Типичные показатели:​

• DAU / WAU / MAU — количество уникальных активных пользователей в день, неделю, месяц;
• частота использования: сколько раз за период пользователь заходит или делает целевое действие;
• retention / удержание — доля пользователей, возвращающихся через 1, 7, 30 дней и т.п.

Эти метрики показывают, есть ли у продукта регулярное использование, но не говорят, почему так.

Воронка — последовательность шагов (например, регистрация → заполнение профиля → покупка). Метрики:​

• конверсия на каждом шаге (доля тех, кто перешёл дальше);
• общая конверсия по воронке (дошёл до целевого действия);
• где именно самый сильный отвал.

Это позволяет выделить ключевые узкие места в сценариях.

Для конкретных задач:

• доля пользователей, успешно завершивших задачу;
• время на выполнение;
• количество ошибок / повторов / возвратов назад.​

Эти показатели часто собирают:

• в юзабилити‑тестах;
• через встроенную аналитику (если сценарий чётко размечен событиями).

Примеры метрик:​

• количество сессий на пользователя;
• количество действий в сессию;
• доля пользователей, использующих ключевые функции (а не только одну базовую).

Важно отличать:

• «шум» (частые случайные действия)

от

• осмысленного использования (например, создание и завершение задач, оформленные заказы).

Для некоторых продуктов:

• метрики освоения (сколько людей переходит к сложным/профессиональным функциям);
• метрики кооперации (создание групп, приглашение других пользователей, совместные действия).​

Они помогают понять, насколько глубоко пользователи интегрируют продукт в свою деятельность.

Лекция подчёркивает:​

• метрики показывают что произошло, но не дают ответ на «почему»;
• один и тот же паттерн (например, короткие сессии) может означать:
• быстрый, удобный сценарий

или

• то, что человек не понял, что делать и сразу ушёл.

Поэтому поведенческие данные нужно интерпретировать вместе с качественными исследованиями и опросами.

Возможные проблемы:​

• данные собираются не по всем платформам/каналам;
• часть действий происходит офлайн или в сторонних сервисах;
• события неправильно размечены, и метрики «ездят» от багов в аналитике.

Перед выводами нужно проверять, насколько полные и корректные данные вы видите.

Качественные методы (интервью, наблюдение, дневники)

• дают понимание сценариев, мотиваций и проблем.

Опросы и метрики мнения

• показывают, как пользователи оценивают опыт (удовлетворённость, доверие, аспекты UX).

Поведенческая аналитика

• показывает, что они реально делают и как часто, где отваливаются, как меняется использование после изменений.

Идеальная практика:
...использовать поведенческие метрики, чтобы:

• выбирать, какие сценарии изучать качественно (где сильный отвал, странные паттерны);
• проверять, как изменения после UX‑улучшений отражаются на реальном поведении и не противоречат ответам в опросах.