«Правильно обрана метрика свідчить про цінні інсайти» — експерти Wise та MacPaw про те, як компанії управляють продуктом на основі даних

Конспект лекції Лілії Луценко та Костянтина Радченка на третій конференції STRUM

У лютому 2025 року відбулася третя онлайн-конференція STRUM. Analytics Lead у Wise Лілія Луценко та Analytics Manager у MacPaw Костянтин Радченко поділилися тим, чому продуктова аналітика важлива в розрізі розміру компанії, а також особливостями аналітики на різних етапах розвитку продукту. Спеціально для тих, хто пропустив конференцію або не має змоги подивитися запис, ми підготували конспект лекції — найголовніші моменти та інсайти виступу.

У сучасному бізнесі багато говорять, що треба будувати успішний продукт, але успішний продукт — це не лише про те, що має бути гарна ідея, красивий UI або дуже крутий, класний, якісний код. Успішний продукт — це також і про дані»,

— починає Констянтин.

Можна виділити такі етапи розвитку продукту:

Підготовка та запуск продукту (Launch).
Масштабування продукту (Active Growth).
Уповільнення зростання (Plateau).
Нове зростання (New Growth).

Аналітика як основа для ухвалення рішень

Дані — це «сировина», з якої шляхом аналізу «видобувають» цінні інсайти для бізнесу.

Аналітика — це інструмент пошуку відповідей на запитання за допомогою даних (керування продуктом), і ним треба вміти користуватися.

Правильна аналітика — це не тільки про можливості отримати дані й побудувати дашборди. Це вміння на основі даних відповісти на основні запитання, які критично важливі для бізнесу»,

— додає Костянтин.

Аналітика на етапі Launch. Які особливості

Мета: сформулювати й підтвердити гіпотезу цінності, знайти Product-Market Fit.
Ключові запитання: чи потрібен продукт користувачам? Як вони його застосовують?
Дані: переважна робота з якісними даними, а не кількісними.
Аналітичні інструменти: легкі в інтеграції, гнучкі в налаштуваннях метрик, що допомагають з відповідями на ключові запитання (наприклад, Amplitude, Mixpanel, Google Analytics).

Продукт як людина має різні етапи розвитку, і на кожному етапі розвитку має різні потреби, питання і мету. Значить і аналітика заточена під ці потреби, на те, щоб шукати відповіді на ці запитання… Це [Launch] найбільш ризикований життєвий етап, тому що продукт перебуває на стадії стартапу і має високий ступінь невизначеності»,

— зазначає Радченко.

Гіпотеза цінності

На етапі Launch ми лише припускаємо, що продукт розв’язуватиме проблеми юзера. Помилка багатьох стартапів у тому, що вони не перевіряють гіпотезу цінності, а беруть її за істину. Є кілька способів перевірки гіпотези цінності:

Customer interview — співбесіда з реальними користувачами для визначення їхніх проблем та інструментів для їх розв’язання.
UX Testing — запрошення юзерів покористуватися вже наявним прототипом у режимі live і спостереження, чи проходить користувач весь flow, чи стикається з проблемами на шляху та чи виконує цільову дію.
Landing Page MVP — збір підписок або продаж продукту, якого ще не існує, щоб зрозуміти, чи буде на нього попит.

Product-Market Fit (PMF)

Product-Market Fit — це момент, коли продукт повністю досягнув відповідності потребам ринку. Перевірка PMF необхідна перед масштабуванням.

Визначення ключових метрик продукту:

Продуктова метрика повинна бути actionable (дієвою), надавати інсайти: convertion rate, engagement rate, etc.
Уникати vanity («марнославних») метрик: pageview count, installs count, etc.
Правильно обрана метрика -> цінні інсайти -> ухвалення обґрунтованих рішень.
Ключових продуктових метрик має бути небагато.

Приклад метрик для оцінювання PMF:

Retention rate.
NPS (Net Promoter Score).
Співвідношення LTV (Lifetime Value) до CAC (Customer Acquisition Cost).

Правильно обрана метрика свідчить про цінні інсайти. Вона показує, як користувачі застосовують продукт».

Unit-економіка. Чому її важливо рахувати

Unit-економіка — це фінансова модель, що є основою для оцінювання фінансової стійкості бізнесу. Вона показує, чи є продукт прибутковим на рівні одного користувача чи ні та чи є потенціал для масштабування.

Якщо ми не розумітимемо, чи в нас позитивна unit-економіка (тобто чи є прибуток), то, відповідно, немає жодного сенсу виходити на інші ринки, шукати інші сегменти користувачів, нарощувати закупівлю трафіку, тому що ми спалимо всі наші бюджети й стартап закриється»,

— ділиться Костянтин.

Кількісні та якісні дані

Кількісні дані — це цифрові дані, які можна виміряти, розрахувати й порівняти. Використовують для: Retention rate, LTV, CAC, Revenue.
Якісні дані — це описові дані, що допомагають зрозуміти емоції та досвід користувачів. Застосовують для Customer interview, UX Testing.

На етапі Launch користувачів не так і багато, і ми фокусуємося на тому, щоб краще зрозуміти юзкейси (на що користувачі «наймають» наш продукт) для того, щоб з’ясувати, в який бік його розвивати й перевірити свою гіпотезу цінності»,

— зазначила Лілія.

Вибір і тестування перших аналітичних інструментів

Для збору кількісних даних на етапі Launch важливо, щоб інструмент:

був гнучким, простим в інтеграції та надійним (без втрати даних);
мав можливість налаштування цільових метрик безпосередньо PM’ом або PMM’ом;
забезпечував отримання джерел трафіку (атрибуція);
не потребував залучення окремого аналітика та розгортання власної інфраструктури.

Рекомендації від лекторів:

Web — Google Analytics.
Application — Amplitude + AppsFlyer (для marketing channels attribution).

Аналітика на етапі Active Growth. Які особливості

Це етап коли ми вже розуміємо, що Product-Market Fit у продукту є. Основним завданням, метою є зрозуміти, як правильно масштабуватися, щоб отримати якомога кращий фінансовий ефект»,

— зауважує Радченко.

Мета: провести оптимізацію unit-економіки, робота з драйверами зростання задля успішного масштабування продукту.
Ключові питання: як зробити продукт прибутковим та ефективним.
Дані: переважна робота з кількісними (usage data, ретроспективні дані, etc.), а не з якісними даними.
Аналітичні інструменти: in-house аналітика, BI-системи (Tableau, PowerBI, etc.), cloud data platforms (Google BigQuery, Amazon Redshift, etc.).

Драйвери зростання продукту

Існує три основних кластери зростання:

Канали залучення: які джерела трафіку «дають» найякісніший потік юзерів.
Фічі продукту: які фічі найбільше впливають на ключові метрики.
Монетизаційні тригери: які фактори збільшують конверсію в покупки та їхню частоту.

Основні методи аналізу:

когортний;
факторний;
оцінка поведінки користувачів (Customer Journey Mapping).

Працювати з драйверами зростання продукту неможливо, якщо ми не маємо даних, але й цього мало. Потрібно мати аналітичну експертизу в продукті, а також відповідні процеси та майндсет, розвивати культуру ухвалення рішень на основі даних».

Data-driven product development

Під час роботи з драйверами зростання продукту ми генеруємо безліч гіпотез і постає питання: якій з них віддати перевагу? На допомогу в цьому і приходить data-driven product development. Основний фокус — пошук відповідей за допомогою даних.

Уповільнення зростання продукту. Аналітика стадії Plateau

На стадії уповільнення зростання операційні витрати й процеси оптимізовуються і чистий прибуток збільшується. Але якщо не почати пошук нових точок зростання, то прибутки поступово спадатимуть, адже ринок перенасичується.

Можна виокремити два методи пошуку точок зростання:

пошук радикально нового функціонала чи застосування продукту (10Х killer feature);
оптимізація та покращення наявного функціонала.

Існує 4 способи пошуку інсайтів залежно від того, скільки аналітичних зусиль і знань він потребує:

низький (low): user research and jobs to be done;
середній (medium): competitor analysis;
високий (strong): A/B testing;
дуже високий (very strong): behavioral pattern analysis.

Приклад Netflix

Netflix застосовує кореляційні та ML-алгоритми для вдосконалення рекомендацій контенту для перегляду. Це сприяє підвищенню залученості користувача, що покращує retention та repeated revenue.

Нова фаза зростання

З розширенням бізнесу потрібне масштабування процесів, команди й аналітичної системи, що часто зумовлює потребу найму додаткових аналітиків.

Особливості масштабованої системи аналітики:

кожен ключовий функціонал має свої показники (KPIs), alerting змін у них та дашборди для моніторингу їх командою;
аналітичні таблиці чи скрипти налаштовані за принципом easy maintenance та modularity, джерела та значення даних задокументовані;
команда може самостійно відстежувати вплив продуктових змін на ключові метрики та робити базовий аналіз показників.

Data Democratization — чому це важливо?

Коли ми говоримо про демократизацію, то маємо на увазі те, що дані повинні бути доступними кожному, хто працює з продуктом. Наприклад, доступ до ключових метрик, KPI, OKR і подібного має бути у всіх»,

— розповідає Костянтин.

Основні принципи Data Democratization:

прозорість — усі ключові метрики доступні команді в режимі live;
самостійність — PM, PMM, інженери самостійно отримують відповіді на базові запитання;
освіта — навчання команди базових принципів аналітики для правильної інтерпретації даних.

Коли ми говоримо про побудову сталої системи аналітики, то кількість наших запитів, швидкість їх обробки треба моніторити, щоб базовий запит не займав дві години. Навантаження на наші сервери має розподілятися»,

— доповнює Лілія.

Кар’єрний шлях аналітика

Якщо ми говоримо про потреби бізнесу і як це транслюється в кар’єрний шлях розвитку аналітика, то зі зростанням компанії виникають нові можливості. По-перше, з’являється більше бізнес-контексту і більше знань та навичок для того, щоб брати складніші проєкти чи проєкти між кількома відділами й драйвити стратегічні ініціативи»,

— розповіла Луценко.

Коли аналітик виконує проєкти будь-якої складності, то він може перейти із Senior Analyst в Staff (IC) або, якщо у бізнесу є така потреба, брати на себе менеджерство та менторинг кількох аналітиків для Lead.

Висновки

Аналітика відіграє ключову роль на всіх етапах розвитку продукту: від запуску до масштабування та оптимізації бізнес-моделі. Стартапи фокусуються на якісних даних, щоб перевірити гіпотези та знайти Product-Market Fit, тоді як зрілі компанії працюють із кількісними метриками, вдосконалюючи драйвери зростання. Важливо не просто збирати дані, а навчитися їх правильно інтерпретувати, ухвалюючи обґрунтовані рішення. Глибоке розуміння аналітики дає змогу не лише покращити продукт, а й забезпечити його стійкість на ринку.

Автор: Ольга Мельник