Как спрогнозировать и измерить отток пользователей в мобильном приложении. И как с ним бороться

Фото: Ingram Publishing / Фотобанк Лори

Ecommerce-приложения — одни из самых вероятных кандидатов на удаление: по данным Business of Apps, уровень оттока на 30 день для таких приложений — 96% для iOS и почти 98% для Android. Потеря аудитории обходится недешево, но есть и хорошие новости: ее можно заранее предсказать и предотвратить.

Какие сигналы говорят о возможном оттоке, как их распознать и главное — что с этим делать, рассказывает Елисей Долгих, сооснователь агентства мобильного маркетинга Meow Media Group.

Как измерить отток

Отток пользователей — это доля аудитории, которая перестала пользоваться приложением за определенный период. Он измеряется через метрику churn rate (CR) и напрямую связан с retention rate (показателем удержания пользователей): чем ниже удержание, тем выше отток.

Формула простая: Churn = (число пользователей в начале периода – число пользователей в конце периода) / число пользователей в начале периода.

Например, если в начале месяца у приложения было 10 000 активных пользователей, а к концу осталось 7 000, то churn = (10 000 – 7 000) / 10 000 = 30%.

Также важно различать краткосрочный и долгосрочный отток: 

• Краткосрочный (D1, D7) — измеряется в первый или седьмой день.
• Долгосрочный (D30, D90) — измеряется через месяц или квартал. 

По данным Omniconvert, средний уровень оттока в e-commerce за год колеблется от 62% до 82% в зависимости от ниши. Самые низкие показатели churn — у категорий beauty и food (около 62-64%), а самые высокие — у электроники, подарков и аксессуаров (до 82%). Это значит, что в среднем каждый третий клиент возвращается, а двое из трех — нет.

Источник: https://www.gorgias.com/blog/ecommerce-churn-rate

Для ориентира можно считать:

• до 65% — хороший уровень удержания для e-commerce-бренда
• 70-75% — средний
• выше 80% — сигнал, что пользователи не возвращаются и стоит пересмотреть продукт или коммуникацию с пользователями.

Пять признаков оттока

Отток редко бывает внезапным — почти всегда ему предшествует серия поведенческих сигналов. 

1. Gap между сессиями. Если средний промежуток между входами (session gap) растет — это первый звоночек. Например, пользователь, который раньше заходил раз в два дня, теперь делает это раз в неделю. Когда gap превышает средний цикл покупок в категории (например, 7 дней для фэшн-индустрии, 3 дня для доставки еды), риск оттока резко повышается.

2. Частота и глубина взаимодействия. О снижении интереса может говорить и характер взаимодействия пользователя с приложением. Если раньше он открывал карточки товаров, добавлял их в корзину, читал отзывы — а теперь просто листает ленту, это тревожный сигнал.

3. Отношение дневной активной аудитории к месячной (DAU/MAU ratio). Если этот показатель опускается ниже 20%, это значит, что пользователи заходят реже одного раза в пять дней — такой паттерн почти всегда ведет к оттоку.

4. Поведение в корзине. Рост числа "заброшенных корзин" и падение доли оплаченных заказов — прямой индикатор охлаждения интереса. По данным Baymard Institute, до 70-80% онлайн-корзин остаются неоплаченными, и если вы видите резкий рост этого показателя внутри приложения — пора принимать меры.

Источник: https://baymard.com/lists/cart-abandonment-rate

5. Качественные сигналы. Падение рейтинга в сторах, рост негативных отзывов, снижение NPS (индекса лояльности) — не просто фидбек, а статистика, которая напрямую коррелирует с оттоком. Если NPS опускается ниже 30 пунктов, отток почти неизбежен.

Все эти метрики полезно отслеживать не по всем пользователям сразу, а по когортам: "новички первой недели", "активные покупатели", "те, кто не возвращался 14 дней". Это помогает увидеть закономерности и вовремя включить реактивационные механики. 

Как прогнозировать отток

Понимать, что пользователи уходят,  полезно. Но гораздо ценнее предсказать, кто из них уйдет и когда. В этом помогает аналитика: от когортных отчетов до машинного обучения.

Когортный анализ

Представьте, что вы открыли кафе и хотите понять, почему к вам перестали возвращаться постоянные гости. Вы делите клиентов на группы — те, кто пришел в январе, в феврале, в марте — и смотрите, кто из них остался. То же самое делает когортный анализ, только в приложении.

Когорта — это пользователи, которые пришли в одном периоде или через один источник. Например, когорта февраля — все, кто установил приложение во время зимней распродажи. Вы смотрите, как долго они оставались активными: сколько вернулось на 7-й день, сколько — на 30-й.

Если retention в когорте "февраль 2025" падает с 40% на D7 до 18% на D30, значит, пользователи быстро теряют интерес после первого заказа. Это повод проверить, что происходит в этом промежутке: может, доставка затянулась, пуши раздражают, или приложение слишком долго грузится.

В России когортный анализ можно строить прямо в AppMetrica, MyTracker или Yandex DataLens. На графике retention-кривые разных когорт ложатся слоями, и по ним легко увидеть момент, когда пользователи начинают "сыпаться". За рубежом — Amplitude, Firebase, AppMetrica, Adjust, Data.ai.

RFM-анализ

Название RFM складывается из трех показателей: recency (давность), frequency (частота) и monetary (деньги). То есть мы смотрим, как давно пользователь в последний раз взаимодействовал с приложением, как часто он это делает и сколько тратит.

Источник: https://marketing.link/ru/rfm-analiz-i-segmentacziya/

Представьте, что перед вами три покупателя. Один делает заказы каждую неделю. Второй — раз в месяц. Третий был активен полгода назад и с тех пор не открывал приложение. RFM-анализ нужен именно для того, чтобы быстро отличить первого от третьего и понять, где начинается "остывание".

Если пользователь не заходил в приложение больше 14 дней, покупает реже двух раз в месяц и перестал реагировать на акции — это явный сигнал, что он вот-вот уйдет. А если, наоборот, заходит каждые пару дней и оформляет заказы регулярно, значит, у него высокая вовлеченность и лояльность.

На практике все просто: вы выгружаете данные, группируете пользователей по трем параметрам и видите, где теряется интерес. 

Предиктивная аналитика и ML-модели

Если когортный анализ показывает, где вы теряете пользователей, а RFM — кого именно, то предиктивная аналитика отвечает на вопрос, когда это произойдет. Она работает как система раннего предупреждения: по поведению пользователя алгоритмы вычисляют вероятность того, что он скоро покинет приложение.

Модель обучается на исторических данных, изучая, как вели себя пользователи, которые уже ушли: что предшествовало их уходу, как менялось их взаимодействие с приложением. На основе этих паттернов система ищет схожие сигналы среди текущей аудитории и формирует "оценку риска" — например, 0.8 из 1, что конкретный пользователь с высокой вероятностью уйдет в течение недели. 

В России такие модели уже используют крупные e-commerce-игроки. МТС AdTech строит предиктивные сегменты на основе Big Data и данных операторов, а VK Ads тестирует прогнозирование поведения пользователей через собственные ML-алгоритмы. 

Качественные источники данных

Цифры объясняют, что происходит, но не всегда показывают причину. Понять ее помогают качественные источники данных: фидбек, UX-исследования, оценки и комментарии.

Первое, что стоит смотреть — отзывы в сторах. Это самая честная форма обратной связи. Если приложение получает серию низких оценок с жалобами на ошибки или процесс оплаты, это не просто репутационный риск, а прямой предвестник оттока. Если у вас большой поток покупателей, можно подключить программы мониторинга отзывов — такие как AppFollow и AppRadar. Они отслеживают динамику тональности и строят отчеты: в какой момент люди начали массово выражать недовольство, на каких экранах происходят сбои, какие фразы встречаются чаще всего, например, "не открывается" или "списали дважды".

Второй важный источник — опросы внутри приложения. Короткий вопрос вроде "Что мешает оформить заказ?" или "Что можно улучшить?" принесет больше пользы, чем длинная анкета. Пользователь чувствует, что его услышали, и получает возможность высказаться до того, как удалит приложение.

Третий инструмент — UX-исследования и глубинные интервью. Это не обязательно должны быть большие проекты: иногда достаточно 10-15 звонков пользователям, которые перестали покупать, чтобы найти системную проблему.

Готовые инструменты

Самый распространенный вариант — связка AppMetrica + Yandex DataLens. AppMetrica собирает данные о поведении пользователей: установки, сессии, глубину просмотров, конверсии. DataLens превращает эти цифры в понятные дашборды — на одном экране можно видеть retention, динамику churn, когорты и RFM-сегменты. Такая визуализация помогает сразу увидеть, где падает интерес и какие когорты "проседают".

Если бизнесу важны не только цифры, но и коммуникации, хорошо работает связка MyTracker + Mindbox. MyTracker анализирует активность пользователей и LTV, а Mindbox на основе этих данных автоматически запускает реактивационные кампании — пуши, письма, сообщения в мессенджерах. Например, если пользователь не возвращался 10 дней, система сама отправит персональное предложение или покажет подборку товаров, связанных с его прошлой покупкой.

Как реагировать на высокий риск оттока

Быстрая реактивация

Чем раньше вы напомните о себе, тем выше шанс вернуть пользователя. Самый простой инструмент — пуш-уведомления, главное — не использовать шаблоны вроде "вы оставили товар в корзине", а придумать живой текст: "добавьте этот товар сейчас — доставка останется бесплатной". 

По данным MobiLoud, пуш-уведомления помогают вернуть пользователей в 8-12% брошенных корзин. Лучше всего работают сообщения, отправленные в первый час после того, как пользователь покинул корзину. 

Источник: https://esputnik.com/blog/kak-privlech-klientov-mobilnogo-prilozheniya-s-pomoshyu-push-soobshenij

Если пользователь не реагирует на пуши и сообщения, пробуйте более "медленные" каналы. Например, каскадную email-рассылку:

• через 2 часа — "У вас остался товар в корзине"
• через сутки — "Мы сохранили для вас скидку"
• через 3 дня — "Вот подборка, которую вы могли пропустить"

А Telegram-боты позволяют автоматизировать это в диалоговом формате — например, предложить товар в переписке и сразу вывести кнопку "Оформить заказ". Telegram также работает по CPA-механике — пользователь получает вознаграждение за действие. Например, через мини-приложения вроде GetBonus покупатель делает заказ в приложении доставки и получает бонус прямо в боте — это стимулирует повторные визиты без скидочного давления.

Но важно помнить: главный триггер для покупателя — не скидка, а польза. Промо теряет силу, если не решает его проблему. 

Реактивация через пользу и контент

Если ваш сайт или приложение становится для пользователей не просто утилитарным инструментом, а источником пользы и новых идей, риск оттока снижается. Так, если вместо банального "Скидка 15% до 10 октября" отправить рассылку или пуш со ссылкой на статью "Как выбрать увлажнитель для квартиры до 30 м²" или "5 способов ухаживать за кроссовками из кожи", риск, что пользователь отпишется от ваших уведомлений, будет существенно ниже. А если добавить в текст ссылки на подходящие модели товаров, вы тем самым простимулируете новые покупки.

Такие материалы возвращают пользователя, потому что дают конкретную пользу. Хорошо работают персональные подборки на основе истории заказов: "Вы покупали беговые кроссовки — вот 3 модели носков, которые подойдут к ним".

Контент можно интегрировать и в Telegram-бота: пользователь получает совет, видео или подборку товаров прямо в чате. Это не воспринимается как реклама, но повышает вовлеченность и конверсию в повторную покупку.

Оптимизация UX

Часто отток связан с UX: сложное оформление заказа, неочевидная навигация, запутанная регистрация, долгая загрузка. Даже небольшие корректировки: убрать лишний шаг в оплате, увеличить видимость промокодов — способны снизить потерю аудитории.

Какие метрики нужно отслеживать:

• Drop-off Rate — процент пользователей, покинувших процесс на каждом шаге
• Rage taps — количество "раздраженных" тапов по элементам интерфейса
• Average Time to Checkout — среднее время оформления заказа

Если вы видите, что около 40% пользователей теряются между корзиной и оплатой — это сигнал. Проверяйте скринкасты сессий в UXCam, AppMetrica или Smartlook: чаще всего причина банальна — форма не влезает на экран, кнопка перекрыта клавиатурой, или поля не заполняются автоматически.

Базовые вещи, которые стоит проверить в первую очередь: 

• скорость загрузки: время открытия больше 3 секунд снижает конверсию на 20%
• кнопка CTA должна быть заметна без прокрутки
• оформление заказа: идеальный путь — не более трех экранов (товар — доставка — оплата)
• доставка и возврат: показывайте стоимость и сроки сразу на карточке товара

Работа с негативом

Отзывы в сторах и низкие оценки — не повод для паники, а источник данных. Если пользователь пожаловался, что заказ не пришел вовремя, ему важно получить не шаблонное извинение, а решение проблемы. Быстрая реакция, бонус в виде скидки на будущую покупку — это шанс не только вернуть клиента, но и привлечь тех, кто прочитает ваш ответ.

Практические шаги:

• Настроить мониторинг отзывов через AppFollow, VK Reviews или Yandex Mobile Analytics
• В ответах всегда давать конкретное решение ("мы оформили повторную доставку", "вернули бонусы")
• После решения проблемы предложить бонус или кешбэк и попросить обновить оценку

Заведите внутреннюю метрику Response Time to Complaint — среднее время между появлением негативного отзыва и первым ответом. В идеале оно должно быть не больше 6 часов.

Программы лояльности

Когда прогноз показывает высокий риск оттока, важно не просто "удержать" пользователя, а вернуть ему мотивацию покупать снова. Надежный способ — вовлечь его в систему прогресса, дать ощущение движения вперед.

• Разработайте несколько уровней лояльности. Простая схема Bronze / Silver / Gold или "Новичок / Постоянный / Партнер" создаст психологический стимул двигаться к следующей планке. Даже символический апгрейд уровня повышает частоту визитов.
• Используйте накопительные баллы — за заказы, отзывы, приглашения друзей. Когда мы видим уведомление "Осталось 200 рублей до следующего уровня", у нас включается желание довести начатое.
• Введите поощрения за возвращение. Если алгоритм видит риск оттока, можно предложить бонус "+300 баллов за повторный заказ в течение недели". Этот сценарий не обесценивает товар скидками, но возвращает внимание.
• Позаботьтесь, чтобы прогресс был понятен. Видимость прогресса. CleverTap отмечает, что визуальные элементы вроде прогресс-бара или счетчика шагов к награде повышают возврат пользователей на 20%: человек видит цель и не воспринимает покупку как рутину.

В начале колонки я говорил, что отток — метрика, обратная удержанию. Поэтому для системной борьбы с потерей аудитории важна работа с retention. Программы лояльности, персонализированные предложения, геймификация, сбор обратной связи и работа над продуктом — обязательные действия, которые позволят вам не возвращать покупателей, а просто не давать им повода уходить.