Сколько пользователей было в продукте?

Сколько пользователей было в продукте

Краткое резюме опыта

Я работал в product analytics команде с 1M+ пользователями (DAU), обслуживая product с 5-10M MAU (monthly active).

Как это выглядело на практике

Компания 1: B2B SaaS (5 лет работал)

Размер:

• DAU (daily active users): 50K-100K
• MAU: 200K-300K
• Paying customers: 5K-8K
• Team size: 50 people, 2 analytics

Метрики, которые я отслеживал:

SELECT 
  DATE(login_date) as date,
  COUNT(DISTINCT user_id) as dau,
  COUNT(DISTINCT CASE WHEN login_date >= CURRENT_DATE - INTERVAL 7 DAY THEN user_id END) as wau,
  COUNT(DISTINCT CASE WHEN login_date >= CURRENT_DATE - INTERVAL 30 DAY THEN user_id END) as mau,
  COUNT(DISTINCT CASE WHEN is_paying_customer = true THEN user_id END) as paying_users
FROM user_sessions;

Challenges at this scale:

• Retention анализ на 300K когорты сложный
• Нужна оптимизация queries (индексы, partitions)
• Волатильность: один большой корпоративный customer может быть 10% всего DAU

Компания 2: Consumer SaaS (3 года)

Размер:

• DAU: 500K-1M
• MAU: 3-5M
• Paying: 50K-100K (2-3% конверсия)
• Team: 200 people, 10+ analysts

Сложность росла:

• Cohort analysis на 1M юзеров в день требует умных queries
• Нужны data warehouse (BigQuery), не обойтись SQLite
• Нужны автоматизированные reports, иначе перегружен work

Структура данных:

Events table: 1B+ rows за год
Users table: 5M rows
Payments: 100K rows

Компания 3: Marketplace (2 года)

Размер:

• DAU: 2-3M
• MAU: 10-15M
• GTV: $500M+/год
• Team: 1000 people, 30+ analytics

Это был новый уровень:

• Infrastructure: Snowflake, дата меньше чем за 30 мин
• Real-time dashboards: нельзя ждать часа
• Complexity: не просто "users", но "buyers" vs "sellers"
• Geographic complexity: разные страны, разные метрики

Как я объясню что я делал на каждом уровне

50K DAU (Small Company):

• Я один аналитик на всё
• Писал SQL запросы, создавал простые Google Sheets
• Знал почти каждого customer по имени
• Мог ответить на вопрос за часы

500K DAU (Growing Company):

• Мы вдвоём analytics
• Нужны более сложные tools (Tableau, Amplitude)
• Нужно делегировать: я - стратегия, junior - dashboards
• Вопросы требуют hours thinking

2-3M DAU (Enterprise):

• Я lead analytics в своём vertical (например, Growth)
• Управлял командой из 3-5 аналитиков
• Infrastructure автоматизирована (dbt, airflow)
• Мой день: meetings, strategy, только самые сложные анализы

Метрики на разных масштабах

Специфичные задачи на каждом уровне

При 50K DAU:

• Я считаю вручную: открыл SQL, запустил, 10 сек результат
• Нет потребности в автоматизации

При 500K DAU:

• Автоматизирую daily reports
• Создаю дашборды которые обновляются каждый час
• Нужны alerts: если метрика падает

При 3M DAU:

• Микросервисный подход к analytics
• Разные team для разных verticals
• Real-time metrics
• Нужна governance: кто может менять метрики, как версионируются

Почему я помню эти масштабы

50K: Я знал базовые метрики наизусть

• DAU = 45K, конверсия = 3%, churn = 2% мес
• Если что-то упало на 10% — сразу замечу

500K: Нужно было отслеживать по сегментам

• DAU, но по: geo, device, subscription tier
• Каждый сегмент имел свои паттерны

3M: Микросегменты и когорты

• Не просто "дневных активных", но "購買者 в Москве в возрасте 25-35"
• Нужны вероятностные модели, не просто counts

Как это повлияло на мою работу

Technical skills:

• При 50K: базовый SQL достаточен
• При 500K: нужны window functions, CTEs, optimization
• При 3M: нужен Python, Machine Learning, optimization на level Snowflake

Business skills:

• При 50K: я близко к CEO, понимаю все детали
• При 500K: я специалист в одной области (retention, growth)
• При 3M: я стратег, думаю о 3-5 year vision

Communication:

• При 50K: рассказываю всем всё
• При 500K: пишу reports, monthly presentations
• При 3M: встречаюсь с C-suite, объясняю big picture

Что я рекомендую для масштабирования

Когда DAU вырос с 50K на 100K:

• Добавить индексы на user_id, created_at
• Начать использовать scheduled queries вместо manual
• Нанять second analyst

Когда DAU вырос с 100K на 500K:

• Миграция на BigQuery/Snowflake
• dbt для data transformations
• Tableau вместо Sheets
• 3-5 analysts

Когда DAU вырос с 500K на 2M:

• Real-time streaming (Kafka, Dataflow)
• Governance и data quality
• Specialized teams по вертикалям
• Advanced analytics (propensity models, recommendations)

Мой самый большой achievement

В компании с 3M DAU я запустил automated cohort analysis:

• Считалось 50 когорт автоматически
• Каждый PM видел retention для своей feature за 5 минут
• Экономило 100+ часов работы в месяц
• Стоимость в инфре: $500/месяц
• ROI: 100+x

Это работает только на большом масштабе. На 50K DAU это оверинжиниринг.