Дерево метрик

Бизнесовые и продуктовые метрики, собранные по принадлежности: что из чего считается и во что упирается. У каждой карточки есть формула, родитель и раскрытый пример с числами.

Деньги: от GMV к свободному потоку

Одна вертикаль. Каждая строка получается из предыдущей вычитанием конкретной статьи. Если метрику некуда поставить в эту лестницу, она не про деньги.

GMVОборот через платформу по цене покупателя. Деньги продавцов, не ваши.
минус отмены, возвраты, фрод
Net GMVОборот, который дожил до выполнения заказа.
× take rate, либо признание выручки по своей модели
RevenueВыручка компании. Gross для реселлера, net для агента и маркетплейса.
минус COGS: себестоимость, хостинг, лицензии, доставка
Gross ProfitВаловая прибыль. Отношение к выручке это gross margin.
минус прочие переменные: эквайринг, поддержка, последняя миля
Contribution MarginСколько остаётся с одного заказа до маркетинга.
минус маркетинг на привлечение
CM after CACПрибыль когорты после оплаты её привлечения. Здесь видно, растёт бизнес или покупает рост.
минус OPEX: разработка, бренд, административка
EBITDAОперационный результат до амортизации, процентов и налогов.
минус амортизация, проценты, налоги
Net IncomeЧистая прибыль. Строка, которую увидит акционер.
± оборотный капитал, минус CAPEX
Free Cash FlowДеньги на счету. Прибыль бывает бумажной, FCF нет.

GMV

Gross Merchandise Value, оборот

Всё, что прошло через прилавок, считается целиком, до любых вычетов

Σ цена × количество по оплаченным заказам

Оборот до вычетов. Метрика масштаба площадки, не её дохода.

→ входит в Net GMV

Показать пример

Заказов за месяц 1 200 Средний чек $350 GMV = 1 200 × 350 = $420 000 В GMV попадают и те заказы, которые потом вернут. Вычет идёт строкой ниже.

Take rate

Ставка комиссии

От всей стопки площадке достаётся верхняя монета

Revenue ÷ GMV

Какая доля оборота остаётся платформе. Рост take rate при падении GMV значит, что продавцы уходят.

связывает GMV и Revenue

Показать пример

Revenue $42 000 GMV $420 000 Take rate = 42 000 ÷ 420 000 = 10% Считать на net GMV, иначе возвраты завышают базу и занижают ставку.

Revenue

Выручка

Поток делится: площадке остаётся доля, остальное уходит продавцу

Net GMV × take rate, либо Σ признанной выручки

Верхняя строка отчёта. Для агентской модели это комиссия, а не оборот.

→ входит в Gross Profit

Показать пример

GMV $420 000 Возвраты 5% −$21 000 Net GMV $399 000 Revenue = 399 000 × 10% = $39 900 Реселлер на тех же данных покажет выручку $399 000 и огромный COGS. Модель меняет число в десять раз.

COGS

Себестоимость выручки

Три ручья уходят из кувшина ещё до любой прибыли

прямые затраты на поставку продукта

В SaaS это хостинг, CDN, лицензии, инфраструктура поддержки продукта.

вычитается из Revenue

Показать пример

Хостинг и CDN $6 200 Лицензии и API $3 100 Поддержка продукта $2 700 COGS $12 000 Gross Profit = 40 000 − 12 000 = $28 000

Gross Margin

Валовая маржинальность

Столбик выручки: штриховка снизу это себестоимость, остальное маржа

(Revenue − COGS) ÷ Revenue

Потолок модели. SaaS держит 70-85%, маркетплейс ниже, ритейл ещё ниже.

производная от Gross Profit

Показать пример

(40 000 − 12 000) ÷ 40 000 = 70% Каждый новый доллар выручки приносит 70 центов на покрытие всего остального.

CM1 / CM2 / CM3

Уровни маржинальной прибыли

Три надреза: каждый уровень отрезает свою статью

CM1 = Revenue − COGS CM2 = CM1 − прочие переменные CM3 = CM2 − маркетинг

Нумерация внутренняя. Договоритесь один раз и запишите, иначе два отчёта не сойдутся.

→ входит в EBITDA

Показать пример

Revenue $40 000 − COGS $12 000 CM1 $28 000 − эквайринг, поддержка $8 000 CM2 $20 000 − маркетинг $12 000 CM3 $8 000

EBITDA

Прибыль до амортизации, процентов и налогов

Четыре ступени вниз: то, на чём можно стоять, остаётся в конце

CM3 − OPEX

Прокси операционной эффективности. Не денежный поток.

→ входит в Net Income

Показать пример

CM3 $8 000 − разработка $4 500 − бренд и админ $2 000 EBITDA $1 500 EBITDA-маржа = 1 500 ÷ 40 000 = 3,75%.

FCF, Burn, Runway

Поток, расход, запас хода

Мешок кормит месяцы, пока не кончится: остаток и есть запас хода

Runway = остаток на счетах ÷ net burn в месяц

Runway меряется в месяцах. Ниже 12 это уже вопрос к плану, а не к метрике.

последняя строка лестницы денег

Показать пример

Остаток на счетах $6 000 000 Net burn в месяц $500 000 Runway = 6 000 000 ÷ 500 000 = 12 мес Рост burn на 20% сжигает два месяца runway без единого изменения в выручке.

Подписка: движение MRR

В подписке выручка это не число, а баланс пяти потоков. Смотреть надо на состав движения, а не на итог.

MRR на начало периодаБаза, с которой стартуем.
плюс New MRR и Expansion MRR: апгрейды, места, overage
минус Contraction MRR и Churned MRR
Net New MRRЧистый прирост за период. Отрицательный означает, что маркетинг наливает в дырявое ведро.
накопительно по месяцам
MRR → ARRARR = MRR × 12. Годовая проекция, не факт.

MRR

Регулярная месячная выручка

Одна и та же монета приходит каждый месяц

Σ нормализованных месячных платежей активных подписок

Годовые планы делятся на 12. Разовые платежи в MRR не входят.

→ входит в Revenue

Показать пример

300 месячных × $120 = $36 000 50 годовых × $1 200 ÷ 12 = $5 000 Разовая настройка $9 000 = 0 MRR = $41 000

ARR

Регулярная годовая выручка

Двенадцать месячных столбиков под одной скобкой

MRR × 12

Язык инвестора. Оценка компании чаще всего пляшет от мультипликатора к ARR.

производная от MRR

Показать пример

MRR $41 000 × 12 = ARR $492 000 При мультипликаторе 6x оценка ≈ $2 950 000

NRR

Чистое удержание выручки

Та же когорта перерастает свою стартовую линию

(старт + expansion − contraction − churn) ÷ старт

Считается по когорте клиентов без новых. Выше 100% значит рост без привлечения.

качество MRR

Показать пример

Когорта год назад $100 000 + expansion $18 000 − contraction $4 000 − churn $9 000 Итого $105 000 NRR = 105 000 ÷ 100 000 = 105% Новые клиенты в расчёт не входят, иначе метрика превращается в рост выручки.

GRR

Валовое удержание выручки

Столбик может только терять: стартовая линия это потолок

(старт − contraction − churn) ÷ старт

Потолок 100%. Показывает утечку начисто, без маскировки апгрейдами.

пара к NRR

Показать пример

(100 000 − 4 000 − 9 000) ÷ 100 000 = 87% NRR 105% при GRR 87% значит: база течёт, но крупные клиенты доплачивают. Риск концентрации.

SaaS Quick Ratio

Эффективность роста

Весы: новое и апгрейды против даунгрейдов и оттока

(New + Expansion) ÷ (Contraction + Churned)

Сколько нового MRR приходится на доллар потерянного. Ниже 1 это сжатие.

оценка Net New MRR

Показать пример

New $15 000 + Expansion $6 000 = $21 000 Contraction $2 000 + Churn $5 000 = $7 000 Quick Ratio = 21 000 ÷ 7 000 = 3,0

Bookings, Billings, Revenue

Три разных числа

Один контракт, один счёт, выручка размазана по месяцам

Bookings = подписанные контракты Billings = выставленные счета Revenue = признанная выручка

Путать их в одном отчёте это самый частый способ обмануть себя на квартал вперёд.

питают Revenue с задержкой

Показать пример

Январь: контракт на 12 мес, $120 000 Bookings январь $120 000 Billings январь $120 000 Revenue январь $10 000 Deferred revenue $110 000

Юнит-экономика: один клиент

Весь бизнес свёрнут в одного пользователя. Если здесь минус, масштабирование ускоряет убыток.

ARPU

Средняя выручка на пользователя

Одна монета делится на всю толпу, включая бесплатных

Revenue ÷ активные пользователи

Считается на всех, включая бесплатных. Падение ARPU при росте выручки значит разбавление базы.

→ входит в LTV

Показать пример

Revenue за месяц $40 000 Активных 60 000 ARPU = 40 000 ÷ 60 000 = $0,67

ARPPU

Средняя выручка на платящего

Монета есть только у отмеченных: остальные бесплатные

Revenue ÷ платящие пользователи

Пара к ARPU. Разрыв между ними это конверсия в платёж.

пара к ARPU

Показать пример

$40 000 ÷ 1 600 платящих = $25 Конверсия в платёж = 1 600 ÷ 60 000 = 2,7% Проверка: $25 × 2,7% = $0,67 = ARPU

AOV

Средний чек

Одна корзина, один ценник: сколько уносят за раз

Revenue ÷ число заказов

Растёт от апсейла, бандлов и порога бесплатной доставки.

→ входит в ARPU

Показать пример

$420 000 ÷ 1 200 заказов = $350 Порог бесплатной доставки $400 поднял AOV до $378 за два месяца

Frequency

Частота покупок

Тот же покупатель приходит трижды за период

заказы ÷ покупатели за период

Второй множитель выручки. Часто дешевле поднять, чем средний чек.

→ входит в ARPU

Показать пример

1 200 заказов ÷ 800 покупателей = 1,5 Revenue = 800 × 1,5 × $350 = $420 000

LTV

Пожизненная ценность клиента

Поток монет от одного клиента, редеющий с месяцами

ARPPU × gross margin ÷ churn rate

Считать в марже, не в выручке. Горизонт ставить конечный: 12 или 24 месяца.

→ входит в LTV/CAC

Показать пример

ARPPU $25 в месяц Gross margin 70% → $17,50 маржи Churn 5% в месяц LTV = 17,50 ÷ 0,05 = $350 Churn 7% вместо 5% роняет LTV до $250. Метрика крайне чувствительна к знаменателю.

CAC

Стоимость привлечения клиента

Деньги уходят в рупор, обратно приходит один клиент

затраты на привлечение ÷ новые клиенты

В знаменателе только новые. В числителе и медиа, и зарплаты команды роста.

→ входит в LTV/CAC

Показать пример

Медиабюджет $60 000 Команда роста $18 000 Креативы $2 000 Всего $80 000 Новых клиентов 400 CAC = 80 000 ÷ 400 = $200

Blended vs Paid CAC

Смешанный и платный

Две воронки: широкая считает всех, узкая только платных

Blended = затраты ÷ все новые Paid = платные затраты ÷ привлечённые платно

Blended красивее и бесполезнее: органика маскирует реальную цену канала.

уточнение CAC

Показать пример

Новых всего 1 000, из них платно 400 Blended = 80 000 ÷ 1 000 = $80 Paid = 80 000 ÷ 400 = $200 Решение о масштабировании канала принимается по paid, а не по blended.

LTV / CAC

Отношение ценности к цене

Два столбика рядом: что клиент приносит и что он стоит

LTV ÷ CAC

Ниже 1 бизнес платит за право работать. Выше 5 обычно значит недоинвестирование в рост.

итог юнит-экономики

Показать пример

LTV $350 ÷ CAC $200 = 1,75 Норма для здорового SaaS 3,0 Чтобы выйти на 3,0, нужно либо снизить churn до 2,9%, либо CAC до $117.

CAC Payback

Срок окупаемости привлечения

Накопленная маржа пересекает линию CAC на одиннадцатом месяце

CAC ÷ месячная маржа с клиента

Меряется в месяцах и напрямую бьёт в runway. Важнее, чем LTV/CAC, когда денег мало.

→ влияет на Free Cash Flow

Показать пример

CAC $200 ÷ $17,50 маржи в месяц = 11,4 месяца При churn 5% половина когорты уходит раньше, чем окупится. Payback и retention читаются вместе.

Magic Number, Burn Multiple

Эффективность вложенного доллара

Сколько нового ARR вышло на каждый вложенный доллар

Magic = ΔARR ÷ расходы на продажи прошлого квартала Burn Multiple = net burn ÷ Net New ARR

Magic выше 0,75 значит, что можно давить на газ. Burn Multiple ниже 1,5 приемлем.

связка роста и денег

Показать пример

ΔARR за квартал $900 000 S&M прошлый квартал $1 200 000 Magic = 0,75 Net burn за год $2 000 000 Net New ARR $1 500 000 Burn Multiple = 1,33

Воронка: AARRR

Пять стадий, у каждой свой набор метрик. Работать всегда со стадией, где утечка больше в абсолютных пользователях, а не в процентах.

AcquisitionПоказы, клики, визиты, установки. Метрики: CPM, CTR, CPC, CPI, CAC, доля канала.
конверсия визит → регистрация
ActivationПользователь дошёл до ценности. Метрики: signup rate, activation rate, TTV, доля прошедших onboarding.
конверсия активация → второй визит
RetentionВернулся и вернулся снова. Метрики: D1/D7/D30, когортные кривые, churn, resurrection.
конверсия активный → платящий
RevenueЗаплатил. Метрики: conversion to paid, ARPU, AOV, expansion.
доля приводящих других
ReferralПривёл нового. Метрики: k-factor, viral cycle time, invite rate, NPS как прокси.

CPM, CTR, CPC, CPA

Цепочка стоимости трафика

Четыре блока подряд: показы, клики, регистрации, платящие

CPC = CPM ÷ (CTR × 1000) CPA = CPC ÷ конверсия в действие

Одна цепочка, четыре точки входа. Дешёвый клик при плохой конверсии дороже дорогого.

→ входит в CAC

Показать пример

CPM $12, CTR 1,5% CPC = 12 ÷ (0,015 × 1000) = $0,80 CR в регистрацию 8% CPA = 0,80 ÷ 0,08 = $10 Конверсия в платёж 5% CAC = 10 ÷ 0,05 = $200

Activation Rate

Доля дошедших до ценности

Через дверь и три шага до звезды: это и есть активация

совершившие ключевое действие ÷ регистрации

Ключевое действие определяется корреляцией с удержанием на 30-й день, а не вкусом команды.

→ входит в Retention

Показать пример

10 000 регистраций 4 000 дошли до первого экспорта Activation = 40% D30 у активированных 38% D30 у остальных 4% Разрыв 38% против 4% и делает это действие ключевым.

TTV

Время до ценности

Секундомер меряет дорогу от старта до звезды

медиана времени от регистрации до ключевого действия

Медиана, не среднее. Среднее ломается о хвост из тех, кто вернулся через полгода.

драйвер Activation Rate

Показать пример

Медиана TTV 18 минут Среднее TTV 9 дней TTV < 10 мин → D30 45% TTV > 1 день → D30 12%

Конверсия по шагам

Пошаговая и сквозная

Воронка из четырёх уровней, каждый уже предыдущего

CR шага = дошедшие ÷ вошедшие CR сквозной = произведение шагов

Сквозная конверсия скрывает, где именно обрыв. Держать обе.

структура воронки

Показать пример

100 000 визитов → 10 000 регистраций 10% → 4 000 активаций 40% → 600 платящих 15% Сквозная = 0,6% Потеря в людях: 90 000 на первом шаге Худший процент на третьем шаге, но чинить надо первый: там теряется 90 000 человек.

K-factor

Вирусный коэффициент

Один приводит двоих, двое приводят следующих

приглашений на пользователя × конверсия приглашения

Больше 1 это самоподдерживающийся рост. В реальности почти всегда меньше.

→ снижает CAC

Показать пример

0,6 приглашения × 25% = K 0,15 1 000 платных → 150 бесплатных Эффективный CAC = 200 ÷ 1,15 = $174

Channel Mix

Структура привлечения

Три потока разной ширины входят в одну дверь

доля новых, CAC и retention в разрезе канала

Канал оценивается тройкой: объём, цена, качество когорты. По двум из трёх решение неполное.

разрез Acquisition

Показать пример

SEO 40% новых, CAC $30, D30 38% Paid social 35% новых, CAC $240, D30 14% Рефералы 15% новых, CAC $12, D30 41% Прочее 10% новых LTV/CAC по paid social = 350 ÷ 240 = 1,46

Вовлечение: как пользуются

Слой между активацией и деньгами. Отвечает на вопрос, есть ли вообще привычка.

DAU / WAU / MAU

Активные за день, неделю, месяц

Три вложенных круга: день внутри недели, неделя внутри месяца

уникальные пользователи с событием активности в окне

Определение активности фиксируется письменно. «Открыл приложение» и «выполнил действие» дают разницу в разы.

база всех продуктовых метрик

Показать пример

Открытие приложения: DAU 12 000 Ключевое действие: DAU 4 300 MAU 60 000, WAU 38 000, DAU 12 000 Один и тот же продукт, два определения, разница в 2,8 раза.

Stickiness

Липкость

Месяц квадратов, отмечено шесть: столько дней возвращаются

DAU ÷ MAU

Сколько дней в месяце типичный пользователь возвращается.

производная от DAU/MAU

Показать пример

12 000 ÷ 60 000 = 20% 20% × 30 дней ≈ 6 дней в месяц Мессенджеры 50-60% Соцсети 30-40% Утилиты 10-20%

Сессии

Число, длина, глубина

Короткие визиты вдоль одного дня, часы считают каждый

сессий на пользователя, медианная длина, действий за сессию

Длинная сессия это не всегда хорошо. Для утилиты цель короче, для контента длиннее.

разрез DAU

Показать пример

Сессий на активного в день 2,4 Медианная длина 3 м 10 с Действий за сессию 7 После упрощения экспорта: длина 1 м 50 с, сессий 3,1 Сессия стала короче, а частота выросла. Для утилиты это улучшение.

Feature Adoption

Проникновение функции

В толпе фичей пользуются немногие, зато часто

breadth = пользователи фичи ÷ активные depth = использований на пользователя фичи

Две цифры на фичу. Узкая и глубокая это нишевая функция, широкая и мелкая это украшение.

объясняет Retention

Показать пример

Экспорт в CSV breadth 9 000 ÷ 60 000 = 15% depth 12 раз в месяц D30 у пользователей фичи 46%, без неё 19%

Power User Curve

Распределение по активным дням

Гистограмма проседает в середине и снова растёт справа

гистограмма пользователей по 1-30 активным дням за месяц

Улыбка с горкой справа означает ядро привычки. Только левый пик значит, что продукт разовый.

разрез MAU

Показать пример

1-3 дня 60% пользователей, 18% действий 4-10 дней 28% пользователей, 34% действий 20+ дней 12% пользователей, 48% действий 12% пользователей дают почти половину активности. Их отток бьёт сильнее любого другого.

Core Action

Ключевое действие

Одна большая кнопка, на которую жмут снова и снова

число выполнений в единицу времени

То, за чем пользователь пришёл. Обычно именно оно и становится North Star.

→ входит в North Star

Показать пример

Экспортов за неделю 85 000 На активного пользователя 2,2 Доля активных, сделавших ≥1 41%

Удержание и отток

Удержание это не одна цифра, а кривая по когортам. Плоское плато на горизонте важнее высокого D1.

Retention D1 / D7 / D30

Классическая когорта

Кривая быстро падает и выходит на плато: это и есть ядро

вернувшиеся на N-й день ÷ размер когорты

Указывать модель: N-day, unbounded или rolling. Разные модели дают разные числа на одних данных.

→ определяет LTV

Показать пример

Когорта 5 000 регистраций D1 2 100 = 42% D7 1 150 = 23% D30 800 = 16% D60 760 = 15,2% D90 750 = 15% Кривая вышла на плато около 15%. Это ядро, на котором и считается LTV.

Churn Rate

Отток

Ведро с дырой: вытекшее и есть отток

ушедшие за период ÷ база на начало периода

Разделять логический (перестал пользоваться) и биллинговый (отменил подписку).

обратная к Retention

Показать пример

База на 1-е число 1 600 Отменили за месяц 80 Churn = 80 ÷ 1 600 = 5% Годовой ≈ 1 − (1 − 0,05)^12 = 46% 5% в месяц звучит мягко и означает потерю почти половины базы за год.

Logo vs Revenue Churn

Отток клиентов и отток денег

С одной стороны уходят двое мелких, с другой один крупный

Logo = ушедшие клиенты ÷ клиенты Revenue = потерянный MRR ÷ MRR

Расхождение показывает, кто уходит: мелочь или крупные счета.

→ входит в GRR

Показать пример

Logo churn 5,0% Revenue churn 2,1% → уходят мелкие клиенты Обратный случай: Logo 1,5%, Revenue 6,0% → ушёл один крупный контракт

Customer Lifetime

Ожидаемый срок жизни

Песочные часы: сквозь них проходят месяцы клиента

1 ÷ churn rate

Работает только при стабильном оттоке. На молодой базе завышает срок в разы.

множитель в LTV

Показать пример

1 ÷ 0,05 = 20 месяцев 1 ÷ 0,03 = 33 месяца 1 ÷ 0,08 = 12,5 месяца Два процентных пункта оттока меняют срок жизни на 13 месяцев.

Resurrection

Возвращённые

Ушедший возвращается в ту же дверь

вернувшиеся после неактивности ÷ спящие

Четвёртый поток в балансе пользователей: new, retained, churned, resurrected.

поток в MAU

Показать пример

MAU прошлый месяц 58 000 + new 6 500 + resurrected 1 900 − churned 6 400 MAU текущий 60 000 Рост на 2 000 держится на возвращённых. Без них MAU был бы плоским.

Когортная таблица

Треугольник удержания

Треугольник ячеек: строки это когорты, столбцы это возраст

строки это когорты по дате входа, столбцы это возраст

Чтение по столбцу показывает эффект продукта, по строке качество когорты.

инструмент для Retention

Показать пример

Когорта M1 M2 M3 Январь 42% 24% 19% Февраль 44% 27% 22% Март 47% 31% 26% Столбец M3 растёт с 19% до 26%: изменения в онбординге работают.

Восприятие и поддержка

Опросные метрики не заменяют поведенческие. Их место это ранняя диагностика и разрез по сегменту.

NPS

Индекс готовности рекомендовать

Три лица: промоутеры, нейтралы, критики

% промоутеров (9-10) − % критиков (0-6)

Диапазон от −100 до 100. Ценность в комментариях и разрезах, не в самом числе.

прокси Referral

Показать пример

500 ответов Промоутеры 275 = 55% Нейтралы 125 = 25% Критики 100 = 20% NPS = 55 − 20 = 35 Платящие NPS 48 Бесплатные NPS 12

CSAT

Удовлетворённость

Закрытый тикет и оценка звёздами

довольные ответы ÷ все ответы

Привязывается к конкретному взаимодействию: тикету, покупке, релизу.

разрез качества

Показать пример

430 оценок 4-5 из 500 = 86% Отклик на опрос 500 ÷ 1 800 тикетов = 28% При отклике 28% недовольные отвечают охотнее. Число смещено вниз, тренд остаётся читаемым.

CES

Оценка затраченного усилия

Одна и та же коробка: слева тяжело, справа легко

оценка утверждения «решить задачу было легко»

Лучше NPS предсказывает повторную покупку в утилитарных продуктах.

драйвер Retention

Показать пример

Средняя оценка 5,8 из 7 Доля 6-7 64% Доля 1-3 11% У ответивших 1-3 churn 14% в месяц У ответивших 6-7 churn 2%

PMF Score

Тест Шона Эллиса

Четверо из десяти были бы очень разочарованы без продукта

доля ответивших «буду очень разочарован» без продукта

Порог 40%. Считать только на активных пользователях, иначе цифра ничего не значит.

ворота перед масштабированием

Показать пример

300 активных ответили Очень разочарован 132 = 44% Немного 120 = 40% Не разочарован 48 = 16% Сегмент аналитиков 61% Сегмент студентов 18% PMF есть в одном сегменте, а не в продукте целиком. Масштабировать надо этот сегмент.

Contact Rate

Нагрузка на поддержку

Из толпы за поддержкой обращаются немногие

тикеты ÷ активные пользователи

Прямая стоимость плохого UX. Растёт вместе с COGS и падает после починки топ-3 причин.

→ входит в COGS

Показать пример

1 800 тикетов ÷ 60 000 = 3,0% Стоимость тикета $4,20 Расход поддержки $7 560 в месяц Топ-1 причина 38% тикетов Её починка = −$2 870 в месяц

FRT, Resolution Time

Время первого ответа и решения

Секундомер между вопросом и ответом

медиана и p90 по тикетам

Отдавать в перцентилях. Среднее по поддержке всегда врёт в пользу компании.

драйвер CSAT

Показать пример

FRT медиана 2 ч 10 м FRT p90 11 ч 40 м Решение медиана 9 ч Решение p90 52 ч CSAT при FRT < 1 ч 94% CSAT при FRT > 8 ч 61%

Маркетплейс и платформа

Двусторонний рынок меряется симметрично: спрос, предложение и качество их встречи.

Liquidity

Ликвидность предложения

Десять объявлений на полке, проданы три

сделки ÷ размещённые предложения

Доля предложения, которое находит покупателя. Главная метрика здоровья площадки.

→ входит в GMV

Показать пример

3 400 сделок ÷ 12 000 объявлений = 28% Москва 41% Регионы 19% Ниже 20% продавец не окупает усилие на размещение и уходит.

Fill Rate

Покрытие спроса

Запросы приходят, большинство закрыто, часть висит

выполненные запросы ÷ все запросы

Доля спроса, который получил ответ. Зеркало ликвидности со стороны покупателя.

→ входит в Net GMV

Показать пример

8 600 из 10 000 запросов = 86% Утро 94% Пик 18-20 ч 71% Проблема не в объёме предложения, а в его расписании.

Search-to-Fill

Конверсия поиска в сделку

От лупы через выдачу к одной сделке

сделки ÷ поисковые сессии

Качество подбора и поиска, а не размер каталога.

→ входит в Conversion

Показать пример

3 400 сделок ÷ 41 000 поисков = 8,3% Поиск с нулевой выдачей 11% сессий После расширения синонимов: 9,6%

Supply / Demand

Баланс сторон

Качели: покупателей много, продавцов мало

активные продавцы ÷ активные покупатели

Показывает перекос рынка и сторону, в которую надо лить бюджет.

→ определяет Liquidity

Показать пример

4 200 продавцов : 26 000 покупателей = 1 : 6,2 Целевой коридор 1 : 4 … 1 : 8 Категория «мебель» 1 : 14 → дефицит предложения

Repeat Rate

Доля повторных покупателей

Тот же покупатель возвращается в ту же лавку

покупатели с 2+ заказами ÷ покупатели

Возвращается ли спрос без рекламы. Прямо снижает нагрузку на CAC.

→ входит в Frequency

Показать пример

2 900 из 9 800 покупателей = 30% Их доля в GMV 58% Их CAC $0

Concentration

Концентрация оборота

Один широкий блок и россыпь узких делят один оборот

доля GMV у топ-10% продавцов

Риск зависимости от нескольких игроков. Читается вместе с их retention.

→ риск для GMV

Показать пример

Топ-10% = 420 продавцов Их доля GMV 62% Топ-5 продавцов 19% Уход одного из топ-5 = −$80 000 GMV

Time to First Transaction

Время до первой сделки

Дни в календаре до первого рукопожатия

медиана от регистрации до первой сделки

Скорость выхода нового участника на рынок. Аналог TTV для двусторонней площадки.

→ входит в Activation

Показать пример

Покупатели медиана 2 дня Продавцы медиана 6 дней Продавцы со сделкой в 1-ю неделю: удержание через 90 дней 64% Остальные 17%

Leakage

Сделки мимо платформы

Двое пожимают руки за пунктирной границей площадки

оценка доли сделок в обход площадки

Сколько take rate теряется мимо кассы. Меряется опросом и косвенными сигналами.

→ утечка из Revenue

Показать пример

Опрос 600 продавцов: 14% сделок мимо GMV мимо ≈ $59 000 в месяц Потерянный take rate ≈ $5 900 Сигнал: переписки с номером телефона 23%

Надёжность и скорость команды

Технические метрики попадают в продуктовое дерево там, где они напрямую двигают конверсию и отток.

Uptime, SLO, Error Budget

Доступность и бюджет ошибок

Месяц засечек с двумя провалами: остаток бюджета ошибок

успешные запросы ÷ все запросы error budget = 1 − SLO

99,9% это 43 минуты простоя в месяц. Бюджет ошибок тратится на релизы.

→ бьёт в Churn

Показать пример

SLO 99,9% → бюджет 43 м 12 с в месяц Инцидент 1 12 м Инцидент 2 9 м Израсходовано 21 м = 49% бюджета 99,95% → 21 м 36 с 99,99% → 4 м 19 с

Latency p50 / p95 / p99

Время отклика по перцентилям

Распределение с длинным хвостом: p50 у пика, p99 далеко справа

перцентиль распределения времени ответа

Пользователь живёт в хвосте. Средняя задержка не описывает ничей опыт.

→ драйвер Conversion

Показать пример

p50 180 мс p95 1,4 с p99 3,2 с Среднее 310 мс 1,2 млн запросов в день p99 = 12 000 запросов дольше 3,2 с Среднее 310 мс выглядит спокойно, пока не пересчитать хвост в людей.

Crash-free rate

Сессии и пользователи без сбоев

Телефон с трещиной: доля сессий, доживших до конца

сессии без сбоя ÷ все сессии

В мобильных норма выше 99,5% по сессиям. Ниже видно в отзывах и рейтинге стора.

→ бьёт в Retention

Показать пример

Crash-free sessions 99,2% Crash-free users 94,1% Из 60 000 пользователей падало 3 540 Их D30 9%, у остальных 34%

Core Web Vitals

LCP, INP, CLS

Три шкалы: загрузка, отклик, сдвиг макета

LCP ≤ 2,5 с, INP ≤ 200 мс, CLS ≤ 0,1 по p75

Пороги по 75-му перцентилю живых пользователей, не по лабораторному прогону.

→ драйвер Acquisition и Conversion

Показать пример

LCP p75 3,1 с → выше порога INP p75 140 мс → норма CLS p75 0,04 → норма После сжатия hero-картинки LCP 2,2 с, конверсия визит → регистрация 10% → 11,4%

DORA: скорость

Deployment Frequency, Lead Time for Changes

Коммиты едут по трубе до прода, часы меряют дорогу

релизов в неделю, время от коммита до прода

Скорость обратной связи. Редкие релизы делают каждый из них рискованным.

→ определяет Cycle Time

Показать пример

Деплоев в неделю 14 Lead time медиана 6 ч Lead time p85 31 ч Elite: ежедневно, < 1 дня Low: раз в месяц, > 1 месяца

DORA: стабильность

Change Failure Rate, Time to Restore

Ряд релизов, один развёрнут назад, рядом время восстановления

CFR = релизы с откатом ÷ все релизы MTTR = медиана времени восстановления

Пара к скорости. Без них частота деплоя превращается в частоту инцидентов.

→ охраняет Uptime

Показать пример

56 релизов за месяц, 4 с откатом CFR = 4 ÷ 56 = 7,1% MTTR медиана 38 м, p90 2 ч 15 м Elite: CFR < 15%, MTTR < 1 ч

Cycle Time

Время цикла задачи

Четыре стадии на одной шкале, ревью самая широкая

от начала работы до выкатки, медиана и p85

Раскладывается на этапы. Чинить надо самый длинный, а не самый заметный.

→ входит в Lead Time

Показать пример

Разработка 1,4 дня Ревью 2,9 дня QA 0,8 дня Ожидание релиза 1,1 дня Всего медиана 6,2 дня, p85 14 дней 47% времени задача лежит в ревью. Там и есть узкое место.

Escaped Defects

Дефекты, найденные пользователем

Сито ловит баги, один проскакивает к пользователю

баги из прода ÷ релизы, и их доля от всех багов

Охранная метрика к скорости релизов. Растёт первой, когда тесты режут ради сроков.

→ охраняет Deployment Frequency

Показать пример

Багов найдено всего 240 Из них пользователями 41 = 17% На релиз 0,7 Квартал назад: 9% и 0,3 на релиз

North Star и сборка своего дерева

Дерево строится сверху вниз, а управляется снизу вверх. Команда двигает только нижний слой.

Бизнес-цельПрибыль, доля рынка, оценка компании. Меняется раз в год.
одна метрика, отражающая доставленную ценность
North Star MetricНочей забронировано, минут прослушано, отчётов отправлено. Не выручка.
раскладывается в произведение или сумму
ДрайверыОбычно 3-5: ширина базы, частота, глубина, качество.
каждый драйвер раскладывается в управляемое
Input-метрики командыТо, что команда двигает спринтом: конверсия шага, TTV, adoption фичи, p95.

Критерии North Star

Одна звезда, под ней три множителя

Отражает ценность для пользователя, а не факт оплаты.
Опережает выручку: двигается раньше, чем деньги.
Управляема действиями команды в горизонте квартала.
Раскладывается на множители без пересечений.
Устойчива к накрутке: нельзя поднять, ухудшив продукт.

Показать пример

North Star: экспортов в неделю 85 000 = активные за неделю 38 000 × доля экспортирующих 41% × экспортов на пользователя 5,5 Три множителя, три владельца, три разные команды.

Уровни и владельцы

Пирамида из четырёх уровней, у каждого свой владелец

L0 деньги: CEO и совет, горизонт год.
L1 North Star: продуктовое руководство, горизонт квартал.
L2 драйверы: владельцы направлений, горизонт месяц.
L3 input-метрики: команда, горизонт спринт.
L4 счётчики и события: аналитика, обновление ежедневно.

Показать пример

L0 EBITDA $1 500 в месяц L1 85 000 экспортов в неделю L2 38 000 активных, доля 41% L3 TTV 18 мин, activation 40%, p95 1,4 с L4 события export_clicked, export_done

Ловушки

Одиннадцать способов получить правильное число и неправильный вывод.

Vanity metrics. Накопительные регистрации, скачивания, подписчики. Растут всегда, решения не меняют.
Закон Гудхарта. Метрика, ставшая целью, перестаёт быть метрикой. К каждой цели ставится парная охранная: скорость плюс качество, конверсия плюс возвраты.
Среднее вместо перцентилей. Время загрузки, длительность сессии, чек: всё с длинным хвостом читается медианой и p90.
Отношение без знаменателя. Конверсия выросла до 8%, потому что трафик упал вдвое. Всегда показывать числитель и знаменатель.
Ошибка выжившего. Удержание, посчитанное по активным, красиво по определению.
Парадокс Симпсона. Метрика растёт в каждом сегменте и падает в целом из-за смены структуры базы.
Смешение когорт. Молодая база маскирует отток: ушедшие ещё не успели уйти.
Last-click атрибуция. Канал закрытия сделки съедает заслугу канала знакомства.
Подглядывание в A/B. Остановка теста в момент значимости завышает эффект. Размер выборки и срок фиксируются до старта.
Локальный оптимум. Цепочка мелких выигрышей конверсии не спасает продукт без удержания.
Дрейф определения. «Активный пользователь» поменялся тихо, и годовой график стал бессмысленным. Определения лежат в одном месте с датой изменения.

Ничего не найдено. Попробуйте другое слово: churn, CAC, p95, take rate.