North Star Metric: как выбрать главную метрику продукта
North Star Metric, или «северная звезда», — это одна ключевая метрика, которая лучше других показывает, создаёт ли продукт ценность для пользователя и для бизнеса одновременно. Она не заменяет все остальные показатели, а задаёт фокус: команда понимает, ради какого результата работает.
Важно отличать её от KPI (ключевых показателей эффективности). KPI измеряют выполнение задач конкретной функции: маркетинг — стоимость лида, продажи — конверсию, продукт — активацию. North Star Metric шире: она должна быть связана с ценностью и с долгосрочным ростом, а не только с отчётностью по отделам. В 2026 году это особенно важно в B2B, где классическая воронка MQL/SQL всё чаще уступает месту RevOps и общей ответственности за выручку.
Типичные ошибки:
— выбирать метрику-результат, на которую команда не влияет напрямую;
— путать её с vanity metric, красивым, но пустым числом;
— делать North Star слишком абстрактной: «рост бренда» без операционного измерения;
— менять её каждый квартал, ломая фокус.
Пример: для B2B-SaaS North Star Metric может быть не «количество регистраций», а «число активных команд, которые еженедельно используют ключевую функцию». Это ближе к реальной ценности, чем верхнеуровневый трафик или лиды.
North Star Metric, или «северная звезда», — это одна ключевая метрика, которая лучше других показывает, создаёт ли продукт ценность для пользователя и для бизнеса одновременно. Она не заменяет все остальные показатели, а задаёт фокус: команда понимает, ради какого результата работает.
Важно отличать её от KPI (ключевых показателей эффективности). KPI измеряют выполнение задач конкретной функции: маркетинг — стоимость лида, продажи — конверсию, продукт — активацию. North Star Metric шире: она должна быть связана с ценностью и с долгосрочным ростом, а не только с отчётностью по отделам. В 2026 году это особенно важно в B2B, где классическая воронка MQL/SQL всё чаще уступает месту RevOps и общей ответственности за выручку.
Типичные ошибки:
— выбирать метрику-результат, на которую команда не влияет напрямую;
— путать её с vanity metric, красивым, но пустым числом;
— делать North Star слишком абстрактной: «рост бренда» без операционного измерения;
— менять её каждый квартал, ломая фокус.
Пример: для B2B-SaaS North Star Metric может быть не «количество регистраций», а «число активных команд, которые еженедельно используют ключевую функцию». Это ближе к реальной ценности, чем верхнеуровневый трафик или лиды.
Как Nike собрал единый аналитический стек для DTC-роста: от GA4 до Amplitude
В 2026 году бренды уже не могут жить на одном last-click: трафик дорожает, AI-overviews забирают часть кликов, а в e-com важнее удержание и LTV, чем первая покупка. На этом фоне показателен кейс Nike с развитием direct-to-consumer (DTC) — продаж напрямую через сайт и приложение.
Контекст был такой: у Nike росли каналы, продуктовые команды выпускали новые сценарии в приложении, а маркетинг хотел понимать не только «откуда пришёл визит», но и **что человек сделал после первого касания**. Классическая веб-аналитика закрывала верх воронки, но плохо отвечала на вопросы про повторные покупки, вовлечение и вклад контента в выручку.
Задача звучала просто, но на практике была сложной:
— собрать единую картину поведения между сайтом и приложением;
— связать маркетинг, продукт и продажи через общие события;
— уйти от отчётов вида «визиты/сеансы» к метрикам активации, удержания и LTV;
— сделать так, чтобы команда могла быстро проверять гипотезы без тяжёлой аналитической разработки.
Решение строили в несколько слоёв. Для базовой цифровой аналитики оставили GA4 — как источник по трафику, кампаниям и общему пути пользователя. Но для поведенческой глубины подключили Amplitude: там стали собирать события уровня «просмотрел коллекцию», «добавил в избранное», «вернулся за 7 дней», «дошёл до покупки». Именно в Amplitude удобно строить когорты, воронки и удержание по сегментам, а не по усреднённому трафику.
Дополнительно Nike опирался на server-side (серверную) отправку части событий, чтобы меньше зависеть от ограничений браузеров и потерь данных. Это особенно важно в эпоху privacy-first, когда атрибуция всё чаще строится не на одном источнике, а на связке нескольких.
Что дало это на выходе:
— маркетинг увидел, какие кампании приводят не просто клики, а пользователей с более высоким повторным визитом;
— продукт получил быстрые ответы по точкам оттока в приложении;
— команда смогла сравнивать сегменты по LTV, а не только по CPA;
— обсуждение из формата «какой канал дешевле» перешло в «какой канал приводит более ценных клиентов».
**Главный урок:** в 2026 году сильный analytics stack — это не один «лучший» инструмент, а связка. GA4 отвечает за охват и каналы, Amplitude — за поведение и удержание, а серверная передача данных снижает потери в измерениях. Если бренд строит DTC-модель, выигрывает тот, кто измеряет не визит, а путь к выручке.
В 2026 году бренды уже не могут жить на одном last-click: трафик дорожает, AI-overviews забирают часть кликов, а в e-com важнее удержание и LTV, чем первая покупка. На этом фоне показателен кейс Nike с развитием direct-to-consumer (DTC) — продаж напрямую через сайт и приложение.
Контекст был такой: у Nike росли каналы, продуктовые команды выпускали новые сценарии в приложении, а маркетинг хотел понимать не только «откуда пришёл визит», но и **что человек сделал после первого касания**. Классическая веб-аналитика закрывала верх воронки, но плохо отвечала на вопросы про повторные покупки, вовлечение и вклад контента в выручку.
Задача звучала просто, но на практике была сложной:
— собрать единую картину поведения между сайтом и приложением;
— связать маркетинг, продукт и продажи через общие события;
— уйти от отчётов вида «визиты/сеансы» к метрикам активации, удержания и LTV;
— сделать так, чтобы команда могла быстро проверять гипотезы без тяжёлой аналитической разработки.
Решение строили в несколько слоёв. Для базовой цифровой аналитики оставили GA4 — как источник по трафику, кампаниям и общему пути пользователя. Но для поведенческой глубины подключили Amplitude: там стали собирать события уровня «просмотрел коллекцию», «добавил в избранное», «вернулся за 7 дней», «дошёл до покупки». Именно в Amplitude удобно строить когорты, воронки и удержание по сегментам, а не по усреднённому трафику.
Дополнительно Nike опирался на server-side (серверную) отправку части событий, чтобы меньше зависеть от ограничений браузеров и потерь данных. Это особенно важно в эпоху privacy-first, когда атрибуция всё чаще строится не на одном источнике, а на связке нескольких.
Что дало это на выходе:
— маркетинг увидел, какие кампании приводят не просто клики, а пользователей с более высоким повторным визитом;
— продукт получил быстрые ответы по точкам оттока в приложении;
— команда смогла сравнивать сегменты по LTV, а не только по CPA;
— обсуждение из формата «какой канал дешевле» перешло в «какой канал приводит более ценных клиентов».
**Главный урок:** в 2026 году сильный analytics stack — это не один «лучший» инструмент, а связка. GA4 отвечает за охват и каналы, Amplitude — за поведение и удержание, а серверная передача данных снижает потери в измерениях. Если бренд строит DTC-модель, выигрывает тот, кто измеряет не визит, а путь к выручке.
Amplitude, GA4 или Mixpanel: миф про «единую правду»
Миф: если выбрать один продукт (например, Amplitude вместо GA4 или наоборот), можно получить «единую правду» по поведению пользователей и перестать спорить с цифрами.
Откуда он берётся: привычка сравнивать интерфейсы. Люди видят похожие графики (воронки, удержание, когорты) и делают вывод, что источник данных один, логика одинаковая, а расхождения — это лишь “калибровка”. На практике же разные аналитические платформы по-разному определяют ключевые вещи: сессию, пользователя, событие, атрибуцию, частоту отправки, дедупликацию. Плюс накладываются режимы приватности: server-side-отправка, consent-статусы, кросс-доменные сценарии, возвраты в пределах окна. В 2026 году добавляется ещё и давление AI-overviews: растёт доля запросов и показов, где пользователь не “щёлкает” по сайту (zero-click), и маркетинг уже не может честно «дописать» визит, которого не было.
Почему это неправда: “единую правду” ломают не разные панели, а разная семантика и разные допущения. GA4 чаще воспринимают как отчётность по веб-событиям, где много работы вокруг privacy-first контура. Mixpanel и Heap нередко сильнее в аналитике поведения и продуктовых метриках — но тоже со своими правилами идентификации. Amplitude встраивается в событийную модель, где точность зависит от качества схемы событий и стабильности идентификаторов. Даже при одинаковой семантике расхождения появляются из-за латентности, пакетной доставки, дедупликации и того, как платформы трактуют “первое действие” и цепочки.
Что вместо этого: не искать “один источник истины”, а договориться о *едином словаре метрик* и *контракте данных*. Например: единые определения пользователя/сессии (ID-стратегия), событий (naming, обязательные параметры), окна атрибуции и правил дедупликации. Затем — “контрольный слой”: один эталонный пайплайн (обычно server-side + согласованные преобразования), и в каждой платформе — сравнение по заранее выбранным контрольным когортам и инкрементальным проверкам (incrementality, где возможно). Тогда Amplitude/GA4/Mixpanel становятся разными “линзами”, а не конкурентами за право считаться истиной.
Миф: если выбрать один продукт (например, Amplitude вместо GA4 или наоборот), можно получить «единую правду» по поведению пользователей и перестать спорить с цифрами.
Откуда он берётся: привычка сравнивать интерфейсы. Люди видят похожие графики (воронки, удержание, когорты) и делают вывод, что источник данных один, логика одинаковая, а расхождения — это лишь “калибровка”. На практике же разные аналитические платформы по-разному определяют ключевые вещи: сессию, пользователя, событие, атрибуцию, частоту отправки, дедупликацию. Плюс накладываются режимы приватности: server-side-отправка, consent-статусы, кросс-доменные сценарии, возвраты в пределах окна. В 2026 году добавляется ещё и давление AI-overviews: растёт доля запросов и показов, где пользователь не “щёлкает” по сайту (zero-click), и маркетинг уже не может честно «дописать» визит, которого не было.
Почему это неправда: “единую правду” ломают не разные панели, а разная семантика и разные допущения. GA4 чаще воспринимают как отчётность по веб-событиям, где много работы вокруг privacy-first контура. Mixpanel и Heap нередко сильнее в аналитике поведения и продуктовых метриках — но тоже со своими правилами идентификации. Amplitude встраивается в событийную модель, где точность зависит от качества схемы событий и стабильности идентификаторов. Даже при одинаковой семантике расхождения появляются из-за латентности, пакетной доставки, дедупликации и того, как платформы трактуют “первое действие” и цепочки.
Что вместо этого: не искать “один источник истины”, а договориться о *едином словаре метрик* и *контракте данных*. Например: единые определения пользователя/сессии (ID-стратегия), событий (naming, обязательные параметры), окна атрибуции и правил дедупликации. Затем — “контрольный слой”: один эталонный пайплайн (обычно server-side + согласованные преобразования), и в каждой платформе — сравнение по заранее выбранным контрольным когортам и инкрементальным проверкам (incrementality, где возможно). Тогда Amplitude/GA4/Mixpanel становятся разными “линзами”, а не конкурентами за право считаться истиной.
Миф: «Mixpanel (или Amplitude) заменяет GA4 и “аналитика готова”»
В 2026 году это заблуждение звучит особенно убедительно, потому что таскать данные между инструментами стало быстрее, а визуализация событий — “красивее”. Но на практике продуктовая аналитика редко проигрывает внешней витрине, она проигрывает разрыву между событием, смыслом и управленческим решением.
Откуда миф
Его подпитывает сравнение “по интерфейсу”: в одном месте — воронки, в другом — отчёты, в третьем — дашборды. Кажется, что если Mixpanel/Amplitude умеют строить когортные графики и анализировать события, то они закрывают задачу целиком. GA4 при этом превращают в «просто ещё один счётчик», а серверную логику и качество данных — в настройку “попозже”.
Почему это неправда
ГА4 — это не “замена”, а опорная точка измерения: модель данных, сбор на уровне веба/приложений, связность с экосистемой трафика и базовой валидацией. А продуктовые платформы часто оптимизированы под исследование поведения и сегментацию. Проблема появляется, когда:
— в одном инструменте событие называется так, в другом иначе (семантика расползается);
— метрики от бизнеса считают “по-своему”, и в итоге retention/активация/конверсия начинают расходиться;
— при переходе на privacy-first атрибуцию (server-side, инкрементальность, MMM) вы не можете честно объяснить расхождения: что было измерено, где преобразовано и почему.
Что вместо
Стройте stack не по принципу “у кого красивее”, а по принципу ответственности:
— GA4 оставляйте как системную регистрацию событий и единый контракт на измерение;
— продуктовую аналитику (Mixpanel/Amplitude/Heap) используйте как исследовательскую линзу для когорт, фич-анализа и поведенческих гипотез;
— агрегируйте на RevOps/BI уровне бизнес-метрики (лиды, MQL/SQL, выручка, retention/LTV) и закрепляйте “одну правду” через единый словарь событий и проверки качества данных (валидация схемы, полнота, дубликаты).
И главное: не инструмент заменяет инструмент. Заменяется процесс принятия решений — когда аналитика становится измерением, а не витриной.
Глубже разбирают этот метод в @DemandGenB2B
В 2026 году это заблуждение звучит особенно убедительно, потому что таскать данные между инструментами стало быстрее, а визуализация событий — “красивее”. Но на практике продуктовая аналитика редко проигрывает внешней витрине, она проигрывает разрыву между событием, смыслом и управленческим решением.
Откуда миф
Его подпитывает сравнение “по интерфейсу”: в одном месте — воронки, в другом — отчёты, в третьем — дашборды. Кажется, что если Mixpanel/Amplitude умеют строить когортные графики и анализировать события, то они закрывают задачу целиком. GA4 при этом превращают в «просто ещё один счётчик», а серверную логику и качество данных — в настройку “попозже”.
Почему это неправда
ГА4 — это не “замена”, а опорная точка измерения: модель данных, сбор на уровне веба/приложений, связность с экосистемой трафика и базовой валидацией. А продуктовые платформы часто оптимизированы под исследование поведения и сегментацию. Проблема появляется, когда:
— в одном инструменте событие называется так, в другом иначе (семантика расползается);
— метрики от бизнеса считают “по-своему”, и в итоге retention/активация/конверсия начинают расходиться;
— при переходе на privacy-first атрибуцию (server-side, инкрементальность, MMM) вы не можете честно объяснить расхождения: что было измерено, где преобразовано и почему.
Что вместо
Стройте stack не по принципу “у кого красивее”, а по принципу ответственности:
— GA4 оставляйте как системную регистрацию событий и единый контракт на измерение;
— продуктовую аналитику (Mixpanel/Amplitude/Heap) используйте как исследовательскую линзу для когорт, фич-анализа и поведенческих гипотез;
— агрегируйте на RevOps/BI уровне бизнес-метрики (лиды, MQL/SQL, выручка, retention/LTV) и закрепляйте “одну правду” через единый словарь событий и проверки качества данных (валидация схемы, полнота, дубликаты).
И главное: не инструмент заменяет инструмент. Заменяется процесс принятия решений — когда аналитика становится измерением, а не витриной.
Глубже разбирают этот метод в @DemandGenB2B
От события к прибыли: как выстроить “измеримый” аналитический контур для RevOps в 2026
Маркетинг в 2026 всё чаще спорит не о том, какая кампания «лучше», а о том, что именно влияет на выручку. И тут ломается привычная логика: «GA4 посчитал конверсии — значит, всё работает». На практике же конверсия в лид или просмотр демо часто превращается в метрику ради метрики: она неполная, неустойчивая к изменениям в воронке и плохо объясняет, почему выручка растёт или проседает.
Выход — собирать аналитику не вокруг сайтовых событий, а вокруг контуров ответственности RevOps (маркетинг + продажи + customer success за выручку). Это не про «красивые дашборды», это про единый способ связывать: привлечение → квалификация → сделка → удержание → жизненная ценность.
Разберём, как это сделать без превращения стек-аналитики в набор несовместимых инструментов.
1) В 2026 атрибуция — не последняя миля, а модель принятия решений
Тезис: если вы строите решения “от последнего клика”, вы встраиваете в систему заведомую погрешность (а в privacy-first мире она растёт). Поэтому аналитический контур должен уметь отвечать на вопрос не «кто привёл», а «какие активности реально меняют бизнес-результат».
Пример: команда запускает контекстную рекламу и видит в GA4 рост лидов. Но в Mixpanel (или Heap) оказывается, что качество регистраций падает: доля дошедших до “requested demo” уменьшается, а дальше — больше “no-show”. В Amplitude это дополнительно подтверждается по когортам: пользователи из одного канала демонстрируют меньший activation rate (условное “вошли и сделали ключевое действие”), и это тянет down-funnel. В итоге last-click-вывод «кампания топ» не выдерживает, потому что в контуре нет промежуточной проверки качества.
Как чинят:
— Добавляют события квалификации (например, “lead_verified”, “demo_scheduled”, “demo_completed”, “proposal_sent”) и связывают их с источниками
— Делают server-side сборку (куда возможно) и унифицируют ключи идентификации
— Проверяют инкрементальность: простые A/B- или holdout-подходы по сегментам, плюс MMM там, где маркетинговые миксы сложно “разложить” кликами
Смысл: атрибуция превращается из “ответа на чье-то действие” в “модель, помогающую принимать решения” — и эту модель вы можете тестировать.
2) Единая “грамматика” событий: качество данных важнее количества событий
Тезис: стек (GA4/Amplitude/Mixpanel/Heap) может быть любым, но если события не стандартизированы, RevOps не получит согласованную картину. Нужна единая “грамматика” — что считается действием, кто его совершил, и как это связано с жизненным циклом клиента.
Пример: маркетинг видит событие “Lead” и трактует его как “потенциальный интерес”. Sales считает, что “Lead” — это “создан в CRM”. CS привязывает удержание к другому идентификатору: пользователю в продукте. В итоге один и тот же “Lead” в отчёте маркетинга и в отчёте продаж — это разные вещи.
Практика стандартизации:
— События делят по слоям: acquisition (привлечение), engagement (вовлечение), conversion (конверсия), value actions (ценностные действия), retention (удержание)
— Для каждого события фиксируют: описание, минимальный набор параметров, допустимые значения, периодичность и “истину” (source of truth). Например, “demo_completed” считается истинным только если есть запись в CRM, даже если в продукте тоже проставили флаг
— В event taxonomy вводят одинаковые ключи: campaign_id, content_id, referrer, device_type, plan_type (тариф/план), account_size, а также “revops_stage” (стадия цикла)
Если вы используете GA4 и один из продуктовых трекеров: GA4 берут для “широкой карты”, а Amplitude/Mixpanel/Heap — для поведенческой детализации и когорт. Но одинаковые значения параметров должны попадать во все инструменты.
3) Мост от пользователя к account: без Customer 360 RevOps будет слеп
Тезис: выручка редко “живёт” на уровне одного пользователя. Она живёт на уровне аккаунта (account) и на уровне набора ролей: кто подписывает, кто пользуется, кто продлевает. Поэтому аналитика должна агрегировать поведение в account-сущность, а не только в user.
…
Маркетинг в 2026 всё чаще спорит не о том, какая кампания «лучше», а о том, что именно влияет на выручку. И тут ломается привычная логика: «GA4 посчитал конверсии — значит, всё работает». На практике же конверсия в лид или просмотр демо часто превращается в метрику ради метрики: она неполная, неустойчивая к изменениям в воронке и плохо объясняет, почему выручка растёт или проседает.
Выход — собирать аналитику не вокруг сайтовых событий, а вокруг контуров ответственности RevOps (маркетинг + продажи + customer success за выручку). Это не про «красивые дашборды», это про единый способ связывать: привлечение → квалификация → сделка → удержание → жизненная ценность.
Разберём, как это сделать без превращения стек-аналитики в набор несовместимых инструментов.
1) В 2026 атрибуция — не последняя миля, а модель принятия решений
Тезис: если вы строите решения “от последнего клика”, вы встраиваете в систему заведомую погрешность (а в privacy-first мире она растёт). Поэтому аналитический контур должен уметь отвечать на вопрос не «кто привёл», а «какие активности реально меняют бизнес-результат».
Пример: команда запускает контекстную рекламу и видит в GA4 рост лидов. Но в Mixpanel (или Heap) оказывается, что качество регистраций падает: доля дошедших до “requested demo” уменьшается, а дальше — больше “no-show”. В Amplitude это дополнительно подтверждается по когортам: пользователи из одного канала демонстрируют меньший activation rate (условное “вошли и сделали ключевое действие”), и это тянет down-funnel. В итоге last-click-вывод «кампания топ» не выдерживает, потому что в контуре нет промежуточной проверки качества.
Как чинят:
— Добавляют события квалификации (например, “lead_verified”, “demo_scheduled”, “demo_completed”, “proposal_sent”) и связывают их с источниками
— Делают server-side сборку (куда возможно) и унифицируют ключи идентификации
— Проверяют инкрементальность: простые A/B- или holdout-подходы по сегментам, плюс MMM там, где маркетинговые миксы сложно “разложить” кликами
Смысл: атрибуция превращается из “ответа на чье-то действие” в “модель, помогающую принимать решения” — и эту модель вы можете тестировать.
2) Единая “грамматика” событий: качество данных важнее количества событий
Тезис: стек (GA4/Amplitude/Mixpanel/Heap) может быть любым, но если события не стандартизированы, RevOps не получит согласованную картину. Нужна единая “грамматика” — что считается действием, кто его совершил, и как это связано с жизненным циклом клиента.
Пример: маркетинг видит событие “Lead” и трактует его как “потенциальный интерес”. Sales считает, что “Lead” — это “создан в CRM”. CS привязывает удержание к другому идентификатору: пользователю в продукте. В итоге один и тот же “Lead” в отчёте маркетинга и в отчёте продаж — это разные вещи.
Практика стандартизации:
— События делят по слоям: acquisition (привлечение), engagement (вовлечение), conversion (конверсия), value actions (ценностные действия), retention (удержание)
— Для каждого события фиксируют: описание, минимальный набор параметров, допустимые значения, периодичность и “истину” (source of truth). Например, “demo_completed” считается истинным только если есть запись в CRM, даже если в продукте тоже проставили флаг
— В event taxonomy вводят одинаковые ключи: campaign_id, content_id, referrer, device_type, plan_type (тариф/план), account_size, а также “revops_stage” (стадия цикла)
Если вы используете GA4 и один из продуктовых трекеров: GA4 берут для “широкой карты”, а Amplitude/Mixpanel/Heap — для поведенческой детализации и когорт. Но одинаковые значения параметров должны попадать во все инструменты.
3) Мост от пользователя к account: без Customer 360 RevOps будет слеп
Тезис: выручка редко “живёт” на уровне одного пользователя. Она живёт на уровне аккаунта (account) и на уровне набора ролей: кто подписывает, кто пользуется, кто продлевает. Поэтому аналитика должна агрегировать поведение в account-сущность, а не только в user.
…
Событие, а не цель: что такое event в продуктовой аналитике
В GA4, Amplitude, Mixpanel и Heap базовая единица измерения — событие (event). Это фиксируемое действие пользователя или системы: клик, просмотр, отправка формы, покупка, ошибка, запуск сценария. Событие отвечает на вопрос «что произошло», а не «кто это сделал» или «из какой кампании пришёл».
Частая путаница — с конверсией. Конверсия — это **событие, которое вы выделили как целевое и значимое для бизнеса**. То есть любая конверсия является событием, но не каждое событие — конверсия. Например, просмотр карточки товара и добавление в корзину могут быть событиями, а покупка — конверсией.
Типичные ошибки:
— Собирают слишком много событий без единой схемы именования.
— Путают событие с параметром: «страна» или «тариф» не событие, а свойство события.
— Ставят в конверсию микродействия, которые не связаны с выручкой или удержанием.
— Меняют названия событий после запуска и ломают исторические сравнения.
Пример: в B2B SaaS можно фиксировать `signup`, `invite_team`, `connect_integration`, `start_trial`. Само по себе `signup` — лишь событие. Но если анализ показывает, что пользователи, дошедшие до `connect_integration`, в 3 раза чаще оплачивают подписку, это событие стоит выделить как ключевое воронки и наблюдать отдельно.
В GA4, Amplitude, Mixpanel и Heap базовая единица измерения — событие (event). Это фиксируемое действие пользователя или системы: клик, просмотр, отправка формы, покупка, ошибка, запуск сценария. Событие отвечает на вопрос «что произошло», а не «кто это сделал» или «из какой кампании пришёл».
Частая путаница — с конверсией. Конверсия — это **событие, которое вы выделили как целевое и значимое для бизнеса**. То есть любая конверсия является событием, но не каждое событие — конверсия. Например, просмотр карточки товара и добавление в корзину могут быть событиями, а покупка — конверсией.
Типичные ошибки:
— Собирают слишком много событий без единой схемы именования.
— Путают событие с параметром: «страна» или «тариф» не событие, а свойство события.
— Ставят в конверсию микродействия, которые не связаны с выручкой или удержанием.
— Меняют названия событий после запуска и ломают исторические сравнения.
Пример: в B2B SaaS можно фиксировать `signup`, `invite_team`, `connect_integration`, `start_trial`. Само по себе `signup` — лишь событие. Но если анализ показывает, что пользователи, дошедшие до `connect_integration`, в 3 раза чаще оплачивают подписку, это событие стоит выделить как ключевое воронки и наблюдать отдельно.
GA4 vs Amplitude: почему я всё чаще делю “аналитику” на событие и решение
В 2026-м я всё чаще вижу одну и ту же картину: маркетинг-стек формально “всё умеет”, но бизнес получает слабый эффект от данных. Причина не в том, что GA4 или Amplitude «плохие». Причина в том, как мы трактуем их роль: как место, где копятся события, или как инструмент принятия решений.
Моя позиция простая: **я перестаю выбирать “что лучше”** и начинаю проектировать два слоя.
— Первый слой — “события как источник правды”. Это про корректность схемы (что считаем событием, какие параметры обязательны, как живёт идентификация пользователя). Здесь GA4, при дисциплине в event taxonomy, отлично закрывает базовые кейсы, особенно когда у команды уже есть привычки работы в Google-экосистеме.
— Второй слой — “события как механизм роста”. Это про быстрые гипотезы, сегментацию, ретроспективный анализ в разрезах, где решение должно быть принято на основе разницы между когортами, а не на основе средних по больнице. И вот тут Amplitude (и похожие по философии платформы) часто выигрывает: быстрее строятся аудитории, удобнее работать с поведенческими сценариями, проще доводить до экспериментов и post-mortem без бесконечных выгрузок.
Почему я делю именно так
1) В privacy-first мире (server-side, агрегирование, MMM, incrementality) “одной единственной” витрины недостаточно. Мы всё равно будем иметь несколько контуров: продуктовую аналитику, измерение маркетингового влияния и контроль качества данных. Если пытаться смешать всё в один интерфейс — получаем доверие к отчету “по умолчанию”, а оно сегодня опасно.
2) В zero-click эпохе ценность приходит не с объёма трафика, а с собственной интерпретации поведения. Поэтому важнее не “сколько визитов”, а “какая последовательность действий привела к ценности” (активация, повтор, вовлечение в цикл продукта, путь к сделке в B2B). Событийный слой без сценарного — превращается в склад.
Практическое наблюдение из проектов
Мы однажды столкнулись с классической проблемой: в GA4 отлично считались события регистрации и покупок, но в Amplitude “ломалась” когортная логика, потому что идентификаторы пользователей в части потоков склеивались иначе. На уровне интерфейса всё выглядело правдоподобно, но на уровне принятия решений — нет. После того как мы синхронизировали правила идентификации (единый approach к user_id и правилам перегенерации при смене устройства/сессии) разница в конверсии по когортам сократилась не на проценты, а кратно по доверию команды к метрикам: от “похоже” к “можно действовать”.
Мой вывод
**GA4 и Amplitude я рассматриваю не как конкурентов, а как разные роли в одном контуре.** GA4 — часто лучший “операционный базис” для событийной гигиены, Amplitude — ускоритель сценарного мышления. Если у вас сейчас “одна система должна всё”, самое быстрое улучшение обычно не в миграции, а в архитектуре: определить, где заканчивается слой источника правды и начинается слой решения.
Вопрос к вам: у вас сейчас аналитика больше про “смотреть отчёты” или про “принимать решения между когортами”? Если второе — архитектура двух слоёв почти всегда даёт заметный выигрыш уже в первом цикле тестирования.
Соседняя редакция @MarketingBooksRoom недавно писала об этом под другим углом
В 2026-м я всё чаще вижу одну и ту же картину: маркетинг-стек формально “всё умеет”, но бизнес получает слабый эффект от данных. Причина не в том, что GA4 или Amplitude «плохие». Причина в том, как мы трактуем их роль: как место, где копятся события, или как инструмент принятия решений.
Моя позиция простая: **я перестаю выбирать “что лучше”** и начинаю проектировать два слоя.
— Первый слой — “события как источник правды”. Это про корректность схемы (что считаем событием, какие параметры обязательны, как живёт идентификация пользователя). Здесь GA4, при дисциплине в event taxonomy, отлично закрывает базовые кейсы, особенно когда у команды уже есть привычки работы в Google-экосистеме.
— Второй слой — “события как механизм роста”. Это про быстрые гипотезы, сегментацию, ретроспективный анализ в разрезах, где решение должно быть принято на основе разницы между когортами, а не на основе средних по больнице. И вот тут Amplitude (и похожие по философии платформы) часто выигрывает: быстрее строятся аудитории, удобнее работать с поведенческими сценариями, проще доводить до экспериментов и post-mortem без бесконечных выгрузок.
Почему я делю именно так
1) В privacy-first мире (server-side, агрегирование, MMM, incrementality) “одной единственной” витрины недостаточно. Мы всё равно будем иметь несколько контуров: продуктовую аналитику, измерение маркетингового влияния и контроль качества данных. Если пытаться смешать всё в один интерфейс — получаем доверие к отчету “по умолчанию”, а оно сегодня опасно.
2) В zero-click эпохе ценность приходит не с объёма трафика, а с собственной интерпретации поведения. Поэтому важнее не “сколько визитов”, а “какая последовательность действий привела к ценности” (активация, повтор, вовлечение в цикл продукта, путь к сделке в B2B). Событийный слой без сценарного — превращается в склад.
Практическое наблюдение из проектов
Мы однажды столкнулись с классической проблемой: в GA4 отлично считались события регистрации и покупок, но в Amplitude “ломалась” когортная логика, потому что идентификаторы пользователей в части потоков склеивались иначе. На уровне интерфейса всё выглядело правдоподобно, но на уровне принятия решений — нет. После того как мы синхронизировали правила идентификации (единый approach к user_id и правилам перегенерации при смене устройства/сессии) разница в конверсии по когортам сократилась не на проценты, а кратно по доверию команды к метрикам: от “похоже” к “можно действовать”.
Мой вывод
**GA4 и Amplitude я рассматриваю не как конкурентов, а как разные роли в одном контуре.** GA4 — часто лучший “операционный базис” для событийной гигиены, Amplitude — ускоритель сценарного мышления. Если у вас сейчас “одна система должна всё”, самое быстрое улучшение обычно не в миграции, а в архитектуре: определить, где заканчивается слой источника правды и начинается слой решения.
Вопрос к вам: у вас сейчас аналитика больше про “смотреть отчёты” или про “принимать решения между когортами”? Если второе — архитектура двух слоёв почти всегда даёт заметный выигрыш уже в первом цикле тестирования.
Соседняя редакция @MarketingBooksRoom недавно писала об этом под другим углом
Сверка аналитики: почему “мы меряем всё” почти всегда превращается в миф
В 2026 я всё чаще вижу один и тот же сценарий: бренд, B2B-платформа или e-commerce действительно “настроили аналитику” — события льются в GA4, дублируются в Amplitude или Mixpanel, а отдельные команды ещё и ковыряют Heap для UX. В таблицах есть конверсии, в дашбордах есть воронки, в отчётах — уверенность. Но когда доходит до решений, выясняется простое: **мы не измеряем одну и ту же реальность**.
Я формулирую это как правило редактора стека: если у вас нет процедур “кто и как сверяет”, то стек превращается в набор источников правды, которые спорят между собой.
Что конкретно ломает согласованность — без морали, только практика:
— Семантика событий разъезжается. В GA4 событие называется “lead_submit”, а в продуктовой аналитике оно же считается “form_submit”, и при этом один и тот же пользовательный путь даёт разные “лиды”.
— Разные окна атрибуции. Last-click — это уже не единственный ответ, но команды до сих пор сравнивают метрики, построенные на разных правилах: где-то 30 дней, где-то только в рамках сессии.
— Серверная часть (server-side) не одинаково отражает источник. Часть команд гоняет идентификаторы через клиент, другая — подписывает события на сервере. Итог: расхождение по пользователям и ретеншену.
Моё наблюдение из проектов по e-commerce и B2B: когда мы запускаем сверку на одном и том же наборе сценариев (1–2 ключевых user journey), расхождения между GA4 и продуктовой платформой обычно находятся в коридоре 5–25%. Причём это не “ошибка на 1%”, а систематическое смещение: как правило, из-за того, что определения конверсий различаются хотя бы на уровне фильтров или дедупликации.
Как я предлагаю чинить это без “пересборки вселенной”:
1) Жёстко зафиксировать “словарь метрик” — события, параметры, что считается конверсией и где происходит дедупликация. Не в одном документе на 40 страниц, а в коротком контракте: event_name + параметры + правила исключений.
2) Ввести регулярную “аналитическую контрольную точку”: один и тот же список сценариев и контрольных выборок прогоняется везде (GA4 / Amplitude / Mixpanel / Heap — что у вас реально стоит) с единым эталоном. Если расхождение растёт — ищем причину, а не успокаиваемся.
3) Приоритет — на измерение результата, а не на накопление событий. В эпоху privacy-first атрибуции и инкрементальности (incrementality) ценность получает то, что можно защитить на уровне методологии: когортный ретеншен, повторные покупки, повторные обращения, вклад по периодам.
Сейчас, когда рынок уходит от “просто лида” к RevOps (общая ответственность маркетинга, sales и customer success за выручку), цена несогласованных определений растёт. Не потому что “аналитика плохая”. А потому что решения принимаются быстрее, чем успевают договориться о смысле. В таком мире стек не должен быть коллекцией инструментов — он должен быть системой измерения.
Если хотите, в следующем посте разберу, как я обычно строю “контрольные сценарии” для сверки в B2B (MQL/SQL уже не достаточно) и как корректно отличать продуктовые конверсии от маркетинговых.
Соседняя редакция @BeautyCasesRu недавно писала об этом под другим углом
В 2026 я всё чаще вижу один и тот же сценарий: бренд, B2B-платформа или e-commerce действительно “настроили аналитику” — события льются в GA4, дублируются в Amplitude или Mixpanel, а отдельные команды ещё и ковыряют Heap для UX. В таблицах есть конверсии, в дашбордах есть воронки, в отчётах — уверенность. Но когда доходит до решений, выясняется простое: **мы не измеряем одну и ту же реальность**.
Я формулирую это как правило редактора стека: если у вас нет процедур “кто и как сверяет”, то стек превращается в набор источников правды, которые спорят между собой.
Что конкретно ломает согласованность — без морали, только практика:
— Семантика событий разъезжается. В GA4 событие называется “lead_submit”, а в продуктовой аналитике оно же считается “form_submit”, и при этом один и тот же пользовательный путь даёт разные “лиды”.
— Разные окна атрибуции. Last-click — это уже не единственный ответ, но команды до сих пор сравнивают метрики, построенные на разных правилах: где-то 30 дней, где-то только в рамках сессии.
— Серверная часть (server-side) не одинаково отражает источник. Часть команд гоняет идентификаторы через клиент, другая — подписывает события на сервере. Итог: расхождение по пользователям и ретеншену.
Моё наблюдение из проектов по e-commerce и B2B: когда мы запускаем сверку на одном и том же наборе сценариев (1–2 ключевых user journey), расхождения между GA4 и продуктовой платформой обычно находятся в коридоре 5–25%. Причём это не “ошибка на 1%”, а систематическое смещение: как правило, из-за того, что определения конверсий различаются хотя бы на уровне фильтров или дедупликации.
Как я предлагаю чинить это без “пересборки вселенной”:
1) Жёстко зафиксировать “словарь метрик” — события, параметры, что считается конверсией и где происходит дедупликация. Не в одном документе на 40 страниц, а в коротком контракте: event_name + параметры + правила исключений.
2) Ввести регулярную “аналитическую контрольную точку”: один и тот же список сценариев и контрольных выборок прогоняется везде (GA4 / Amplitude / Mixpanel / Heap — что у вас реально стоит) с единым эталоном. Если расхождение растёт — ищем причину, а не успокаиваемся.
3) Приоритет — на измерение результата, а не на накопление событий. В эпоху privacy-first атрибуции и инкрементальности (incrementality) ценность получает то, что можно защитить на уровне методологии: когортный ретеншен, повторные покупки, повторные обращения, вклад по периодам.
Сейчас, когда рынок уходит от “просто лида” к RevOps (общая ответственность маркетинга, sales и customer success за выручку), цена несогласованных определений растёт. Не потому что “аналитика плохая”. А потому что решения принимаются быстрее, чем успевают договориться о смысле. В таком мире стек не должен быть коллекцией инструментов — он должен быть системой измерения.
Если хотите, в следующем посте разберу, как я обычно строю “контрольные сценарии” для сверки в B2B (MQL/SQL уже не достаточно) и как корректно отличать продуктовые конверсии от маркетинговых.
Соседняя редакция @BeautyCasesRu недавно писала об этом под другим углом
Растёт Topical Authority и AI-overviews, но «последний клик» всё чаще врёт. А в B2B и RevOps больно чинить воронку задним числом: какой событийный слой держит правду?
Вопрос: что вы считаете главным источником данных для решений в аналитике: GA4, Amplitude, Mixpanel или Heap?
ВАРИАНТЫ:
1. GA4 — если нужна связка с веб-экосистемой и стандартными отчетами
2. Amplitude — для поведенческих когорт и продуктовой аналитики
3. Mixpanel — когда важны события-воронки и удобная сегментация
4. Heap — если ловим всё автоматически и меньше думаем о тегах
Вопрос: что вы считаете главным источником данных для решений в аналитике: GA4, Amplitude, Mixpanel или Heap?
ВАРИАНТЫ:
1. GA4 — если нужна связка с веб-экосистемой и стандартными отчетами
2. Amplitude — для поведенческих когорт и продуктовой аналитики
3. Mixpanel — когда важны события-воронки и удобная сегментация
4. Heap — если ловим всё автоматически и меньше думаем о тегах