О чем статья:

• Как изменились продуктовые метрики за последние 5 лет.
• Рост AI-аналитики и автоматизированных решений.
• Почему классические метрики (DAU, MAU) уже не так важны.
• Новые подходы к юнит-экономике и персонализированной аналитике.
• Какие инструменты аналитики будут популярны в 2025 году.

За последние годы подход к измерению успеха продуктов резко изменился. Компании всё чаще рассматривают данные как стратегический ресурс, а 2025 год обещает стать знаковым для работы с ними. На смену «сырому» росту числа пользователей приходят более детализированные метрики: например, показатели вовлечённости (Retention Rate), прибыль на клиента (ARPU/LTV), коэффициенты конверсии и времени до первой ценности (Time To First Value). Вместо того чтобы просто считать DAU/MAU, аналитики сейчас строят когортный анализ, оценивают воронки и отслеживают юнит-экономику — сколько компания зарабатывает и тратит на одного привлечённого пользователя. Это позволяет измерять не только ширину аудитории, но и её ценность. Грамотный выбор метрик на каждом этапе развития продукта и постоянный мониторинг «правильных» показателей существенно повышают шансы на успех проекта

• Retention и вовлечённость. Теперь важнее знать, сколько времени и как часто пользователь возвращается в продукт, чем просто считать его наличие в системе.
• Доходность (LTV/CAC). Оценка жизненного цикла клиента и затрат на его привлечение выходит на первый план.
• Когортный анализ. Метрики разбиваются по группам пользователей (когортам) для понимания долгосрочных трендов и персонализации работы с разными сегментами.
• Конверсии и воронки. Подробный разбор пользовательских шагов в продукте помогает найти узкие места и оптимизировать взаимодействие.

Таким образом, метрики последних пяти лет стали более «качественными» и сфокусированными на бизнес-результате и пользовательской ценности, нежели на простом росте показателей.

Рост AI-аналитики и автоматизированных решений.
Одной из главных тенденций 2025 года становится массовое внедрение ИИ и автоматизированных решений в аналитике. Искусственный интеллект берёт на себя рутинную работу: сбор и очистку данных, подготовку отчётов и первичный анализ, тем самым освобождая аналитиков для стратегических задач. Как отмечает автор исследования РБК, «внедрение ИИ позволит оптимизировать работу аналитиков, освободив их от выполнения рутинных задач, вроде адаптации кода, составления сложных формул…». Автоматизация действительно приносит плоды: например, X5 Retail Group с помощью ИИ-платформы повысила точность прогноза спроса на 17%, увеличила доступность товаров на полках и снизила товарные запасы на 13%. Подобные кейсы показывают, что AI-аналитика переходит из экспериментов в массовую практику. Согласно опросу российских компаний, во II квартале 2025 г. внедрение ИИ и предиктивной аналитики выросло на 32% по сравнению с прошлым годом: если в середине 2024 года лишь 28% опрошенных использовали ИИ-решения, то год спустя их уже 43%.
Автоматизация рутинных задач. ИИ-решения берут на себя подготовку данных, генерацию дашбордов и базовый анализ.
Инструменты предиктивной аналитики. Машинное обучение всё чаще применяется для прогнозирования оттока, рекомендаций и оценки кампаний. По данным опроса, доля продуктовых аналитиков, использующих ML-инструменты, заметно выросла по сравнению с 2021 годом
Но результаты ИИ нужно проверять человеком. Алгоритмы могут допускать ошибки на неполных данных, поэтому аналитик остаётся ключевой фигурой, ставящей цели и оценивающей выводы.
Таким образом, к 2025 году платформа аналитики становится всё более автономной, но роль специалиста смещается в сторону интерпретации и принятия решений на базе сгенерированных ИИ инсайтов.

Почему классические метрики (DAU, MAU) уже не так важны.
Показатели DAU, MAU и WAU десятилетие назад были стандартом в продуктовой аналитике, но сегодня они теряют былое значение. Крупные игроки рынка уже давно отошли от них: например, ещё в 2020 году Electronic Arts решила не публиковать DAU/MAU в отчётах, а финансовый директор EA объяснил это так: «Я не уверен, что эта информация для кого-либо полезна». Подобное решение приняла и Microsoft в отношении данных по Xbox Live.
Дело в том, что просто число активных пользователей не отражает «здоровья» продукта. Более важно не сколько пользователей, а чем они заняты в продукте и как часто возвращаются. Один пользователь, активно пользующийся приложением несколько раз в день, может приносить гораздо больше прибыли, чем множество разовых посетителей. Иными словами, «число пользователей само по себе ничего не говорит о коммерческом здоровье продукта».
Поэтому современные аналитики смещают фокус на более информативные метрики: доля пользователей, совершивших конверсию, средний доход на пользователя, коэффициенты удержания («скользящие удержания» по когортам) и другие. При анализе развития продукта аналитики лучше смотреть на LTV, churn, коэффициент ценности пользователей и отдачу от маркетинговых каналов, а не на простые счётчики. Это ключевое отличие 2025 года: качество взаимодействия пользователей выходит на первый план, тогда как «сырые» DAU/MAU отступают.

Новые подходы к юнит-экономике и персонализированной аналитике.
Наряду с переходом к глубокой аналитике появился новый тренд — юнит-экономика и персонализация. Теперь метрики выводят на уровень «единицы» — например, оценивают прибыль на одного клиента (LTV) и сопоставляют её с затратами на его привлечение (CAC). Такой подход позволяет понять, какие каналы и продукты действительно окупаются. Компании активно встраивают управление юнит-экономикой в ежедневные дашборды: считают ROI кампаний с поправкой на сложность продукта и влияние каждого канала. Персонализация аналитики стала естественным продолжением: уже не просто сегментируют пользователей по географии или устройству, а учитывают их поведение, предпочтения и готовят индивидуальные предложения. Российские примеры показывают эффективность такого подхода. Так, «Почта Банк» внедрил систему real-time-маркетинга в своё приложение и начал мгновенно генерировать персонифицированные кредитные предложения. Это дало рост отклика на 38% и заметное повышение конверсии. По сути, каждая сессия пользователя теперь анализируется под конкретную задачу: какие товары предложить, какой месседж показать или какой акции довести. Таким образом, аналитика становится двунаправленной — она не только собирает статистику, но и на её основе «лечит» бизнес, адаптируя продукт под нужды конкретного пользователя.

Какие инструменты аналитики будут популярны в 2025 году.
К концу 2025 года набор инструментов аналитика будет включать как уже проверенные решения, так и новые AI-ориентированные платформы. По данным опроса российских продуктовых аналитиков (за 23-24 год), лидируют привычные системы: наибольшей популярностью пользуются Яндекс.Метрика (около 55% респондентов) и Google Analytics (46%)
Среди инструментов для мобильных и «продуктовых» данных выделяются AppMetrica (30%) и Amplitude (29%)
Системы трекинга установки приложений (AppsFlyer, Adjust) также активно используют около трети аналитиков
Это говорит о том, что экосистема глобальных и локальных продуктов аналитики продолжает доминировать на рынке.
Инструменты хранения и обработки данных уже не уступают по важности: самые распространённые СУБД у аналитиков — это PostgreSQL (59%) и ClickHouse (57%)
Облачные решения постепенно набирают обороты: например, Google BigQuery используют около 18% специалистов
Среди распределённых платформ видны Spark и Hadoop (~14%), а в BI-сегменте лидируют Microsoft Power BI (39%) и Tableau (36%)
Примечательно, что отечественная платформа Yandex DataLens упоминается в трёх из пяти ключевых компаний (20% опрошенных) — подтверждение того, что для российского рынка локальные решения сохраняют актуальность. Системы визуализации данных (Superset, Metabase, Redash, Looker Studio) тоже вошли в обиход аналитиков по всему миру.
Наряду с этим появляются и совсем новые решения.
Платформы «Product Experience Management» (например, Pendo) объединяют аналитику, фидбек и встройку аналитических рекомендаций напрямую в интерфейс продукта. Популярность набирают инструменты для полнотекстового анализа фидбека и A/B-тестирования. Уже к 2025 году ожидается рост внедрения AI-ассистентов в аналитических дашбордах, которые на основе LLM-решений автоматически генерируют отчёты и инсайты по запросу (например, по типу чат-бота в BI).
Таким образом, инструментальная карта аналитики 2025 сочетает многомерные платформы с ML/AI-функциями, традиционные хранилища и BI-сервисы, а также специализированные продукты для сквозной (end-to-end) и мобильной аналитики. Выбор решения всё больше зависит от масштаба компании и специфики продукта: стартапы чаще берут гибкие готовые сервисы (AppMetrica, Amplitude, Mixpanel), а крупные компании строят кастомные пайплайны на ClickHouse/BigQuery с BI-отчетами на Power BI или DataLens.

Итого:
Будущее продуктовой аналитики — это глубокая интеграция данных и ИИ. За последние пять лет от классических DAU/MAU-счётчиков произошёл переход к метрикам ценности и эффективности, где в центре внимания оказались удержание, LTV и персонализированное поведение пользователей. Одновременно аналитика стала более автоматизированной: рутинные задачи достались ИИ-решениям, а аналитики переключились на постановку стратегических задач и интерпретацию результатов. Популярность приобретают подходы юнит-экономики и сквозной аналитики, которые позволяют видеть полную картину от маркетинга до продаж. На российском рынке эту тенденцию подтверждает рост использования инструментов предиктивной аналитики (на 32% за год) и примеры внедрения real-time-персонализации.
К 2025 году ключевыми метриками станут удержание (Retention), вовлечённость (например, время в приложении), конверсия и доход на пользователя (ARPU/LTV). Они в большей степени отражают здоровье бизнеса, чем простые счётчики активности. Для измерения и улучшения этих показателей продуктовые команды будут опираться на гибридные аналитические решения с AI-компонентами и инструментами визуализации. В итоге метрики будущего позволят менеджерам понимать не только «сколько» у них клиентов, но и «кого» эти клиенты представляют собой, а также как именно продукт создаёт для них ценность.