Какие ключевые метрики выделишь для Telegram?

Ключевые метрики для Telegram-приложения

Для успешного управления Telegram-приложением необходимо отслеживать набор метрик, которые охватывают весь user journey: от первого запуска до доходов и удержания. Расскажу о системе метрик, которую я использую для аналитики и оптимизации.

Уровень 1: Метрики Привлечения (Acquisition)

Основные метрики источников трафика:

SELECT
  source,
  COUNT(DISTINCT user_id) as new_users,
  COUNT(DISTINCT CASE WHEN installed_app = true THEN user_id END) as installs,
  COUNT(DISTINCT CASE WHEN installed_app = true THEN user_id END) * 100.0 / COUNT(DISTINCT user_id) as install_rate,
  SUM(CASE WHEN cost > 0 THEN cost ELSE 0 END) as spend,
  SUM(CASE WHEN cost > 0 THEN cost ELSE 0 END) / COUNT(DISTINCT CASE WHEN installed_app = true THEN user_id END) as cpi,
  DATE(first_seen) as date
FROM user_acquisition
WHERE DATE(first_seen) = CURRENT_DATE - INTERVAL '1 day'
GROUP BY source, DATE(first_seen)
ORDER BY new_users DESC;

• CPI (Cost Per Install) — стоимость одной установки (для платных каналов)
• Organic vs Paid Ratio — доля органического трафика
• Source Attribution — 7-day и 30-day атрибуция
• Paid CAC — стоимость привлечения платящего пользователя

Уровень 2: Метрики Активации (Activation)

User Onboarding воронка:

WITH onboarding_funnel AS (
  SELECT
    COUNT(DISTINCT user_id) as step1_launches,
    COUNT(DISTINCT CASE WHEN completed_tutorial = true THEN user_id END) as step2_tutorial,
    COUNT(DISTINCT CASE WHEN created_first_list = true THEN user_id END) as step3_first_action,
    COUNT(DISTINCT CASE WHEN invited_friend = true THEN user_id END) as step4_social,
    COUNT(DISTINCT CASE WHEN made_first_purchase = true THEN user_id END) as step5_purchase
  FROM users
  WHERE created_at >= CURRENT_DATE - INTERVAL '30 days'
)
SELECT
  step1_launches,
  step2_tutorial,
  ROUND(100.0 * step2_tutorial / step1_launches, 1) as tutorial_completion_rate,
  step3_first_action,
  ROUND(100.0 * step3_first_action / step1_launches, 1) as action_rate,
  step4_social,
  step5_purchase
FROM onboarding_funnel;

Ключевые показатели активации:

• D1 Activation Rate — % пользователей, вернувшихся на день 2
• Tutorial Completion Rate — завершили ли обучение
• First Action Rate — сделали ли первое действие (не покидали пусто приложение)
• Feature Discovery Rate — сколько фич открыли в первую неделю

Уровень 3: Метрики Удержания (Retention)

Cohort Retention анализ:

WITH cohorts AS (
  SELECT
    DATE(created_at) as cohort_date,
    user_id,
    DATE(last_activity_at) as last_activity_date
  FROM users
  WHERE created_at >= '2024-01-01'
)
SELECT
  cohort_date,
  COUNT(DISTINCT user_id) as cohort_size,
  COUNT(DISTINCT CASE WHEN DATE_PART('day', last_activity_date::date - cohort_date::date) <= 1 THEN user_id END) as day1,
  COUNT(DISTINCT CASE WHEN DATE_PART('day', last_activity_date::date - cohort_date::date) <= 7 THEN user_id END) as day7,
  COUNT(DISTINCT CASE WHEN DATE_PART('day', last_activity_date::date - cohort_date::date) <= 30 THEN user_id END) as day30,
  COUNT(DISTINCT CASE WHEN DATE_PART('day', last_activity_date::date - cohort_date::date) <= 90 THEN user_id END) as day90,
  ROUND(100.0 * COUNT(DISTINCT CASE WHEN DATE_PART('day', last_activity_date::date - cohort_date::date) <= 30 THEN user_id END) / COUNT(DISTINCT user_id), 1) as d30_retention_rate
FROM cohorts
GROUP BY cohort_date
ORDER BY cohort_date DESC;

Метрики удержания:

• D1, D7, D30, D90 Retention — процент активных пользователей после N дней
• Churn Rate — доля потерянных пользователей в неделю
• Core Retention Cohort — самая стабильная часть юзбейза (последние 30%)
• Sticky Factor — среднее количество дней активности в месяц / количество дней в месяце

Уровень 4: Метрики Монетизации (Monetization)

Revenue анализ:

SELECT
  DATE(purchase_date) as date,
  COUNT(DISTINCT user_id) as paying_users,
  COUNT(DISTINCT CASE WHEN is_subscription = true THEN user_id END) as subscription_users,
  COUNT(DISTINCT purchase_id) as transactions,
  SUM(revenue) as total_revenue,
  AVG(revenue) as average_order_value,
  SUM(revenue) / COUNT(DISTINCT user_id) as arpu,
  COUNT(DISTINCT user_id) * 100.0 / LAG(COUNT(DISTINCT user_id)) OVER (ORDER BY DATE(purchase_date)) as payconv_trend
FROM purchases
WHERE purchase_date >= CURRENT_DATE - INTERVAL '90 days'
GROUP BY DATE(purchase_date)
ORDER BY date DESC;

Ключевые метрики доходов:

• ARPU (Average Revenue Per User) — средний доход на пользователя (все + free)
• ARPPU (Average Revenue Per Paying User) — доход только на платящих
• Conversion to Paid — % пользователей, совершивших хотя бы одну покупку
• LTV (Lifetime Value) — полная стоимость пользователя за все время
• Payback Period — за сколько дней окупается CAC
• Subscription Churn — месячный churn подписчиков
• Product Mix — распределение доходов по типам покупок

Уровень 5: Метрики Вовлечения (Engagement)

SELECT
  DATE(created_at) as date,
  COUNT(DISTINCT user_id) as dau,
  COUNT(DISTINCT CASE WHEN DATE_PART('day', AGE(NOW(), created_at)) <= 7 THEN user_id END) as wau,
  COUNT(DISTINCT CASE WHEN DATE_PART('day', AGE(NOW(), created_at)) <= 30 THEN user_id END) as mau,
  COUNT(DISTINCT CASE WHEN event_type = 'message_sent' THEN user_id END) as messaging_users,
  COUNT(DISTINCT CASE WHEN event_type = 'call_made' THEN user_id END) as calling_users,
  AVG(session_duration_seconds) as avg_session_duration,
  SUM(session_duration_seconds) / COUNT(DISTINCT user_id) as engagement_time_per_user
FROM events
WHERE created_at >= CURRENT_DATE - INTERVAL '30 days'
GROUP BY DATE(created_at)
ORDER BY date DESC;

• DAU/WAU/MAU — ежедневно/еженедельно/ежемесячно активные пользователи
• DAU/MAU Ratio — коэффициент активности (хороший показатель = 20-30%)
• Session Length — среднее время одной сессии
• Sessions Per DAU — количество сессий на активного пользователя в день
• Feature Usage — какие фичи используются чаще
• User Segmentation — Core (ежедневные), Regular (еженедельные), Casual (редкие)

Уровень 6: Метрики Роста и Вирального Коэффициента

# Viral Coefficient Calculation
def calculate_viral_coefficient(invites_sent, conversion_rate):
    """
    k = (invites_per_user) * (conversion_rate)
    k > 1: экспоненциальный рост
    k = 1: линейный рост
    k < 1: убыль
    """
    return invites_sent * conversion_rate

# Пример: каждый пользователь отправляет 5 инвайтов, конверсия 10%
viral_k = calculate_viral_coefficient(invites_sent=5, conversion_rate=0.1)
print(f"Viral Coefficient: {viral_k}")  # 0.5 - не достаточно для вирального роста

• Viral Coefficient — количество новых пользователей от одного существующего
• Network Effects Score — добавляет ли новый пользователь ценность для существующих
• Referral Conversion Rate — какой % приглашенных становятся активными
• NPS (Net Promoter Score) — готовность рекомендовать приложение (survey)

Дашборд для менеджмента (Executive Summary)

Как я использую эти метрики

Еженедельный анализ:

• Проверяю retention cohorts (нет ли регрессии)
• Смотрю на DAU тренд и причины изменений
• Анализирую новые фичи по engagement

Ежемесячный анализ:

• Когортный анализ (какие когорты самые ценные)
• Revenue breakdown по источникам и типам
• Чёрн анализ (почему уходят пользователи)

Квартальный анализ:

• Долгосрочные тренды LTV и CAC
• Виральность и network effects
• Сегментация юзбейза

Эта система метрик позволяет отслеживать здоровье приложения на всех этапах user journey и принимать обоснованные решения о приоритизации фич и маркетинг-инвестициях.