Что это и зачем нужно

Retention curve — график процента юзеров которые остаются активны на день N от регистрации. Это самая важная метрика здоровья продукта — без retention весь маркетинг сливается в leaky bucket.

Каспи, Halyk, любой product-driven бизнес каждую неделю смотрит на retention curves cohorts чтобы понять: продукт улучшается? Какие сегменты остаются дольше? Где главный drop-off?

В этой статье — как строить, читать, и действовать на retention curves.

Базовый пример

Возьмём cohort юзеров который зарегистрировался в мае 2026 в Каспи Магазин:

День от signup  | % cohort active that day
0               | 100% (сами регистрируются)
1               | 35%
3               | 25%
7               | 18%
14              | 14%
30              | 11%
60              | 9%
90              | 8%
180             | 7%

Кривая выглядит так:

100% |•
     | \
 35% | •
     |  \
 25% |   •
     |    \•
 14% |      •___
 11% |          •___
                   •__________ flat tail

Три фазы:

Steep drop day 0→7 — массовый отвал «не нашли value»
Slower decline week 1→4 — те кто пробовали но не закрепили habit
Flat tail week 4+ — лояльные юзеры, продолжают использовать

Цель: не нулевой retention в long-term. Flat tail означает что продукт удерживает «правильных» юзеров навсегда (subject to natural lifecycle).

Тонкости и pitfalls

1. Bounded vs Cumulative retention

Bounded retention day N: был активен в точности на день N.

Cumulative retention day N: был активен в любой момент включая или после дня N.

Cumulative завышает retention. Часто PM'ы говорят «D30 retention 40%» — нужно уточнять definition.

-- Bounded D7 — активен на day 7 от signup
WITH cohort AS (SELECT user_id, signup_date FROM users WHERE signup_date BETWEEN '2026-05-01' AND '2026-05-31')
SELECT
  COUNT(DISTINCT c.user_id) AS cohort_size,
  COUNT(DISTINCT CASE WHEN a.active_date = c.signup_date + 7 THEN c.user_id END) AS retained_d7
FROM cohort c
LEFT JOIN activity a ON a.user_id = c.user_id;

2. Definition of «active»

Это критично. «Active» может быть:

Opened app — слабый сигнал (push notification → opened, instant close)
Performed any action — better
Performed value-bearing action — best (например для Каспи Магазин — looked at product page)
Made a purchase — narrow, slow signal

Чем глубже definition — тем меньше retention number, но более reliable.

3. Flat tail vs decaying

Flat tail (retention plateaus around N%) — sign product-market fit. Те N% которые остались будут с тобой долго.

Decaying (continuously falls 1% per month) — продукт теряет даже «лояльных». Долгосрочно — death spiral.

Flat tail:        Decaying:
\                 \
 \                 \
  \                 \
   \___              \
       \              \____
        \__________        \_____
                  ↑              ↓
              flat — good      keeps falling — bad

Test: retention на день 60, 90, 180 для cohorts от 6+ месяцев назад. Если кривые stabilize — flat tail есть. Если продолжают падать — нет.

4. Comparing cohorts

              D1    D7    D30
Jan 2026:     35%   18%   11%
Feb 2026:     38%   20%   12%
Mar 2026:     42%   23%   14%
Apr 2026:     45%   25%   ?
May 2026:     48%   ?     ?

Растёт по rows = новые когорты retain better → продукт улучшается. Это самый строгий signal product-market fit health.

Не растёт = улучшения onboarding не дают эффект, или старые юзеры toxic-effect для новых.

5. Segmentation matters

Aggregate retention обманчив. Сегментируй:

By acquisition channel: TikTok юзеры могут retain плохо (impulsive trial), email — лучше
By feature usage: completed onboarding vs didn't — drastically different
By cohort size: малая cohort = noisy curve
By country/city: Алматы vs регионы — разный paterns

Когда НЕ применять

B2B with annual contracts: retention measured at renewal time, not daily. Use NPS, usage frequency.
One-time use products (например wedding planning app) — retention curve по definition steep — это нормально.
Малые когорты (<100 users): noise > signal. Wait for accumulating data.
Product изменился drastically: old cohorts тренировались на старом UX — comparing not fair. Reset baseline.

Кейс из казахстанского бизнеса

Halyk Bank запустил Premium-подписку для МСБ в Q1 2026. После 6 месяцев retention curve выглядел так:

            D1     D7     D30    D60    D90
Q1 2026:    65%    50%    35%    32%    30%  ← flat tail at 30%

Анализ:

D1 65% — большой шаг, юзеры подписались осознанно (B2B, не impulse)
D7 50% — продолжают использовать первую неделю, понимают value
D30 35% — значительный drop, но flat tail at ~30%
Long-term retention 30% — здоровое для B2B subscription

Сегментация revealed:

Юзеры с auto-categorization включенной: D30 retention 55%
Без auto-categorization: D30 retention 18%

→ Push auto-categorization в onboarding. После optimization (Q2 2026):

Q2 2026:    68%    58%    45%    42%    40%  ← flat tail rose to 40%

+10pp в long-term retention. Это переводится напрямую в +30% ARR (multiplicative effect over years).

Action items для аналитика:

Build retention dashboard — cohort table обновляется weekly
Track D7, D30 by acquisition channel — sub-funnel analysis
A/B test onboarding — measure effect on D7 retention
Investigate flat tail segments — что общего у тех кто остался?
Resurrection analysis — кто returned после inactive 30+ дней?

Retention curves — это зеркало product-market fit. Если флэт tail растёт — продукт идёт правильно. Если все cohorts продолжают decay одинаково — нужно пересматривать value proposition, не маркетинг.

Retention curves: как читать и что делать