Product Case: Падение метрики

Решение: Анализ падения конверсии на 15%

1. Структура анализа

Шаг 1: Подтвердить тренд (5 мин)

SELECT 
  DATE(created_at) as date,
  COUNT(DISTINCT user_id) as users,
  ROUND(100.0 * COUNT(CASE WHEN action='purchase' THEN 1 END) / COUNT(*), 2) as conv_rate
FROM events
WHERE created_at >= NOW() - INTERVAL 14 days
GROUP BY DATE(created_at)
ORDER BY date DESC;

Шаг 2: Найти где упало в воронке (10 мин)

• Sessions → Catalog Views (% перешли)
• Catalog → Add to Cart (% добавили)
• Cart → Checkout (% начали оформление)
• Checkout → Purchase (% завершили)

Если упало на Purchase → проблема с платежами. Если на Checkout → проблема с формой оформления. Если везде одинаково → проблема с трафиком.

2. Гипотезы (приоритизированные)

ВЫСОКИЙ ПРИОРИТЕТ (проверить сразу):

1. Платежная система сбой (вероятность 40%)

   • Позвонить провайдеру платежей
   • Проверить error_rate платежей
   • Проверить статус страницу провайдера

2. Деплой с багом (вероятность 30%)

   • git log --since='6 days ago'
   • Проверить console errors (Sentry/LogRocket)
   • Сравнить старую и новую версию функции checkout

3. Трафик переместился на мобиль (вероятность 20%)

   • SELECT conversion_rate BY device_type
   • Если мобиль упал — проверить мобильную версию

СРЕДНИЙ ПРИОРИТЕТ (1-2 часа):

1. A/B тест или новая маркетинговая кампания

   • Проверить активные A/B тесты
   • Новая рекламная кампания? Изменения в SEO?

2. Цены изменились?

   • SELECT * FROM price_changes WHERE changed_at >= NOW() - INTERVAL 7 days
   • Посмотреть, появились ли скидки у конкурентов

3. Изменилась аудитория

   • Трафик начал приходить из других стран/регионов?
   • Новая аудитория может иметь другой LTV

3. Данные для запроса

Немедленно (1-2 мин):

• Payment error rate (SELECT COUNT WHERE status='failed')
• Server error rate (SELECT COUNT WHERE status >= 500)
• API latency (P95, P99)

В течение 30 мин:

• Разбиение по этапам воронки (session → view → cart → purchase)
• Трафик по источникам и девайсам
• Средний размер корзины, количество товаров
• Bounce rate по страницам

В течение часа:

• Когортный анализ (новые vs returning пользователи)
• Повторные покупки упали?
• Load time страниц (изменилась?)
• Git commits в день падения

4. План действий (2 часа)

0-5 мин: Проверить платежи и серверные ошибки 5-15 мин: Проверить последние деплои, запустить SQL на воронку 15-30 мин: Определить точно где упало, по каким сегментам 30-60 мин: Сформировать гипотезы, проверить контекст (деплои, А/В, трафик) 60-120 мин: Написать отчет с findings и рекомендациями

Матрица приоритизации