Выручка. ROAS. LTV. Отток. Средний чек (AOV). Конверсия (CR).

Сложность в том, чтобы понять, какая метрика прямо сейчас действительно ограничивает рост.

То, что сдерживает магазин с 300 заказами, совсем не то же самое, что сдерживает магазин с 10 000.

По мере роста объёма заказов меняется и узкое место.

Количество заказов — это индикатор сложности системы.

Ниже — простой способ посмотреть на то, как меняется ограничение по мере роста и какие метрики заслуживают внимания на каждом этапе.

Стадия 1 — Выживание

Диапазон заказов: <500 заказов в месяц

Это этап, когда всё одновременно кажется возможным и неопределённым.

Появляются первые реальные заказы. Каждая продажа радует. Каждый возврат болезнен. Одна удачная неделя создаёт ощущение, что вы всё поняли. Одна неудачная заставляет сомневаться во всём.

Вы всё ещё изучаете:

• кто на самом деле покупает
• почему они покупают
• что заставляет их сомневаться
• на что они жалуются

Это хаотично. И это нормально.

На этом этапе цель — не масштаб, а ясность.

Людям действительно нужен этот продукт по этой цене в таком формате?

Фокус

• Конверсия (CR) — действительно ли трафик конвертируется?
• Стоимость привлечения клиента (CAC) — покрывает ли первая покупка расходы на привлечение? А если не первая, то какая?
• NPS, отзывы — клиенты действительно довольны или просто покупают один раз?

Пока не в приоритете

• Пожизненная ценность клиента (LTV) — поведение повторных покупок ещё не стабилизировалось.
• Отток (Churn) — слишком мало данных, чтобы делать выводы.
• Сложный когортный анализ — устойчивые паттерны ещё не сформированы.

Вы готовы перейти к следующему этапу, когда конверсия становится стабильной, CAC предсказуемым, а вклад первой покупки положительным.

Стадия 2 — Монетизация

Диапазон заказов: 500–1 500 заказов в месяц

Теперь вы уже не гадаете, будут ли покупать.

Будут.

Заказы приходят более регулярно. Вы больше не радуетесь каждой отдельной продаже — вы начинаете видеть закономерности. Одни товары продаются лучше. Одни кампании стабильно работают. Хаос первого этапа постепенно утихает.

Меняется сам вопрос.

Уже не «Будет ли это продаваться?»

А «Можно ли это масштабировать с прибылью?»

Выручка может расти. Но маржинальность, скидки и эффективность рекламы становятся важнее, чем сам факт роста.

Фокус

• Средний чек (AOV) — покупают ли клиенты достаточно в рамках одной транзакции?
• Окупаемость рекламы (ROAS) — способен ли рост сам себя окупать?
• Оборачиваемость запасов — движется ли склад в здоровом темпе?

Пока не в приоритете

• Глубокая оптимизация удержания — повторные покупки важны, но это ещё не главный рычаг.
• Продвинутые брендовые метрики — стратегическая роль бренда станет критичной позже.
• Сложный анализ международной экспансии — сначала укрепите основу.

Вы готовы перейти дальше, когда рост больше не зависит от скидок, маржа находится под контролем, а масштабирование трафика не разрушает прибыльность.

Стадия 3 — Удержание

Диапазон заказов: 1 500–3 000 заказов в месяц

К этому моменту бизнес уже не хрупкий.

Продажи стабильны. Трафик поступает регулярно. Кампании работают в фоновом режиме. Вы больше не сомневаетесь, работает ли продукт — вы начинаете замечать, что рост даётся сложнее, чем раньше.

Новые клиенты по-прежнему приносят выручку.

Но зависимость только от привлечения становится дорогой. CAC постепенно растёт. Скидки начинают казаться необходимыми. Для того же роста требуется больше усилий.

Именно здесь повторные покупки перестают быть «приятным бонусом» и становятся структурной частью модели.

Фокус

• Пожизненная ценность клиента (LTV) — какую ценность клиент приносит за всё время взаимодействия?
• Отток (Churn) / Доля повторных покупок — возвращаются ли клиенты стабильно?
• Структура трафика — какие каналы приводят клиентов с наибольшей долгосрочной ценностью?

Пока не в приоритете

• Агрессивная экспансия в новые каналы — сначала настройте удержание.
• Глубокая операционная оптимизация — сейчас главный рычаг — лояльность.
• Стратегические брендовые метрики — их роль усилится позже.

Вы готовы перейти дальше, когда повторная выручка становится предсказуемой, а рост больше не зависит исключительно от поиска новых клиентов.

Стадия 4 — Масштабирование

Диапазон заказов: 3 000–10 000 заказов в месяц

Рост больше не проблема.

Проблема — справиться с ростом.

Заказы идут. Каналы диверсифицированы. Удержание измеримо. Выручка ощутима.

Но система начинает ломаться.

Служба поддержки перегружена. Сроки доставки колеблются. Планирование запасов усложняется. Небольшие неэффективности становятся дорогими. То, что раньше работало «вручную», ломается под объёмом.

На этом этапе риск — не в нехватке спроса.

А в операционном напряжении.

Фокус

• Доля повторных покупок — возвращаются ли клиенты при увеличении объёма?
• Срок выполнения заказов — остаётся ли скорость обработки стабильной?
• Метрики экспансии — масштабируются ли новые рынки, каналы или продуктовые линии устойчиво?

Пока не в приоритете

• Чистая оптимизация привлечения — дополнительный трафик не решит проблем в системе.
• Микронастройка рекламных креативов — мелкие улучшения вторичны по сравнению со стабильностью.
• Подход “постоянного эксперимента” раннего этапа — структура важнее скорости тестов.

Вы готовы перейти дальше, когда рост больше не создаёт хаос, а увеличение объёма заказов не снижает удовлетворённость клиентов.

Стадия 5 — Система

Диапазон заказов: >10 000 заказов в месяц

На этом этапе рост уже не хрупкий — он структурный.

Вы управляете масштабом сразу в нескольких каналах, продуктах, рынках и командах. Любое решение отражается на всей системе. Изменение цены влияет на маржу, спрос и запасы. Сбой в логистике — на удержание. Решение по бренду — на конверсию через месяцы.

Вы больше не оптимизируете отдельные элементы.

Вы управляете системой.

Фокус

• Эффективность цепочки поставок — поддерживают ли производство, запасы и логистика стабильный рост?
• Метрики глобальной и рыночной экспансии — прибыльны ли новые регионы и операционно устойчивы ли они?
• Сила бренда и долгосрочное позиционирование — снижает ли бренд зависимость от платного трафика?

Пока не в приоритете

• Микрооптимизация отдельных кампаний — локальные победы больше не двигают систему.
• Изолированные улучшения метрик — рост должен быть согласован между функциями.
• Краткосрочные всплески — устойчивость важнее быстрых скачков.

Вы вышли на уровень «Система», когда бизнес работает как согласованный механизм, а не как набор отделов, оптимизирующих свои KPI.

Финальные мысли

Ошибка — не в том, что вы отслеживаете «не те» метрики.

Ошибка — в том, что вы отслеживаете правильные метрики в неправильное время.

• Маленький магазин, зацикленный на LTV.
• Растущий бренд, игнорирующий отток.
• Крупный бизнес, который всё ещё думает, что маркетинг исправит операционные проблемы.

У каждого этапа — своё ограничение.

И рост не появляется от одновременной оптимизации всего.

Он появляется тогда, когда вы находите то, что действительно сдерживает вас — прямо сейчас.

Но почти никто не объясняет, как её выбрать.

Что вообще делает метрику «ключевой»?
Важность? Влияние на выручку? Зона ответственности? Скорость изменения?

Без чётких критериев выбор превращается в гадание.

Поэтому большинство команд выбирают то, что звучит «важно», и надеются, что сработает.

В этом и проблема.

Почему команды ошибаются

Обычно это не одна большая ошибка.

Команды просто пропускают несколько базовых проверок и в итоге выбирают не ту метрику.

• Выбирают самую верхнеуровневую метрику
  Звучит серьёзно, но она слишком далеко от того, на что команда реально может повлиять.
• Игнорируют временной горизонт
  Работают две недели и берут LTV.
• Путают «важное» с «управляемым»
  Выручка важна. Это не значит, что именно она должна быть ключевой метрикой прямо сейчас.
• Выбирают метрику, которую не контролируют
  То, что она есть в дашборде, не значит, что вы можете на неё повлиять.

Вместо того чтобы каждый раз спорить о метриках, пройдите шаги ниже и сделайте выбор системно.

Фаза 1. Выбор кандидата в ключевую метрику

Шаг 1. Определите фокус

Если вы не определите фокус, по умолчанию выберете самую большую метрику в компании. А самая большая метрика редко бывает самой полезной.

Нужно явно выбрать, над чем вы работаете:

• привлечение (acquisition)
• удержание (retention)
• эффективность продукта (product performance)
• операционные процессы (operations)
• что-то ещё

Ключевая метрика должна относиться к этому фокусу.

Если ваш фокус — привлечение, то доля повторных покупок (Repeat Purchase Rate) не может быть ключевой.

Если ваш фокус — трение на этапе оплаты, то Выручка (Revenue) слишком далеко от проблемы.

Что сделать на этом шаге

• Выберите одну зону фокуса.
• Откройте дашборд или список метрик.
• Определите, какие метрики относятся к этому фокусу.
• Игнорируйте всё остальное.

Шаг 2. Определите режим работы

Перед выбором метрики нужно понять, в каком режиме вы работаете.

Вы чините сломанную систему?
Или пытаетесь улучшить уже стабильную?

В режиме исправления ключевая метрика должна быть близка к проблеме и быстро реагировать.

В режиме улучшения она может быть более агрегированной.

Неверно выбранный режим — неверный уровень метрики.

Если резко упала конверсия, количество заказов (Orders) слишком далеко от проблемы.

Если всё стабильно, отслеживать долю добавлений в корзину (Add to Cart Rate) — слишком узко.

Что сделать на этом шаге

• Решите: вы исправляете проблему или улучшаете результат?
• Уберите метрики, не соответствующие режиму.

Шаг 3. Определите желаемый результат

Большинство команд начинают с цифры — выручка, конверсия, удержание — не определив, какое изменение они хотят увидеть.

Без чётко сформулированного результата метрика отрывается от цели.

Ключевая метрика должна отражать конкретное изменение в системе:

• не то, что вы планируете сделать,
• не инициативу, которую запускаете,
• а то, что должно измениться, если работа будет успешной.

Что сделать на этом шаге

• Сформулируйте результат как изменение в системе.
• Перечислите метрики, которые это отражают.
• Уберите остальные.

Шаг 4. Задайте временной горизонт

Ключевая метрика не существует «вне времени».

Она должна направлять решения в конкретном периоде.

Этот период зависит от:

• сколько времени и бюджета вы готовы вложить,
• насколько масштабного результата ожидаете,
• как часто команда пересматривает приоритеты.

Выберите реалистичный горизонт: 1–2 недели, месяц или квартал.

Короткий горизонт — тактический результат.
Более длинный — более стратегический сдвиг.

Что сделать на этом шаге

• Выберите чёткий временной горизонт.
• Сопоставьте его с ресурсами.
• Уберите метрики, не подходящие под этот горизонт.

Шаг 5. Проверьте скорость обратной связи

Теперь, когда горизонт определён, проверьте, может ли метрика реально измениться в этом интервале.

Спросите: если мы изменим что-то сегодня, как быстро должна сдвинуться метрика?

• Быстро — дни
• Средне — недели
• Медленно — месяцы

Скорость обратной связи должна соответствовать горизонту решений.

Если метрика движется слишком медленно — исключите её.

Что сделать на этом шаге

• Оцените, как быстро может измениться каждая метрика.
• Сравните с выбранным горизонтом.
• Уберите метрики без своевременной обратной связи.

Фаза 2. Проверка кандидата

Шаг 6. Проверьте качество метрики

Ключевая метрика должна быть надёжной.

Если вы не доверяете числу, вы не можете принимать по нему решения.

Перед финальным выбором проверьте:

• Всегда ли она считается одинаково?
• Достаточно ли данных для выявления реальных изменений?
• Можно ли её разложить по сегментам и понять причину изменения?

Если на любой вопрос ответ «нет» — метрика не готова быть ключевой.

Что сделать

• Проверьте логику расчёта.
• Оцените объём данных.
• Проверьте, можно ли сегментировать.

Шаг 7. Определите драйверы

Ключевая метрика должна иметь причинную структуру.

Если вы не можете объяснить, что на неё влияет, вы не сможете её системно улучшать.

Вопрос простой:

Можно ли разложить метрику на понятные драйверы?

Если влияние выглядит абстрактным — метрика слабый кандидат, даже если важная.

Что сделать

• Для каждой метрики перечислите факторы влияния.
• Проверьте, конкретны ли они.
• Уберите метрики без понятной причинной структуры.

Шаг 8. Проверьте управляемость

Наличие драйверов — недостаточно.

Теперь строго спросите:

• Что мы реально можем изменить в этом горизонте?
• Где можем действовать без долгих согласований и внешних зависимостей?

Метрика не обязана быть напрямую управляемой. Но она должна реагировать на действия, которые вы можете совершить.

Что сделать

• Просмотрите драйверы.
• Определите, какие из них управляемы в выбранном горизонте.
• Уберите метрики, зависящие от внешних факторов.

Если осталось больше одной метрики

Это нормально.

Выберите ту, которая:

• наиболее напрямую отражает желаемый результат,
• меньше всего зависит от внешней динамики,
• которую вы уверенно покажете как главный индикатор прогресса.

Это и будет ключевая метрика.

Дополнительно: добавьте 2–3 защитные метрики

Оптимизируя одну метрику, можно ухудшить другие.

Ключевая метрика должна задавать фокус, но не ломать систему.

Спросите: что может пострадать, пока мы её улучшаем?

Оптимизируйте ключевую метрику. Контролируйте защитные.

Зафиксируйте выбор

Запишите одним предложением:

В течение [периода] наша ключевая метрика — [метрика].
Она даёт самый чёткий сигнал того, что мы достигаем [результат].
Защитные метрики: A, B, C.

В завершение

Выбор ключевой метрики — это управленческое решение.

На определённый период вы выбираете один сигнал прогресса.
Вы выстраиваете действия вокруг него.
Вы контролируете защитные метрики.

Если метрика выбрана неправильно — усилия будут направлены не туда.

Если правильно — решения становятся очевидными.

Им не хватает понимания, что с ними делать.

В этой статье разбираем простую проблему: почему метрики не приводят к решениям.

И почему это происходит гораздо чаще, чем кажется.

Метрики без решений — это просто числа

Большинство метрик бесполезны не потому, что они неправильные.

Они бесполезны потому, что после их изменений ничего не происходит.

На практике метрика чаще всего появляется в дашборде без чёткой роли. Её считают, смотрят, обсуждают, но не используют.

Метрика перестаёт вести к решениям, когда:

• нет согласованной реакции на рост или падение
• её смотрят изолированно, без связанных метрик и разрезов
• она не привязана к конкретному вопросу или зоне ответственности

В таком виде метрика может показать, что что-то изменилось, но не объясняет, что с этим делать, и нужно ли что-то.

Почти любая метрика может стать полезной. Но только если она связана с контекстом, сравнениями и аналитическими вопросами.

Пока этого нет, она остаётся наблюдением, а не входом в действие.

И без следующего шага даже корректная метрика превращается в шум.

Как выглядят «метрики без решений» на практике

Пример 1: Общий трафик

Общий трафик — одна из самых распространённых метрик, которую можно увидеть почти в любом маркетинговом дашборде.

Она даёт простое, верхнеуровневое понимание того, сколько пользователей приходит на сайт.

Сама по себе она редко ведёт к решениям.

Почему она не ведёт к решениям

• она слишком агрегированная
• не показывает, откуда именно пришли изменения
• не указывает на следующий шаг

Что делает её decision-driven

• разбить трафик по источникам, чтобы увидеть, где именно произошло изменение
• сравнить источники по объёму, чтобы сфокусироваться на действительно важном
• посмотреть динамику по каждому источнику, чтобы понять, это реальное изменение или шум

Пример 2: Заказы

Заказы часто воспринимается как очевидная метрика. Больше заказов — прогресс, меньше — проблема.

В отличие от трафика, она уже ближе к деньгам и результатам бизнеса. И именно поэтому её легко переинтерпретировать.

Почему она не ведёт к решениям

• объединяет очень разные сценарии поведения в одно число
• не объясняет, почему изменилось количество заказов
• скрывает разницу между объёмом и ценностью

Что делает её decision-driven

• смотреть заказы вместе со средним чеком, чтобы понять, за счёт чего меняется выручка
• разделять заказы новых и возвращающихся клиентов, чтобы увидеть, где именно проблема
• добавлять прибыль или маржу на заказ, чтобы не оптимизировать количество заказов в ущерб рентабельности

Пример 3: Общее количество клиентов в базе

Клиентская база часто использует как прокси роста. Большая база клиентов выглядит как очевидный признак успеха.

Проблема в том, что само по себе это число неоднозначно.

Почему она не ведёт к решениям

• не разделяет активных и неактивных клиентов
• смешивает новых, возвращающихся и ушедших клиентов в один показатель
• не показывает, растёт ли база на самом деле или просто накапливает историю

Что делает её decision-driven

• разделить клиентов на активных и неактивных, чтобы понять, кто реально двигает бизнес
• отслеживать новых, возвращающихся и ушедших отдельно, чтобы видеть характер роста
• добавить скорость роста или когортный анализ, чтобы понять, улучшается ли привлечение и удержание

Пример 4: LTV (Customer Lifetime Value)

LTV часто воспринимают как стратегическую north-star-метрику.

Она обещает одно число, которое отражает ценность клиента во времени. И именно это обещание делает её опасной.

Почему она не ведёт к решениям

• сводит очень разные сценарии поведения клиентов к одному среднему
• игнорирует количество клиентов, которые эту ценность создают
• без контекста активной базы теряет практический смысл

Что делает её decision-driven

• смотреть LTV вместе с количеством активных клиентов, чтобы понимать реальный масштаб ценности
• разбивать LTV по когортам, чтобы видеть, какие клиенты её формируют
• связывать LTV с её драйверами (повторные покупки, средний чек, срок жизни), чтобы понимать, на что можно влиять
• сравнивать LTV с CAC, чтобы оценивать, насколько рост прибыльный и устойчивый

Почему дашборды не помогают с решениями

Дашборды в первую очередь оптимизируют мониторинг, отчётность и контроль. Они помогают отслеживать числа, сравнивать периоды и видеть текущую картину.

Из-за этого дашборды часто разрастаются. Чем больше метрик, тем выше ощущение охвата — и тем сильнее иллюзия контроля.

При этом дашборды редко помогают мышлению, приоритизации и выбору следующего шага. Они показывают, что происходит, но не как это осмыслить.

Обычно причина проста: дашборды проектируют вокруг данных, а не решений. Метрики добавляются, даже если они не относятся к одному вопросу, не влияют друг на друга или не важны для текущего фокуса.

В лучшем случае дашборд отвечает на вопросы:

• какое сейчас значение метрики?
• изменилась ли она?
• на сколько?
• по сравнению с каким периодом?

Это полезно, но ограниченно.

Чтобы дашборд действительно поддерживал решения, этого недостаточно. Ему также нужны:

• связанные метрики рядом друг с другом
• осмысленные разрезы для ключевых показателей
• сравнения, которые объясняют, почему произошло изменение
• динамика на разных временных горизонтах, а не только один дельта-показатель

Без этой структуры дашборды хорошо справляются с контролем, но плохо помогают понять, что делать дальше.

Что делает метрику decision-driven

Метрика начинает иметь смысл только тогда, когда её роль понятна заранее.

Перед тем как отслеживать метрику, должно быть ясно:

• какое решение она должна поддержать
• кто принимает это решение
• какие действия вообще возможны
• что считается нормой, а что отклонением

Если хотя бы на один из этих вопросов нет ответа, метрика не готова к использованию.

Не менее важно и то, как эта метрика выглядит в аналитике. Decision-driven-метрика почти никогда не показывается одним числом.

Как минимум ей нужны:

• текущее значение и его изменение во времени
• понятная динамика, а не одна дельта
• связанные метрики рядом, а не на других экранах
• значимые разрезы, которые помогают объяснить причины изменений

Без этого контекста даже хорошо определённая метрика снова превращается в мониторинг. А с контекстом она становится точкой входа в решение.

Итог

Метрика не становится полезной потому, что она точная или популярная.

Она становится полезной только тогда, когда напрямую связана с решением и действиями, которые за ним следуют.

Поэтому аналитика должна начинаться не с вопроса
«Что нам измерять?»

А с вопроса
«Какие решения нам нужно принимать?»

Пока метрики явно не связаны с этими решениями, они остаются числами — точными, аккуратными и в основном бесполезными.

• Команда CRO работает над ростом конверсии.
• Команда email — над количеством заказов из рассылок.
• Команда удержания клиентов — над повторными покупками.
• Команда поддержки — над скоростью обработки обращений.

Каждая команда улучшает свои метрики.

Проблемы начинаются тогда, когда эти улучшения ухудшают метрики других команд. Потому что метрики не существуют по отдельности, они влияют друг на друга как часть системы.

Ниже несколько реальных примеров того, как этот замкнутый круг возникает на практике и как выглядят побочные эффекты локальных улучшений.

Конверсия сайта → Монетизация

Команда CRO отвечает за рост конверсии сайта и оптимизацию пути к покупке.

Чтобы увеличить конверсию, команда:

• добавляет агрессивные скидки
• использует триггеры срочности («только сегодня», «последний шанс»)
• включает поп-апы и элементы давления

Локальный эффект

→ Конверсия сайта ↑

Побочный эффект

Те же самые тактики:

• смещают спрос в сторону более дешёвых заказов
• снижают готовность клиентов платить полную цену
• приучают аудиторию ждать скидок

→ Средний чек ↓
→ Выручка на пользователя ↓

Конверсия сайта → Логистика

В этот раз команда CRO пытается увеличить конверсию, снижая порог бесплатной доставки, чтобы даже небольшие корзины казались «достойными оформления».

Чтобы повысить конверсию, команда:

• снижает порог бесплатной доставки
• активнее продвигает бесплатную доставку
• убирает трение, связанное со стоимостью доставки, раньше по воронке

Локальный эффект

→ Конверсия сайта ↑

Побочный эффект

Те же действия:

• увеличивают долю низкомаржинальных заказов
• ухудшают окупаемость доставки
• проталкивают заказы ниже порога прибыльности

→ Стоимость обработки заказа ↑
→ Маржа ↓

Email → Удержание

Со временем команда Email замечает, что промо-рассылки и распродажи стабильно обгоняют все остальные кампании.

Чтобы повысить вовлечённость, команда:

• смещает микс писем в сторону скидок и спецпредложений
• сокращает долю брендовых, обучающих и ценностных писем
• приоритизирует кампании с максимальными открытиями, кликами и быстрыми заказами

Локальный эффект

→ Открываемость писем ↑
→ Кликабельность писем ↑
→ Количество заказов из email ↑

Побочный эффект

То же смещение:

• увеличивает долю заказов со скидкой
• формирует промо-зависимое поведение
• ослабляет спрос по полной цене

→ Доля заказов со скидкой ↑
→ Средний чек ↓

Управление запасами → Конверсия сайта

Стремясь сократить складские расходы и высвободить оборотный капитал, операционная команда держит запасы максимально низкими.

Чтобы оптимизировать затраты на склад, команда:

• снижает страховые остатки по товарам
• держит запасы близко к минимально необходимому спросу
• ставит эффективность затрат выше доступности товара

Локальный эффект

→ Затраты на хранение ↓

Побочный эффект

Те же решения:

• увеличивают частоту отсутствия товара на складе
• разрывают связь между трафиком и наличием товара
• превращают готовые к покупке сессии в тупик

→ Доля out-of-stock ↑
→ Конверсия карточек товаров ↓

Поддержка → Удержание

Под давлением растущего объёма обращений команда поддержки фокусируется на скорости и операционной эффективности.

Чтобы сократить время обработки тикетов, команда:

• внедряет шаблоны ответов
• усиливает автоматизацию и автоответы
• оптимизирует процессы под быстрое закрытие обращений

Локальный эффект

→ Время решения обращений ↓

Побочный эффект

Те же изменения:

• снижают ощущение эмпатии и персонализации
• ухудшают эмоциональное восстановление после негативного опыта
• снижает количество проблем, решенных с первого раза

→ CSAT ↓
→ Доля повторных покупок ↓
→ Участие в реферральных программах ↓

Платная реклама → Конверсия сайта

В погоне за ростом кликабельности команда performance-маркетинга усиливает креативы и офферы.

Чтобы увеличить CTR, команда:

• использует кликбейт-заголовки
• завышает скидки и обещания
• формирует ожидания, которым лендинги не соответствуют

Локальный эффект

→ Кликабельность рекламы ↑

Побочный эффект

Те же креативы:

• приводят низкоинтентный и нерелевантный трафик
• создают разрыв между обещанием в рекламе и реальностью на сайте
• превращают первый клик в мгновенный выход

→ Показатель отказов ↑
→ Конверсия карточек товаров ↓
→ Общая конверсия сайта ↓

Почему улучшение одной метрики вредит другим

У всех этих конфликтов одна и та же причина.

Когда ставятся задачи, команды редко задумываются, какие ещё метрики затронут их действия.

Оптимизация планируется локально.
Эффект измеряется локально.
Всё за пределами зоны ответственности остаётся невидимым.

Поэтому улучшения в одном месте снова и снова ломают метрики в другом не потому, что команды принимают плохие решения, а потому что нет общего представления о связях между метриками.

Не хватает не усилий и дисциплины, а контекста:

• привязки задач и гипотез к метрикам, на которые они влияют
• взгляда на метрики в связке, а не по отдельности
• явного понимания компенсаций и влияний
• оптимизации системы, а не отдельных участков

Решение не в большем количестве метрик.
Решение в связи действий с метриками и метрик между собой.

Именно поэтому системные представления — такие как карты метрик — важны.
Не как ещё один отчёт, а как общее представление о том, как бизнес действительно работает.

Заключение

Цель не в том, чтобы перестать оптимизировать.

Цель — перестать оптимизировать вслепую.

Когда команды понимают систему, в которой они работают, локальные победы перестают становиться проблемой для других.

Потому что падение конверсии может означать совершенно разные вещи:

• ухудшилось качество трафика
• перестали конвертить карточки товаров
• пользователи сомневаются после добавления в корзину
• выросло трение на чекауте
• появились проблемы со скоростью или наличием товаров

Если смотреть только на саму конверсию, ты не поймёшь, какой из этих сценариев произошёл.

Поэтому угадывание почти никогда не работает.

Вместо этого используйте алгоритм.

Он не пытается «повысить конверсию».
Он помогает понять, где именно она ломается.

Логика простая: проверка → ответ → следующий шаг.

Шаг 0. Убедись, что падение конверсии реальное

Прежде чем разбираться, почему конверсия упала, важно убедиться, что это не шум, не задержка данных и не изменение расчетов.

Сравни корректные периоды

• сравни периоды одинаковой длины
• не сравнивай неполные недели с полными

Учти сезонность и микс трафика

• если бизнес сезонный — сравни те же даты год к году
• проверь, не изменился ли состав по дням недели

Проверь, что определение конверсии не менялось

• не менялись ли чекаут, оплата или логика трекинга
• не менялась ли логика статусов заказов

Учти задержки в данных

• в последние дни часть покупок может ещё не попасть в отчёты
• перепроверь конверсию без последних 24–72 часов

Исключи очевидные технические проблемы

• быстро пройди базовую воронку: карточка товара → добавление в корзину → корзина → чекаут → оплата
• посмотри, нет ли всплесков ошибок на этапе оплаты

Если после этого падение остаётся, идём дальше.

Шаг 1. Разбей конверсию по устройствам и браузерам

Вопрос: падение конверсии сконцентрировано на конкретном устройстве или браузере?

• в основном на одном устройстве / браузере
• равномерно на всех

Устройство / браузер   | Δ Конверсии
-----------------------------------
Мобильные              | █████◀◀◀      -16%
Десктоп                | █████████◀    -3%

Если падение сконцентрировано

Чаще всего это признак проблемы, которая мешает пользователю совершать действия именно в этой среде.

Что проверить

• корректно ли срабатывают события добавления в корзину и чекаута
• нет ли проблем с версткой или взаимодействием
• нет ли ошибок оплаты, ограниченных этим устройством или браузером

Если падение равномерное

Переходи к Шагу 2.

Шаг 2. Разбей конверсию по каналам и источникам

Вопрос: конверсия сильнее просела в отдельных каналах или источниках?

• да, в конкретных каналах / источниках
• нет, падение равномерное

Канал / источник       | Δ Конверсии
-----------------------------------
Платная реклама        | █████◀◀◀        -14%
Органика               | ██████████◀     -3%
Email                  | ████████▶       +1%

Если падение есть в отдельных каналах

Обычно это означает изменение качества трафика или ожиданий пользователей.

Что проверить

• менялись ли креативы или сообщения
• на какие страницы ведёт этот трафик
• не изменился ли таргетинг или микс аудиторий

Если падение равномерное

Переходи к Шагу 3.

Шаг 3. Проверь конверсию в добавление в корзину

Вопрос: пользователи стали реже добавлять товары в корзину?

• да, конверсия в добавление в корзину снизилась
• нет, она стабильна или выросла

Метрика                         | Изменение
-------------------------------------------
Конверсия в добавление в корзину | █████◀◀   -9%

Если конверсия в добавление в корзину снизилась

Проблема, скорее всего, до корзины: в поиске, выборе или карточках товаров.

Переходи к Шагу 4.

Если конверсия стабильна или выросла

Основное трение, вероятно, возникает позже.

Переходи к Шагу 5.

Шаг 4. Проверь конверсию из просмотра карточки товара в добавление в корзину

Вопрос: карточки товаров стали хуже превращать просмотры в добавления в корзину?

• да, эта конверсия снизилась
• нет, она стабильна или выросла

Категория / товар     | Δ Конверсии (карточка → корзина)
--------------------------------------------------------
Кроссовки             | ███████◀◀◀   -18%
Аксессуары            | ██◀            -4%

Если конверсия снизилась

Разбей её по категориям и товарам.

Если падение сконцентрировано — это обычно локальная проблема конкретных позиций.

Что проверить

• недоступные варианты (размеры, цвета, конфигурации)
• пропавшую или изменённую информацию
• проблемы с фото, видео, ценами или условиями

Если падение равномерное — это похоже на системную проблему карточек товаров.

Если конверсия стабильна или выросла

Карточки товаров вряд ли главный источник проблемы.

Переходи к Шагу 5.

Шаг 5. Проверь долю брошенных корзин и чекаутов

Вопрос: пользователи стали чаще бросать корзину или чекаут?

• да, доля брошенных корзин выросла
• нет, она стабильна или снизилась

Метрика                     | Изменение
---------------------------------------
Доля брошенных корзин       | ██████▶▶   +12%

Если доля выросла

Трение усилилось на этапе корзины или чекаута.

Что проверить

• на каких шагах выросло число выходов
• концентрируются ли выходы на доставке или оплате
• не появились ли новые условия или дополнительные стоимости

Если доля стабильна или снизилась

Корзина и чекаут не главная причина.

Переходи к Шагу 6.

Шаг 6. Проверь долю добавлений в избранное

Вопрос: пользователи стали чаще сохранять товары вместо добавления в корзину?

• да, доля добавлений в избранное выросла
• нет, она стабильна или снизилась

Метрика                                | Изменение
----------------------------------------
Конверсия в добавление в изобранное    | █████▶▶   +10%

Если доля выросла

Пользователи проявляют интерес, но откладывают решение.

Что проверить

• какие товары чаще всего добавляют в избранное
• пересекаются ли они с зонами падения конверсии
• не менялись ли цена, наличие или условия

Если доля стабильна или снизилась

Сомнения на этом этапе вряд ли объясняют падение.

Переходи к Шагу 7.

Шаг 7. Найди страницы с аномальным ростом выходов

Вопрос: есть ли страницы, где выходы выросли заметно сильнее?

• да, есть конкретные страницы
• нет, рост равномерный

Страница                  | Δ Доли выходов
------------------------------------------
Чекаут — доставка         | █████▶▶   +11%
Карточка товара           | ██▶        +3%

Если есть конкретные страницы

Это признак локального трения, часто ближе к чекауту.

Что проверить

• какие страницы дали максимальный рост выходов
• пересекаются ли они с корзиной или чекаутом
• были ли недавние изменения контента или условий

Если явного паттерна нет

Скорее всего, падение вызвано несколькими факторами одновременно.

Переходи к Шагу 8.

Шаг 8. Проверь скорость загрузки страниц

Вопрос: страницы стали загружаться медленнее?

• да, скорость ухудшилась
• нет, всё стабильно или быстрее

Тип страницы              | Δ Времени загрузки
----------------------------------------------
Карточки товаров          | ███▶▶     +0.8 c
Чекаут                    | ██▶       +0.4 c

Если скорость ухудшилась

Это может мешать пользователям доходить до добавления в корзину или чекаута.

Что проверить

• скорость карточек товаров, корзины и чекаута
• различия по устройствам и браузерам
• недавние изменения (скрипты, медиа, интеграции)

Если скорость стабильна

Переходи к Шагу 9.

Шаг 9. Проверь среднее число просмотренных страниц за сессию

Вопрос: пользователи стали просматривать меньше страниц?

• да, стали
• нет, стали больше
• показатель не изменился

Метрика                         | Изменение
-------------------------------------------
Среднее число страниц за сессию | █████◀◀   -15%

Если стали просматривать меньше

Пользователи не уходят вглубь сайта и реже доходят до товаров.

Что проверить

• изменились ли входные страницы
• есть ли разрыв между ожиданиями трафика и первой страницей
• не мешают ли поиск, фильтры или навигация

Если стали просматривать больше

Пользователи изучают сайт, но не решаются купить.

Что проверить

• хватает ли информации для выбора
• есть ли популярные варианты в наличии

Если показатель не изменился

Переходи к Шагу 10.

Шаг 10. Проверь количество просмотров карточек товаров за сессию

Вопрос: пользователи достаточно часто доходят до карточек товаров?

• нет, стали реже
• да, стали чаще

Метрика                             | Изменение
------------------------------------------------
Просмотры карточек товаров за сессию | █████◀◀   -12%

Если стали реже

Проблема, вероятно, в discovery и навигации.

Что проверить

• использование поиска, фильтров, сортировки
• пути к карточкам товаров
• где пользователи отваливаются раньше

Если стали чаще

Переходи к Шагу 11.

Шаг 11. Проверь долю товаров вне наличия

Вопрос: отсутствие товаров начало блокировать покупки?

• да, доля out of stock выросла
• нет, всё стабильно

Категория            | Доля Out of Stock
---------------------------------------
Топ-товары           | █████▶▶   +14%
Аксессуары           | ██▶        +3%

Если доля выросла

Пользователи хотят купить, но не находят доступные варианты.

Что проверить

• какие топовые товары или варианты ушли в out of stock
• концентрируется ли проблема в ключевых категориях
• находят ли пользователи альтернативы

Если доля стабильна

Скорее проблема не в наличии, а в уверенности при выборе.

Переходи к Шагу 12.

Шаг 12. Комбинируй подходы, чтобы увидеть реальную причину

Конверсия почти никогда не ломается в одном месте. Обычно она падает из-за того, что накладываются несколько небольших проблем.

На этом этапе перестань смотреть на метрики по отдельности и начни комбинировать срезы:

• устройство / браузер × конверсия в добавление в корзину
• канал × конверсия из карточки товара в добавление в корзину
• категория / товар × конверсия из карточки товара в добавление в корзину
• страница выхода × устройство
• среднее число страниц за сессию × канал
• отсутствие товара в наличии × категория

Именно здесь обычно и появляется настоящий паттерн, который объясняет падение конверсии.

Итоги

Конверсия не падает «мистически». Она становится непонятной только тогда, когда не ясно, что проверять дальше.

Этот алгоритм даёт понятный маршрут: что проверять сначала, что можно временно игнорировать и когда идти глубже.

Когда конверсия падает — просто возвращайся к этому алгоритму и проходи его шаг за шагом.

Аналитика становится намного проще, когда ты знаешь, какой вопрос задать следующим.

Заказов стало больше.
Прибыль снизилась.

На самом деле никакого противоречия здесь нет.

Продажи ≠ Прибыль.

Продажи зависят от объёма:

Продажи = Заказы × Средний чек

Прибыль — это то, что остаётся после всех расходов:

Прибыль = Продажи − Расходы

Поэтому рост заказов сам по себе не гарантирует лучших результатов.

На прибыль влияет не только количество заказов, но и:

• маржинальность,
• переменные издержки,
• стоимость привлечения,
• и то, что происходит после покупки.

Заказы могут расти, а прибыль — падать.

Не потому, что «что-то сломалось», а потому что заказы — это лишь одна часть системы.

Почему заказы — рискованный KPI

Заказы измеряют активность, а не ценность.

Увеличить количество заказов довольно просто:

• скидки,
• бесплатная доставка,
• платный трафик,
• снижение порогов покупки.

Все эти действия действительно быстро увеличивают количество заказов. Проблема в том, что многие из них одновременно снижают прибыль на заказ.

В итоге заказов становится больше, но каждый заказ приносит меньше прибыли.

Поэтому заказы могут выглядеть «здорово», в то время как общая прибыль движется в противоположную сторону.

Дальше — самые распространённые причины, почему так происходит.

#1 Заказы растут из-за скидок

Скидки и промо стимулируют рост заказов, но снижают прибыль с каждого заказа.

Что делать, если подтвердилось

• Задать минимальный порог маржинальности для промо
• Исключить низкомаржинальные товары из акций
• Оценивать промо по влиянию на прибыль, а не на заказы

#2 Заказы растут, но в заказах меньше товаров

Заказов становится больше, но клиенты покупают меньше уникальных товаров или единиц товара в каждом заказе.

Что делать, если подтвердилось

• Пересмотреть пороги бесплатной доставки и минимального заказа
• Стимулировать бандлы и покупки нескольких товаров
• Не оптимизировать частоту заказов в ущерб размеру корзины

#3 Заказы растут, но доминируют низкомаржинальные товары

Рост заказов происходит за счёт более дешёвых или менее маржинальных товаров.

Что делать, если подтвердилось

• Ограничить промо для низкомаржинальных товаров
• Строить бандлы и апселлы вокруг высокомаржинальных позиций
• Анализировать рост заказов по группам маржинальности, а не только по объёму

#4 Заказы растут, но растёт и стоимость обработки одного заказа

Заказов становится больше, но средняя стоимость доставки и обработки одного заказа растёт — из-за мелких заказов, удалённых регионов или операционной сложности.

Что делать, если подтвердилось

• Отслеживать издержки на заказ, а не только суммарно
• Пересмотреть правила бесплатной доставки и минимальные пороги
• Сегментировать издержки по регионам, размеру корзины и типам заказов

#5 Заказы растут через каналы со скрытыми комиссиями за каждый заказ

Рост заказов идёт через каналы, где за каждый заказ нужно платить комиссию: партнёрки, инфлюенсеры, реферальные программы.

Что делать, если подтвердилось

• Считать прибыль на заказ после комиссий
• Сравнивать каналы по эффективности, а не по количеству заказов
• Масштабировать партнёрства только с положительной юнит-экономикой

#6 Заказы выглядят нормально, но прибыль исчезает позже

Заказы оформлены, деньги получены, но прибыль «съедается» позже возвратами и пост-продажными расходами.

Что делать, если подтвердилось

• Анализировать прибыль по когортам заказов
• Найти товары и каналы с высокими пост-продажными издержками
• Корректировать промо и правила привлечения для заказов с высоким риском возвратов

Итоги

Заказы — не плохая метрика.

Она становится рискованной, когда её оптимизируют изолированно или используют как KPI для целей, ориентированных на прибыль.

Когда заказы растут, а прибыль падает, проблема почти всегда не в объёме.

Чаще всего — в структуре:

• какие заказы растут,
• насколько они прибыльны,
• и во что они реально обходятся бизнесу.

Цель — не больше заказов. Цель — прибыльные заказы.

Потому что AOV может снижаться по совершенно разным причинам:

• покупатели начали покупать более дешёвые товары,
• они покупают те же товары, но в меньшем количестве,
• скидки стали агрессивнее,
• у одного канала привлечения «ухудшилось качество» трафика.

Поэтому вместо догадок используйте этот алгоритм.

Он специально сделан простым: проверили → ответили → пошли к следующему шагу.

Шаг 0. Убедитесь, что падение реальное

Перед тем как разбираться, почему упал AOV, убедитесь, что вы не объясняете шум.

• Сравнивайте корректные периоды
• Сравнивайте периоды одинаковой длины (например, последние 14 дней vs предыдущие 14 дней).
• Если обычно сравниваете неделя-к-неделе — не сравнивайте неполную неделю с полной.
• Учитывайте сезонность
• Если бизнес сезонный, дополнительно сравните с тем же периодом прошлого года (YoY).
• «Падение» может быть нормой, если вы выходите из пикового сезона или промо-недели.
• Проверьте промо и тайминг кампаний
• Были ли в прошлом периоде общая распродажа, запуск у инфлюенсера, всплеск платного трафика или email-распродажа?
• Если да, ваш «базовый уровень» мог быть искусственно завышен.
• Ищите выбросы
• Один необычно крупный заказ (B2B, почти-опт, внутренний тестовый заказ) может исказить AOV.
• Посчитайте AOV с учётом и без учёта топ-1–5 самых крупных заказов.

Если после этих проверок падение сохраняется — идём дальше.

Шаг 1. Разделите AOV на первые и повторные покупки

Вопрос: где упал AOV?

• только в первых покупках
• только в повторных покупках
• во всех покупках

Тип покупки        | Δ AOV
--------------------------------------------
Первая покупка     | █████████◀◀◀   -20%   ($120)
Повторная покупка  | ████████████▶   +1%   ($160)

Если AOV упал только в повторных покупках

Ваша стратегия удержания может возвращать людей, но с более «слабой корзиной».

Что проверить

• Работают ли email / SMS / push / ретаргетинг так, как задумано?
• Какие товары вы продвигаете существующим клиентам?
• Не сместилось ли поведение из «премиум» в «дешёвую дозакупку»?

Дальше всё равно продолжайте с Шага 3 (проблемы повторных покупок тоже могут идти от цены/количества/скидок).

Если AOV упал только в первых покупках

Переходите к Шагу 2.

Если AOV упал во всех покупках

Переходите к Шагу 3.

Шаг 2. Для первых покупок: разрежьте AOV по каналам и источникам

Вопрос: AOV упал…

• только в одном канале/источнике, или
• равномерно во всех каналах?

Канал              | Δ AOV (первая покупка)
--------------------------------------------
Paid Social        | █████████◀◀◀   -22%   ($98)
Google Ads         | ███████████◀◀   -4%   ($124)
Органика           | ████████████◀   -2%   ($131)

Если AOV упал только в одном канале/источнике

Обычно это указывает на качество трафика или несоответствие оффера.

Что проверить

• креативы и сообщения (не начали ли вы привлекать «охотников за скидками»?)
• лендинги и товарные страницы, куда ведёт реклама
• какой товарный микс продвигается в этом канале

Если AOV упал равномерно во всех каналах

Переходите к Шагу 3.

Шаг 3. Проверьте среднюю цену товара (API)

AOV может падать просто потому, что люди покупают более дешёвые товары.

Вопрос: упала ли API (Average Price per Item)?

Метрика                 | Δ AOV и API
--------------------------------------------
Средний чек (AOV)       | ██████████◀◀◀   -11%   ($132)
Средняя цена за товар   | █████◀◀          -9%    ($44)

Если API упал

Переходите к Шагу 4.

Если API не изменился

Переходите к Шагу 5.

Шаг 4. Если средняя цена (API) упала: разрежьте по категориям

Вопрос: API упал…

• сильнее в конкретных категориях, или
• равномерно по всем категориям?

Категория          | Δ Средняя цена за товар
--------------------------------------------
Аксессуары         | ██◀◀◀         -19%   ($18)
Одежда             | ██████◀        -2%    ($62)
Обувь              | █████████▶     +1%    ($91)

Если API упал в основном в отдельных категориях

Это указывает на проблему на уровне категории: цена или товарный микс.

Что делать

• подумать о повышении цены самых дешёвых товаров в этой категории
• или ввести минимальное количество к покупке (если это подходит вашей модели)

Если API упал равномерно по всем категориям

Падение цены системное (скидки, промо-стратегия, общий сдвиг микса).

К промо-проверкам (Шаги 8–9) вернёмся позже, но также переходите к Шагу 5 — эффекты по количеству товаров могут накладываться на цену.

Шаг 5. Проверьте среднее количество товаров в заказе (AIO)

Если цена за единицу почти не изменилась, AOV может падать потому, что люди покупают меньше товаров в заказе.

Вопрос: упал ли Average Items per Order (AIO)?

Метрика                 | Δ AOV и AIO
--------------------------------------------
Средний чек (AOV)       | ██████████◀◀◀   -11%   ($132)
Среднее кол-во товаров  | ████████◀◀      -10%   (2.1)

Если AIO упал

Что проверить

• рекомендации товаров (показываются ли они, релевантны ли, заметны ли?)
• где стоит cross-sell (корзина, PDP, checkout)
• логика бандлов и модули “frequently bought together”

Если AIO не изменился

Переходите к Шагу 6.

Шаг 6. Разрежьте количество единиц товаров (AUI) по категориям

Иногда люди продолжают покупать примерно то же число разных товаров, но берут меньше единиц (реже «закупаются впрок»).

Вопрос: есть ли категории, где Average Units per Item (AUI) упал сильнее?

Категория          | Δ Среднее кол-во единиц
--------------------------------------------
Добавки            | █████████◀◀◀   -18%   (1.6)
Уход за кожей      | ██◀             -2%    (1.1)
Уход за волосами   | ██◀             -4%    (1.2)

Если AUI упал в основном в отдельных категориях

Что делать

• попробовать стимулы за количество (например, скидка при покупке больше среднего по категории)
• сделать бандлы, которые соответствуют типичному поведению в этой категории

Если AUI меняется равномерно по всем категориям

Переходите к Шагу 7.

Шаг 7. Найдите товары, которые чаще всего покупают одиночной покупкой

Это практичный способ найти «одинокие» товары, которые редко провоцируют допродажи.

Вопрос: есть ли товары, которые чаще всего покупают как единственный товар в заказе?

Товар              | Δ Доля заказов с 1 товаром
--------------------------------------------
Подарочная карта   | ██████████▶▶▶   +14 п.п.  (84%)
Чехол для телефона | ███████▶▶       +9 п.п.   (71%)
Базовая футболка   | ███▶            +4 п.п.   (66%)

Если доля single-item заказов заметно выросла

Что делать

• собрать бандлы вокруг этих товаров
• добавить комплементарные товары рядом с ними (PDP, корзина, post-add-to-cart)

Если single-item поведение стабильно

Переходите к Шагу 8.

Шаг 8. Проверьте долю заказов с промокодами

Иногда AOV падает не потому, что люди покупают иначе, а потому что поменялась стратегия скидок.

Вопрос: выросла ли доля заказов с промокодами?

Тип заказа         | Δ Доля
--------------------------------------------
С промокодом       | ███▶▶        +12 п.п.  (38%)
Без промокода      | ██████◀◀     -12 п.п.  (62%)

Если доля заказов с промокодами выросла

Что делать

• посчитать прибыльность промо-кампаний с промокодами
• понять, какие промо «покупают выручку», но убивают маржу и AOV

Если использование промокодов стабильно

Переходите к Шагу 9.

Шаг 9. Проверьте среднюю скидку

Вопрос: выросла ли средняя скидка на заказ?

Метрика                 | Δ
--------------------------------------------
Средняя скидка в заказе | ███████▶▶   +5 п.п.   (14%)
Средний чек (AOV)       | ██████████◀◀◀   -11%   ($132)

Если Average Order Discount вырос

Что делать

• выделить заказы со скидкой выше средней
• найти, чем они отличаются:
• первые vs повторные
• канал
• категория / набор товаров
• конкретный промокод / кампания

Если Average Order Discount стабилен

Переходите к Шагу 10.

Шаг 10. Комбинируйте разрезы, чтобы найти реальный паттерн

Если ни один из шагов выше не дал чистого объяснения — не останавливайтесь. Комбинируйте те же проверки.

Например:

• Скидка × новый vs повторный
• Средняя цена × категория × канал
• Количество товаров × канал
• Количество единиц товара × категория × скидка

Падение AOV часто происходит из-за двух накладывающихся драйверов, а не одного.

Итог

AOV не падает случайно.

Обычно «ломается» что-то под ним: цена, количество товаров, скидки или конкретный сегмент.

Этот алгоритм помогает перестать гадать и шаг за шагом дойти до причины, пока она не станет очевидной.

2025-й был… насыщенным.

AI — повсюду.
Дашборды — повсюду.
Метрики — повсюду.

И при этом мы всё равно снова и снова приходили к одному и тому же вопросу:

«Окей, а почему метрика изменилась?»

За год мы много общались с командами, что-то строили, что-то запускали и наблюдали, что люди на самом деле делают, когда цифры меняются.

И некоторые паттерны повторялись так часто, что их просто невозможно было игнорировать.

Поэтому вот список 5 трендов в аналитике, которые мы постоянно видели в 2025 году.

Без больших прогнозов.
Без «состояния индустрии».

Просто небольшое саммари перед тем, как новый год разгонится.

Тренд #1. AI в аналитике стал реалистичным

Ну конечно, ИИ был везде в 2025 году.

Даже там, где он, честно говоря, был не особо нужен.

Но за год изменилось не столько сам ИИ, сколько ожидания от него.

Крупные инструменты это довольно чётко показали.

Google активно продвигал ИИ-саммари и инсайты в GA4.

Looker и Power BI сделали ставку на объяснения и исследование данных в стиле Copilot, а не на автоматические решения.

Это показательно.

Те ИИ-фичи, которые реально прижились, оказались довольно простыми:

• саммари,
• более быстрое исследование данных,
• запросы на естественном языке.

Никаких кнопок «сделай это и бизнес вырастет». Просто помощь в мышлении.

Наши интервью это подтвердили.

За год мы пообщались с 160+ командами, и паттерн был очень устойчивым: почти никто слепо не доверяет ИИ-рекомендациям. ИИ используют скорее как партнёра для брейншторма, чтобы накидать идей, а не заменить собственную экспертизу.

Отсюда довольно трезвый вывод:

В 2025 году AI не заменил аналитическую экспертизу.
Он её усилил или подсветил её отсутствие.

Если с метриками был порядок, AI помогал двигаться быстрее.

Если нет — просто объяснял хаос более простыми словами.

И, если честно, это очень похоже на итог 2025 года.

Тренд #2. Дашборд — всего лишь инструмент

У дашбордов был отличный год.

В LinkedIn невозможно было пролистать ленту, не наткнувшись на очередной дашборд в Looker Studio.

И да, мы сами в этом году выпустили 5 новых дашбордов.

Но в 2025 году изменилось не количество дашбордов, а то, как о них стали говорить.

Меньше: «дашборд = аналитика».

Больше: «дашборд — это интерфейс для принятия решений».

Это хорошо чувствуется в языке:

• не «отчетность»,
• а «decision workflows»,
• не «еще одна доска с KPI»,
• а «что нам делать дальше?»

Gartner продолжал продвигать концепцию decision intelligence, и эта логика постепенно перетекла в BI-дискуссии. Даже на таких ивентах, как MeasureCamp и Superweek, разговоры всё чаще были не про визуализации, а про действия.

Так что нет — дашборды не умерли (пока).

Их просто немного «понизили в должности». И это скорее хорошо.

Дашборд показывает цифры. Но в 2025 всё больше команд стали проектировать дашборды так, чтобы они помогали сделать следующий шаг — принять решение.

Тренд #3. Универсальные KPI умерли

Годами e-commerce жил на удобных упрощениях:

• удержание важнее привлечения,
• LTV — главная цель,
• выбери North Star метрику и выстрой вокруг неё всё остальное.

В 2025 эта логика начала трещать.

Не потому, что эти метрики перестали быть важными, а потому что всё больше команд осознали главное: «ключевая метрика» не может быть универсальной.

Одна и та же «главная метрика» оптимизировалась в очень разных бизнесах:

• с разной маржинальностью,
• разным поведением повторных покупок,
• разными ограничениями роста.

И вместо ясности это часто приводило к слепым зонам.

Поэтому скепсис 2025 года был не про «перестать иметь ключевую метрику».

Он был про другое: перестать выбирать её по умолчанию.

Мы сталкивались с этим настолько часто, что решили попробовать формализовать противоположный подход.

В этом году мы сделали алгоритм, который помогает выбрать ключевую метрику, отвечая на несколько простых вопросов о бизнесе. Не чтобы найти «идеальный KPI», а чтобы донести одну мысль: ключевая метрика имеет смысл только в контексте.

Тренд #4. Фокус стал временным (и это нормально)

Пару лет назад «больше метрик» казалось чем-то классным.

Большие дашборды.
Огромные карты метрик.
Базы на 1000+ показателей.

Примерно в 2022–2023 сама сложность выглядела как прогресс.

Вау, сколько всего мы можем отслеживать.

В 2025 тон изменился.

Всё чаще разговоры звучали так:

• «Зачем нам столько метрик?»
• «Какие реально важны сейчас?»
• «На чём нам фокусироваться в этом квартале?»

Команды не перестали заботиться об аналитике. Они устали от сложности, которая не помогает принимать решения.

Сдвиг был не только про количество. Он был про пользу.

Команды начали задавать более жёсткие вопросы:

• Какую задачу поддерживает эта метрика?
• Можем ли мы реально на неё влиять?
• Кто за неё отвечает?

Если метрика не помогала ответить на эти вопросы, она постепенно выпадала из фокуса.

Меньше «отслеживать всё». Больше «отслеживать то, с чем мы можем что-то сделать прямо сейчас».

В конкретный момент времени имели смысл только метрики, связанные с реальными задачами и действиями.

Тренд #5. Метрики перестали смотреть по одной

Если бы в 2022 году нас спросили, что в аналитике кажется «новым», мы бы ответили: показывать метрики в виде карты.

Мы тогда нарисовали карту e-commerce-метрик, и многие реагировали примерно так: «Наконец-то кто-то разложил все по полочкам!».

В 2025 такое мышление встречается всё чаще.

И забавно, что сама карта — не главное. Важнее вопросы, которые она запускает.

• «С чем мы это сравниваем?»
• «Это падение везде или только в одном сегменте?»
• «Какой драйвер сдвинулся первым?»
• «Что вообще могло вызвать это изменение?»

Меньше «какое число?» Больше «какая система стоит за этим числом?»

Мы видим это сразу в двух местах.

Во-первых — в запросах.
Клиенты всё чаще приходят не за «дашбордом с KPI», а за кастомным driver tree / картой метрик, которая отражает именно их бизнес-логику.

Во-вторых — в продуктах.
Mixpanel выпустили driver trees как полноценную фичу, и это важный сигнал, что подход вышел за пределы консалтинга.

Мы наконец запустили JetMetrics, и карты метрик перестали быть «крутой идеей», ими начали пользоваться, когда нужно быстро объяснить, что и почему изменилось.

Если свести 2025 год к одной фразе: метрики по-прежнему важны, но отношения между метриками стали главной историей.

Итог

Если отойти на шаг назад, все эти тренды не про новые инструменты и не про модные фичи.

Они про то, как люди теперь относятся к аналитике.

• Меньше слепой веры в ИИ, больше мышления.
• Меньше «дашборд — это ответ», больше «дашборд — это инструмент».
• Меньше веры в универсальные KPI, больше контекста.
• Меньше «отслеживать всё», больше фокуса на том, что важно сейчас.
• Меньше изолированных чисел, больше систем и связей.

В 2025 аналитика стала меньше про готовые ответы и больше про правильные вопросы.

И, возможно, это самый важный сдвиг из всех.

Потому что когда меняются вопросы, инструменты, дашборды и метрики всегда подтягиваются следом.

Но дальше всегда возникает более практический вопрос:

Как они на самом деле работают вместе?

Во второй части мы покажем реальный рабочий процесс:

• почему работа обычно начинается с карты,
• как деревья вырастают из карт, а не создаются изолированно,
• как оба инструмента эволюционируют со временем,
• и как они формируют дашборды, которые помогают в повседневных решениях.

Цель простая: превратить карты и деревья из «красивых схем» в рабочую систему анализа и действий.

Карта как стартовая модель

Мы рекомендуем начинать с карты метрик.

Потому что до выбора KPI важно иметь общее понимание самого процесса: где создаётся ценность, через какие промежуточные шаги она проходит и где может теряться.

Карта даёт этот базовый контекст.

И только после этого имеет смысл выбирать KPI и идти вглубь.

На практике построение карты выглядит так:

• выбираем процесс или область (например, продажи в e-commerce, retention, платный трафик);
• разбиваем его на этапы — от точки входа до результата;
• привязываем к каждому этапу метрики: что именно здесь можно измерить;
• соединяем метрики стрелками, показывая, что из чего следует и где может теряться эффект.

В результате карта отвечает на два базовых вопроса:

• «Как вообще устроен наш бизнес в метриках?»
• «Где живут метрики и как они связаны между собой?»

Это — общая картина, без приоритизации и тактик.

От карты к дереву: почему деревья вырастают из карт

Когда карта уже есть, становится намного проще и надёжнее выбрать, какую метрику считать KPI, вместо того чтобы придумывать дерево в вакууме.

Мы делаем это так:

• находим на карте ключевую метрику, которая сейчас важна (CR, AOV, LTV и т.д.);
• смотрим, что с ней связано: какие шаги идут до неё в процессе и какие метрики находятся на них;
• собираем дерево из этой ветки карты:
• уровень 1: выбранный KPI;
• уровень 2: несколько компонентов, которые напрямую двигают KPI;
• уровень 3: метрики-драйверы, которые можно измерять и на которые можно влиять действиями.

Иными словами, дерево не начинается с чистого листа. Оно вырастает из карты, из уже описанного процесса и его связей.

Когда дерево строится без карты, оно обычно отражает локальный взгляд, а не весь процесс целиком.

Разные команды строят деревья, исходя из своей зоны экспертизы:

• маркетинг — через трафик и рекламу,
• продукт — через UX и воронки,
• операции — через фулфилмент и издержки.

Каждое дерево по отдельности может быть корректным, но вместе они не образуют единой системы. Один и тот же KPI объясняется по-разному и иногда противоречиво.

Карта решает эту проблему, задавая общую модель процесса. А дерево становится сфокусированным способом работать внутри этой модели, а не отдельной интерпретацией реальности.

Это даёт понятные преимущества:

• вы не упускаете важные части процесса — они уже есть на карте;
• деревья для разных KPI опираются на одну и ту же общую модель, а не на разрозненные представления;
• карту можно согласовать один раз, а затем последовательно извлекать из неё деревья под конкретные цели.

Цикл обновления: карты и деревья как «живые» артефакты

Карта метрик и дерево метрик не должны быть нарисованы раз и навсегда.

Карта метрик меняется, когда меняется процесс:

• добавляется новый канал трафика — на карте появляется новый блок;
• вводится подписочная модель — появляются новые метрики (подписки, отток, MRR);
• упрощается фулфилмент — некоторые шаги исчезают или сдвигаются.

Дерево метрик меняется, когда меняется понимание влияния:

• находится новый драйвер (конкретное событие, шаг воронки, тип трафика), который двигает KPI — он добавляется в дерево;
• гипотеза проверяется и оказывается опровергаеися — метрика убирается из дерева.

Подтверждённые связи делают карту сильнее: стрелки и узлы становятся основанными на фактах, а не теории. Устаревшие метрики и связи со временем исчезают, и карта не превращается в музей.

Так карта остаётся живой документацией процесса, а деревья — живой документацией того, что на практике двигает ключевые метрики.

Карты, деревья и дашборды на практике

Мы часто думаем о дашбордах как о способе визуализировать данные.

На самом деле дашборд — это способ визуализировать аналитическое мышление.

Большинство дашбордов собираются снизу вверх — из того, какие данные есть. В итоге метрики оказываются рядом, но без явных связей. Когда что-то меняется, приходится прыгать по вкладкам, фильтрам или собирать отдельные выгрузки, чтобы понять, что произошло.

Построение дашбордов на основе карт и деревьев метрик помогает этого избежать.

Карта метрик даёт дашборду структуру процесса.

Она определяет:

• какие этапы существуют,
• какие метрики относятся к каждому этапу,
• как переходы между этапами влияют на результат.

Это делает карту естественной основой для операционных дашбордов:

• мониторинга объёмов, статусов и SLA,
• проверки, что процесс работает от начала до конца,
• раннего обнаружения проблем до падения результатов.

Дерево метрик даёт дашборду структуру влияния.

Оно определяет:

• какая метрика является целевой,
• из каких компонентов она состоит,
• какие драйверы реально можно менять действиями.

Это делает дерево основой для диагностических дашбордов:

• объяснения падений и всплесков,
• проверки гипотез,
• поиска конкретных точек воздействия.

Дашборды в формате карт и деревьев

Карты и деревья не только помогают проектировать дашборды.

Они могут сами быть дашбордами.

Одна и та же метрика выглядит по-разному в зависимости от режима:

• в карте CR — это узел в системе,
• в дереве CR — это вершина иерархии.

Это два дополняющих друг друга взгляда на одну и ту же реальность. Метрика может быть и частью системы, и целью управления — просто показанной через разные линзы.

Заключение

Карта, дерево и дашборд — это не три отдельных артефакта.

Это три уровня описания одной и той же логики:

• карта объясняет, как устроен бизнес в метриках,
• дерево объясняет, как влиять на конкретную метрику,
• дашборд делает эту логику удобной для ежедневного использования.

Когда дашборды строятся на основе карт и деревьев, они перестают быть набором графиков и становятся рабочим интерфейсом для принятия решений.

Это философия JetMetrics.

Из-за этого регулярно возникают проблемы:

• непонятно, когда нужна карта, а когда дерево;
• кажется, что если есть дерево, то карта уже не нужна;
• карты метрик выглядят красиво, но неясно, как использовать их в реальной аналитике;
• деревья, построенные по отдельным метрикам, со временем расползаются, теряют связность и перестают быть системой.

Ключевое различие карт и деревьев не в визуальном формате.

Разница в логике принятия решений, которая за ними стоит.

Это первая часть из двух.

В этой статье мы разберём, чем карты метрик отличаются от деревьев метрик: какие задачи решает каждый инструмент и почему их нельзя использовать как взаимозаменяемые.

Во второй части мы покажем, как карты и деревья работают вместе на практике: как из них получаются дашборды, как они меняются со временем и почему именно эта связка делает аналитику реально полезной.

Карта метрик ≠ дерево метрик

Карта метрик = модель процесса

Карта метрик объясняет, как работает система.

Она показывает:

• контекст (что с чем связано),
• последовательность (что происходит раньше и позже),
• зависимости и причинно-следственные связи внутри процесса.

Единица анализа здесь — процесс, то есть набор связанных метрик.

Поэтому карта может выглядеть по-разному: цепочка, сетка, ветвления, петли.

Дерево метрик = модель влияния на KPI

Дерево метрик объясняет, как управлять одной конкретной метрикой.

Оно показывает:

• целевой KPI,
• его компоненты,
• и драйверы, которые влияют на каждый компонент.

Единица анализа — одна метрика → компоненты → драйверы.

Поэтому дерево всегда имеет форму пирамиды: KPI → компоненты → драйверы.

Простая визуальная аналогия

• Карта → Google Maps города
• Дерево → маршрут для одной конкретной поездки

Почему их часто путают

На практике команды обычно оказываются в одной из этих ситуаций:

• у кого-то нет ни карты, ни деревьев — только сырые метрики из Shopify, GA4 или BI, и непонятно, с чего начать;
• кто-то строит деревья под отдельные KPI (CR, AOV, продажи), но со временем они не складываются в единую систему;
• у кого-то есть карта метрик — купленная, расшаренная или сделанная внутри команды, но непонятно, как использовать её в анализе и принятии решений.

Чтобы это прояснить, давайте разберём, чем карты и деревья отличаются, шаг за шагом.

1. Фокус: о чём инструмент

Карты метрик

Карты метрик фокусируются на взаимосвязях между метриками. На практике это означает фокус на реальном процессе, который стоит за цифрами:

• путь пользователя (user journey),
• обработка заказов,
• формирование прибыли.

Карта показывает систему целиком: каналы → этапы воронки → заказы → выручка — и то, что можно измерить на каждом шаге.

Цель — понять, как процесс реально работает от начала до конца.

Деревья метрик

Деревья метрик фокусируются на том, что двигает одну ключевую метрику.

В центре всегда один KPI, например:

• Conversion Rate,
• AOV,
• LTV.

Вокруг него — компоненты и управляемые драйверы, которые объясняют, почему метрика меняется и как на неё можно повлиять.

Вывод

• Если вы обсуждаете систему или процесс, вам нужна карта метрик. Например:
• как пользователи проходят воронку от трафика до покупки;
• где возникают утечки между чекаутом, оплатой и фулфилментом;
• как маркетинг, продукт и операции связаны с выручкой.
• Если вы обсуждаете, как увеличить одну метрику на X%, вам нужно дерево метрик. Например:
• как повысить конверсию, не убив средний чек;
• что на самом деле двигает рост LTV именно в вашем бизнесе;
• почему сейчас упали повторные покупки.

2. Основа: на чём построена логика

Карты метрик — от процесса

Работа с картой начинается с бизнес-процесса, а метрики привязываются к его шагам.

Структура карты вытекает из последовательности процесса: визиты → добавление в корзину → чекаут → оплата → повторные покупки.

Деревья метрик — от причинности

Работа с деревом начинается с целевой метрики, которую затем раскладывают через формулу и причинно-следственную логику.

Например: AOV = (Avg Price per Item × Avg Items per Order) × (Avg Units per Item × (1 − % Discount))

Эта формула сразу задаёт структуру дерева: каждый элемент становится компонентом или драйвером, напрямую влияющим на целевую метрику.

Вывод

• Карта метрик строится по логике процесса.
• Дерево метрик строится по формуле метрики и причинным связям.

3. Масштаб: насколько большая схема

Карты метрик

У карты нет фиксированного размера.

Количество метрик зависит от процесса и нужного уровня детализации — это может быть и 20 метрик, и 200.

Ключевое здесь — понятная структура. Когда карта разрастается (особенно после 30+ метрик), в ней обязательно должны появляться чёткие блоки — например, отдельный блок чекаута в карте конверсии.

Деревья метрик

Деревья метрик намеренно ограничены по размеру.

Типичное дерево выглядит так:

• 1 ключевая метрика,
• 2–5 компонентов,
• 15–20 драйверов.

Это ограничение сделано осознанно, чтобы дерево оставалось читаемым и полезным для принятия решений.

Вывод

• Карта позволяет выбирать глубину и ширину анализа.
• Дерево уходит глубоко, но из одной точки.

4. Структура: как это выглядит

Карты метрик

Карты могут принимать разную форму: сетка, цепочка, петля, цикл, параллельные ветки.

Это связано с тем, что они отражают реальное устройство процессов. Процессы редко бывают линейными — в них есть возвраты, разветвления и несколько направлений движения.

Деревья метрик

Деревья всегда имеют форму пирамиды.

Логика фиксированная: KPI → компоненты → драйверы.

Углубляться можно, но мы рекомендуем придерживаться этих трёх уровней.

Жёсткая иерархия — это плюс, а не ограничение: она делает дерево удобным для чтения и использования.

Вывод

• В карте форму диктует моделируемый процесс.
• В дереве форму диктуют правила декомпозиции, а не сама метрика.

5. Результаты: что вы получаете

Карты метрик

Карты дают структуру и документацию. Обычно результатом становятся:

• глоссарий метрик (что существует и как считается),
• стратегическая модель ключевых процессов,
• ТЗ на сбор данных,
• ТЗ на дашборды.

Деревья метрик

Деревья дают основу для действий и решений. Обычно это:

• гипотезы,
• бэклог экспериментов и действий,
• анализ отклонений (что именно повлияло на изменение метрики).

Вывод

• Карта — это документация и архитектура.
• Дерево — это список действий и экспериментов.

6. Роль в принятии решений: стратегия vs тактика

Карты метрик — стратегический уровень

Они помогают договориться о том, как бизнес устроен в цифрах.

Полезны, чтобы:

• зафиксировать общую модель системы;
• задать рамку для отчётности и дашбордов;
• увидеть основные зоны процесса и зоны ответственности.

Деревья метрик — тактический уровень

Они помогают решить, что делать дальше.

Полезны, чтобы:

• выбрать действия на ближайший спринт;
• сравнить гипотезы и расставить приоритеты;
• сфокусироваться на конкретных драйверах, а не «улучшать всё сразу».

Вывод

• Карта метрик — это карта местности.
• Дерево метрик — это маршрут по этой местности.

7. Лучшие сценарии использования

Карты метрик лучше всего подходят для:

• первичной навигации: «что вообще есть и как связано»;
• объяснения логики бизнеса новым сотрудникам или клиентам;
• проектирования операционных дашбордов и отчётности;
• проверки, что при построении деревьев не упущены важные части процесса.

Деревья метрик лучше всего подходят для:

• работы с конкретной целью по KPI (CR, AOV, LTV и т.д.);
• построения плана гипотез и экспериментов;
• анализа отклонений: «почему CR упал именно сейчас»;
• проектирования диагностических дашбордов.

Вывод

• Если есть только деревья без карты, легко оптимизировать один KPI в ущерб другому.
• Если есть только карта без деревьев, система понятна — но непонятно, за что браться.

Заключение

Карты метрик и деревья метрик — не альтернативы.

Карта даёт контекст и систему.
Дерево даёт рычаги и управляемость.

Если использовать только один инструмент:

• либо всё понятно, но непонятно, что делать;
• либо действия есть, но непонятно, как они влияют на систему.

Во второй части мы покажем, как карты и деревья работают вместе в реальной аналитике:

• как из них получаются дашборды,
• как они меняются со временем,
• и почему именно эта связка превращает метрики в инструмент принятия решений, а не просто в набор цифр.