Как подключишь между собой бизнес и продуктовые метрики?

Question

claude-haiku-4.5 · Accepted Answer

## Как подключить между собой бизнес и продуктовые метрики

Это одна из самых важных навыков Product Analyst'а. Часто разработчики смотрят на CTR и думают что всё хорошо, а бизнес теряет деньги. Нужна чёткая цепь причин и следствий.

### Проблема: разрыв между метриками

```
Product Team видит: CTR вырос с 10% до 12% (на 20%!)
Business видит: Revenue упал на 3%
Support видит: Complaints выросли на 50%

Что не так?
```

Это показывает что метрики **не связаны**.

### Концептуальная структура: funnel иерархия

Все метрики образуют **иерархию с топом North Star Metric**:

```
BUSINESS LAYER
├─ Revenue ($)
├─ Profit ($)
└─ Customer Lifetime Value ($)
    ↓ (зависит от)

PRODUCT LAYER
├─ Conversion Rate (%)
├─ Average Order Value ($)
├─ Retention Rate (%)
├─ NPS (points)
└─ Engagement (actions)
    ↓ (зависит от)

TECHNICAL LAYER
├─ Page Load Time (ms)
├─ API Latency (ms)
├─ Feature Adoption (%)
└─ Error Rate (%)
```

**Вверх смотрим**: "как это влияет на бизнес?"
**Вниз смотрим**: "какие факторы это движут?"

### Метод 1: Детализированная формула (Metric Decomposition)

Разбиваю метрику на компоненты которые можно контролировать.

**Пример 1: Revenue = простейший случай**

```
Revenue = DAU × Conversion Rate × Average Order Value

Если Revenue упал на 10%:
- DAU: -5% (потеряли пользователей? проверить marketing)
- Conversion: -3% (горше юзеры? новый флоу? проверить funnel)
- AOV: +2% (хорошее изменение, компенсирует)

Итог: -10% = -5% × -3% × +2%
```

**SQL для трекинга**:

```sql
SELECT
    DATE(created_at) as date,
    COUNT(DISTINCT user_id) as dau,
    COUNT(DISTINCT order_id) as orders,
    ROUND(100.0 * COUNT(DISTINCT order_id) / COUNT(DISTINCT user_id), 2) as cr_pct,
    ROUND(SUM(order_amount) / COUNT(DISTINCT order_id), 2) as aov,
    SUM(order_amount) as revenue,
    
    -- Сравнение с прошлой неделей
    LAG(revenue) OVER (ORDER BY DATE(created_at)) as revenue_prev_day,
    ROUND(100.0 * (SUM(order_amount) - LAG(revenue) OVER (ORDER BY DATE(created_at)))
          / LAG(revenue) OVER (ORDER BY DATE(created_at)), 1) as revenue_change_pct
FROM orders
GROUP BY DATE(created_at)
ORDER BY date DESC
```

**Пример 2: Более сложный funnel**

```
Revenue Per User = 
    (DAU) × 
    (Activation Rate: % прошедших onboarding) × 
    (Feature Adoption Rate: % использующих ключевую фичу) × 
    (Conversion Rate: % купивших) × 
    (Average Order Value)

Если RPU упал:
├─ DAU упало → problem с acquisition
├─ Activation Rate упала → onboarding не работает
├─ Feature Adoption упала → feature не видна или не понятна
├─ Conversion Rate упала → positioning problem или competition
└─ AOV упал → discount/competitive pressure
```

### Метод 2: Waterfall analysis (impact breakdown)

Визуализирую как каждый фактор влияет на результат.

**Пример: почему Revenue упал на $100K**

```
      Baseline                                    $500K/месяц
         │
         ├─ DAU упал -5%                          -$25K
         ├─ Conversion Rate упала -2%              -$10K
         ├─ Feature X adoption +10%                +$5K
         ├─ Price increase +5%                     +$12K
         ├─ New cohort effect -3%                  -$8K
         └─ Other factors                          -$4K
         │
      Current                                     $470K/месяц
      
      Net Change: -$30K (-6%)
```

**SQL для waterfall**:

```sql
WITH metrics AS (
    SELECT
        DATE(created_at) as date,
        COUNT(DISTINCT user_id) as dau,
        ROUND(100.0 * COUNT(DISTINCT order_id) / COUNT(DISTINCT user_id), 2) as cr,
        ROUND(SUM(order_amount) / COUNT(DISTINCT order_id), 2) as aov,
        SUM(order_amount) as revenue
    FROM orders
    WHERE DATE(created_at) >= DATE_SUB(TODAY(), INTERVAL 60 DAY)
    GROUP BY DATE(created_at)
),
comparison AS (
    SELECT
        CASE 
            WHEN date = DATE_SUB(TODAY(), INTERVAL 30 DAY) THEN 'prev_period'
            WHEN date >= DATE_SUB(TODAY(), INTERVAL 29 DAY) THEN 'curr_period'
        END as period,
        AVG(dau) as avg_dau,
        AVG(cr) as avg_cr,
        AVG(aov) as avg_aov,
        AVG(revenue) as avg_revenue
    FROM metrics
    GROUP BY period
)
SELECT
    curr.avg_revenue - prev.avg_revenue as revenue_change,
    ROUND(100.0 * (curr.avg_dau - prev.avg_dau) / prev.avg_dau, 1) as dau_change_pct,
    ROUND(100.0 * (curr.avg_cr - prev.avg_cr) / prev.avg_cr, 1) as cr_change_pct,
    ROUND(100.0 * (curr.avg_aov - prev.avg_aov) / prev.avg_aov, 1) as aov_change_pct
FROM comparison curr
CROSS JOIN comparison prev
WHERE curr.period = 'curr_period' AND prev.period = 'prev_period'
```

### Метод 3: Driver analysis (корреляция факторов)

Проверяю которые product метрики сильно коррелируют с бизнес-результатом.

**Корреляция Retention × Lifetime Value**

```python
import pandas as pd
from scipy.stats import pearsonr

# Данные по когортам
cohorts = pd.DataFrame({
    'cohort': ['2025-01', '2025-02', '2025-03', ...],
    'retention_day7': [65, 62, 71, 55, 68, ...],  # % пользователей вернулись на день 7
    'ltv_30d': [45, 42, 58, 35, 54, ...],        # $ среднее значение за 30 дней
})

# Вычислить корреляцию
correlation, p_value = pearsonr(cohorts['retention_day7'], cohorts['ltv_30d'])

print(f"Correlation: {correlation:.2f}")  # 0.95 — очень сильная!
print(f"P-value: {p_value}")                # < 0.001 — статистически значима

# Вывод: Если retention день 7 упал на 5%, LTV упадет примерно на 5% * 0.95 ≈ 4.75%
```

**SQL для driver analysis**:

```sql
-- Какие product метрики лучше всего предсказывают revenue?

WITH cohort_metrics AS (
    SELECT
        DATE_TRUNC('month', signup_date) as cohort,
        
        -- Product metrics
        AVG(CASE WHEN days_active >= 7 THEN 1 ELSE 0 END) as retention_d7,
        AVG(feature_x_used) as feature_x_adoption,
        AVG(session_length_minutes) as avg_session_length,
        COUNT(DISTINCT user_id) as cohort_size,
        
        -- Business metrics
        SUM(revenue_30d) as total_revenue,
        AVG(revenue_30d) as avg_ltv
    FROM users
    GROUP BY cohort
)
SELECT
    -- Корреляции
    CORR(retention_d7, avg_ltv) as corr_retention_ltv,
    CORR(feature_x_adoption, avg_ltv) as corr_feature_ltv,
    CORR(avg_session_length, avg_ltv) as corr_session_ltv
FROM cohort_metrics
WHERE cohort >= DATE_SUB(TODAY(), INTERVAL 12 MONTH)
```

### Метод 4: North Star metric framework

Определяю **одну главную метрику** которая объединяет business и product.

**Примеры North Star по типам бизнеса**:

| Business | North Star | Почему |
|----------|-----------|--------|
| **E-commerce** | GMV (Gross Merchandise Value) | Объединяет traffic × conversion × price |
| **SaaS** | Magic Number (ARR growth / Sales cost) | Показывает эффективность |
| **Социалка** | DAU × Avg Time Spent | Скейлируется с engagement |
| **Marketplace** | Gross Profit | Revenue минус комиссии и costs |
| **Subscription** | Paid Subscribers × MRR | Сочетает growth и monetization |

**Разложу North Star на компоненты**:

```
GMV = 
    ├─ Traffic (new + returning)
    │  ├─ Organic search
    │  ├─ Paid ads
    │  └─ Social/referral
    │
    ├─ Conversion rate
    │  ├─ Product conversion (feature adoption)
    │  ├─ Checkout completion
    │  └─ Payment success
    │
    └─ Average order value
       ├─ Product mix
       ├─ Cross-sell/upsell
       └─ Pricing strategy
```

**Дашборд North Star**:

```sql
SELECT
    DATE(created_at) as date,
    
    -- Traffic metrics
    COUNT(DISTINCT session_id) as sessions,
    COUNT(DISTINCT user_id) as unique_users,
    
    -- Conversion metrics
    ROUND(100.0 * COUNT(DISTINCT order_id) / COUNT(DISTINCT user_id), 2) as cr_pct,
    ROUND(100.0 * COUNT(CASE WHEN feature_x_used THEN 1 END) 
          / COUNT(DISTINCT user_id), 2) as feature_adoption_pct,
    
    -- AOV metrics
    ROUND(AVG(order_amount), 2) as aov,
    ROUND(AVG(CASE WHEN order_count > 1 THEN order_amount END), 2) as repeat_aov,
    
    -- North Star
    SUM(order_amount) as gmv_daily,
    ROUND(AVG(user_ltv), 2) as avg_user_ltv
FROM orders
GROUP BY DATE(created_at)
ORDER BY date DESC
```

### Метод 5: Cohort analysis (с временной динамикой)

Отслеживаю как product metrics влияют на business со временем.

```
Cohort 2025-01 (100 пользователей):
- День 1: 70% виделаонбординг (product metric)
         → $10 revenue (business)
- День 7: 45% retention (product)
         → $45 revenue (business) — 4.5x uplift
- День 30: 25% retention
         → $85 revenue (business) — 1.9x additional

Корреляция:
- Если онбординг rate 70% → expected revenue $10 (baseline)
- Если онбординг rate 85% → expected revenue $13 (30% uplift)
```

### Мой рекомендуемый фреймворк в 5 шагов

**Шаг 1: Определи North Star (1 неделя)**
```
Это одна метрика которая объединяет business и product
```

**Шаг 2: Декомпозируй North Star (2-3 дня)**
```
North Star = Multiplier 1 × Multiplier 2 × Multiplier 3
```

**Шаг 3: Определи product levers (1 неделя)**
```
Какие product метрики движут каждый multiplier?
Какой lever самый powerful?
```

**Шаг 4: Установи мониторинг (2-3 дня)**
```
Трекируй все метрики еженедельно в одном дашборде
Алерты если что-то упадет на >5%
```

**Шаг 5: Запусти экспименты (ongoing)**
```
Каждый эксперимент должен:
1. Иметь гипотезу про product metric
2. Предсказание про North Star
3. Проверить в A/B тесте
4. Документировать результат
```

### Пример: конкретный дашборд для E-commerce

```
┌─────────────────────────────────────────────────────────────────┐
│ 📊 BUSINESS & PRODUCT METRICS DASHBOARD (Weekly)               │
├─────────────────────────────────────────────────────────────────┤
│                                                                 │
│ 🎯 NORTH STAR: GMV (Gross Merchandise Value)                   │
│    Week: $250K    Δ +5%    Target: $280K    Progress: 89%      │
│                                                                 │
│ ━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━│
│                                                                 │
│ 1️⃣  TRAFFIC DRIVER                                             │
│    Users: 50K      Δ +3%                                        │
│    Sessions: 120K  Δ +2%                                        │
│                                                                 │
│ 2️⃣  CONVERSION DRIVER                                          │
│    Conversion Rate: 8.5%     Δ -0.3%                           │
│    Feature X Adoption: 62%   Δ +5%     ← KEY IMPROVEMENT       │
│    Checkout Completion: 95%  Δ -1%                             │
│                                                                 │
│ 3️⃣  AOV DRIVER                                                 │
│    Average Order Value: $60  Δ +2%                             │
│    Cross-sell Rate: 15%      Δ +3%                             │
│    Repeat Purchase: 35%      Δ +5%     ← KEY IMPROVEMENT       │
│                                                                 │
│ 🔍 CORRELATION WITH GMV                                        │
│    Feature X Adoption:  +0.87 ← strongest driver               │
│    Repeat Purchase:     +0.72                                  │
│    Session Length:      +0.65                                  │
│    Checkout Completion: +0.58                                  │
│    Conversion Rate:     +0.45                                  │
│                                                                 │
│ 📈 TREND                                                        │
│    GMV: ▲▲▲▲▲ (consistently up)                               │
│    Feature Adoption: ▲▲▲▲▲ (key driver)                        │
│    LTV: ▲▲▲▲ (lagging but improving)                          │
│                                                                 │
│ ⚠️  ALERTS                                                      │
│    ✓ All metrics green                                          │
│    ✓ No anomalies detected                                      │
│                                                                 │
└─────────────────────────────────────────────────────────────────┘
```

Это показывает точную связь между product изменениями и business результатами.

**Главный вывод**: Без явной связи между metrics team разговаривает на разных языках. С явной связью — all rowing in the same direction.

Business	North Star	Почему
E-commerce	GMV (Gross Merchandise Value)	Объединяет traffic × conversion × price
SaaS	Magic Number (ARR growth / Sales cost)	Показывает эффективность
Социалка	DAU × Avg Time Spent	Скейлируется с engagement
Marketplace	Gross Profit	Revenue минус комиссии и costs
Subscription	Paid Subscribers × MRR	Сочетает growth и monetization

Как подключишь между собой бизнес и продуктовые метрики?

Комментарии (1)

Как подключить между собой бизнес и продуктовые метрики

Проблема: разрыв между метриками

Концептуальная структура: funnel иерархия

Метод 1: Детализированная формула (Metric Decomposition)

Метод 2: Waterfall analysis (impact breakdown)

Метод 3: Driver analysis (корреляция факторов)

Метод 4: North Star metric framework

Метод 5: Cohort analysis (с временной динамикой)

Мой рекомендуемый фреймворк в 5 шагов

Пример: конкретный дашборд для E-commerce