Всем привет!

Меня зовут Владимир Павлов, я продакт-менеджер. Недавно я проходил кейс-интервью и получил отказ со следующим комментарием: «Правильно выбираешь ключевые метрики, но не хватает измеримости, структуры, прокси‑ и контр‑метрик».

Получив данный фидбек, я решил углубиться в метрики, но не нашел простого инструмента для тренировок их построения и работы с ними. Пришлось создать свой инструмент для этих целей :-)

Оплатив платный доступ к GPT, приступил к Vibe Coding. Весь процесс занял примерно 2 недели, занимаясь по вечерам в будние дни + выходные.

Остановился на следующем объеме функциональности:

1. Генерация метрик на основе текстового описания продукта.

2. AI-инсайты для метрик.

3. Подсказки при ручном добавлении новых метрик.

Работает c GPT-4.o-mini (самая простая модель), GPT-4.o, GPT-4.1 и GPT 5.1 (экспертный уровень).

Ссылка на инструмент

Генерация дерева метрик на основе текстового описания

Разбор живого примера: проект "Яша" - покупка шин с доставкой до шиномонтажа

Это мой реальный B2B2C проект (2024-2025), который объединял маркетплейсы и проверенные шиномонтажи.

Цель продукта: Доставка шин, купленных на маркетплейсе, до шиномонтажа.

North Start Metric: Количество доставок шин до шиномонтажа

Основные продуктовые метрики:

• Конверсия «выбор доставки — доставка до шиномонтажа»

• Конверсия «оформление доставки до шиномонтажа — подтверждение шиномонтажом»

• Доля партнеров, которые принимают заказы

• Среднее время подтверждения заказа

Применение MetricTree.

Подав "На вход" максимально детальное описание продукта + вышеуказанные метрики, получил следующий результат:

Указанные метрики MetricTree встроил в дерево со следующими дочерними метриками:

1. Конверсия "выбор доставки - доставка до шиномонтажа"

Дочерние метрики:

1. CR: просмотр опций доставки → выбор «до шиномонтажа» (Продуктовая)

2. Доля показов опции «до шиномонтажа» среди всех заказов шин (Прокси)

3. CR по сегментам (регион, тип клиента, устройство) (Прокси)

Выв��д: Первая дочерняя метрика корректно раскрывает родительскую, вторая скорее отражает доступность опции, а третья это разрез/диагностика, а не полноценный драйвер конверсии.

2. Конверсия "оформление доставки до шиномонтажа - подтверждение шиномонтажом"

Дочерние метрики:

1. Количество оформленных заказов с доставкой до шиномонтажа (Контр)

2. Количество заказов, подтверждённых шиномонтажом (Контр)

3. Доля автоподтверждений (если есть логика авто-accept) (Прокси)

4. Основные причины отказа от подтверждения (категории) (Прокси)

Вывод: Метрики в целом отражают путь заказа по этапам, но первые две это счётчики, а не коэффициенты, поэтому они описывают объём, а не конверсию. Прокси-метрики помогают объяснить результат, особенно автоподтверждений и причины отказов, однако для полноты картины не хватает именно относительных CR между этапами, а не только количественных значений.

3. Доля партнёров, которые принимают заказы

Дочерние метрики:

1. Доля партнёров, принявших ≥1 заказ за период (Продуктовая)

2. Доля партнёров с отказами > Y% от входящих заказов (Прокси)

3. Среднее количество заказов на активного партнёра (Продуктовая)

Вывод: Логика дочерних метрик в целом корректна: они описывают активность партнёров и качество работы. Первая и третья метрика являются прямыми составляющими родительской, а вторая является прокси-показателем качества, влияющим на общую долю принимающих партнёров, но не являющийся прямой конверсией.

4. Среднее время подтверждения заказа шиномонтажем

Сформированы дочерние метрики:

1. Медианное время подтверждения заказа (Продуктовая)

2. 90-й перцентиль времени подтверждения (Продуктовая)

3. Доля заказов, подтверждённых за ≤ X минут (Прокси)

4. Задержка по каналам уведомлений (SMS, мессенджеры) (Операционная)

Вывод: Структура дочерних метрик сформирована корректно: медиана и P90 хорошо раскрывают распределение, доля подтверждений за ≤ X минут отражает SLA-качество, а задержки уведомлений выступают операционным фактором, влияющим на скорость подтверждения.

AI-инсайты для каждой метрики

Для каждой метрики можно получить AI инсайт, который включает в себя:

• роль метрики

• влияние на родительскую метрику

• влияние дочерних метрик

• риски

• варианты улучшения

Пример:

AI подсказки, какие метрики добавить

MetricTree помогает строить дерево, предлагая варианты новых метрик, анализируя структуру дерева и контекст продукта.

Пример:

Технические детали

1. Архитектура

Фронтенд:

Шаги:

• Запрос от пользователя

• GPT строит JSON-дерево

• Визуализация через ReactFlow.

Бэкенд:

Запрос от фронта:

await fetch("/api/gpt", {
  method: "POST",
  body: JSON.stringify({
    description,
    model
  })
});

API-роут на Vercel вызывает OpenAI API, возвращает JSON-дерево:

export default async function handler(req, res) {
  const { description, model } = JSON.parse(req.body);

  const response = await openai.chat.completions.create({
    model,
    messages: [{ role: "system", content: prompt(description) }]
  });

  res.status(200).json({ tree: response.choices[0].message.parsed });
}

2. Генерация дерева через AI

const result = await generateMetricTree(description, model);
const treeJson = result.tree; // JSON, который и является деревом метрик

GPT возвращает структуру вида:

{
  "id": "root",
  "name": "North Star Metric",
  "type": "business",
  "children":[]
}

От неё легко строить граф.

3. Построение графа + автолэйаут

const { nodes, edges } = buildGraph(treeJson);
const { nodes: layoutedNodes, edges: layoutedEdges } =
getLayoutedElements(nodes, edges, "TB");

Dagre рассчитывает координаты нод автоматически - дерево читается и не разваливается даже на большом объёме.

4. Редактирование дерева вручную

Добавление метрики:

const newNode = { id, name, type, children: [] };
setNodes([...nodes, newNode]);
setEdges([...edges, { source: parentId, target: id }]);
setTreeData(addNodeToTree(treeData, parentId, newNode));

AI даёт базу, а дальше продукт может развиваться руками.

5. Инсайты для выбранной метрики

await generateMetricInsight({
  metric,
  parent,
  children
}, model);

AI анализирует:

• роль метрики в дереве

• влияние родителя/дочерних узлов

• риски оптимизации

• варианты роста

и возвращает структурированный текст, прямо в UI.

6. Три режима отображения

Заключение

На основе проведенны�� тестов и первого фидбека от коллег продактов, можно сделать вывод, что MetricTree может быть полезен для:

• Обучения основам построения дерева метрик (Генерация метрик)

• Свежего (AI) взгляда на то, куда стоит посмотреть для улучшения показателей конкретной метрики (AI инсайты)

• В качестве помощника при построении реального дерева (AI подсказки)

Дополнительно:

• (Side effect): При выборе разных версий GPT для генерации метрик, можно наглядно видеть, как меняется "мощность" AI.

Буду рад вашему фидбеку!

https://metrictree.vercel.app

P.S. Ну, и раз такая возможность, то также открыт к предложениям по работе продакт-менеджером в Москве. Если вы такого ищите - welcome в личку.

Спасибо!
Владимир Павлов
https://vladimirpavlov.tech