Сова до IPO доведе. Як Duolingo збільшив активну аудиторію за допомогою пушів та гейміфікації

Передмова

Я приєднався до команди Duolingo як Head of Product наприкінці 2017 року. Тоді Duolingo вже був найбільш завантажуваним навчальним застосунком у світі із сотнями мільйонів користувачів, виконуючи своє завдання «створити найкращу освіту у світі та зробити її загальнодоступною». Однак зростання кількості користувачів сповільнювалося. 

До середини 2018 року число щоденних активних користувачів (DAU) щороку збільшувалося лише на одиниці відсотків, що викликало занепокоєння, враховуючи стрімкий ріст застосунку в минулому. Це було проблемою для стартапу, чиї інвестори прагнули побачити швидке зростання монетизації. 

У цьому матеріалі я розповім про деякі наші ранні невдачі та перші великі перемоги, які допомогли налагодити зростання, зокрема про запуск таблиць лідерів, переорієнтацію на push-сповіщення та оптимізацію функції «відрізка». Ці та інші зусилля, пов’язані з продуктом і маркетингом, допомогли нам збільшити показник DAU у 4,5 раза протягом чотирьох років. Стабільний органічний ріст користувачів підштовхнув Duolingo до IPO у 2021 році. 

Ця стаття — докладний огляд нашого шляху. Сподіваюся, що розповідь про цю роботу допоможе іншим швидше досягти власних проривів у розвитку. 

Етап 1. Збільшення гейміфікації 

Наша перша спроба відновити зростання була зосереджена на покращенні утримання, тобто на розв’язанні проблеми «дірявого відра». Ми надавали пріоритет роботі над утриманням користувачів, а не над залученням нових, тому що всі нові юзери були органічними, і на той час ми не мали очевидного важеля, щоб прискорити процес. Крім того, деякі члени команди пропонували покращити утримання за допомогою гейміфікації. Це здалося мені правильним підходом із двох причин. 

По-перше, Duolingo вже успішно реалізував кілька механізмів гейміфікації, як-от прогрес на головному екрані, відрізки та система досягнень. По-друге, найпопулярніші мобільні ігри на той час мали набагато вищі показники утримання, ніж наш продукт. Для мене це стало доказом того, що ми ще не вичерпали весь потенціал гейміфікації. 

Озброївшись короткою презентацією, яку я створив разом із нашим головним дизайнером, ми отримали підтримку керівництва для розвитку нової команди — гейміфікації (Gamification Team). До неї увійшли технічний менеджер, розробник, дизайнер, продакт і я. Але була одна незначна проблема: ми поняття не мали, які окремі механіки гейміфікації спрацюють для Duolingo. 

У той час наша команда захопилася грою Gardenscapes — мобільною головоломкою жанру «три в ряд», схожою на Candy Crush. Саме вона стала нашим першим натхненням.

Вивчаючи різні ігрові механізми в Gardenscapes, ми не знали, що шукаємо — лише розуміли, що відірватися від Gardenscapes набагато складніше, ніж від Duolingo, і бачили кілька паралелей.

Трихвилинний урок у Duolingo був схожий на один рівень у Gardenscapes, і обидва застосунки використовували шкалу прогресу, щоб повідомити користувачам, наскільки вони близькі до завершення завдання. 

Однак, на відміну від Duolingo, у Gardenscapes шкала прогресу поєднувалася ще з лічильником ходів. Він дозволяв користувачам зробити лише обмежену кількість ходів для проходження рівня, що додавало ігровому процесу відчуття обмеженості та терміновості. Ми вирішили додати механіку лічильника до нашого продукту, даючи користувачам обмежену кількість шансів правильно відповісти на запитання, перш ніж їм доведеться починати урок наново. 

Нам знадобилося кілька місяців, щоб додати функцію лічильника. Після оновлення я з нетерпінням чекав неймовірного успіху. На жаль, ці зусилля не дали жодного результату. Жодних змін в утриманні. Жодного збільшення DAU. Ми ледве отримали мізерну кількість відгуків від користувачів. Я був спустошений. 

Найбільший вплив ця ініціатива мала на нашу команду. Після оприлюднення результатів ми думки розійшлися: хтось хотів продовжувати працювати над ідеєю, інші — відмовитися від неї. Команда майже одразу (і драматично) розпалася, а ідею відкинули. Єдиною перевагою цієї невдачі стало те, що я багато дізнався про культуру компанії та про те, як покращити свій особистий стиль лідерства — але це тема для іншої статті. 

Етап 2. Рекомендації 

Погорівши на спробах гейміфікації, ми повністю відмовилися від покращення утримання та зібрали нову продуктову команду, зосереджену на залученні нових користувачів  (Acquisition Team). У той час ми бачили, як швидко росте кількість користувачів Uber, і причиною цьому була їхня реферальна програма. Надихнувшись Uber, ми створили схожу реферальну програму. Як нагороду ми давали безоплатний місяць преміумпідписки Super Duolingo (тоді вона називалася Duolingo Plus). Нам це здавалося доволі гарною пропозицією.

Ми запровадили цю функцію та сподівалися, що друга спроба стане успішнішою. Натомість кількість нових користувачів зросла лише на 3 %. Це було краще, ніж нічого, але й не той прорив, якого ми потребували. Проте, команда подвоїла зусилля і продовжувала роботу над реферальною програмою, оновлювала її, але безрезультатно. 

Поки це відбувалось, я зрозумів, що потрібно шукати інший підхід до розв’язання нашої проблеми зростання.

Час перегрупуватися 

Наслідки цієї низки невдач стали для мене періодом роздумів про те, як створювати кращі рішення щодо продукту. 

Тоді стало зрозуміло, чому лічильник ходів із Gardenscapes не підійшов для нас. Під час гри у Gardenscapes кожен хід здається стратегічним рішенням, тому що вам потрібно долати динамічні перешкоди на шляху до перемоги. Але для проходження уроку Duolingo не обов’язково приймати стратегічні рішення: ви або даєте правильну відповідь, або ні. 

Оскільки він не мав жодного стратегічного значення, лічильник ходів у Duolingo був просто нудною, недоречною неприємністю. Це був неправильний вибір механіки гейміфікації для впровадження в Duolingo. Я зрозумів — був настільки зосереджений на подібності між Gardenscapes і Duolingo, що проґавив важливість основних відмінностей. 

Я також доволі швидко зрозумів, чому наша реферальна програма не стала успішною, як це було з Uber. Рекомендації працюють для Uber саме тому, що пасажири оплачують поїздки по факту використання. Безплатна поїздка — це постійний стимул. У Duolingo ми намагалися заохотити користувачів, пропонуючи безплатний місяць Super Duolingo. 

Однак наші найкращі та найактивніші користувачі вже мали цю підписку. Це означало, що стратегія, яка повинна зосереджуватися на наших лояльних юзерах, фактично унеможливлювала їх. 

В обох цих ситуаціях ми запозичили вдалі функції з інших продуктів, але неправильно їх застосували. Ми не врахували те, як зміна контексту може вплинути на успіх функції. Тому я залишив ці спроби, усвідомивши потребу розібратися, як розумно використовувати чужі успішні ідеї. Тепер, коли я хочу застосувати запозичену функцію, то запитую себе: 

• Чому ця функція працює в цьому продукті? 
• Чому ця функція може працювати або не працювати в нашому контексті, тобто чи добре вона реалізується? 
• Які адаптації слід зробити, щоб ця функція стала успішною в нашому контексті? 

Тобто нам потрібно було ретельніше оцінювати застосування функцій з інших продуктів у нашому. Трохи більше систематичності лише в цій сфері мало б суттєве значення для того, яку механіку гейміфікації ми вирішили використовувати. І тоді, ймовірно, ми взагалі відмовилися б від впровадження реферальної програми. Я повністю сфокусувався на тому, щоб наші наступні спроби були більш методичними. Ми мали навчитися краще приймати рішення на основі даних, аналітичних висновків і базових принципів.

Етап 3. Використання даних і моделей 

У Duolingo завжди чудово виходило збирати дані, особливо для підтримки A/B-тестування. Але ці дані рідко використовувалися для формування аналітичних висновків. Я знав, як використовують дані Zynga та MyFitnessPal, адже працював над цими продуктами раніше, і хотів використати дані Duolingo, щоб знайти «Полярну зорю» (North Star Metric) та отримати довгоочікуваний прорив.

Мій досвід у Zynga та MyFitnessPal дав підказки щодо того, як сегментувати та моделювати наших користувачів за рівнем залучення. У Zynga розділяли користувачів і вимірювали утримання на основі таких щотижневих метрик: 

• Коефіцієнт утримання поточних користувачів (CURR). Імовірність того, що користувач повернеться цього тижня, якщо він робив це попередні два. 
• Коефіцієнт утримання нових користувачів (NURR). Імовірність того, що користувач повернеться цього тижня, якщо він вперше користувався продуктом минулого тижня. 
• Коефіцієнт утримання повторно активованих користувачів (RURR). Імовірність того, що користувач повернеться цього тижня, якщо він повторно користувався продуктом минулого тижня.

Пізніше, під час роботи у MyFitnessPal, я виявив, що вони перейняли та розширили роботу Zynga щодо утримання. Вони використовували метрики CURR, NURR і RURR не лише для вимірювання росту, але й для моделювання майбутніх сценаріїв. А також додали метрику SURR:

• Коефіцієнт утримання відновлених користувачів (SURR). Імовірність того, що користувач повернеться цього тижня, якщо він знову почав користуватися продуктом минулого тижня після тривалої відсутності. 

Я припустив, що ми можемо використовувати ці метрики в Duolingo як відправну точку для створення складнішої моделі. Далі використати цю модель для ідентифікації метрики «Полярної зорі». Працюючи зі спеціалістом з обробки даних і технічним менеджером у команді залучення, ми розробили наведену нижче модель. У ній використали ті самі коефіцієнти утримання, що й Zynga та MyFitnessPal, але почали вимірювати їх не щотижня, а щодня, і також додали ще кілька метрик. 

Блоки, або сегменти, представляють різноманітні частки користувачів з різними рівнями залучення. І кожен юзер, який коли-небудь використовував продукт, щодня перебуває лише в одному з цих сегментів. Це означає, що сегменти в моделі є взаємосуперечливими та колективно вичерпними для представлення всієї бази користувачів, які коли-небудь користувалися Duolingo. 

Стрілки показують переміщення користувачів між сегментами (до них належать метрики CURR, NURR, RURR і SURR, але які вимірюються щодня, а не щотижня). Поєднуючи сегменти та стрілки, модель створює майже замкнуту систему, де єдиною точкою входу є нові користувачі.

Зручно те, що чотири верхні сегменти моделі складаються в DAU. Їх визначають як:

• Нові користувачі. Вперше взаємодіють із застосунком. 
• Поточні. Користувачі, які взаємодіяли з продуктом сьогодні та принаймні один раз за попередні 6 днів. 
• Повторно активовані. Користувачі, які взаємодіяли з продуктом після 7–29 днів відсутності. 
• Відновлені. Користувачі, які взаємодіяли з продуктом після відсутності протягом 30 днів або довше. 

Решта сегментів представляють користувачів, які сьогодні не взаємодіяли з продуктом та мають різний ступінь бездіяльності: 

• Щотижнево активні користувачі (WAU) в групі ризику. Неактивні сьогодні, але активні принаймні раз за останні 6 днів. 
• WAU в групі ризику + DAU = WAU. 
• Щомісячно активні користувачі (MAU) в групі ризику. Неактивні за останній тиждень, але активні принаймні раз за попередні 23 дні. 
• MAU в групі ризику + WAU = MAU. 
• «Сплячі» користувачі. Неактивні протягом останніх 30 днів або довше. 
• MAU + «сплячі» користувачі = загальна база користувачів. 

Той факт, що DAU, WAU та MAU можна легко обчислити за допомогою цих сегментів, полегшив їхнє моделювання з плином часу. Це ключова особливість моделі. Крім того, керуючи коефіцієнтами, які представлені стрілками, ми можемо змоделювати складний і кумулятивний вплив зміни цих коефіцієнтів із часом; іншими словами, коефіцієнти — це важелі, які команди продукту можуть використовувати для збільшення DAU. 

Завдяки створеній моделі ми почали робити щоденні зрізи даних, щоб побачити, як усі ці сегменти користувачів і показники утримання змінювалися щодня протягом останніх кількох років. На основі цих даних ми могли б створити перспективну модель, а потім провести аналіз чутливості, щоб передбачити, які важелі матимуть найбільший вплив на зростання DAU. Ми провели моделювання для кожного коефіцієнта, під час якого змінювали один з них на 2 % щоквартально протягом трьох років, утримуючи всі інші показники постійними.

Нижче наведено результати нашого першого моделювання. Вони показують, як ці невеликі 2-відсоткові зміни кожного важеля вплинули на прогнозовані MAU та DAU. 

Ми одразу побачили, що CURR має величезний вплив на DAU — у п’ять разів більше, ніж друга за порядком метрика. У перспективі висновок CURR мав сенс, оскільки поточні користувачі, які залишаються активними, повертаються до того самого сегмента. 

Це створює кумулятивний ефект, і хоча вливати на CURR набагато важче, це має найбільший вплив. На основі цього аналізу ми дійшли висновку, що CURR — це саме та метрика, яку слід змінити, щоб досягти бажаного стратегічного прориву. Ми вирішили створити нову команду — команду утримання (Retention Team) — для якої показник CURR став метрикою «Полярної зорі». 

Однією з найбільших переваг зосередження на CURR було рішення не працювати над речами, які раніше здавалися першочерговими, особливо над утриманням нових користувачів. Це була величезна зміна в мисленні для компанії, яка досягла величезного успіху, витрачаючи роки на проведення більшості своїх експериментів зі зростання спочатку на нових користувачах.

Іншим важливим уроком було те, що ми побачили величезний розрив між тим, як метрика може вплинути на DAU та MAU. Наприклад, вплив CURR на DAU у шість разів перевищував вплив на MAU. iWAURR (коефіцієнт повторної активації неактивних WAU) був другим за ефективністю важелем впливу на DAU, але лише четвертим для MAU, поступаючись залученню нових і відновлених користувачів. 

Це означало, що в якийсь момент нам все одно знадобиться визначити нові вектори зростання для залучення нових користувачів, якщо ми хочемо побачити суттєві покращення MAU. Але поки що ми зосередилися лише на впливі на DAU, тому віддали перевагу CURR над усіма іншими факторами зростання. І це виявилося правильним рішенням.

Вектор таблиці лідерів 

За допомогою цієї чіткої директиви ми переглянули історичні дані моделі та минулі тести A/B, щоб побачити, чи нам вдавалося ненавмисно змінити CURR раніше. На диво, нічого не знайшли. Насправді CURR роками залишався на одному рівні. Тому нам потрібно було визначити перші кроки для впливу на CURR на основі початкових принципів.

Я все ще вважав, що гейміфікація — хороший варіант для покращення утримання. Невдача з лічильником ходів у стилі Gardenscapes насправді не спростувала жодної з початкових причин нашої віри в користь гейміфікації для Duolingo. Ми лише зрозуміли, що лічильник ходів був невмілою спробою. Цього разу вирішили бути більш методичними та розумнішими щодо доданих або запозичених функцій. Ми точно врахували уроки, отримані з наших попередніх зусиль із гейміфікації. 

Після деяких роздумів вирішили зробити ставку на таблиці лідерів. І ось чому. У Duolingo вже була таблиця лідерів, за допомогою якої користувачі могли змагатися зі своїми друзями та родиною, але це не було особливо ефективно. 

Мій досвід у Zynga підказував, що є кращий спосіб. Коли я почав працювати над грою FarmVille 2 від Zynga, вона містила таблицю лідерів, подібну до наявної в Duolingo, де користувачі змагалися зі своїми друзями. Я припустив, опираючись на власний досвід як гравця, що близькість конкурента буде важливішою за близькість особистих стосунків. 

Я подумав, що це особливо актуально для зрілого продукту, де багато друзів користувачів давно перестали бути активними. Під час нашого тестування в Zynga ця ідея виявилася правдивою. Виходячи з цього, я припустив, що система лідерів, подібна до тієї, яку я допомагав розробити в Zynga, матиме успіх у контексті нашого продукту. 

Таблиця лідерів FarmVille 2 також охоплювала систему ліг. Окрім того, що ви потрапляєте на вершину тижневої таблиці лідерів, користувачі мали можливість переходити через низку рівнів ліг (наприклад, від бронзової ліги до срібної та золотої). Ліги давали користувачам більше відчуття прогресу та винагороди, невіддільного елементу конструкції гри. 

З часом вони також збільшували залученість, оскільки зацікавлені користувачі тиждень за тижнем переходили до ліг з більшою конкуренцією. Ми вважали, що ця функція добре перенесеться в наявний продукт Duolingo, оскільки вона безпосередньо стосується звичайних людських потреб конкуренції та прогресу.

Однак у Duolingo вдалося перенести не всі аспекти таблиць лідерів із FarmVille 2. Нам довелося використати власні міркування, щоб адаптувати цю механіку до контексту Duolingo. У FarmVille 2 гравцям, окрім основного ігрового процесу, доводилося виконувати додаткові види завдань, щоб боротися за лідерство в таблиці. Ми навмисно відмовилися від цієї ідеї. 

У контексті Duolingo додаткові завдання лише додадуть непотрібної складності вивченню мови. Ми спеціально зробили нашу таблицю лідерів максимально простою та зрозумілою. Користувачі автоматично потрапляли до таблиці та могли просуватися до вершини першої ліги лише завдяки постійному проходженню уроків.

Нам вдалося зберегти захопливу ігрову механіку, зробивши її простішою, ніж у FarmVille 2. Ми зрозуміли, що знайшли правильний баланс між запозиченням механіки та її адаптацією. 

Функція таблиць лідерів мала величезний і майже миттєвий вплив на метрики. Загальний час навчання збільшився на 17%, а кількість зацікавлених учнів (користувачів, які навчаються принаймні годину на день п’ять днів на тиждень) зросла втричі. 

У той час ми ще не розібралися, як розрахувати статистичну значущість для CURR, але побачили, що наші традиційні метрики утримання суттєво та зі статистичною значущістю покращилися. Надалі функція таблиць лідерів стала вектором для покращення показників, і команди донині продовжують її оптимізувати. Також важливо те, що вона стала першим проривом для команди утримання! 

Вектор push-сповіщень 

Команда утримання була заряджена на пошуки інших механізмів, щоб підтримувати поточних користувачів залученими та мотивованими займатися щодня. Однією з областей, якою вони зацікавилися, були push-сповіщення. На основі суттєвих A/B-тестувань, проведених за попередні роки, у Duolingo встановили, що сповіщення можуть бути великим вектором зростання, але з роками цей вплив зменшився. З наново мотивованою командою, повною нових ідей, ми зрозуміли, що настав час переглянути цей вектор. 

Коли ми почали занурюватися в нього, з’явився один першочерговий принцип. Про нього розповів генеральний директор Groupon. Він пояснив Луї фон Ану, нашому CEO, що протягом тривалого часу Groupon відправляв лише одне сповіщення електронною поштою на день. Але їхня команда почала задумуватися, чи збільшення кількості листів покращить показники. Зрештою CEO поступився і дозволив своїй команді тестувати надсилання ще одного електронного листа кожному користувачеві щодня. Цей тест привів до значного підвищення їхніх цільових метрик. 

Підбадьорена команда Groupon продовжувала експериментувати, надсилаючи більше електронних листів, дійшло навіть до п’яти на день. І раптом їхній канал електронної пошти втратив більшу частину своєї ефективності. З часом накопичення агресивних тестів Groupon із розсилкою електронних листів фактично знищило цей канал. 

Одним із недооцінених ризиків агресивного A/B-тестування розсилки електронних листів і push-сповіщень є те, що користувачі відмовляються від каналу. І навіть якщо ви припините тест, вони вже не повернуться. Зробіть це багато разів, і канал знищено. Нам слід було уникнути цього результату. Для наших push-сповіщень ми встановили одне головне правило: захистити канал. 

Враховуючи це обмеження, ми вирішили надати команді свободу для оптимізації таких параметрів сповіщень, як час, шаблони, зображення, копії, локалізація тощо. Проте вони не могли збільшувати кількість сповіщень без серйозного обґрунтування та схвалення CEO. Після багатьох ітерацій, A/B-тестування і використання «алгоритму бандита» команда змогла згенерувати десятки малих і середніх результатів, які рік за роком приносили значний приріст DAU.

Вектор відрізка 

У пошуках інших векторів для більшого зростання менеджер продукту почав досліджувати кореляцію між утриманням і використанням певних функцій Duolingo. Він виявив, що якщо користувач досягає 10-денного відрізка активності, його шанси не повернутися в наступні дні суттєво зменшуються. Зрозуміло, що багато в чому це спостереження було просто кореляцією та упередженістю щодо фактів, але нам все одно стало цікаво спробувати знову попрацювати над покращенням цієї функції. 

Концепція відрізка насправді досить проста: показати користувачам кількість послідовних днів, протягом яких вони виконували будь-які дії в застосунку. Але виявилося, що навколо відрізків існує напрочуд велика кількість можливостей для оптимізації.

Нашою першою великою перемогою стало сповіщення про збереження відрізка — повідомлення, яке попереджає користувачів із відрізками про те, що вони скоро його втратять. Це пізнє нічне сповіщення довело, що подвоєння оптимізації відрізка стало значним плюсом. Після цього з’явилося кілька покращень: перегляди календаря, анімація, зміни в режимі заморожування відрізка і, поміж іншого, винагороди за них. Кожне з цих покращень допомогло удосконалити початкову ідею опції та суттєво покращити утримання.

На сьогодні функція відрізка є однією з найпотужніших механік залучення для Duolingo. Коли люди обговорюють свій досвід із Duolingo, вони часто згадують про те, скільки днів підряд займаються в застосунку. Нещодавно я зустрів одного користувача, який похвалився: «У мене відрізок 1435 днів!» і додав: «Без використання заморожень!». Він заслужив право на похвалу, оскільки щодня вивчав обрану мову майже чотири роки. 

Відрізки працюють з кількох причин. Одна з них полягає в тому, що відрізок підвищує мотивацію користувача з часом — чим довший відрізок, тим більше бажання не втратити його. Коли йдеться про утримання, це саме те, чого ми хочемо від наших користувачів. З кожним днем, коли учень заходить у Duolingo, його мотивація повернутися зростає, а отже, ростуть показники утримання та DAU. 

Як метаурок, наш успіх із механікою відрізка ще краще показав, що великі перемоги можна отримати та від наявних функцій. Ми можемо дістати цінність як із великих проривів, так і зі швидкої оптимізації. І висококласна команда часто вміє і те, і інше. 

Ріст за межами CURR 

Ми не зупинилися на роботі з CURR. Підозрювали, що в якийсь момент CURR досягне найвищого показника, тому рано чи пізно нам доведеться визначити вектори зростання для залучення нових користувачів. 

Команда утримання залишалася зосередженою на збільшенні CURR, але як компанія ми постійно збільшували інвестиції в зростання. Створювали все більше і більше груп продуктів і маркетингу, щоб знайти нові вектори (як для утримання, так і для залучення).

На щастя, частина цих проєктів виявилися успішними, зокрема розширення на міжнародному рівні, розбудова соціальних функцій (це те, до чого зрештою з великим успіхом звернулася команда залучення), прискорення створення навчальних матеріалів, робота з інфлюенсерами, збільшення нашої присутності в школах, інвестиції (невеликі) у платні канали та шалена популярність у TikTok. Кожен з цих проєктів заслуговує окремого вивчення.

Загальні результати 

Завдяки цим зусиллям протягом чотирьох років ми змогли збільшити CURR на 21%, що означає зменшення щоденного відтоку найкращих користувачів більш ніж на 40%, і разом з іншими успішними ідеями це привело до збільшення DAU у 4,5 раза. 

Минулого року темп зростання став одним із найшвидших в історії Duolingo. Покращилася також якість аудиторії — частка користувачів DAU із відрізком сім днів або більше зросла майже в три рази та перевищує половину нашого DAU. Це означає не лиш, що зараз у застосунку набагато більше активних користувачів, але й імовірність того, що вони продовжуватимуть повертатися, залучати своїх друзів і купувати підписку Super Duolingo. Це зростання було ключовим для успішного IPO Duolingo.

Післямова 

Я сподіваюся, що ця стаття надихне вас знайти нові вектори розвитку свого продукту. Якщо ви переймете щось із мого досвіду в Duolingo, адаптуйте це до власного контексту, користуючись своїм досвідом та знаннями. Не довіряйте досвіду Duolingo чи будь-якої іншої компанії наосліп — це точно не спрацювало в моєму випадку. Приємних експериментів! 

Більше про це

01 БІЗНЕС

Оцінка ефективності співробітника: міфи, в які ще вірять менеджери

Додати в закладки

Будь-яку статтю можна зберегти в закладки на сайті, щоб прочитати її пізніше.

Далі

Завершити

Реклама у Vector

Знайшли помилку? Виділіть її і натисніть Ctrl+Enter