Почему юнит-экономика перестала быть табличкой, а стала способом думать

Почему юнит-экономика перестала быть табличкой, а стала способом думать

Когда я впервые построил когортный отчёт (cOHORT-анализ доходности пользователей по месяцу привлечения) для подписочного B2B-сервиса, я ожидал увидеть рост. Увидел стагнацию. Причём рекламные каналы работали, лиды шли, демо назначались. Просто перестали окупаться. И это был 2021 год — без инфляции ставок, без privacy-апокалипсиса. Что-то сломалось раньше, чем я это заметил.

Точнее сломалось не в маркетинге, а в самом подходе к его измерению. Юнит-экономика как «посчитал LTV, CAC (стоимость привлечения клиента) и разницу» — это уже не работает. Работает юнит-экономика как способ думать. Разница тонкая, но критическая.

**От формулы к системе решений**

Классический подход: берём средний чек, умножаем на частоту покупок, делим на отток, сравниваем с CAC. Получаем красивую цифру, рисуем зелёный или красный квадратик в дашборде и идём спать спокойно. Проблема в том, что эта цифра всегда средняя. А значит всегда врёт.

Средний CAC по каналу прячет внутри себя десяток микро-сегментов, каждый со своей экономикой. Условно: реклама в LinkedIn приводит менеджеров среднего звена, которые покупают дешёвые тарифы и оттекают через три месяца. А органический поиск даёт CTO (технических директоров), которые берут enterprise (корпоративный тариф), платят два года и обновляются. Средний CAC между ними — 15 тысяч рублей. Но решения, которые ты примешь на основе этой цифры, будут одинаково губительны для обоих сегментов.

В 2025–2026 это стало особенно заметно, потому что last-click атрибуция (модель, где вся ценность конверсии приписывается последнему касанию) окончательно ушла в прошлое. iOS-обновления, server-side трекинг, MMM (Media Mix Modeling — статистическое моделирование влияния каналов на выручку), incrementality-тесты (эксперименты, измеряющие реальный прирост от рекламы, а не просто корреляцию) — всё это даёт более честную картину, но требует совершенно другого мышления. Не «сколько стоит клик», а «какова предельная ценность следующего касания в этом сценарии».

Пример из практики. Команда, с которой я работал, тратила 70% бюджета на performance-рекламу в B2B-нише. Поменяли фокус: выделили сегмент enterprise-клиентов, для которых построили отдельный account-based (ориентированный на конкретные компании) путь с контентом, событиями, прямыми outreach-кампаниями. Performance-каналы оставили за mid-market. Эффект: общий бюджет снизили на 30%, выручка выросла на 18%. Не потому что performance стал хуже, а потому что для разных сегментов нужны разные модели измерения.

**Когорты, которые что-то значат**

Есть когорты по дате регистрации, а есть когорты по поведению. Вторые честнее. Когда я вижу когорту пользователей, пришедших в марте, я почти ничего не могу сказать о её качестве, пока не узнаю: какие из них активировались в первые 48 часов, какие прошли онбординг (процесс знакомства нового пользователя с продуктом) до конца, какие пригласили коллегу. Демографические и временные когорты — это скелет. Поведенческие — это мышцы.

В подписочных продуктах есть правило, которое редко проговаривают вслух: первые 14 дней определяют 70% того, каким будет LTV (пожизненная ценность клиента) этого пользователя. Если он не активировался за две недели — ты его, скорее всего, уже потерял. Все дальнейшие коммуникации, ремаркетинг, допродажи — это попытка вылечить симптом поздно начатого лечения. Гораздо дешевле вложиться в онбординг, чем в реактивацию (возврат «уснувших» пользователей).

В продуктовом B2B-маркетинге это особенно ощутимо, потому

— @SaaSgrowthRoomPro