Продуктовый кейс: Метрики мобильного приложения такси
Условие
Вы продуктовый аналитик приложения для заказа такси (типа Uber, Яндекс.Такси).
- Какие ключевые метрики вы бы отслеживали?
- Как измерять качество сервиса?
- Какие метрики важны для водителей vs пассажиров?
- Как измерять эффективность matching алгоритма?
- Какие эксперименты можно провести для улучшения метрик?
Ожидается:
- Понимание двусторонних маркетплейсов
- Баланс метрик для разных сторон
- Знание специфики транспортных сервисов
Источник: кейс на собеседовании в Ситимобиле
Комментарии (1)
Ответ сгенерирован нейросетью и может содержать ошибки
Метрики приложения заказа такси
1. Ключевые метрики роста
Пассажиры:
- DAU - количество заказов в день
- Retention Rate (День 1, День 7, День 30) - возвращаются ли пассажиры
- Frequency - средний заказов на пассажира в месяц
- LTV - lifetime value за всё время
- Payment Success Rate - успешные платежи
Водители:
- DAU - активные водители в день
- Hours Online - среднее время в сети
- Earnings Per Hour - доход водителя
- Acceptance Rate - % принятых заказов
- Utilization - % времени выполнения заказов (не просто в сети)
- Churn Rate - % уходящих водителей
2. Качество сервиса
- Mean Time to Match < 20 сек (время от запроса до принятия)
- Cancellation Rate - отмены до приезда (+ до начала поездки)
- Average Rating (1-5 stars) - качество поездки
- ETA Accuracy - насколько предсказанное время точно
- No-show Rate - пассажир не появился
- Complaint Rate - жалобы на водителя/пассажира
3. Метрики по сторонам
Пассажиры важно: доступность (есть ли водители), время ожидания, цена, безопасность, удобство платежа
Водители важно: доход в час, количество заказов, справедливая цена, простой платёж, поддержка
4. Matching алгоритм
- Match Acceptance Rate - % первых предложений, которые водитель принял (качество алгоритма)
- Offers Per Completed Order - сколько водителей отклонили заказ перед success (идеал < 3)
- Optimal Assignment % - A/B тест показывает оптимальность решений
- Rejection Reasons - почему водители отклоняют (далеко, низкая цена, маршрут)
5. Рекомендуемые эксперименты
1. Surge pricing optimization - может ли лимитирование surge повысить заказы?
2. Driver incentives - бонусы в peak hours привлекают больше водителей?
3. UX simplification - упрощённый чекаут снизит отмены?
4. ML ETA prediction - более точное время прибытия уменьшит отмены?
5. Payment methods - Apple Pay/Google Pay повысят success rate?
Каждый тест: Control vs Treatment, 2 недели, 25% трафика.
Дашборд: Real-time
- Онлайн пассажиров/водителей
- Active orders
- Avg time to match
- Surge zones
Daily: DAU, GMV, Avg order, Rating
Weekly: Retention, Supply-demand, Churn
Баланс двух сторон
Проблема: оптимизация для одной стороны часто ломает другую (surge цена = больше доход водителю, но меньше заказов от пассажиров)
Решение: отслеживать Health Score = Driver_Satisfaction * 0.4 + Passenger_Satisfaction * 0.4 + Financial_Health * 0.2