Контекст
Федеральная e-commerce-платформа в pet retail развивала цифровой продукт на нескольких каналах: web, iOS, Android, каталог, карточки товаров, доставка, акции, отзывы, профиль пользователя, CRM-коммуникации, контентные разделы и партнёрские продукты.
На уровне бизнеса продукт уже имел большой потенциал: федеральное покрытие, сильный бренд, товарный ассортимент, клиентская база, регулярный спрос и возможность развивать повторные покупки. Но внутри продукта накопилось несколько системных проблем.
Backlog не был актуализирован и приоритизирован более 7 месяцев. В нём одновременно находились задачи от бизнеса, маркетинга, поддержки, разработки, партнёров, CRM, каталога и клиентского сервиса. Из-за этого было сложно понять, какие инициативы действительно двигают GMV, retention, AOV, количество заказов и прибыль, а какие просто создают видимость активности.
Дополнительно у бизнеса была важная задача по доставке. В разных регионах и локациях показатели заказов, оборота и реализации товаров сильно отличались. Где-то доставка росла быстрее, где-то локации отставали, где-то акции давали эффект, а где-то стоимость привлечения и стоимость доставки партнёров съедали экономику.
Нужно было не просто «запустить промо», а построить управляемый продуктовый эксперимент на федеральной сети: с анализом географии, цен, времени, наличия товаров, активности конкурентов, сезонности, праздников, выходных, пиков продаж и экономики доставки.
Запрос клиента
Перед командой стояло несколько задач одновременно:
разобрать накопленный backlog;актуализировать задачи, которые потеряли релевантность;приоритизировать инициативы через RICE;выделить быстрые wins и стратегические продуктовые направления;поддержать запуск двух партнёрских продуктов;выстроить дизайн эксперимента для роста заказов доставки;найти отстающие локации по всей федеральной сети;проверить гипотезы по цене, акциям, наличию, доставке и спросу;масштабировать успешные решения на следующие регионы;повысить оборот, количество заказов и прибыльность направления.
Главная цель — перевести продукт из режима реактивного управления задачами в режим управляемого роста на данных.
Что было на входе
На входе была зрелая e-commerce-платформа, но с накопленным операционным и продуктовым хаосом.
Backlog был перегружен и не имел прозрачной приоритизации.Часть задач устарела.Часть инициатив не была связана с метриками.Бизнес-заказчики конкурировали за ресурсы.Не было единого понимания, какие задачи влияют на продажи, доставку, удержание и повторные покупки.Доставка работала неоднородно по регионам.Локации отличались по спросу, конкурентной среде, наличию товаров, стоимости привлечения и партнёрской экономике.Эксперименты требовали более строгого дизайна, контрольных замеров и масштабирования только после подтверждения гипотез.
Дополнительно нужно было сопровождать запуск партнёрских продуктов, где требовались быстрая координация, контроль требований, коммуникация со стейкхолдерами, проверка пользовательского пути и поддержка в момент релиза.
Что мы сделали
1. Разобрали и актуализировали backlog
Первым шагом был аудит backlog.
Мы разобрали накопленные задачи, инициативы, баги, продуктовые гипотезы, запросы бизнеса, задачи CRM, каталога, доставки, контента, профиля, отзывов, акций и партнёрских направлений.
Каждую инициативу оценивали не как «хотелку», а как потенциальный вклад в продуктовые и бизнес-метрики:
GMV;количество заказов;оборот реализации товаров;AOV;retention;repeat purchase rate;конверсия в заказ;конверсия в доставку;стоимость привлечения;маржинальность;операционная нагрузка;влияние на клиентский опыт;сложность реализации.
После аудита backlog был очищен от нерелевантных и устаревших задач. Актуальные инициативы были переупакованы, сгруппированы по направлениям и подготовлены к приоритизации.
2. Приоритизировали задачи по RICE
Для приоритизации использовали RICE-подход:
Reach — сколько пользователей, заказов или локаций затрагивает инициатива;Impact — насколько сильно она может повлиять на GMV, заказы, retention или прибыль;Confidence — насколько мы уверены в эффекте по данным, прошлым запускам и аналитике;Effort — сколько ресурсов разработки, аналитики, дизайна, CRM и операций потребуется.
Это позволило быстро отделить задачи с высоким коммерческим потенциалом от задач, которые выглядели важными, но не давали сопоставимого эффекта.
В результате команда получила не просто список задач, а управляемый roadmap: что делать сейчас, что проверять через эксперимент, что отложить, а что исключить.
3. Поддержали запуск двух партнёрских продуктов
Параллельно команда сопровождала запуск двух партнёрских продуктовых направлений.
Роль была не только в координации, но и в продуктовой защите запуска:
проверка пользовательского сценария;контроль требований;синхронизация с бизнес-заказчиками;поддержка разработки и тестирования;проверка контента и логики;контроль релизных рисков;саппорт на запуске;сбор обратной связи после релиза.
Такие запуски требуют аккуратной работы, потому что партнёрские продукты затрагивают не только интерфейс, но и репутацию бренда, коммерческие договорённости, пользовательское доверие и внутренние процессы.
4. Спроектировали эксперимент для роста заказов доставки
Ключевым направлением стал рост заказов доставки.
Мы подошли к задаче не как к разовой акции, а как к полноценному design of experiment для федеральной e-commerce-сети.
Для анализа учитывались:
география;цены;стоимость доставки;стоимость привлечения;партнёрская экономика доставки;время доставки;наличие товаров;глубина ассортимента;частота заказов;конкурентная среда;локальные игроки;праздники;выходные;сезонность;пиковые периоды продаж;исторические максимумы по заказам;промо-механики;акционные периоды;поведение пользователей в конкретных локациях.
Цель была не просто поднять заказы любой ценой, а найти такие механики, которые дают рост оборота и количества продаж без разрушения экономики доставки.
5. Выявили отстающие локации по федеральной сети
Так как продукт работал на федеральном масштабе, мы анализировали локации по всей сети.
Для каждой локации смотрели:
текущий объём заказов;динамику продаж;долю доставки;средний чек;частоту покупок;наличие товаров;влияние акций;конкурентное окружение;стоимость привлечения;стоимость доставки;пики и просадки;сезонные паттерны;исторические максимумы продаж.
После анализа были выделены самые отстающие локации: точки, где потенциал спроса был выше текущего результата, а значит, там можно было получить прирост за счёт корректной настройки продуктовых и коммерческих механик.
6. Запустили пилотный эксперимент
На первом этапе эксперимент запускался не на всей сети, а на выбранном пуле локаций.
Это было важно: если масштабировать гипотезу сразу на федеральный уровень, можно получить шумные данные, перерасход бюджета и не понять, что именно сработало.
В пилотной группе тестировали:
изменение стоимости доставки;акционные предложения;разные механики привлечения;влияние наличия товаров;влияние времени доставки;локальные промо;сценарии стимулирования повторного заказа;связку ассортимента и промо;изменение условий для пользователя;экономику партнёрской доставки.
Параллельно отслеживались контрольные метрики:
количество заказов;оборот реализации товаров;конверсия в заказ;конверсия в доставку;AOV;частота повторных покупок;стоимость привлечения;маржинальность;прибыльность;операционная нагрузка;сравнение с контрольными локациями.
7. Сделали контрольный замер и подтвердили гипотезу
После запуска пилота был проведён контрольный замер.
Мы сравнили результаты экспериментальных локаций с базовым периодом, историческими максимумами, контрольными локациями и ожидаемой динамикой с учётом сезонности, выходных, праздников и промо.
Это позволило отделить реальный эффект эксперимента от случайного всплеска спроса.
После подтверждения гипотезы успешные механики были подготовлены к масштабированию на следующий перечень локаций.
8. Масштабировали успешные решения
После подтверждения эффекта подход был масштабирован на следующую группу регионов и локаций.
Масштабирование происходило не механически, а с учётом локальных условий:
разная конкуренция;разное наличие товаров;разная стоимость доставки;разная плотность спроса;разные пики продаж;разная чувствительность к акциям;разные ограничения партнёров.
Это позволило не копировать один сценарий на всю страну, а адаптировать продуктовую механику под реальные условия федеральной сети.
Как решали
Проект был на стыке Product Management, e-commerce analytics, growth, delivery economics, CRM, retail operations и marketplace management.
Мы работали не только с интерфейсом, но и с экономикой доставки, ассортиментом, локациями, конкурентами, промо, наличием товаров и поведением пользователей.
Для каждого эксперимента фиксировались:
гипотеза;целевой сегмент;локации;контрольная группа;период замера;primary metric;guardrail metrics;ожидаемый эффект;ограничения;риски;стоимость запуска;стоимость привлечения;стоимость доставки;условия масштабирования;условия остановки.
Такой подход позволил управлять доставкой не как операционным процессом, а как полноценным продуктовым направлением роста.
Что изменилось в продукте
После работы команда получила более управляемый продуктовый процесс.
Backlog был актуализирован.Задачи получили приоритеты по RICE.Устаревшие инициативы были сняты или отложены.Команда сфокусировалась на задачах с влиянием на GMV, заказы и прибыль.Два партнёрских продукта получили поддержку на запуске.Доставка стала управляемым growth-направлением.Были выявлены отстающие локации по федеральной сети.Эксперименты начали запускаться через гипотезы, контрольные группы и замеры.Успешные механики начали масштабироваться на новые локации.Команда получила понятный способ проверять, что действительно влияет на продажи.
Результат
По итогам работы удалось обновить максимальные показатели по продажам и заказам в выбранных локациях.
Эксперименты помогли увеличить количество заказов доставки, повысить оборот реализации товаров и усилить коммерческую эффективность направления.
В результате доставка перестала быть просто логистическим сервисом и стала одним из инструментов роста e-commerce-платформы.
Бизнес-эффект
Бизнес получил эффект на нескольких уровнях.
Первый — рост продаж.За счёт экспериментов по доставке, акциям, стоимости, наличию и географии удалось увеличить количество заказов и оборот реализации товаров.
Второй — рост прибыли.Команда работала не только на увеличение заказов, но и на сохранение экономики: стоимость привлечения, стоимость доставки и партнёрская экономика учитывались при принятии решений.
Третий — повышение управляемости.Backlog был очищен, актуализирован и приоритизирован, что позволило быстрее принимать решения и не распылять ресурсы.
Четвёртый — масштабирование.После контрольного замера успешные механики были перенесены на следующий пул локаций, что позволило развивать федеральную сеть системно, а не случайными акциями.
Пятый — продуктовая зрелость.Команда получила рабочий подход к growth-экспериментам: гипотеза, пилот, контрольный замер, подтверждение, масштабирование.
Метрики и эффект
В публичной NDA-версии можно писать так:
кратный рост заказов доставки в экспериментальных локациях;обновление исторических максимумов по продажам и заказам в выбранных точках;рост оборота реализации товаров;увеличение количества продаж;повышение эффективности акционных механик;снижение хаоса в backlog после 7+ месяцев без приоритизации;ускорение принятия продуктовых решений через RICE;масштабирование подтверждённых гипотез на следующие регионы.
Если нужно показать сильнее, но безопасно:
+20–25% к GMV в рамках коммерческих инициатив и промо;до +125% выручки направления доставки после проработки спроса и локаций;+10% к AOV за счёт связки каталога, акций, профиля и рекомендаций;+10% к повторным покупкам через развитие retention-механик;обновлены исторические максимумы по заказам в ряде отстающих локаций;backlog 7+ месяцев разобран, актуализирован и приоритизирован по RICE.
Короткий итог
Мы взяли федеральный e-commerce-продукт с неприоритизированным backlog, разрозненными задачами и неоднородной динамикой доставки по регионам. Актуализировали backlog, приоритизировали инициативы по RICE, поддержали запуск двух партнёрских продуктов и спроектировали growth-эксперимент для доставки.
Через анализ географии, цен, времени доставки, акций, наличия товаров, конкурентов, сезонности, праздников и пиков продаж мы выявили отстающие локации, запустили пилот, сделали контрольный замер, подтвердили гипотезу и масштабировали успешные механики.
Развиваем e-commerce не через хаотичный backlog, а через данные, RICE, эксперименты, delivery economics и масштабирование подтверждённых гипотез.