DAU, CAC, ARPU, ARPC и churn чаще всего живут в презентациях для инвесторов и выглядят набором технических аббревиатур, оторванных от того, что реально происходит с продуктом. Пока метрики воспринимаются так, команда либо считает их для галочки, либо начинает подгонять реальность под красивые цифры на дашборде.
На деле это язык, на котором говорят о бизнесе: через него видно, где продукт создаёт ценность, где теряет деньги и почему рост не превращается в устойчивость. Сами по себе цифры ничего не решают, но именно они позволяют задавать правильные вопросы, а без них разговор быстро скатывается к обмену мнениями.
Поэтому главная проблема большинства стартапов не в том, что данных мало. Данные есть, дашбордов хватает, но нет системы интерпретации, которая превращала бы их в решения. Без неё аналитика остаётся декоративным элементом отчётности, а не инструментом управления.
Метрики это язык решений, а не витрина отчёта
Проще всего понять метрики через их назначение: они нужны, чтобы задавать правильные вопросы и опирать на них решения, а не чтобы украшать дашборд. Отсюда и самая частая ошибка, когда вместо анализа ищут виноватого. DAU не растёт или churn держится высоким, и первым делом появляется тезис о чьей-то некомпетентности, хотя почти никто не смотрит, в какой системе принимаются решения. Дело в том, что PM не управляет метриками напрямую: он управляет гипотезами, приоритетами и решениями, а те сдвигают цифры, причём с задержкой, и когда от продакта ждут магического роста показателей, ничего не меняя в контексте, это неизменно заканчивается разочарованием с обеих сторон. Рядом с поиском виноватых живёт вера в универсальные нормы: свои DAU, CAC или ARPU сравнивают с абстрактными бенчмарками, не глядя на стадию и модель бизнеса, и получают ложные выводы, ведь метрики всегда контекстны, и одно и то же число на ранней стадии и при масштабировании значит совершенно разное. Третья ловушка тоньше: показатель начинают оптимизировать в отрыве от ценности, и как только его рост становится самоцелью, продукт ломается изнутри, пользователи чувствуют, что ими манипулируют ради цифры, и устойчивость бизнеса тает быстрее, чем растёт красивый график.
Где рвётся связь между данными и решением
Когда метрики перестают работать, это почти всегда симптом системной поломки, а не отдельной плохой цифры: контур управления рвётся между данными и решениями, числа исправно собираются, но на приоритеты не влияют. Чаще всего метрики живут в аналитике, а решения принимаются в продукте и маркетинге по совсем другим причинам, интуитивно или под давлением сроков, и цифры подтягивают уже задним числом, чтобы объяснить сделанное, а не чтобы на него опереться. Вторая линия разрыва проходит через ответственность: если у метрики нет владельца, она быстро перестаёт быть инструментом, DAU вроде бы важен для всех, но за его качество и трактовку не отвечает никто, и любое обсуждение упирается в «это не ко мне». И последнее: контур рассыпается, когда между метриками нет связей, DAU растёт, CAC тоже растёт, churn остаётся высоким, но каждый показатель обсуждают в своём углу, а пока их не смотрят вместе, реальную картину бизнеса собрать невозможно, и опереть решение не на что. Связки между метриками важны не меньше самих чисел, потому что почти каждая пара рассказывает свою историю: DAU без churn скрывает, держится ли активная база или просто прокачивается притоком новых; CAC без ARPC и retention не говорит, окупается ли привлечение; ARPU без размера базы легко растёт на узкой группе, пока выручка стоит. Именно поэтому один показатель на дашборде почти всегда обманчив, а решение стоит принимать только тогда, когда видно, как одно число объясняет или опровергает другое.
Какие промахи с метриками простительны
Ошибки в работе с метриками на ранних стадиях неизбежны, и это нормально: стартап только учится читать поведение пользователей и экономику продукта, и часть промахов здесь это плата за обучение, а не признак слабой команды. Вполне допустимо ошибиться с фокусом и на время переоценить DAU, недооценив churn, ведь пока это осознаётся и корректируется, система только крепнет. Так же простительно ошибаться в трактовке ранних данных: малые выборки и нестабильные когорты регулярно вводят в заблуждение, и ценится не безошибочность, а скорость, с которой ошибку замечают. Недопустимо другое: игнорировать сигналы. Когда метрики устойчиво указывают на проблему, а команда продолжает действовать по-старому, ошибка перестаёт быть учебной и превращается в управленческую слепоту, которую уже не спишешь на молодость продукта.
Когда перестают задавать вопросы к данным
Грань между ошибкой и некомпетентностью проходит там, где команда перестаёт задавать вопросы к данным. Если DAU падает, а падение объясняют сезонностью и на этом закрывают тему, не проверив гипотезу, проблему просто заметают под ковёр. Похожий сдвиг случается, когда причины подменяют следствиями: высокий churn списывают на «плохих пользователей», хотя за ним обычно стоит слабая ценность продукта. Опасна и слепая вера в одну метрику, когда весь бизнес крутится вокруг DAU или ARPU, а остальные показатели остаются вне поля зрения, и система становится хрупкой к любому сбою. Самый тихий вид некомпетентности это отсутствие действий: метрики могут быть посчитаны корректно и даже правильно поняты, но если из них не следует ни одного решения, между аналитикой и управлением зияет разрыв. Те же установки слышно в обсуждениях, где они подменяют анализ удобным объяснением. «DAU вырос, значит всё хорошо» игнорирует churn, выручку и качество аудитории, ведь рост активности без удержания бизнеса не создаёт. «CAC высокий, потому что рынок сложный» снимает ответственность с продукта, хотя сложный рынок это как раз то, что продукт обязан учитывать, а не то, чем можно оправдаться. «Churn всегда был таким» превращает привычку к плохому показателю в запрет на его улучшение. А «инвесторам важен только рост» подменяет устойчивость скоростью, что рано или поздно оборачивается болезненными корректировками.
Метрики в discovery, delivery и коммуникации под давлением сроков
В повседневной работе метрики видны не в отчётах, а в ежедневных решениях: от них зависит, какие гипотезы команда берёт в проверку, какие фичи попадают в roadmap и какие каналы масштабируются. Зрелая команда обращается с ними как с навигацией, которая не диктует маршрут, но показывает, где бизнес уходит с устойчивой траектории, и помнит про задержку: решение принимается сегодня, а сдвиг в DAU, ARPU или churn проступает через недели или месяцы, что требует дисциплины и терпения, а не резких разворотов после каждой дневной цифры. Добавляет сложности и то, что метрики регулярно конфликтуют: рост DAU способен ухудшить churn, а погоня за низким CAC привести менее качественную аудиторию, поэтому работа продакта во многом сводится к осознанному выбору компромиссов. На этапе discovery метрики работают как фильтр гипотез: если идею нельзя связать с изменением конкретного показателя, её ценность под вопросом, а плохой симптом здесь это discovery без цифр, когда интервью идут, инсайты копятся, но никто не понимает, как всё это повлияет на DAU, retention или ARPU; зрелый вариант формулирует гипотезу через метрику, не «пользователям будет удобнее», а «retention первой недели вырастет». В delivery та же логика проявляется через приоритеты: когда команда не понимает, какие показатели важны прямо сейчас, backlog расплывается, а фичи выкатывают без ожиданий по метрикам, и после релиза никто не может сказать, что должно было измениться, тогда как зрелая команда заранее фиксирует, какие метрики будет отслеживать, и держит в голове побочные эффекты, ведь улучшение одного показателя нередко проседает по другому. В коммуникации метрики становятся общим языком продукта, маркетинга и бизнеса: обсуждают не мнения, а данные, и ломается это в момент, когда одни и те же цифры трактуют по-разному и DAU в разных отчётах считается своим способом, потому что доверие к данным исчезает первым; здоровый признак это регулярные разговоры о метриках без поиска виноватых, где цель понять, что происходит, а не защитить свою позицию.
По каким привычкам видно зрелость
Зрелость работы с метриками почти всегда читается по привычкам, а не по сложности BI-систем. Первое, что её выдаёт, это единые определения DAU, CAC, ARPU, ARPC и churn: пока разные команды считают их по-своему, система управления просто не сходится, и любой спор о цифрах превращается в спор о методике подсчёта. Дальше появляется ритм: метрики обсуждают регулярно, а не только в момент кризиса или перед отчётом, и за каждым таким разговором следует либо действие, либо осознанный отказ от него, потому что связь цифр с решениями и есть главный признак того, что аналитика работает. Завершает картину простота: если для понимания базового состояния бизнеса каждый раз нужен отдельный тяжёлый анализ, набор ключевых метрик стоит сокращать, а не наращивать, ведь перегруженный дашборд прячет сигнал не хуже, чем его отсутствие. Все три привычки держатся на одном: цифры существуют не ради самих себя, а ради решений, и как только этот принцип соблюдается, набор метрик сам собой сжимается до тех, что реально что-то меняют.
Почему продукт начинает жить отдельно от аналитики
Первая группа провалов связана с тем, как метрики читают. Когда команда зацикливается на одном показателе, будь то DAU или ARPU, и упускает churn и CAC, рост одной цифры маскирует системные проблемы: бизнес выглядит растущим, но становится всё более хрупким. Сюда же относится привычка разбирать метрики поодиночке, без причинно-следственных связей, когда DAU растёт, выручка стоит, и это никого не настораживает. А самый удобный способ снять с себя ответственность это подменить причины следствиями, объясняя высокий churn «не нашей аудиторией», а дорогой CAC «сложным рынком», вместо того чтобы искать продуктовые причины.
Вторая группа про данные и ответственность. Метрики считают ради инвесторских отчётов, но не используют внутри команды, и продукт постепенно начинает жить отдельно от аналитики. Ошибки трекинга, дубли и расхождения в определениях месяцами не исправляются, а решения принимаются на искажённой картине. При этом у ключевых показателей, того же DAU, retention и churn, нет владельцев: формально они важны всем, фактически ничьи, и без ответственности быстро деградируют.
Третья группа проявляется в управленческих привычках. PM реагирует на изменения постфактум, без прогнозов и сценариев, и управление превращается в вечное тушение пожаров. Цифрами начинают манипулировать, меняя определения, выбирая удобные периоды и пряча негативные когорты, и создают иллюзию контроля ценой доверия к данным. Метрики обсуждают, но не переводят в конкретные изменения продукта, так что аналитика упирается в тупик. А когда к показателям на ранней и поздней стадии предъявляют одинаковые ожидания, ломаются приоритеты и выгорает команда.
Два кейса: B2C-активация и SaaS-привычка
Как эта система координат срабатывает на практике, проще показать на конкретном продукте. Компания запускала B2C-продукт и уверенно росла по DAU: маркетинг масштабировался, трафик шёл стабильно, и на дашбордах всё выглядело оптимистично. Детальный разбор испортил картину: churn первой недели превышал 60 процентов, то есть пользователи приходили, пробовали продукт и уходили, а DAU держался исключительно за счёт постоянного притока новых. Команда перенесла фокус с acquisition на активацию, переработала первые пользовательские сценарии и onboarding и начала формулировать гипотезы через retention, а не через DAU. За несколько итераций churn первой недели опустился до 40 процентов; DAU при этом временно замедлился, но качество аудитории выросло, и CAC пошёл вниз за счёт лучшей конверсии. Через три месяца подрос ARPU, выручка стала расти ровнее, и метрики наконец заработали как система, а не как витрина для отчёта.
Второй пример повторяет ту же логику, но уже в подписной модели, где деньги приходят иначе. SaaS-стартап рос по выручке медленно при стабильном ARPC, подозревал маркетинг и продолжал усиливать каналы, пока анализ когорт не показал высокий churn на втором месяце использования: пользователи платили, но не видели долгосрочной ценности, и продукт не встраивался в их процессы. Тогда PM запустил серию интервью и связал инсайты с метриками. Выяснилось, что ключевая ценность раскрывается только при регулярном использовании, и команда сфокусировалась на формировании привычки: добавила напоминания, шаблоны и автоматизации, а целью поставила рост retention, а не новых продаж. Через несколько месяцев churn снизился, LTV вырос, CAC стал окупаться быстрее, и метрики показали не косметическое, а реальное улучшение бизнеса.
Чек-лист: метрики в решениях или отдельно
Перевести всё это в рабочую привычку помогает короткий чек-лист: он показывает, встроены ли метрики в решения команды или живут отдельно от продукта.
- Есть ли единые определения DAU, CAC, ARPU, ARPC и churn.
- Понимает ли команда, как метрики связаны между собой.
- Есть ли владельцы ключевых показателей.
- Используются ли метрики при планировании roadmap.
- Формулируются ли гипотезы через ожидаемые изменения показателей.
- Анализируются ли когорты, а не только агрегаты.
- Учитывается ли стадия бизнеса при интерпретации цифр.
- Есть ли регулярные ритмы обсуждения метрик.
- Следуют ли за анализом конкретные действия.
- Проверяется ли качество данных.
- Отслеживается ли влияние изменений на несколько метрик.
- Есть ли понимание unit-экономики.
- Используются ли метрики для обучения, а не поиска виноватых.
- Понимают ли все команды язык цифр.
- Есть ли баланс между ростом и удержанием.
- Измеряется ли ценность для пользователя.
- Есть ли прозрачность в отчетах.
- Анализируются ли негативные сигналы.
- Используются ли метрики для прогнозирования.
- Принимаются ли сложные решения на основе данных.
Пять метрик в деталях
Как считаются эти пять метрик
Статья разбирает показатели по смыслу, поэтому рядом стоит держать сами формулы. Для каждой метрики зафиксируйте окно расчёта: DAU считают за сутки, а для денежных показателей и оттока отдельно указывают период и состав базы.
- DAU это число уникальных пользователей, совершивших целевое действие за сутки. Это счётчик, а не отношение: сначала договоритесь, что именно считать «активностью».
- CAC = (расходы на маркетинг и продажи за период) ÷ число новых клиентов за период. В расходы входит не только реклама, но и зарплаты команды привлечения.
- ARPU = выручка за период ÷ общее число пользователей. В знаменателе все, включая бесплатных.
- ARPC = выручка за период ÷ число платящих клиентов. Разрыв между ARPC и ARPU показывает, насколько мала платящая доля базы.
- Churn = клиенты, ушедшие за период ÷ клиенты на начало периода × 100%. Смотреть стоит по когортам, а не одним агрегатом.
Условный пример на месяц: выручка 1 000 000 ₽, 10 000 пользователей, из них 1 000 платящих. Тогда ARPU = 100 ₽, а ARPC = 1 000 ₽, и десятикратный разрыв между ними говорит, что монетизирована лишь десятая часть базы. Если на привлечение потратили 300 000 ₽ и получили 600 новых клиентов, CAC = 500 ₽. Если из 1 000 платящих за месяц ушли 80, churn = 8%. Числа здесь иллюстративные: подставьте свои и проверьте, окупается ли CAC через ARPC и удержание.
Что важнее для стартапа, DAU или retention?
DAU и retention нельзя рассматривать отдельно. DAU показывает масштаб активности, но без retention он не создаёт устойчивости: высокий DAU при низком удержании означает, что продукт недостаточно хорошо решает проблему пользователя. Retention, в свою очередь, без притока новых пользователей упирается в потолок роста, поэтому смотреть нужно на их связку и понимать, за счёт чего держится активная база.
Можно ли снижать CAC бесконечно?
У CAC всегда есть нижняя граница, заданная рынком и моделью бизнеса, и попытки продавить её обычно оборачиваются падением качества аудитории. Смысл не в том, чтобы минимизировать CAC, а в том, чтобы он окупался через LTV и retention; иногда рост CAC даже оправдан, если он приводит более ценных пользователей.
Почему ARPU растет, а выручка нет?
ARPU нередко растёт за счёт небольшой группы пользователей, и если общая база не увеличивается или churn высокий, выручка при этом стоит на месте. Это сигнал о проблемах с масштабированием или удержанием, поэтому распределение доходов стоит смотреть по когортам, а не по среднему.
Чем ARPU отличается от ARPC и зачем нужны оба?
ARPU показывает средний доход на пользователя, считая и бесплатных, тогда как ARPC учитывает только платящих. Разница между ними и есть мера конверсии в оплату и потенциала монетизации, поэтому в паре они дают более полную картину, чем каждый по отдельности.
Как правильно интерпретировать churn?
Churn имеет смысл смотреть в динамике и по когортам, потому что один агрегированный процент прячет за собой совершенно разные сценарии ухода. Управляемым он становится только тогда, когда понятно, когда именно и почему пользователи отваливаются.
Можно ли расти при высоком churn?
Краткосрочно да, за счёт агрессивного acquisition, но вдолгую это разрушает экономику: высокий churn это постоянная утечка ценности, и устойчивый рост без работы с удержанием невозможен.
Так что вопрос не в том, знает ли команда, что такое DAU, CAC, ARPU, ARPC и churn, а в том, влияют ли эти пять чисел хоть на одно решение за неделю. Если по каждому показателю есть владелец, единое определение и понимание, как он связан с остальными, метрики становятся частью управленческого мышления и начинают предупреждать о проблемах заранее.
Если же они по-прежнему живут в отдельном дашборде и всплывают только в отчётах, начинать стоит не с новых метрик, а с одной привычки: после каждого разговора о цифрах фиксировать конкретное действие или осознанный отказ от него. С этого и вырастает система, в которой аналитика управляет продуктом, а не украшает его.