Какие знаешь чувствительные к группам альтернативы GMV?

Question

claude-haiku-4.5 · Accepted Answer

## Метрики, чувствительные к группам: альтернативы GMV

**GMV (Gross Merchandise Volume)** — общая стоимость товаров, проданных на платформе. Это одна из самых важных метрик для маркетплейсов и платформ (Uber, Airbnb, Яндекс.Маркет). Однако GMV имеет свойство: она не всегда показывает реальное здоровье бизнеса, потому что может быть искажена движением групп пользователей. Рассмотрю альтернативные метрики, которые я использовал для более глубокого анализа.

### 1. Почему GMV не всегда отражает реальность?

**Проблемы GMV:**

```
Сценарий: Маркетплейс за месяц
Общий GMV: $1,000,000

Кажется хорошо, но давайте копнём глубже:

1. Приходит когорта спама (fake accounts) и покупает товары
   → GMV вырастает на $200K
   → Но это фальшивые деньги, потом их заблокируют
   
2. Товары переоценены (цены выросли из-за инфляции)
   → GMV вырост на $150K
   → Но количество проданных товаров снизилось
   
3. Появился новый популярный продукт от одного селлера
   → GMV вырос на $100K
   → Но это монопольный контроль, риск зависимости
   
4. Средний заказ вырос (возможно из-за акций)
   → Но retention упал, пользователи покупают меньше часто

Результат: GMV = $1,000,000 выглядит позитивно, но скрывает много проблем
```

### 2. Метрики, чувствительные к группам пользователей

**Что такое "чувствительные к группам":**
Это метрики, которые отслеживают разные сегменты пользователей отдельно, показывая, вносит ли каждая группа здоровый вклад.

### Коортный анализ GMV (Cohort Analysis)

```
Основная идея: смотреть GMV не по месяцам, а по когортам пользователей

Таблица: GMV по месяцам для разных когорт (когорта = месяц регистрации)

Месяц 1  Месяц 2  Месяц 3  Месяц 4  Месяц 5
Jan     $100K    $80K     $60K     $45K     $30K    ← natural decay
Feb     -        $110K    $88K     $68K     $50K    ← healthy trend
Mar     -        -        $120K    $100K    $82K    ← growing up
Apr     -        -        -        $130K    $105K   ← even stronger
May     -        -        -        -        $145K   ← new cohort

Что это показывает:
- Новые когорты генерируют больше GMV в первый месяц
- Decay rate (падение со временем) относительно стабилен
- Апрельская когорта самая сильная → что-то изменилось в аппетите пользователей

Вывод: GMV растёт, потому что приходят лучшие пользователи, а не потому что
старые пользователи покупают больше
```

**SQL пример:**
```sql
WITH user_cohorts AS (
    SELECT 
        user_id,
        DATE_TRUNC('month', created_at) as cohort_month
    FROM users
),
orders_with_cohorts AS (
    SELECT 
        uc.cohort_month,
        DATE_TRUNC('month', o.created_at) as order_month,
        EXTRACT(MONTH FROM o.created_at) - EXTRACT(MONTH FROM uc.cohort_month) as months_since_signup,
        SUM(o.amount) as gmv
    FROM user_cohorts uc
    INNER JOIN orders o ON uc.user_id = o.user_id
    GROUP BY uc.cohort_month, order_month, months_since_signup
)
SELECT 
    cohort_month,
    months_since_signup,
    gmv
FROM orders_with_cohorts
ORDER BY cohort_month, months_since_signup;
```

### 3. Метрики по сегментам пользователей

### Active User GMV (или Paying User GMV)

```
Вместо: Total GMV = $1,000,000

Смотришь:
- GMV от активных пользователей (покупали за последние 30 дней) = $800K
- GMV от неактивных/лежащих = $200K (риск)

Вывод: Если неактивная часть растёт, это плохой сигнал
```

**SQL:**
```sql
SELECT 
    DATE_TRUNC('month', o.created_at) as month,
    CASE 
        WHEN u.last_active_date > DATE_TRUNC('month', CURRENT_DATE) - INTERVAL '30 days' 
            THEN 'Active'
        ELSE 'Inactive'
    END as user_activity,
    SUM(o.amount) as gmv,
    COUNT(DISTINCT o.user_id) as buyer_count
FROM orders o
INNER JOIN users u ON o.user_id = u.user_id
GROUP BY month, user_activity
ORDER BY month DESC, user_activity;
```

### LTV (Lifetime Value) по когортам

```
Вместо: посмотреть на прямой GMV (может быть просто рост цен)
Смотришь: LTV — сумма всех покупок одного пользователя за его жизнь

Меделей:
- Когорта Jan 2024: средний LTV = $500
- Когорта Feb 2024: средний LTV = $520
- Когорта Mar 2024: средний LTV = $480 ← падение!
- Когорта Apr 2024: средний LTV = $510
- Когорта May 2024: средний LTV = $420 ← тревога!

Пример: GMV растёт, но LTV падает → это значит приходят пользователи 
с низкой покупательной способностью или плохим продуктом
```

### ARPU (Average Revenue Per User)

```
ARPU = Total Revenue / Total Users

Вместо: Total Revenue = $1,000,000 (может быть раздута спамом)
Смотришь: 
- ARPU по стране
- ARPU по type of user (new vs returning)
- ARPU по платформе (web vs mobile)

Пример:
Общий ARPU: $100

Брейкдаун:
- ARPU(USA) = $150
- ARPU(India) = $30
- ARPU(Brazil) = $80

Если ARPU растёт в основном из India (которая составляет 60% пользователей),
тогда это может быть тактикой привлечения low-quality пользователей
```

### 4. Метрики перемещения и качества заказов

### Order Frequency (количество заказов, а не сумма)

```
Вместо: GMV = $1,000,000
Смотришь: 
- Total Orders = 50,000 заказов (в среднем $20 за заказ)

Если GMV растёт, но Order Frequency падает:
- GMV: $1,000,000 → $1,100,000 (+10%)
- Orders: 50,000 → 45,000 (-10%)
- Average Order Value: $20 → $24.4 (+22%)

Вывод: рост за счёт больших заказов, возможно меньше user engagement
```

### Repeat Purchase Rate (RPR)

```
Хорошая метрика для маркетплейсов:
RPR = Пользователи с 2+ заказами / Все пользователи

Трейд:
- Когда RPR падает, это тревога, даже если GMV растёт
- GMV может расти из new users (которые мало повторяют)
- RPR показывает здоровье продукта

Пример:
Когорта Feb: RPR = 45% (хорошо, половина вернётся)
Когорта Apr: RPR = 35% (падение, только 1/3 вернётся)

Вывод: проблема с retention, даже если GMV выглядит нормально
```

### 5. Метрики по качеству / здоровью платформы

### Refund Rate

```
Refund Rate = Сумма возвратов / Сумма заказов

Сценарий:
- Month 1: GMV = $1M, Refund Rate = 2%
- Month 2: GMV = $1.1M, Refund Rate = 5% ← красный флаг

ГМВ растёт, но клиенты недовольны (растёт количество возвратов)
Может быть проблема с качеством товаров или fraud (люди покупают и возвращают)
```

### Return Ratio (по пользователям)

```
Вместо: смотреть на каждого пользователя отдельно
Смотришь: какой % пользователей совершили повторную покупку

Примеры:
- Когорта с high RR (60%): здоровые, sticky пользователи
- Когорта с low RR (20%): возможно низкое качество acquisition или продукт
```

### Net Revenue (после комиссий платформы)

```
Вместо: Gross GMV = $1,000,000
Смотришь: Net Revenue = GMV - Seller Fee - Payment Processing Fee - Refunds

Пример:
Gross GMV: $1,000,000
- Seller Fee (20%): -$200,000
- Payment Fee (2.9% + $0.3): -$30,000
- Refunds (3%): -$30,000
- Chargeback (0.5%): -$5,000

Net Revenue: $735,000

Это то, что реально попадает в карман платформы.

Если GMV растет, но Net Revenue падает → растут издержки
```

### 6. Практический пример: аналитика маркетплейса

**Задача: GMV выросла на 25% в апреле. Что это значит?**

**Шаг 1: Разбираемся по источникам**
```sql
SELECT 
    DATE_TRUNC('month', o.created_at) as month,
    CASE 
        WHEN u.acquisition_source = 'paid' THEN 'Paid Marketing'
        WHEN u.acquisition_source = 'organic' THEN 'Organic'
        ELSE 'Other'
    END as source,
    COUNT(DISTINCT o.user_id) as buyer_count,
    SUM(o.amount) as gmv,
    ROUND(AVG(o.amount), 2) as avg_order_value,
    ROUND(SUM(o.amount) / COUNT(DISTINCT o.user_id), 2) as ltv_in_month
FROM orders o
INNER JOIN users u ON o.user_id = u.user_id
WHERE DATE_TRUNC('month', o.created_at) IN ('2024-03-01', '2024-04-01')
GROUP BY month, source;

-- Результат:
month      | source         | buyer_count | gmv    | avg_order_value | ltv_in_month
2024-03    | Paid Marketing | 2000        | 300K   | $150            | $150
2024-03    | Organic        | 1500        | 250K   | $166.67         | $166.67
2024-04    | Paid Marketing | 1800        | 340K   | $188.89         | $188.89  ← avg order value выросла
2024-04    | Organic        | 1200        | 240K   | $200            | $200     ← упало количество органических

Вывод: GMV вросла из-за более дорогих заказов, но органический трафик упал.
```

**Шаг 2: Анализируем когорты**
```sql
WITH cohort_data AS (
    SELECT 
        DATE_TRUNC('month', u.created_at) as cohort_month,
        u.user_id,
        COUNT(o.order_id) as order_count,
        SUM(o.amount) as lifetime_gmv
    FROM users u
    LEFT JOIN orders o ON u.user_id = o.user_id
    WHERE DATE_TRUNC('month', u.created_at) >= '2024-02-01'
    GROUP BY cohort_month, user_id
)
SELECT 
    cohort_month,
    COUNT(DISTINCT user_id) as cohort_size,
    ROUND(AVG(lifetime_gmv), 2) as avg_ltv,
    ROUND(100.0 * COUNT(CASE WHEN order_count > 0 THEN 1 END) / COUNT(*), 2) as conversion_rate,
    ROUND(100.0 * COUNT(CASE WHEN order_count > 1 THEN 1 END) / COUNT(*), 2) as repeat_rate
FROM cohort_data
GROUP BY cohort_month
ORDER BY cohort_month;

-- Результат:
cohort_month | cohort_size | avg_ltv | conversion_rate | repeat_rate
2024-02      | 3000        | $105    | 70%             | 35%
2024-03      | 3500        | $92     | 65%             | 28%  ← качество хуже
2024-04      | 4000        | $85     | 60%             | 22%  ← очень плохо

Вывод: приходят больше пользователей (GMV растёт), но качество падает.
Это unsustainable growth.
```

**Шаг 3: Проверяем fraud и returns**
```sql
SELECT 
    DATE_TRUNC('month', created_at) as month,
    COUNT(*) as total_orders,
    SUM(CASE WHEN is_refunded = true THEN amount ELSE 0 END) as refunded_amount,
    ROUND(100.0 * SUM(CASE WHEN is_refunded = true THEN 1 ELSE 0 END) / COUNT(*), 2) as refund_rate_pct,
    SUM(CASE WHEN is_flagged_as_fraud = true THEN amount ELSE 0 END) as fraud_amount
FROM orders
WHERE DATE_TRUNC('month', created_at) IN ('2024-03-01', '2024-04-01')
GROUP BY month;

-- Результат:
month   | total_orders | refunded_amount | refund_rate_pct | fraud_amount
2024-03 | 50000        | $10K            | 2.5%            | $2K
2024-04 | 55000        | $16.5K          | 6%              | $5.5K  ← опасно!

Вывод: refund rate выросла в 2.4 раза, fraud растёт.
Нет, это не здоровый рост.
```

### 7. Дашборд для мониторинга качества роста

```
Основной дашборд должен содержать:

1. GMV (основная метрика)
   - Total GMV
   - GMV по когортам
   - GMV по сегментам (new vs returning)

2. Метрики качества
   - Repeat Purchase Rate (по когортам)
   - Average LTV
   - Refund Rate
   - Fraud Rate

3. Метрики per user
   - ARPU (по стране, по типу)
   - Order Frequency
   - Average Order Value

4. Дополнительно
   - Net Revenue (после комиссий)
   - Unit Economics (Cost of Acquisition vs LTV)
   - Seller Concentration (% GMV от top-10 sellers)
```

### Вывод

GMV — это ванилла метрика. Для получения полной картины:

✅ **Смотри когорты** — проверь, качество новых пользователей не падает
✅ **Смотри repeat rate** — проверь, sticky ли пользователи
✅ **Смотри refund rate** — понимай, довольны ли клиенты
✅ **Смотри ARPU по сегментам** — убедись, что растишь лучших пользователей
✅ **Смотри net revenue** — это реальные деньги платформы
✅ **Смотри fraud и abuse** — они растут быстрее чем GMV?

Если все эти метрики в порядке — GMV рост здоров.
Если нет — нужно искать корень проблемы и менять стратегию acquisition или продукта.

Какие знаешь чувствительные к группам альтернативы GMV?

Комментарии (1)

Метрики, чувствительные к группам: альтернативы GMV

1. Почему GMV не всегда отражает реальность?

2. Метрики, чувствительные к группам пользователей

Коортный анализ GMV (Cohort Analysis)

3. Метрики по сегментам пользователей

Active User GMV (или Paying User GMV)

LTV (Lifetime Value) по когортам

ARPU (Average Revenue Per User)

4. Метрики перемещения и качества заказов

Order Frequency (количество заказов, а не сумма)

Repeat Purchase Rate (RPR)

5. Метрики по качеству / здоровью платформы

Refund Rate

Return Ratio (по пользователям)

Net Revenue (после комиссий платформы)

6. Практический пример: аналитика маркетплейса

7. Дашборд для мониторинга качества роста

Вывод