Сообщить об ошибкеКороткий ответ
Выбираю North Star metric, которая отражает ценность, получаемую пользователем (а не только бизнес-доход), раскладываю её на input-метрики по основным драйверам (привлечение, активация, удержание, монетизация), но признаю, что единственно верной North Star metric обычно не существует — выбор зависит от стадии продукта и стратегии.
Как это работает подробнее
North Star metric должна одновременно отражать ценность для пользователя и коррелировать с бизнес-результатом в долгосрочной перспективе; дерево метрик декомпозирует её на управляемые командами input-метрики, которые объясняют её изменение.
Что использовать на практике
- На практике: начинаю с вопроса «в какой момент пользователь получает ценность от продукта» (например, «успешно оказанная услуга», а не просто «посещение сайта»), затем раскладываю метрику на факторы, на которые реально влияют конкретные команды (число новых поставщиков услуг, конверсия в заказ, повторные заказы, отмены). Валидирую выбранную метрику, проверяя её историческую корреляцию с retention/revenue на собственных данных, а не только по аналогии с другими компаниями.
- Пример: Дерево метрик маркетплейса: North Star = «число успешно завершённых заказов в месяц» → драйверы: число активных поставщиков × среднее число заказов на поставщика; либо число активных заказчиков × конверсия в заказ × частота повторных заказов. Проверка: на исторических данных посчитать корреляцию выбранной North Star metric с retention через 90 дней и revenue через 180 дней — слабая корреляция сигнализирует, что метрика выбрана неудачно для данного продукта.
Подводные камни
- Частые ошибки: копировать North Star metric успешных компаний без проверки применимости к своей бизнес-модели; выбирать метрику, которую легко улучшить «в лоб» без реальной пользы для пользователя (метрика становится целью, которую начинают оптимизировать формально); строить слишком сложное дерево метрик, которое никто в компании не может удержать в голове и использовать.