YallaMarket — анализ воронки и метрик quick-commerce

Условие

YallaMarket — q-commerce/быстрая доставка продуктов в ОАЭ. Дан демо-датасет (demo data.xlsx) с метриками заказов, клиентов и операционными показателями.

Нужно:

1. Описать воронку «новый клиент → активная покупка».
2. Предложить ключевые метрики на дашборде Product Analyst.
3. Рассчитать стандартный набор: DAU, retention, AOV, frequency, completion rate.
4. Идеи для гипотез на улучшение продукта.

Решение

1. Воронка

Install → Sign-up → First-order → Successful delivery
       → 7-day retention → 30-day retention → Repeat buyer

Для каждого шага: CR, time-to-step, drop-off reasons.

2. Дашборд Product Analyst для q-commerce

Acquisition:

• New users daily.
• CAC by channel (paid_search, social, organic).
• Install → first-order CR (типичный for q-commerce: 30–50%).

Activation:

• Time to first order (от install до first order).
• First-order delivery success rate.

Engagement:

• DAU/WAU/MAU.
• Orders per active user.
• AOV (средний чек) AED.
• Категориальный mix (groceries vs ready-to-eat).

Retention:

• Cohort retention D1, D7, D30.
• Repeat purchase rate (≥ 2 orders).
• LTV by channel.

Operational:

• Avg delivery time.
• On-time delivery rate (P50, P90).
• Cancellation rate (by reason: out_of_stock, courier_unavailable, customer_cancel).
• Cost per order.

Product KPIs:

• Search to add-to-cart CR.
• Cart abandonment rate.
• Wishlist usage.
• Promo redemption rate.

3. Расчёты

-- DAU
SELECT order_date, COUNT(DISTINCT user_id) AS DAU
FROM orders WHERE status = 'delivered' GROUP BY order_date;
 
-- AOV
SELECT order_date, AVG(amount_aed) AS AOV
FROM orders WHERE status = 'delivered' GROUP BY order_date;
 
-- Cohort retention D7
WITH first_order AS (
  SELECT user_id, MIN(DATE(order_ts)) AS d0 FROM orders GROUP BY user_id
),
seven AS (
  SELECT f.user_id, f.d0,
         CASE WHEN EXISTS (
           SELECT 1 FROM orders o
           WHERE o.user_id = f.user_id
             AND DATE(o.order_ts) BETWEEN f.d0 + INTERVAL '7 day' AND f.d0 + INTERVAL '13 day'
         ) THEN 1 ELSE 0 END AS active_w2
  FROM first_order f
)
SELECT d0, COUNT(*) cohort_size, AVG(active_w2) AS d7_retention
FROM seven GROUP BY d0;

4. Идеи гипотез

1. Smart re-order: предлагать «купить как в прошлый раз» — должно поднять frequency.
2. Subscription: «6 заказов за 600 AED» — increase LTV.
3. Push notification timing: A/B-тест времени отправки (lunch vs dinner) — увеличит conversion.
4. Free delivery threshold: уменьшить с 50 до 35 AED — увеличит частоту, снизит AOV. Net?
5. In-app referral: «приведи друга — 25 AED» — снизит CAC.

Каждая идея → дизайн A/B → ожидаемый impact / risks.

Проверка / интерпретация

• Все метрики разрезать по is_new (новые vs возвращающиеся).
• DAU тренд — сезонность (рамадан, летние месяцы).
• Cancellation rate выше нормы → drill into reasons.

Подводные камни

1. Q-commerce специфика: spread заказов по часам очень неравномерен (пик в обед/вечер). Усреднение по дню теряет инсайт.
2. AOV меньше у q-commerce (низкий чек, высокая частота) — не сравнивайте с классическим ecom.
3. Multi-region: ОАЭ — Дубай vs Абу-Даби могут иметь разные паттерны. Сегментируйте.
4. «Доставлено» vs «оплачено»: cancellation после оплаты — частое явление; choose правильный знаменатель в CR.
5. Sample bias: demo data может быть искусственно «чистый» — в проде больше шума.

Эталонный ответ

Полная воронка от install до repeat buyer; стандартный q-commerce KPI-set с фокусом на retention D7/D30, on-time delivery, AOV, frequency. Идеи: smart re-order, subscription, push timing.