Один из показательных примеров, когда аналитика данных позволила повлиять на стратегическое бизнес-решение, связан с оптимизацией маркетинговых расходов в мобильном приложении для онлайн-обучения. Продукт представлял собой образовательную платформу с подписной моделью (freemium → premium) и предлагал курсы по программированию, дизайну и языкам. Компания инвестировала значительные средства в привлечение новых пользователей через рекламные кампании в Google Ads, Facebook и TikTok. Однако, при схожем CPI (cost per install) конверсия в платных пользователей и LTV различались между каналами.

Проблема

Несмотря на рост количества установок и постоянные инвестиции в продвижение, прибыль от новых пользователей не увеличивалась пропорционально. Команда маркетинга продолжала масштабировать бюджеты, особенно в TikTok, так как он давал один из самых низких CPI ($0.60), в сравнении с Facebook ($1.20) и Google (~$0.90). Однако отдел продуктовой аналитики стал замечать, что retention и LTV пользователей из TikTok значительно ниже.

Подход к анализу

1. Сегментация пользователей по каналу привлечения

Сначала была собрана когортная таблица с разбивкой по UTM-меткам (канал, кампания, источник). Внутри каждой когорты рассчитывались:

• D1, D7 и D30 retention

• Конверсия в регистрацию

• Конверсия в платную подписку

• Средний LTV за 60 дней

SELECT
acquisition_channel,
COUNT(user_id) AS users,
SUM(CASE WHEN subscribed = 1 THEN 1 ELSE 0 END) AS paid_users,
AVG(lifetime_value) AS avg_LTV
FROM users
WHERE install_date BETWEEN '2024-01-01' AND '2024-02-28'
GROUP BY acquisition_channel;

2. Когортный анализ по дате установки

Анализировали когорты пользователей, установивших приложение в один и тот же день или неделю, и смотрели поведение по каналам: доход, retention, payback period.

3. Финансовый анализ эффективности каналов

Сравнивался CPA (стоимость привлечения платящего пользователя) и ROMI (Return on Marketing Investment):

• **CPA = Маркетинговые расходы / Количество платящих
  **
• **ROMI = (LTV - CPA) / CPA
  **

4. Регрессионный анализ зависимости LTV от канала и поведения

Была построена модель линейной регрессии, где в качестве таргета выступал LTV пользователя, а предикторами были канал привлечения, глубина онбординга, прохождение первых уроков, среднее время в сессии, язык интерфейса.

import statsmodels.api as sm
X = df\[\['channel_tiktok', 'channel_facebook', 'lessons_completed', 'session_time'\]\]
y = df\['LTV'\]
model = sm.OLS(y, sm.add_constant(X)).fit()
model.summary()

Результаты модели показали статистически значимое негативное влияние трафика из TikTok на итоговый LTV даже при учёте других переменных.

Выводы

• Пользователи, пришедшие через TikTok, демонстрировали:

  • Низкую мотивацию к обучению

  • Плохое прохождение онбординга

  • Высокий churn на первом дне

  • Средний LTV < $0.75, при том что CPI ≈ $0.60 (маржа крайне низкая)

• Facebook-юзеры приносили меньше установок, но давали более высокий CR в оплату и LTV ≈ $2.10 при CPI $1.20.

• Google-юзеры показывали средние значения по всем метрикам, но высокую стабильность и хорошее поведение по когортам.

Решения, принятые на основе анализа

1. Снижение бюджета TikTok

По итогам анализа компания приняла решение сократить бюджет TikTok-кампаний на 60%, оставив только ремаркетинг и кампании с высокой вовлечённостью (long-form видео).

2. Фокус на качественный трафик с Facebook

Бюджеты были перераспределены в сторону Facebook Ads, при этом таргет стал фокусироваться на аудиторию 25–35 лет с интересами "саморазвитие", "карьера в IT".

3. Онбординг адаптировали под tiktok-аудиторию

Вместо полного отказа от канала была запущена A/B гипотеза: упростили онбординг для пользователей из TikTok (например, короткое интро-видео вместо формы с 5 экранами), добавили геймификацию на ранних этапах.

4. Изменение подхода к метрикам успешности рекламных каналов

Ранее команда ориентировалась на CPI. Теперь — на CAC-to-LTV ratio и CR to pay. Стали использовать MMP-интеграции с AppsFlyer и Adjust для отслеживания end-to-end пути.

5. Автоматизация отчётности

На основе модели был создан дашборд в Tableau, где ежедневно отслеживались:

• Retention по каналам

• CR в оплату

• Средний LTV по когортам

• ROAS и ROMI

Результаты через 60 дней

• Общий ROMI вырос с 0.85 до 1.43 (на 68%)

• Уменьшена доля "неокупаемого трафика" с 38% до 12%

• Повысилась стабильность и предсказуемость роста выручки

• Маркетинг стал тесно работать с продуктом на уровне сегментов и воронки

Этот кейс показывает, что грамотный подход к данным, даже в условиях высокой неопределённости, позволяет найти слабые места в бизнесе и превратить аналитические выводы в конкретные и измеримые решения.