Если вы занимаетесь аналитикой в маркетплейсах, вы знаете, что GMV (Gross Merchandise Value) — это «священная корова». Она понятна: сколько денег прошло через платформу. Но у GMV есть критический изъян: она показывает только то, что уже случилось. Она не видит упущенных возможностей, разочарованных пользователей и зон, где ваш бизнес вот-вот сломается.
Предлагаю взглянуть на маркетплейс как на систему мэтчинга (совмещения) и вывести North Star Metric, которая реально управляет ростом. Причем стоит сказать, что маркетплейс это не только Amazon, Ozon и WB, это YouTube, это Я.Такси, это Авито и все прочие площадки, задача которых в совмещении спроса и предложения, и все ниже вполне годится и для них.
Почему GMV — это «плохо»?
Представьте рынок. В одной части люди ищут хлеб, но там стоят только продавцы сапог. В другой — все хотят сапоги, а там продают только хлеб. Сделок — ноль. GMV — ноль.
Но как только один продавец хлеба перейдет в нужную зону — GMV вырастет.
Обычная аналитика скажет: «О, у нас выросли продажи хлеба!». Наша же метрика должна была заранее сказать: «У нас огромный потенциал в зоне хлеба, который не закрыт».
Шаг 1. Карта потребностей
Любая площадка — это пространство параметров
. Для товара это категория, цена, срок доставки. Для контента — жанр, длительность, тема.
Давайте представим это пространство как карту.
Поставим точку там, где возникла потребность (кто-то ввел запрос в поиск).
Чем больше таких точек в одном районе, тем выше там Плотность Спроса
.
Это наше первое «облако». Оно показывает, где сейчас «болит» у пользователей.
Шаг 2. Карта возможностей
В этом же пространстве мы рисуем второе облако — Плотность Предложения 
. Это товары на складах или ролики в базе.
Идеальный маркетплейс — это когда два этих облака идеально накладываются друг на друга. Но в реальности они часто смещены.
Шаг 3. Логика «Бутылочного горлышка»
Теперь самое важное. Ценность площадки рождается только там, где спрос и предложение встретились.
Но объем этой ценности всегда ограничен самым слабым звеном.
Если 1000 человек хотят купить iPhone, а у вас их всего 2 — вы совершите 2 сделки. Лимитирует предложение.
Если у вас на складе 1000 iPhone, но купить их хотят 2 человека — вы всё равно совершите 2 сделки. Лимитирует спрос.
Математически это «правило минимума»: в каждой точке пространства мы берем 
. Это и есть наш объем потенциальных сделок.
Шаг 4. Фактор Качества (Функция трения)
Даже если покупатель и товар встретились, сделка может сорваться из-за подводных камней на вашей платформе. Мы называем это Трением или Качеством сервиса 
.
Это вероятность того, что мэтч превратится в успешную покупку. 
— это число от 0 до 1, и оно складывается из конкретных «болей»:
Скорость: Если товар нужен завтра, а приедет через неделю —
падает.Доверие: Если карточка товара плохая или мало отзывов —
падает.Брак и возвраты: Если товар приехал битым, сделка «откатывается». Это тоже трение.
Мы можем представить как штраф: чем выше трение (задержки, плохой UI), тем меньше полезного объема мы получаем от встречи спроса и предложения.
Традиционные подходы пытаются измерить это через коэффициент конверсии (CR) или время до транзакции. Однако для более глубокого анализа можно декомпозировать через модель штрафов. Определим вектор независимых факторов трения: ![\mathbf{f}(x, t) = [f_{delay}, f_{UI}, f_{quality}, \dots]](https://habrastorage.org/getpro/habr/formulas/8/87/87d/87d3398d2010c4cdd394fd8bb4756066.svg){kind=small}
, где:
— временное трение (время доставки, ожидания ответа или загрузки контента).
— информационное трение (плохое оформление карточек, сложность интерфейса, отсутствие отзывов).
— риск возврата или брака (вероятность того, что сделка будет «откачена» после совершения).
Функция качества можно определить через экспоненциальное затухание, где 
— вектор весов, отражающий чувствительность платформы к конкретному виду трения :
Эта формулировка позволяет интерпретировать как потенциал «пропускания» спроса через фильтры платформы. Если трение в точке 
бесконечно велико (например, доставка невозможна), то 
, и даже при наличии спроса и предложения полезная работа системы обнуляется.
Итоговая метрика: Поверхностный интеграл
Сложим всё вместе. Наша North Star Metric (
) — это сумма (интеграл) всех успешно закрытых потребностей по всей карте параметров:
Что нам это дает? Это не просто цифра. Это объем сопряжения потребностей.
Почему эта метрика «умнее» GMV?
Она превращает сухую статистику в карту действий для продукта. Если взглянуть на подынтегральное выражение, то мы увидим две критические зоны, к которые GMV практически слеп. Пусть
это функцию Дефицита
1. Поиск «Черных дыр» спроса
Это области, где пользователи ищут, но не находят.
Если в какой-то точке (например, категория «крафтовые лампы в стиле киберпанк» или контент про «книга про квантовую топологию на латыни») это значение высоко, значит, вы теряете деньги.
Действие: Идем в отдел продаж/закупок и говорим: «Нам нужны поставщики вот в этой конкретной координате эмбеддинга».
2. Зоны чрезмерного трения
Это области, где и спроса, и предложения много, но «метча» не происходит из-за низкого .
Это идеальное место для А/Б теста. Здесь любой сдвиг вверх даст взрывной рост .
Действие: Здесь, слишком сложный процесс выбора или проблемы с логистикой именно этих габаритов, улучшаем сервис
3. Связь с A/B тестами: чувствительность и градиентный спуск
Одной из самых болезненных проблем в продуктовой аналитике является низкая чувствительность классических метрик в A/B тестах. Тесты часто «не прокрашиваются» из-за огромной дисперсии средних чеков или долгого цикла принятия решения.
Предлагаемая интегральная метрика обладает встроенной высокой чувствительностью поскольку он локальный. Когда мы вносим изменение в продукт (например, ускоряем загрузку карточки товара), мы фактически изменяем трения в определенных точках: 
. Изменение главной метрики оценивается через градиент:
По итогу мы видим, что тест «прокрасился» не просто «в среднем по больнице», а именно в тех точках , где был высок (то есть там, где был потенциал, готовый к транзакции, но оставался скован трением).
Но самая вишенка на торте это Прогноз потенциала - мы можем посчитать 
— это покажет, улучшение какого параметра (доставки, качества контента или цены) даст максимальный прирост всей системе. Это буквально карта приоритетов бэклога.
Опыт индустрии: Uber и Airbnb
Ведущие технологические компании уже используют элементы этой модели, хотя часто называют их иначе.
Uber: Управление ликвидностью через перемещение водителей
Uber рассматривает город не как единый рынок, а как динамическое поле плотностей. Проблема дефицита машин в аэропортах в вечернее время — это классическая «черная дыра» предложения (
). Платформа использует динамическое ценообразование как инструмент управления: высокая цена в дефицитной зоне «втягивает» туда водителей из зон профицита, восстанавливая баланс. Это классический пример максимизации интеграла через изменение предложения.
Airbnb: Поле листингов
Airbnb оценивает LTV каждого нового листинга через призму его инкрементальности. Если новый дом появляется в районе, где спрос уже полностью «накрыт» существующим предложением, его вклад в интегралбудет минимален из-за оператора 
. Система поощряет появление уникальных объектов (например, пет-френдли листинги), которые закрывают специфические сегменты спроса, где
, тем самым реально увеличивая общую плотность спроса.
Вместо вывода
GMV — это производная метрика. Она лишь следствие того, как соотносятся «облака» спроса и предложения и насколько эффективно работает функция .
Если вы хотите вырастить GMV, вы обязаны либо расширять площадь соприкосновения , либо «латать» функцию качества .
Интеграл дает нам прогнозный GMV. Если сегодня ваш интеграл вырос (например, вы завезли товар в дефицитную нишу), то реальный GMV догонит его завтра-послезавтра, когда пользователи обнаружат это предложение. Это делает вашу метрику опережающим индикатором, в то время как классический GMV всегда запаздывающий.
А что дальше?
На практике для перехода на эти рельсы, конечно нужно выполнить не мало подготовительной работы. Каждое действие пользователя (поиск, клик, просмотр) и каждая единица предложения (товарный остаток, листинг) переводится в латентное пространство с помощью нейросетей типа CLIP. Дискретные точки клиентов и товаров переводятся в непрерывные функции плотности через (Kernel Density Estimation — KDE), над которыми можно производить математические операции. Если будет интерес к теме, то в следующей статье разберем эту техническую реализацию.
Дмитрий Власенко
технический директор Statzilla