ARR: Регулярная годовая выручка

Все метрики

Как устроены цепочки

Откройте модель, чтобы проследить связь чисел между уровнями.

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

GMV: Литография — Все оплаченные заказы входят в оборот до 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.

Net GMV

Оборот после возвратов и отмен

GMV − отмены − возвраты − фрод

Оборот, который дошёл до исполнения. Take rate и выручка считаются от этой базы, а не от GMV.

производная от GMV

Показать пример

GMV $420 000 Возвраты 5% −$21 000 Net GMV = 420 000 − 21 000 = $399 000 Договоритесь один раз, какие вычеты считаются: отмены до оплаты, возвраты после неё, чарджбэки.

Take rate

Ставка комиссии

Revenue ÷ Net GMV

Доля завершённого оборота, которая остаётся платформе. Сам по себе рост ставки не доказывает, что бизнес стал здоровее: смотрите и на оборот, и на удержание продавцов.

связывает Net GMV и Revenue

Показать пример

Оплаченные заказы (GMV) $420 000 Возвраты −$21 000 Оборот после возвратов $399 000 Выручка платформы $39 900 Take rate = 39 900 ÷ 399 000 = 10% Знаменатель здесь: Net GMV, как и в примере выручки. Деление на оборот до возвратов занизит ставку.

Revenue

Выручка

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

прямые затраты на поставку продукта

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

вычитается из Revenue

Показать пример

Пример SaaS, выручка за месяц $40 000: Хостинг и CDN $6 200 Лицензии и API $3 100 Поддержка продукта $2 700 Итого COGS $12 000 Валовая прибыль = 40 000 − 12 000 = $28 000

Gross Profit

Выручка после прямых затрат

Revenue − COGS

Деньги, которые остаются после оплаты поставки продукта. Делённая на выручку, она становится валовой маржой.

производная от Revenue и COGS

Показать пример

Тот же пример SaaS: Выручка $40 000 COGS −$12 000 Валовая прибыль = 40 000 − 12 000 = $28 000 Из валовой прибыли платятся маркетинг, зарплаты и всё, что ниже этой строки.

Gross Margin

Валовая маржинальность

(Revenue − COGS) ÷ Revenue

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

производная от Gross Profit

Показать пример

Тот же пример SaaS: Выручка $40 000 − COGS $12 000 = $28 000 валовой прибыли Валовая маржа = 28 000 ÷ 40 000 = 70% Каждый новый доллар выручки приносит 70 центов на покрытие всего остального.

Contribution margin

CM1 / CM2 / CM3

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

Тот же пример SaaS: Выручка $40 000 − COGS $12 000 CM1 $28 000 − эквайринг и доставка $8 000 CM2 $20 000 − маркетинг привлечения $12 000 CM3 $8 000 Поддержка продукта уже учтена в COGS этого примера; второй раз в CM2 её вычитать нельзя.

EBITDA

Прибыль до амортизации, процентов и налогов

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

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

MRR: литография — Действующие подписки собираются в один месячный поток.

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

ARR: литография — Текущий уровень подписок мысленно повторяется на весь год.

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 Мультипликатор 6× задан только для примера; одна цифра ARR не определяет оценку компании.

NRR

Чистое удержание выручки

NRR: литография — В одной исходной когорте клиенты растут, сокращаются и уходят.

(старт + expansion − contraction − churn) ÷ старт

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

Expansion: доплата действующих клиентов
Contraction: снижение платежей тех, кто остался
Churn: потерянные платежи ушедших клиентов

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% NRR 105% при GRR 87% означает, что доплаты перекрывают потери. Проверьте, не держится ли рост на нескольких крупных клиентах.

GRR

Валовое удержание выручки

GRR: литография — Корабль везёт лишь сохранившуюся часть исходного груза.

(старт − contraction − churn) ÷ старт

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

пара к NRR

Показать пример

MRR той же когорты в начале года: $100 000 Снижение тарифов (contraction): −$4 000 Отменённые подписки (churn): −$9 000 GRR = (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

(New + Expansion) ÷ (Contraction + Churned)

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

оценка Net New MRR

Показать пример

За месяц новые клиенты дали $15 000 MRR, старые доплатили $6 000. Снижение тарифов убрало $2 000, отмены: $5 000. Quick Ratio = (15 000 + 6 000) ÷ (2 000 + 5 000) = 3,0 На каждый $1 потерянного MRR в этом месяце пришлось $3 нового или дополнительного.

Bookings, Billings, Revenue

Три разных числа

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

Контракт на 12 месяцев и $120 000 начался в январе; счёт выставлен сразу. Bookings января (сумма контракта): $120 000 Billings января (счёт): $120 000 Выручка, признанная за январь: $10 000 Отложенная выручка после января: $110 000 В простом примере услуга оказывается равномерно, по $10 000 в месяц.

Юнит-экономика: один клиент

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

ARPU

Средняя выручка на пользователя

Revenue ÷ активные пользователи

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

сравнить с ARPPU, чтобы увидеть конверсию в оплату

Показать пример

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

ARPPU

Средняя выручка на платящего

Revenue ÷ платящие пользователи

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

пара к ARPU

Показать пример

Месячная выручка $40 000 от 1 600 платящих: ARPPU = 40 000 ÷ 1 600 = $25 1 600 из 60 000 активных = 2,67% конверсии в оплату $25 × 2,67% ≈ $0,67 ARPU

AOV

Средний чек

AOV: литография — Средняя стоимость одного заказа.

стоимость заказов ÷ число заказов (для маркетплейса: GMV ÷ заказы)

Средняя стоимость заказа. Указывайте, учтены ли возвраты и что стоит в числителе: GMV или выручка продавца.

→ может увеличивать GMV

Показать пример

Маркетплейс: GMV $420 000 от 1 200 заказов. AOV = 420 000 ÷ 1 200 = $350 В следующем месяце: GMV $453 600 от 1 200 заказов. Новый AOV = 453 600 ÷ 1 200 = $378 Рост среднего чека наблюдаем. Порог бесплатной доставки мог помочь, но пример не доказывает причинную связь.

Frequency

Частота покупок

заказы ÷ покупатели за период

Число заказов на покупателя за заданный период. Вместе с числом покупателей и средним чеком объясняет GMV маркетплейса.

→ может увеличивать GMV

Показать пример

За месяц 800 покупателей сделали 1 200 заказов. Частота = 1 200 ÷ 800 = 1,5 заказа на покупателя GMV = 800 × 1,5 × $350 среднего чека = $420 000

LTV

Пожизненная ценность клиента

LTV: литография — Каждое возвращение добавляет маржу за время отношений с клиентом.

Быстрая оценка = месячная маржа с клиента ÷ месячный отток

Считайте ценность клиента по марже, а не по выручке. Быстрая формула предполагает стабильный отток и бесконечный горизонт; для решений проверяйте когорты или задавайте конечный срок.

→ входит в LTV/CAC

Показать пример

Выручка на платящего в месяц $25 Валовая маржа 70% Месячная маржа = 25 × 70% $17,50 Месячный отток 5% Быстрая оценка LTV = 17,50 ÷ 0,05 = $350 Ожидаемая маржа за первые 12 месяцев ≈ $161 $350 включают месяцы после первого года. Оценка $161 складывает ожидаемую маржу каждого из первых 12 месяцев при оттоке 5% в месяц.

CAC

Стоимость привлечения клиента

CAC: литография — Флаеры и работа команды входят в цену привлечения нового клиента.

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

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

Blended красивее и бесполезнее: органика маскирует реальную цену канала.

уточнение CAC

Показать пример

Отдельный пример: за месяц пришло 1 000 новых клиентов; 400: из рекламы. Расход на платные каналы: $80 000. Blended CAC = 80 000 ÷ 1 000 = $80 Paid CAC = 80 000 ÷ 400 = $200 В обоих расчётах здесь взят расход на платные каналы. В реальном отчёте отдельно распределяйте общие зарплаты и затраты на органику.

LTV / CAC

Отношение ценности к цене

LTV ÷ CAC

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

итог юнит-экономики

Показать пример

Быстрая оценка LTV $350 ÷ CAC $200 = 1,75 Если команда выбрала цель 3,0, до неё не хватает 1,25. Цель 3,0: решение для этого примера, не универсальная норма SaaS. При прежнем CAC быстрый расчёт даст 3,0, если месячный отток снизится примерно до 2,9%.

CAC Payback

Срок окупаемости привлечения

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 оттоке 5% в месяц к 11,4-му месяцу уйдёт около 44% стартовой когорты. Окупаемость читайте вместе с удержанием.

Magic Number, Burn Multiple

Эффективность вложенного доллара

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

Два взгляда на эффективность роста: расходы на продажи против новой регулярной выручки и денежный расход против прироста ARR. Смотрите на стадию компании и запас денег.

ΔARR: изменение годовой регулярной выручки
S&M: расходы на продажи и маркетинг
Net burn: потраченные деньги за вычетом поступлений за период

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 У двух коэффициентов разные периоды и знаменатели. Один порог не может быть универсальным решением «ускоряться или нет».

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

Показы, клики и стоимость привлечения

CPM = расходы ÷ показы × 1 000 CTR = клики ÷ показы CPC = расходы ÷ клики CPA = расходы ÷ выбранные действия

Четыре числа описывают одну рекламную воронку. Для CPA всегда называйте действие: здесь это регистрация; CAC считается уже по платящим клиентам.

CPM: стоимость 1 000 показов рекламы
CTR: кликабельность: доля показов, закончившихся кликом
CPC: стоимость одного клика
CPA: стоимость выбранного действия, например регистрации

→ входит в CAC

Показать пример

100 000 показов рекламы стоили $1 200. CPM = 1 200 ÷ 100 000 × 1 000 = $12 1 500 кликов → CTR = 1 500 ÷ 100 000 = 1,5% CPC = 1 200 ÷ 1 500 = $0,80 120 регистраций → CPA регистрации = 1 200 ÷ 120 = $10 6 стали платящими → CAC = 1 200 ÷ 6 = $200 Расход один и тот же, но знаменатель меняется на каждом шаге. Поэтому у CPA всегда должно быть названо действие.

Activation Rate

Доля дошедших до ценности

совершившие ключевое действие ÷ регистрации

Доля зарегистрировавшихся, которые совершили заданное первое ценное действие. Разрыв в удержании помогает выбрать кандидата, но не доказывает причинную связь.

→ входит в Retention

Показать пример

10 000 регистраций 4 000 дошли до первого экспорта Activation = 40% D30 у активированных 38% D30 у остальных 4% D30: возврат на 30-й день. Разрыв 38% против 4% делает первый экспорт хорошим кандидатом на активацию; проверьте состав когорт.

TTV

Время до ценности

TTV: литография — Медианное ожидание до первой пользы.

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

Среди пользователей, дошедших до первого экспорта: Медиана от регистрации 18 минут Среднее от регистрации 9 дней При TTV до 10 минут удержание D30: 45% При TTV больше суток удержание D30: 12% Несколько очень поздних экспортов сильно тянут среднее вверх. Сравнение удержания здесь наблюдательное.

Конверсия по шагам

Пошаговая и сквозная

Конверсия шага = дошедшие до конца шага ÷ вошедшие в него Сквозная конверсия = дошедшие до конца ÷ вошедшие в воронку

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 У первого шага и худшая конверсия (10%), и самая большая потеря людей (90 000). До правки экрана регистрации проверьте качество входящего трафика.

K-factor

Вирусный коэффициент

приглашений на пользователя × конверсия приглашения

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

→ снижает CAC

Показать пример

Каждый привлечённый отправляет в среднем 0,6 приглашения. 25% приглашений приводят нового пользователя. K = 0,6 × 25% = 0,15 1 000 платно привлечённых приводят ещё около 150. Если CAC платного пользователя $200, стоимость привлечения в пересчёте на всех 1 150 ≈ $174.

Channel Mix

Структура привлечения

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

Новые клиенты за месяц, по источникам: SEO 40%, CAC $30, D30 38% Paid social 35%, CAC $240, D30 14% Рефералы 15%, CAC $12, D30 41% Прочее 10% Если LTV клиентов из paid social $350, то LTV/CAC = 350 ÷ 240 = 1,46. Сравнивайте CAC и удержание одинаковых когорт. LTV $350 здесь задан как предположение.

Вовлечение: как пользуются

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

DAU / WAU / MAU

Активные за день, неделю, месяц

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

Два определения для одного приложения: Открыли сегодня: DAU 12 000 Сделали ключевое действие: DAU 4 300 Если везде считать «открыли приложение»: MAU 60 000, WAU 38 000, DAU 12 000 Один и тот же продукт, два определения, разница в 2,8 раза.

Stickiness

Липкость

DAU ÷ MAU

DAU, делённый на MAU. При среднем DAU примерно показывает среднее число активных дней на месячного пользователя, а не поведение «типичного» человека.

производная от DAU/MAU

Показать пример

Средний DAU 12 000; MAU 60 000 за 30 дней. Stickiness = 12 000 ÷ 60 000 = 20% Среднее число активных дней на MAU ≈ 20% × 30 = 6 За тем же средним могут стоять разные привычки пользователей. Читайте вместе с когортным удержанием.

Сессии

Число, длина, глубина

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 После правки экспорта сессии стали короче и чаще. Проверьте долю выполненных задач, прежде чем назвать это улучшением.

Feature Adoption

Проникновение функции

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% Разница в D30: связь, а не доказательство эффекта функции: выбравшие экспорт могли быть активнее изначально.

Power User Curve

Распределение по активным дням

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

Активные дни за 30-дневный месяц: 1-3 дня 60% пользователей, 18% действий 4-19 дней 28% пользователей, 34% действий 20-30 дней 12% пользователей, 48% действий 12% пользователей дают почти половину активности. Их отток бьёт сильнее любого другого.

Core Action

Ключевое действие

число выполнений в единицу времени

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

→ входит в North Star

Показать пример

40 000 активных за неделю 17 000 сделали хотя бы один экспорт (42,5%) В среднем каждый из них сделал 5 экспортов Ключевых действий = 17 000 × 5 = 85 000 в неделю На активного = 85 000 ÷ 40 000 ≈ 2,1

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

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% В этой когорте кривая приближается к 15%. Проверьте другие когорты, прежде чем считать этот уровень устойчивой базой для LTV.

Churn Rate

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

Число ушедших клиентов и потерянная выручка расходятся.

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

Расхождение показывает, кто уходит: мелочь или крупные счета.

→ входит в GRR

Показать пример

На начало месяца: 1 000 клиентов и $100 000 MRR. Ушли 50 → logo churn = 50 ÷ 1 000 = 5%. Их платежи составляли $2 100 → revenue churn = 2,1%. Похоже, уходят небольшие клиенты. В другой месяц ушли 15 (1,5%), но потеряно $6 000 MRR (6%). Вероятно, среди ушедших был крупный клиент.

Customer Lifetime

Ожидаемый срок жизни

1 ÷ churn rate

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

множитель в LTV

Показать пример

Если каждый месяц уходит 5% подписчиков, быстрая оценка: 1 ÷ 0,05 = 20 месяцев. При месячном оттоке 3%: около 33 месяцев. При 8%: 12,5 месяца. Два процентных пункта оттока меняют срок жизни на 13 месяцев.

Resurrection

Возвращённые

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 MAU вырос на 2 000. Без вернувшихся рост составил бы только 100: почти плоская динамика.

Когортная таблица

Треугольник удержания

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% В третьем месяце удержание выросло с 19% у январской когорты до 26% у мартовской. Проверьте онбординг и состав каналов, прежде чем приписать рост одной причине.

Восприятие и поддержка

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

NPS

Индекс готовности рекомендовать

NPS: литография — Готовность рекомендовать и критика вместе с комментариями.

% 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

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% Оценку оставили только по 28% тикетов. Неответы могут смещать результат в любую сторону; следите и за составом ответивших.

CES

Оценка затраченного усилия

CES: литография — Наблюдатель видит усилие, нужное для одной задачи.

оценка утверждения «решить задачу было легко»

Опрос о том, насколько легко далась конкретная задача. Сравнивайте оценку с повторным использованием или оттоком тех же респондентов; сама оценка не доказывает будущее поведение.

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% В этом примере ответившие «легко» уходят реже. Это связь, а не доказательство, что изменение оценки снизит отток.

PMF Score

Тест Шона Эллиса

доля ответивших «буду очень разочарован» без продукта

Доля ответивших, что без продукта им будет очень плохо. Порог 40%: эвристика; спрашивайте активных пользователей и смотрите разрезы.

ворота перед масштабированием

Показать пример

Ответили 300 активных пользователей. «Очень разочарован»: 132 = 44% «Немного»: 120 = 40% «Не разочарован»: 48 = 16% Из 100 аналитиков так ответили 61%. Из 100 студентов: 18%. Среди остальных 100: ещё 53 таких ответа. У аналитиков результат сильнее. Проверьте размер этого сегмента и его удержание, прежде чем решать, куда масштабироваться.

Contact Rate

Доля пользователей, обращавшихся в поддержку

уникальные обратившиеся ÷ активные пользователи

Показывает, скольким людям нужна помощь. Для расхода поддержки отдельно считайте тикеты: один человек может обратиться несколько раз.

может повышать COGS через расходы на поддержку

Показать пример

1 500 из 60 000 активных обратились в поддержку. Contact rate = 1 500 ÷ 60 000 = 2,5% Они создали 1 800 тикетов. При $4,20 за тикет расход за месяц: $7 560. Главная причина дала 38% тикетов: 684. Максимальная экономия, если исчезнут все 684, ≈ $2 873. Реальная экономия ниже, если часть обращений останется или затраты команды не снизятся.

FRT, Resolution Time

Время первого ответа и решения

медиана и p90 по тикетам

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

FRT: время от создания тикета до первого ответа
p90: у 90% тикетов время не превышает это значение

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% Разрыв CSAT: корреляция: сложные запросы могут одновременно решаться дольше и получать низкую оценку.

Маркетплейс и платформа

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

Liquidity

Ликвидность предложения

сделки ÷ размещённые предложения

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

→ может влиять на GMV

Показать пример

3 400 сделок ÷ 12 000 объявлений = 28% Москва 41% Регионы 19% 19% вне крупных городов: повод исследовать результат продавцов, а не универсальный порог провала.

Fill Rate

Покрытие спроса

выполненные запросы ÷ все запросы

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

→ может влиять на Net GMV

Показать пример

8 600 из 10 000 запросов = 86% Утро 94% Пик 18-20 ч 71% Провал в вечерний пик указывает на возможное несовпадение времени спроса и предложения. Проверьте доступность предложения по часам.

Search-to-Fill

Конверсия поиска в сделку

сделки ÷ поисковые сессии

Качество подбора и поиска, а не размер каталога.

→ входит в Conversion

Показать пример

До изменения: 3 400 сделок ÷ 41 000 поисковых сессий = 8,3% 11% поисков дали пустую выдачу. После добавления синонимов: 3 936 сделок из 41 000 сессий = 9,6%. Сравнение «до/после» указывает на улучшение; эксперимент поможет отделить влияние синонимов от других изменений.

Supply / Demand

Баланс сторон

активные продавцы ÷ активные покупатели

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

→ определяет Liquidity

Показать пример

4 200 активных продавцов и 26 000 активных покупателей Баланс = 1 продавец на 6,2 покупателя Команда выбрала тестовый коридор 1:4-1:8. В мебели соотношение 1:14: стоит проверить неудовлетворённый спрос. Коридор задан для примера, это не норма для всех маркетплейсов.

Repeat Rate

Доля повторных покупателей

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 сделали хотя бы два заказа. Repeat rate = 2 900 ÷ 9 800 ≈ 30% Эти покупатели дали 58% GMV. Повторный заказ не требует нового CAC, но удержание и обслуживание тоже стоят денег.

Concentration

Концентрация оборота

доля GMV у топ-10% продавцов

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

→ риск для GMV

Показать пример

4 200 продавцов дали $2 млн GMV за месяц. Топ-10%: это 420 продавцов; вместе они дали 62% GMV. Первые 5 дали 19% = $380 000. Один из этих пяти дал $80 000. Если он уйдёт, под риском до $80 000 месячного GMV. Риск не равен окончательной потере: часть покупателей может перейти к другим продавцам.

Time to First Transaction

Время до первой сделки

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% Разрыв удержания здесь наблюдательный. Ранняя сделка может быть связана и с качеством подбора, и с мотивацией продавца.

Leakage

Сделки мимо платформы

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: по их оценке, 14% стоимости сделок уходит мимо площадки. Оценка всего оборота: $420 000 в месяц. Оборот мимо ≈ 420 000 × 14% = $58 800. При take rate 10% недополученная выручка ≈ $5 880. Отдельный сигнал: в 23% переписок есть номер телефона. Опрос и переписки дают оценку, а не подсчёт подтверждённых сделок в обход платформы.

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

успешные запросы ÷ все запросы error budget = 1 − SLO

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

SLO: цель команды по доле успешных запросов
Бюджет ошибок: допустимая доля или время несоблюдения этой цели

→ 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 Минуты посчитаны для 30-дневного месяца и модели «сервис работает или нет». При SLO по запросам бюджет считают иначе.

Latency p50 / p95 / p99

Время отклика по перцентилям

перцентиль распределения времени ответа

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

p50: половина запросов не медленнее этого времени
p95: 95% запросов не медленнее этого времени
p99: 99% запросов не медленнее этого времени

→ 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 При 1,2 млн запросов в день около 12 000 находятся на уровне p99 или медленнее. Это запросы, не обязательно 12 000 разных людей.

Crash-free rate

Сессии и пользователи без сбоев

сессии без сбоя ÷ все сессии

Доля сессий приложения без сбоя. Смотрите и на долю затронутых пользователей: небольшая группа может сталкиваться со сбоями много раз.

→ 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% У столкнувшихся со сбоями D30 ниже. Проверьте устройства и состав когорт, прежде чем приписать весь разрыв сбоям.

Core Web Vitals

Скорость загрузки, отклик и стабильность интерфейса

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

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

LCP: когда загрузился основной видимый контент
INP: как быстро страница отвечает на действие пользователя
CLS: насколько неожиданно сдвигаются элементы страницы

→ драйвер Acquisition и Conversion

Показать пример

75-й перцентиль реальных посещений: LCP 3,1 с → нужна доработка (норма ≤2,5 с) INP 140 мс → норма (≤200 мс) CLS 0,04 → норма (≤0,1) После сжатия картинки LCP стал 2,2 с, а конверсия в регистрацию изменилась с 10% до 11,4%. Сравнение «до/после» не доказывает, что именно ускорение LCP подняло конверсию.

DORA: скорость

Deployment Frequency, Lead Time for Changes

релизов в неделю, время от коммита до прода

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

Deployment frequency: как часто изменения попадают в прод
Change lead time: время от коммита до выкладки в прод

→ определяет Cycle Time

Показать пример

Один сервис за четыре недели: 56 выкладок в прод = 14 в неделю Медиана времени от коммита до прода: 6 часов 85-й перцентиль: 31 час Сравнивайте сервис с его прошлым периодом и частотой ошибок, а не с универсальной целью по релизам.

DORA: сбои и восстановление

Сбои после релиза, время восстановления и доля внеплановых исправлений

Доля сбоев = выкладки с экстренным вмешательством ÷ все выкладки Восстановление = время вернуть сервис после неудачной выкладки Доля переделок = внеплановые исправляющие выкладки ÷ все выкладки

Учитывайте и откаты, и срочные исправления после сбоя в проде. Время восстановления и внеплановые выкладки показывают цену ошибки.

→ охраняет Uptime

Показать пример

За месяц 56 выкладок; 4 вызвали сбой. Доля сбоев = 4 ÷ 56 = 7,1% Медиана восстановления после них: 38 минут. 5 из 56 выкладок были внеплановыми исправлениями. Доля переделок = 5 ÷ 56 = 8,9% В текущей модели DORA пять метрик скорости и надёжности доставки; здесь показаны три из них.

Cycle Time

Время цикла задачи

от начала работы до выкатки, медиана и p85

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

включает Lead Time как один из этапов

Показать пример

Одна типичная задача заняла 6,2 дня: Разработка 1,4 дня Ревью 2,9 дня QA 0,8 дня Ожидание релиза 1,1 дня Итого 6,2 дня Доля ревью = 2,9 ÷ 6,2 ≈ 47% Это разбор одной задачи. Медиану и p85 по всем задачам надо считать отдельно, а не складывать медианы этапов.

Escaped Defects

Дефекты, найденные пользователем

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

За квартал нашли 240 багов всего. 41 впервые сообщили пользователи: 41 ÷ 240 ≈ 17%. Команда сделала 60 релизов. Багов от пользователей на релиз = 41 ÷ 60 ≈ 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

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

Активных за неделю 40 000 Доля сделавших хотя бы один экспорт 42,5% = 17 000 Экспортов на экспортирующего 5 North Star = 17 000 × 5 = 85 000 экспортов в неделю Три множителя объясняют итоговое число. Назначение владельцев: решение команды, а не часть формулы.

Уровни и владельцы

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

Один пример дерева метрик: L0 EBITDA $1 500/мес (результат бизнеса) L1 85 000 экспортов/неделю (North Star) L2 40 000 активных × 42,5% экспортирующих × 5 экспортов L3 Активация 40%, медиана TTV 18 мин, p95 1,4 с L4 Сырые события export_clicked и export_done Множители L2 дают L1. L3 и L4 помогают командам менять и проверять драйверы; они не ещё один множитель в той же формуле.

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.