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 $\mathcal{X}$ . 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 $\rho_D(x, t)$ .

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 $\rho_S(x, t)$ . 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 $\min(\rho_D, \rho_S)$ . 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: $\mathbf{f}(x, t) = [f_{delay}, f_{UI}, f_{quality}, \dots]$ , где:

$f_{delay}$ — временное трение (время доставки, ожидания ответа или загрузки контента).
$f_{UI}$ — информационное трение (плохое оформление карточек, сложность интерфейса, отсутствие отзывов).
$f_{quality}$ — риск возврата или брака (вероятность того, что сделка будет «откачена» после совершения).

Функция качества можно определить через экспоненциальное затухание, где $\mathbf{w}$ — вектор весов, отражающий чувствительность платформы к конкретному виду трения :

$Q(x, t) = \exp(-\mathbf{w}^T \cdot \mathbf{f}(x, t))$

Эта формулировка позволяет интерпретировать как потенциал «пропускания» спроса через фильтры платформы. Если трение в точке бесконечно велико (например, доставка невозможна), то $Q \to 0$ , и даже при наличии спроса и предложения полезная работа системы обнуляется.

Итоговая метрика: Поверхностный интеграл

Сложим всё вместе. Наша North Star Metric ( $\Phi$ ) — это сумма (интеграл) всех успешно закрытых потребностей по всей карте параметров:

$\Phi(t) = \int_{\mathcal{X}} Q(x, t) \cdot \min(\rho_D(x, t), \rho_S(x, t)) \, d\mu(x)$

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. Пустьэто функцию Дефицита

1. Поиск «Черных дыр» спроса

Это области, где пользователи ищут, но не находят.

$G_{supply}(x, t) = \max(0, \rho_D(x, t) - \rho_S(x, t)) \cdot Q(x, t)$

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 .

$G_{friction}(x, t) = \min(\rho_D, \rho_S) \cdot (1 - Q(x, t))$

Это идеальное место для А/Б теста. Здесь любой сдвиг вверх даст взрывной рост $\Phi$ .

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 $\Phi$ 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: $\Delta f(x)$ . Изменение главной метрики оценивается через градиент:

$\Delta \Phi \approx \int_X \left( \frac{\partial Q}{\partial \mathbf{f}} \cdot \Delta \mathbf{f} \right) \cdot \min(\rho_D, \rho_S) \, d\mu(x)$

По итогу мы видим, что тест «прокрасился» не просто «в среднем по больнице», а именно в тех точках , где $\min(\rho_D, \rho_S)$ 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 $\frac{\partial \Phi}{\partial w_j}$ — 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 ( $\rho_D \gg \rho_S$ ). 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 $\Phi$ 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 интеграл $\Phi$ будет минимален из-за оператора . Система поощряет появление уникальных объектов (например, пет-френдли листинги), которые закрывают специфические сегменты спроса, где $\rho_D > \rho_S$ , 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 $\min(\rho_D, \rho_S)$ , либо «латать» функцию качества .

Интеграл дает нам прогнозный GMV. Если сегодня ваш интеграл $\Phi$ 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}

GMV — это не главная метрика маркетплейса. Метчинг плотности спроса — вот она