Как исправили аналитику и подняли retention в приложении для автомобилистов

Контекст

Мобильное приложение для автомобилистов со сценариями вокруг страховок, штрафов и данных об автомобиле. На входе команда не могла защищать решения по продвижению и росту, потому что аналитика была сломана, а дашборд показывал искажённую картину.

Что было не так

• На продуктовых данных нельзя было принимать решения из-за некорректной аналитики.
• Маркетинговый бюджет нужно было защищать перед инвесткомитетом на реальных цифрах, а не на ощущениях.
• Команда не понимала, где главный разрыв в удержании и что чинить первым.

Что сделали

Зашли через исследование и продуктовый разбор

Собрали фактуру по продукту и рынку, чтобы спорные решения по росту и продвижению можно было защищать на нормальной базе.

Исправили аналитику и собрали дашборд

За месяц убрали ключевые искажения и собрали рабочую панель метрик для продуктовой команды.

Нашли узкое место и вернули push-контур

На корректных данных стало видно, что базовые push-уведомления не работают как должны. После возврата механики получили быстрый прирост удержания.

Что получили на выходе

• 5% -> 10% — рост retention после первого месяца работы с данными и push-механикой.
• 1 месяц — срок, за который собрали рабочий дашборд метрик.
• ~10 000 — активная база, по которой команда начала принимать решения на корректных данных.
• +5% — рост активной пользовательской базы после возврата push-механики.

Что изменилось системно

• Команда получила рабочий дашборд вместо искажённой аналитики.
• Решения по росту начали приниматься на нормальных данных, а не на спорах.
• Push-уведомления вернулись как управляемый продуктовый инструмент удержания.

CTA

Обсудить похожую задачу