Винтажный анализ: как читать кривые удержания

Винтажный анализ (vintage analysis) — метод визуализации retention, где каждая когорта представлена как кривая удержания во времени. В отличие от таблицы когорт, винтажки наглядно показывают форму кривой: выходит ли она на плато, деградирует или улучшается.

Как строить винтажки

• 1Определите когорту — обычно по дате первого визита/регистрации.
• 2Выберите период когорты — недельные для consumer-продуктов, месячные для B2B.
• 3Рассчитайте retention для каждого дня/недели после регистрации.
• 4Постройте график: ось X — время с момента регистрации (Day 0, Day 1, ..., Day 30), ось Y — процент вернувшихся, каждая линия — отдельная когорта.

Паттерны винтажек и что они означают

• 1Выход на плато — здоровый продукт. Кривая резко падает первые дни, затем стабилизируется на 15-30%. Это значит, что часть пользователей нашла ценность и остаётся надолго.
• 2Постоянная деградация — кривая падает до нуля без плато. Критично: продукт не создаёт устойчивой ценности. Нужно искать aha-момент или пивотить.
• 3Улучшение со временем — новые когорты показывают лучший retention. Продукт развивается в правильном направлении.
• 4Seasonality — периодические колебания. Учитывайте сезонность: летом в KZ retention падает (отпуска), в ноябре растёт (подготовка к Новому году).

Как использовать для продуктовых решений

• 1Сравнение до/после изменений — запустили новый онбординг? Сравните когорты до и после. Если кривая новых когорт выше — изменение сработало.
• 2Поиск aha-момента — найдите точку, где кривые «расходятся»: пользователи, сделавшие X, остаются, остальные уходят.
• 3Прогнозирование LTV — по форме кривой можно экстраполировать, какой retention будет на Day 90 или Day 365, и рассчитать LTV.

Инструменты для винтажек: Amplitude (Retention Analysis → Line Chart), Mixpanel (Retention Report), SQL + Python/Google Sheets (для кастомных расчётов). Формула в SQL: SELECT cohort_week, weeks_since_signup, COUNT(DISTINCT user_id) / first_week_users as retention FROM events GROUP BY cohort_week, weeks_since_signup.

Пример для KZ-продукта: EdTech-платформа построила винтажки по недельным когортам. Когорты до запуска геймификации: плато на 8% к Week 4. Когорты после: плато на 18% к Week 4. Рост retention в 2.25 раза подтвердил гипотезу о геймификации.

Частые ошибки

• 1Сравнение когорт разной зрелости — когорта прошлой недели не дошла до Day 30, нельзя сравнивать с завершённой когортой.
• 2Игнорирование размера когорты — маленькие когорты дают шумные данные.
• 3Построение на слишком коротком периоде — минимум 4-6 недель для надёжных выводов.

Визуализация ключевых концепций

flowchart LR
    subgraph Винтажки["Винтажный анализ"]
        C1["Когорта 1"]
        C2["Когорта 2"]
        C3["Когорта 3"]
    end
    
    subgraph Паттерны["Паттерны кривых"]
        PLAT["Плато = здоровый продукт"]
        DEG["Деградация = проблема"]
        IMP["Улучшение = правильный путь"...