**Контекст:** E-commerce-компания поставила OKR: увеличить `CR` (конверсию в покупку) на 15% за квартал. Команда Growth запустила несколько инициатив, и `CR` вырос. Но через 2 месяца обнаружились негативные побочные эффекты.
**Данные:** до и после оптимизации:
| Метрика | До | После | Δ |
|---|---|---|---|
| `CR` (визит → покупка) | 3.2% | 3.8% | **+18.7%** ✅ |
| `AOV` | 4 500 ₽ | 3 200 ₽ | **−28.9%** ⚠️ |
| `Возвраты` | 8% | 14% | **+75.0%** ⚠️ |
| `Revenue / visitor` | 144 ₽ | 121.6 ₽ | **−15.6%** ⚠️ |
| `NPS` | 45 | 38 | **−15.6%** ⚠️ |
| `Repeat purchase rate (90d)` | 32% | 25% | **−21.9%** ⚠️ |
Что сделала команда:
- Агрессивные pop-up скидки «−30% прямо сейчас»
- Упрощение чекаута (убрали подтверждение заказа)
- Бесплатная доставка без минимальной суммы
**Задание:**
1. Объясните, как каждая инициатива повысила `CR`, но навредила другим метрикам.
2. Какие `контр-метрики` (guardrails) нужно было установить до начала оптимизации?
3. Сформулируйте `OEC` (Overall Evaluation Criterion), который учитывает trade-offs.
4. Как правильно переформулировать OKR, чтобы избежать Goodhart's Law?
контр-метрики guardrails trade-off OEC целевая функция
Это задание для уровня Senior. Senior-уровень — глубокое понимание темы, опыт решения нестандартных задач, обсуждение trade-off на собеседовании.
Подобные задания в категории «Метрики» регулярно дают на собеседованиях аналитика данных в Яндекс, Сбер, Ozon, Авито, Тинькофф, Wildberries, T-Bank, X5, ВТБ и других крупных IT-компаниях. Тематика: контр-метрики, guardrails, trade-off, OEC, целевая функция.
На реальном собеседовании на подобную задачу отводится 30-60 минут с обсуждением подходов, оптимизаций и trade-off. Для тренировки рекомендуем сначала решить самостоятельно, потом сверить с эталонным решением и подсказками.
На zasqlpython.ru есть другие задания в категории «Метрики», продуктовые кейсы, справочник метрик, AI мок-собеседование с разбором ваших ответов.
← Все задания