MAU в B2B SaaS: как считать без ошибок и увязать с онбордингом

Вы запускаете B2B SaaS-продукт и видите в дашборде красивую цифру MAU. Она растёт, команда радуется, но сделки не закрываются, а пользователи уходят после пробного периода. Знакомая ситуация? В B2B-продуктах классический MAU, перенесённый из B2C-мира, часто показывает ложную картину. Он учитывает всех, кто просто залогинился, но не отражает реальную ценность для бизнеса клиента. В этой статье мы разберём, как считать MAU без искажений, увязать его с этапом активации и онбординга, а главное, превратить эту метрику из декоративного KPI в инструмент роста для вашего продукта.

Проблема усугубляется типовыми ошибками, которые допускают российские команды на этапе внедрения продуктовой аналитики. Многие путают MAU с DAU, используют единое пороговое значение для всех ролей компании-клиента или вообще не сегментируют пользователей. В результате продуктовая команда не видит, кто из клиентов действительно получает пользу, а кто лишь формально присутствует в системе. Это приводит к неверным выводам: вы можете думать, что онбординг работает отлично, хотя на самом деле 70% аккаунтов так и не прошли активацию.

Сегодня мы не просто перечислим ошибки. Вы получите пошаговый подход к определению активного пользователя для B2B SaaS, поймёте, как встроить чеклисты онбординга и сегментацию в расчёт MAU, и научитесь интерпретировать метрику вместе с companion-показателями вроде activation rate и Time-to-Value. Материал ориентирован на продакт-менеджеров, аналитиков и владельцев продукта, которые работают в России и СНГ и хотят опираться на честные данные, а не на иллюзию роста.

Почему MAU в B2B работает не так, как в B2C

MAU в B2B-продуктах вводит в заблуждение, потому что пользовательский путь в B2B принципиально другой: решения принимаются долго, а ключевые действия совершают несколько людей в одной компании. В отличие от B2C, где один пользователь = один аккаунт и одна сессия, в B2B та же компания может генерировать десятки событий через разных сотрудников, но при этом продукт реально используют только двое. Например, в типичном B2B SaaS для управления складом из 20 лицензий активны только 3, 4 оператора, остальные заходят раз в месяц посмотреть отчёт, формально они MAU, но продукт не становится от них ценнее. Это приводит к тому, что команды видят 80% MAU, а retention по ключевым действиям, 20%. Разница в 4 раза, стандартная иллюзия для B2B.

Стандартное определение MAU, количество уникальных пользователей, совершивших хотя бы одно действие за месяц, теряет смысл, если не учитывать командный контекст. Типичная ошибка: считать сессии как MAU. На деле одно нажатие кнопки «Войти» может быть нецелевым, а B2B-пользователь часто открывает продукт раз в неделю только для отчёта. Российские практики, работающие с B2B SaaS для логистики и HR-tech, подтверждают: MAU без фильтрации по ключевым событиям (например, «загрузка отчёта», «создание задачи», «изменение ставки») показывает завышенные цифры, не отражающие реальную активность. В одном из кейсов HR-tech-продукта после внедрения фильтрации по событию «отправка оффера» MAU упал с 72% до 34%, именно столько пользователей действительно выполняли целевое действие. Остальные просто просматривали кандидатов.

Также важно разделять MAU на уровне пользователя и на уровне компании. Команда из 10 человек может иметь 10 MAU, но если активен только один, продукт не стал более востребованным. Метрику стоит уточнять: «MAU активных пользователей» vs «активные компании в месяц» (MCAU). Это особенно актуально для российских B2B-продуктов, где заказчиком выступает юрлицо, а пользователи, наёмные сотрудники. Например, в CRM для малого бизнеса компания с 5 лицензиями может показывать 5 MAU, но реально работает только директор, остальные заходят раз в месяц проверить задачи. Если считать MCAU (хотя бы один активный пользователь от компании), то метрика будет 1, что честнее отражает использование. Разрыв между MAU и MCAU, индикатор того, что продукт не внедрён в командную работу.

Кроме того, в B2B важно учитывать сезонность и цикличность использования. Например, бухгалтерские SaaS активно используются в конце квартала и в отчётный период, а в середине месяца активность падает до 10, 15% от пиковой. Если считать MAU как среднее за месяц, то в «тихие» недели продукт кажется мёртвым, хотя он востребован циклически. B2C-продукты редко имеют такую неравномерность, там активность распределена равномернее. Поэтому для B2B имеет смысл считать MAU с учётом rolling-периода (скользящие 30 дней) и отдельно отслеживать пиковые недели. Это даёт более реалистичную картину удержания.

• Длительный цикл принятия решения: в B2B от первой регистрации до регулярного использования проходит 2, 6 недель. За это время пользователь может зайти 1 раз и не вернуться, формально MAU будет 1, но продукт не используется. Чтобы отделить пробные визиты от реального использования, нужно ввести порог: минимум 3 сессии с ключевым действием за месяц.

• Командное использование: один аккаунт компании активен от 2 до 50 человек. Если считать MAU как число входов, вы получите 50 активных пользователей, хотя реально задачу решает только администратор. Рекомендуется считать MAU с дедупликацией по компании и отдельно метрику «активные роли» (например, администратор, оператор, аналитик).

• Разница между активным пользователем и активной компанией: B2B-продукт продаётся юрлицу, поэтому метрика «активные компании» (с любым действием в месяце) точнее отражает рост, чем MAU по людям. В российских ERP-системах часто видят: 100 MAU, но только 20 компаний, значит, продукт используют крупные команды, а новых клиентов нет. MCAU должен расти быстрее MAU на ранних стадиях.

• Типичное заблуждение, приравнивать сессии к MAU: сессия может быть пустой (пользователь открыл интерфейс и ушёл). Без фильтрации по событиям (например, «создан отчёт») MAU становится бесполезным. Лучше использовать событийный MAU: пользователь считается активным, если совершил хотя бы одно из 3, 5 ключевых действий, определённых совместно с продакт-менеджером.

• Российские практики подтверждают: в B2B SaaS для складов и производства команды часто видят MAU 80%, но реально активны только 30, 40%, остальные пассивно следят за отчётами раз в месяц. Коррекция метрики (вычитание просмотров без действий) даёт объективную картину. В одном из кейсов после внедрения фильтрации MAU упал с 85% до 41%, а retention на 3-й месяц вырос с 22% до 58%, потому что команда перестала ориентироваться на «мёртвые души».

• Сезонность и цикличность: в B2B активность может быть привязана к бизнес-циклам (конец квартала, налоговый период). MAU, посчитанный как среднее за календарный месяц, сглаживает эти пики. Рекомендуется считать скользящий MAU за 30 дней и дополнительно отслеживать MAU за последнюю неделю месяца, это покажет реальную вовлечённость в ключевые периоды.

• Отсутствие единого стандарта: в B2C MAU обычно считают по логину, в B2B логин может быть автоматическим (SSO) или общим для отдела. Если не разделять пользователей по email или ID, один человек с двух устройств будет считаться дважды. Нужна дедупликация по уникальному идентификатору пользователя в системе, а не по сессии.

3 главные ошибки при подсчёте MAU в российских командах

Главные ошибки при подсчёте MAU в B2B-продуктах, это путаница между сессиями и активностями, включение случайных или нецелевых посещений, а также игнорирование первого ключевого действия. Эти недочёты ведут к завышению метрики на 30, 60% и скрывают реальное вовлечение пользователей, что особенно критично для команд из России и СНГ, где B2B-циклы длиннее и контракты заключаются на квартал или год. Например, типичный российский SaaS для управления задачами может показывать MAU в 5000 пользователей, но после очистки от случайных сессий и нецелевых визитов реальный показатель падает до 2000, 2500, что кардинально меняет понимание удержания.

Первая ошибка, учёт каждого визита вместо значимых действий. Если пользователь открыл приложение на несколько секунд и закрыл, это не делает его активным. В B2B-продуктах сессия без совершения целевого действия (например, создания отчёта или загрузки данных) не свидетельствует о реальном использовании. Вторая ошибка, включение пользователей, которые зашли по ссылке из письма или уведомления и сразу вышли, что искажает MAU на 15, 25%. Третья ошибка, игнорирование момента активации (first key action), без которого вы не понимаете, когда пользователь впервые получил ценность, и MAU превращается в «чёрный ящик».

Эти ошибки особенно опасны для российских B2B-команд, где бюджеты на развитие продукта ограничены, а каждый процент оттока означает потерю клиентов на год вперёд. Если MAU завышен, вы не замечаете, что 40, 50% платящих пользователей не используют продукт после первой недели, и продолжаете тратить ресурсы на удержание «мёртвых душ». Если MAU занижен (например, из-за слишком жёсткого порога активности), вы недооцениваете LTV и упускаете возможности для апсейла.

• Путаница с сессиями: засчитывать любой вход в систему вместо действий, отражающих ценность продукта. Исправляется определением «значимой сессии», минимум одно ключевое действие (например, создание отчёта, отправка инвойса, загрузка данных). В российских CRM-продуктах это снижает MAU на 20, 35% и делает метрику честной.

• Включение неактивных пользователей, которые случайно открыли приложение (например, по ссылке в почте) и сразу вышли. Такие посещения искажают MAU на 10, 20% и делают его бессмысленным для анализа удержания. Решение: фильтр по длительности сессии (минимум 30 секунд) и по наличию хотя бы одного клика.

• Игнорирование первого ключевого действия: без привязки к моменту активации вы не понимаете, когда именно пользователь впервые получил ценность. Это превращает MAU в «чёрный ящик». В B2B SaaS для управления проектами первое ключевое действие, создание задачи или назначение дедлайна, а не просто вход.

• Использование единого порога активности для всех сегментов: администраторы, рядовые сотрудники и менеджеры используют продукт по-разному. Один порог занижает MAU для активных сегментов (например, администраторов, которые работают ежедневно) и завышает для пассивных (например, сотрудников, которые заходят раз в неделю). В российских командах это приводит к ошибкам в планировании фич.

• Как эти ошибки искажают картину retention и LTV: завышенный MAU на 30, 50% маскирует отток, а заниженный, скрывает рост. Без корректной метрики вы неверно рассчитываете LTV (ошибка в 2, 3 раза) и инвестируете в удержание не тех пользователей. Например, если MAU показывает 80% retention, а реальный, 50%, вы теряете 30% клиентов каждый месяц, не замечая этого.

Как корректно определить активного пользователя для B2B SaaS

Корректное определение активного пользователя для B2B SaaS требует отказа от количества сессий в пользу значимых действий, которые отражают получение ценности от продукта. Вместо подсчета простых визитов нужно отслеживать core value events, ключевые действия, которые соответствуют основной ценности продукта для клиента. Например, для CRM это может быть создание сделки или обновление статуса, для панели аналитики, построение отчета или экспорт данных. Такие события показывают, что пользователь не просто зашел в систему, а активно работает с ней для решения своих бизнес-задач.

Временное окно для расчета MAU должно учитывать цикл использования продукта, а не просто быть стандартным 30-дневным периодом. Для продуктов с еженедельным использованием (например, инструментов для планирования спринтов) оптимальным может быть 28-дневное скользящее окно, чтобы нивелировать влияние выходных. Для B2B-сервисов с нерегулярным, но критическим использованием (например, инструментов для составления годовой отчетности) разумнее рассматривать 90-дневное окно. Главное правило, окно должно покрывать полный бизнес-цикл пользователя с запасом.

• Откажитесь от количества сессий в пользу отслеживания core value events: регистрируйте действия, которые прямо указывают на получение ценности (например, создание проекта, запуск расчета, отправка отчета).

• Выбирайте временное окно с учетом цикла продукта: для ежедневных инструментов подходит 30-дневное скользящее окно, для недельных, 28-дневное, для редких, но важных действий, 90-дневное.

• Учитывайте поведение в рамках команды: для B2B важно определить, достаточно ли активности одного участника, чтобы вся компания считалась активной, или нужно, чтобы действовали несколько человек.

• Привяжите определение MAU к стадии онбординга: пользователь, прошедший регистрацию, но не выполнивший первое ключевое действие (например, не импортировавший данные), не должен считаться активным.

• Сегментируйте пользователей по размеру команд: для малых команд (до 10 человек) активность одного участника может быть достаточной, для enterprise (от 50 человек), требуется активность минимум 20% аккаунта в течение месяца.

Привязка MAU к стадиям онбординга помогает точнее оценить, насколько продукт удерживает пользователей. Если после регистрации пользователь не совершает первое ключевое действие в течение нескольких дней, включать его в MAU неверно, он еще не получил ценности. Лучше считать активными только тех, кто прошел активацию: завершил онбординг-сценарий и выполнил хотя бы одно core action. Такой подход сразу показывает слабые места в процессе привлечения и удержания, позволяя быстрее корректировать стратегию роста.

Связь MAU с онбордингом: как чеклисты и сегментация улучшают метрику

MAU напрямую зависит от качества онбординга, поскольку пользователи, не достигшие момента «Aha!», быстро отваливаются. Чеклисты и сегментация позволяют подвести каждого пользователя к первому ценному действию, что повышает retention и возвращаемость. В результате метрика MAU растёт органически.

• Пользователи покидают продукт, если не видят ценности в первые сессии, ключевая причина оттока до активации.

• Интерактивный онбординг с чеклистами помогает последовательно вести пользователя к первому key action, сокращая время до Aha!-момента.

• Поведенческая сегментация позволяет отправлять персонализированные триггеры (email, in-app) тем, кто застрял на определённом шаге.

• userStream автоматически отслеживает прохождение этапов онбординга и подсказывает, на каком сегменте нужно усилить воздействие для повышения MAU.

• В типичных B2B SaaS-продуктах внедрение сегментированного онбординга даёт рост MAU на 20, 30% в течение первого квартала.

Метрики-компаньоны MAU: что считать вместе и как интерпретировать

MAU даёт общую картину масштаба, но для управления продуктом его нужно дополнять метриками вовлечённости, удержания и ценности. В B2B-контексте одиночный MAU может маскировать проблемы активации и оттока, поэтому связка DAU, WAU, Stickiness, Retention и LTV превращает ежемесячную цифру в систему раннего предупреждения.

В российских и региональных командах часто ограничиваются MAU из-за доступности данных в Яндекс Метрике, но для B2B этого недостаточно. Ниже, пять метрик-компаньонов, которые дают ответы на разные вопросы роста и помогают не пропустить момент начала оттока.

• DAU и WAU: когда они важнее MAU для B2B. Ежедневные активные пользователи показывают реальную частоту использования: если в продукте типичный сценарий, раз в неделю (отчётность, планирование), то WAU точнее отражает вовлечённость, а MAU может быть высоким даже при слабом онбординге. В недельных циклах (B2B SaaS для бухгалтерии или CRM) WAU, основной индикатор активности.

• Stickiness (DAU/MAU): какой порог считать здоровым для B2B SaaS. Коэффициент липкости, это доля пользователей, возвращающихся ежедневно. Для B2B здоровый порог, от 20% до 40% в зависимости от типа задачи (утилитарные сервисы ниже, коммуникационные или операционные выше). Значение ниже 15% сигнализирует: большинство аккаунтов не возвращаются в течение дня.

• Retention cohorts: корреляция с MAU и предсказание оттока. Если MAU растёт, а Retention второй месяц падает, значит привлекаются пользователи, которые не закрепляются. Когортный анализ по неделям после регистрации показывает, на какой стадии онбординга срабатывает потеря. Корреляция MAU с удержанием 1-го месяца может быть высокой, но без когорт вы не увидите ухудшения качества.

• LTV и MAU: как оценить экономику при разной дефиниции активности. Если в MAU попадают более строгие пользователи (совершившие целевое действие), их LTV будет выше. Сравнение LTV для разных дефиниций (логин + клик vs логин + создание объекта) помогает выбрать ту, которая даёт экономически оправданный CAC. Для B2B в России и СНГ это критично при работе с длинным циклом продаж.

• Инструменты аналитики: Amplitude, Mixpanel, Yandex Metrica, настройка отчётов под B2B. Amplitude и Mixpanel позволяют задать событие активации (например, первое создание задачи) и построить воронки без кода. Яндекс Метрика пригодна для базовых MAU/DAU, но не даёт когортный анализ по событийным осям. Для B2B SaaS оптимально иметь хотя бы один событийный трекер с возможностью сегментации по ролям и тарифам.