старые когорты тянут цифру вниз.

Три методики на одних данных: что брать под каждую задачу

Соберем все в одну таблицу. Данные те же — когорта из 1000 клиентов, отличия только в методике.

Методика	Что считает	Вопрос, на который отвечает	Когда брать
Классическая	Вернулись ровно в день N: 120 из 1000 = 12%	Сработало ли конкретное касание в конкретный день	Короткий цикл, проверка цепочек и онбординга
Rolling	Вернулись в день N или позже: 310 из 1000 = 31%	Сколько клиентов когорты еще живы	Длинный цикл, стратегическая картина базы, поиск окна реактивации
Когортная нарезка	Ту же формулу — по каждой группе отдельно	Какие когорты и каналы удерживаются лучше	Постоянно, как основной формат отчета

Практический вывод: цифра retention без указания методики ничего не значит. «У нас 30%» — это может быть отличный rolling дня 90 или катастрофический rolling дня 7. В презентации руководству эти две ситуации выглядят одинаково.

Как собрать единый стандарт расчета для команды

Методикой больше, методикой меньше — не проблема. Проблема начинается, когда каждый считает по-своему и нигде не записано как. Стандарт собирается за одну встречу, если пройти по пунктам.

1. Событие возврата. Для ecom это оплаченный заказ, а не визит на сайт и не открытие письма. Визит показывает интерес, заказ — деньги. Смешивать события в одной метрике нельзя.

2. Окно расчета. Берется из данных: медианный интервал между первым и вторым заказом плюс запас. Медиана 45 дней — рабочее окно 60–90 дней. Окно «потому что так у конкурентов в бенчмарке» не подходит.

3. Основная и вспомогательная формулы. Рабочая связка для большинства ecom-команд: rolling как главная метрика состояния базы, классика точечно для оценки цепочек и кампаний. Обе — внутри когортной нарезки по месяцу первой покупки и каналу привлечения.

4. Фиксация в письменном виде. Одна страница в вики: событие, окно, формула, источник данных, владелец метрики. Любая смена методики — с датой и пометкой на графиках, иначе через год получите тот самый «рост на 9 п.п.» из цитаты выше.

5. Один источник правды. Один дашборд, из которого все берут цифры. Два параллельных отчета в разных инструментах гарантированно разойдутся — по атрибуции, часовому поясу или определению активности.