Дизайн когортного дашборда retention

Спроектируй когортный дашборд retention для {{product}} в {{stack}}.

Что такое cohort retention

Cohort retention отвечает на один вопрос: «из юзеров, пришедших в неделю X, какой % остался активен через N недель?». Не путать с aggregate retention (% активных от total) — там просадки маскируются ростом.

1. Оси и единицы

Y-ось: acquisition cohort (когда юзер пришёл)
   - неделя для consumer/SMB
   - месяц для enterprise (медленный sales cycle)

X-ось: age (сколько прошло с acquisition)
   - Wk0, Wk1, Wk2 ... Wk12
   - или D1, D7, D14, D28, D60, D90 — для frequency

Cell: % cohort, активный в этот период

«Активный» — единое определение для всех когорт. Если меняешь — backfill.

2. Что считать «активным»

Не event «opened app» — это бесполезно. Используй value moment:

Зафиксируй определение в шапке дашборда — без него любые числа спорные.

3. Heatmap-визуализация

Cohort   | Wk0 | Wk1 | Wk2 | Wk4 | Wk8 |
---------|-----|-----|-----|-----|-----|
2026-01  | 100%| 62% | 48% | 41% | 38% |
2026-02  | 100%| 60% | 47% | 40% | 37% |
2026-03  | 100%| 55% | 41% | 33% | 29% | <- алёрт
2026-04  | 100%| 58% | 44% | 36% |  -  |
2026-05  | 100%| 53% | 39% |  -  |  -  | <- алёрт

• Цвет от красного к зелёному по threshold-ам
• Вертикальная читалка: одна когорта во времени
• Горизонтальная: один age — как меняется поколение к поколению

4. Drilldown по сегментам

Один retention curve бесполезен. Раскладывай по:

Запрети «overall retention» как единственное число — всегда показывай рядом segment cuts.

5. Что алёртить

Wk1 — самый важный leading indicator. Onboarding ломается там.

6. Frequency vs depth retention

Бинарное «активен / нет» теряет информацию. Дополни:

• L7/L28: сколько из 7/28 дней юзер был активен (среднее по cohort)
• Power user curve: распределение по частоте — bimodal или smooth?
• Action count per active user: глубина использования

Если retention плоский, но L7 растёт — продукт становится глубже даже без роста ширины.

7. Survivor bias — главная ловушка

Считая только «выживших» через 8 недель, получаешь optimistic-bias картину. Counter:

• Показывай также mortality curve (cumulative % churned)
• Не cherry-pick «лучшие» когорты для презентаций

8. Реализация в {{stack}}

Mixpanel

Retention Report → Cohorts. Кастомизация: define «active» событием value moment, не «session start».

Amplitude

Cohort Analysis chart. Создай computed event «valuable_action» и используй как retention event.

In-house (Metabase / Looker)

WITH cohorts AS (
  SELECT user_id, DATE_TRUNC('week', first_seen) AS cohort_week
  FROM users
),
activity AS (
  SELECT user_id, DATE_TRUNC('week', event_at) AS active_week
  FROM events WHERE event_name = 'valuable_action'
  GROUP BY 1, 2
)
SELECT
  c.cohort_week,
  DATE_DIFF('week', c.cohort_week, a.active_week) AS week_age,
  COUNT(DISTINCT c.user_id) AS active_users,
  COUNT(DISTINCT c.user_id) * 1.0
    / FIRST_VALUE(COUNT(DISTINCT c.user_id)) OVER (PARTITION BY c.cohort_week ORDER BY DATE_DIFF('week', c.cohort_week, a.active_week)) AS retention
FROM cohorts c
JOIN activity a USING (user_id)
GROUP BY 1, 2

Анти-паттерны

• ❌ Aggregate retention вместо cohort — рост маскирует churn
• ❌ «Active = opened app» — бесполезное определение
• ❌ Менять определение active без backfill — все исторические когорты невалидны
• ❌ Показывать только средние — outlier-cohort легко теряется
• ❌ Игнорировать survivor bias — особенно при cherry-pick «good cohorts»
• ❌ Алёрт на overall retention, а не по segment — поздно реагируешь

В конце

• Mockup дашборда (heatmap + segment cuts + frequency)
• Определение «active» и rationale
• SQL/спека для каждого графика
• Алёрт-таблица: метрика → threshold → owner → action
• План пересмотра определений (раз в полгода)