# North Star Metric: AI-фреймворк выбора ключевой метрики для стартапа

> Фреймворк выбора North Star Metric с помощью AI: критерии по бизнес-моделям, промпты, валидация через unit economics и retention. Примеры для SaaS и e-commerce.
> Author: Roman Belov · Published: 2026-06-16 · Source: https://futurecraft.pro/ru/blog/north-star-metric/

«Мы SaaS, значит MRR». «Мы marketplace, значит GMV». Большинство фаундеров выбирают North Star Metric интуитивно — и команда оптимизирует число, не отражающее реальную ценность продукта для пользователя. MRR растёт за счёт годовых контрактов с высоким churn. GMV растёт за счёт промо-акций с отрицательной маржой.

Команде, сфокусированной на одной метрике, которая действительно отражает пользовательскую ценность, обычно проще дойти до PMF, чем той, что мониторит 15+ дашбордов без фокуса.

Статья даёт фреймворк выбора NSM с использованием AI для анализа данных, генерации гипотез и валидации. Без абстракций. С промптами и примерами по бизнес-моделям.

## Что делает метрику North Star

NSM отвечает на один вопрос: "Какое единственное число показывает, что продукт создаёт ценность для пользователей и бизнеса одновременно?"

Пять критериев хорошей NSM:

1. **Отражает ценность для пользователя.** Revenue сам по себе не NSM. Revenue показывает, что пользователь заплатил, а не получил ценность. Пользователь мог заплатить, разочароваться и уйти.
2. **Измеримость.** Метрика должна обновляться минимум еженедельно. "Количество решённых проблем пользователей" звучит красиво, но не измеряется автоматически.
3. **Опережающий индикатор.** NSM предсказывает будущий рост. Revenue запаздывает: к моменту падения MRR пользователи уже ушли месяц назад.
4. **Управляемость.** Команда может влиять на NSM через продуктовые изменения. "Размер рынка" важен, но команда из 5 человек на него не влияет.
5. **Единственность.** Одна метрика. Не три. Не "основная и вспомогательные". Одна.

| Критерий | Пример хорошей NSM | Пример плохой NSM |
|----------|--------------------|--------------------|
| Ценность для пользователя | Количество завершённых задач в неделю | Количество регистраций |
| Измеримость | DAU/WAU ratio | NPS (обновляется раз в квартал) |
| Опережающий индикатор | Количество "aha-моментов" за первую сессию | Годовой revenue |
| Управляемость | Среднее количество интеграций на аккаунт | Валютный курс |
| Единственность | Одна метрика + 3-4 input metrics | Дашборд из 20 KPI |

## NSM по бизнес-моделям: карта выбора

Бизнес-модель определяет тип ценности. Тип ценности определяет категорию NSM. Примеры в таблицах ниже — по мотивам Amplitude North Star Playbook.

### SaaS (B2B)

Ценность: пользователь решает рабочую задачу быстрее или лучше.

| Тип SaaS | NSM | Почему |
|----------|-----|--------|
| Collaboration (Slack, Notion) | Количество сообщений/документов в неделю на команду | Активное использование = ценность. Молчащая команда не получает пользы |
| Automation (Zapier, n8n) | Количество успешно выполненных автоматизаций | Каждая автоматизация экономит время пользователя |
| Analytics (Amplitude, Mixpanel) | Количество запросов к данным в неделю | Данные без запросов = данные без ценности |
| DevTools (GitHub, Vercel) | Количество деплоев в неделю | Деплой = доставка кода пользователям |

### Marketplace

Ценность: покупатель находит нужное, продавец продаёт.

| Тип marketplace | NSM | Почему |
|-----------------|-----|--------|
| Услуги (Upwork) | Количество завершённых проектов в неделю | Завершённый проект = обе стороны получили ценность |
| Товары (Etsy) | Количество повторных покупок | Повторная покупка = удовлетворённость первой |
| Контент (YouTube) | Общее время просмотра | Время = внимание = ценность для зрителя и автора |

### E-commerce (D2C)

Ценность: покупатель получает товар, который ему нравится.

NSM: **Количество повторных заказов в месяц** или **Revenue per customer за 90 дней**.

Не GMV. GMV растёт через привлечение новых пользователей, а не через ценность для существующих. Повторный заказ доказывает, что первый опыт был хорошим.

### Subscription Media / Content

Ценность: пользователь потребляет контент регулярно.

NSM: **Количество дней с активным потреблением контента за месяц** (аналог DAU/MAU, но точнее).

Netflix использует "часы просмотра на подписчика". Spotify использует "время прослушивания". Принцип один: регулярное потребление означает, что контент ценен.

## AI-фреймворк выбора NSM: четыре шага

### Шаг 1. Сбор контекста продукта

AI не выберет NSM за фаундера. Но AI обработает контекст и сгенерирует варианты, которые фаундер не рассмотрит из-за когнитивных искажений (confirmation bias: "я уверен, что наша NSM это MRR").

Промпт для генерации кандидатов NSM:

```
Контекст продукта:
- Продукт: [название и описание в 2-3 предложениях]
- Бизнес-модель: [SaaS/marketplace/e-commerce/subscription/другое]
- Целевой пользователь: [кто и какую задачу решает]
- Текущий этап: [pre-PMF / post-PMF / scaling]
- Текущие метрики: [что отслеживаете сейчас]
- Ключевое действие ценности: [что пользователь делает, когда получает ценность]

Задача: Предложи 5 кандидатов на North Star Metric.

Для каждого кандидата укажи:
1. Формулировка метрики (точная, измеримая)
2. Почему отражает ценность для пользователя
3. Как часто обновляется
4. Input metrics (3-4 метрики, которые на неё влияют)
5. Риски: что может пойти не так при оптимизации этой метрики
```

Результат: пять кандидатов с проработанными рисками. Без AI этот анализ занимает неделю обсуждений. С AI получается за 15 минут, после чего команда обсуждает готовые варианты вместо генерации с нуля.

### Шаг 2. Фильтрация через пять критериев

Каждый кандидат проходит проверку по критериям из первого раздела. Промпт для фильтрации:

```
Кандидаты на NSM:
[список из шага 1]

Оцени каждого кандидата по 5 критериям (1-5 баллов):
1. Ценность для пользователя: насколько метрика отражает момент,
   когда пользователь получает пользу
2. Измеримость: можно ли считать автоматически, с какой частотой
3. Опережающий индикатор: предсказывает ли рост revenue через 3-6 месяцев
4. Управляемость: может ли команда из [N] человек влиять на метрику
   продуктовыми изменениями
5. Единственность: не пересекается ли с другими метриками, не является ли
   составной

Формат: таблица с баллами, итоговый рейтинг, рекомендация топ-2 финалистов
с обоснованием.
```

### Шаг 3. Проверка связи NSM с unit economics

NSM бесполезна, если не коррелирует с бизнес-результатами. Рост DAU при падающем LTV означает, что метрика описывает активность, а не ценность.

Промпт для валидации через unit economics:

```
NSM-финалист: [метрика]
Бизнес-модель: [описание]
Средний чек: [X]
CAC: [Y]
Текущий LTV: [Z]
Retention 30d: [%]

Вопросы:
1. Если NSM вырастет на 20%, как это повлияет на LTV?
   Опиши механизм связи.
2. Если NSM вырастет на 20%, как это повлияет на CAC?
   (может снизить через viral loops или не повлиять)
3. Какой LTV:CAC ratio мы ожидаем при целевом значении NSM?
4. Возможен ли рост NSM при одновременном ухудшении unit economics?
   Приведи сценарий.
5. Предложи формулу: NSM → LTV (через какие промежуточные метрики)
```

Если AI находит сценарий, при котором NSM растёт, а unit economics ухудшается, метрика провалила валидацию. Подробнее о расчёте unit economics с помощью AI: [калькулятор unit economics](/ru/blog/unit-economics-calculator-ai/).

### Шаг 4. Построение дерева метрик

NSM без input metrics не управляема. Input metrics показывают, какие рычаги крутить для роста NSM.

Структура дерева:

```
NSM: [ключевая метрика]
├── Input 1: [метрика привлечения]
│   ├── Тактика: [что делать для роста]
│   └── Владелец: [команда/роль]
├── Input 2: [метрика активации]
│   ├── Тактика: [что делать для роста]
│   └── Владелец: [команда/роль]
├── Input 3: [метрика удержания]
│   ├── Тактика: [что делать для роста]
│   └── Владелец: [команда/роль]
└── Input 4: [метрика монетизации]
    ├── Тактика: [что делать для роста]
    └── Владелец: [команда/роль]
```

Промпт для генерации дерева:

```
NSM: [выбранная метрика]
Продукт: [описание]
Команда: [размер, роли]

Построй дерево метрик:
1. 4-5 input metrics, которые напрямую влияют на NSM
2. Для каждой input metric: формула расчёта, источник данных,
   частота обновления
3. Для каждой input metric: 2-3 конкретные тактики роста
4. Зависимости между input metrics (рост одной может снижать другую)
5. Красные линии: при каком значении input metric нужно бить тревогу
```

## Пример: выбор NSM для AI-powered task manager

Контекст: B2B SaaS, команды 5-20 человек, AI автоматически приоритизирует задачи и предлагает декомпозицию. Подписка $15/пользователь/месяц. Стадия pre-PMF, 200 активных команд.

**Кандидаты после шага 1:**

| # | Кандидат NSM | Ценность | Измеримость |
|---|-------------|----------|-------------|
| 1 | Количество задач, завершённых с AI-приоритизацией, в неделю на команду | Высокая | Автоматически |
| 2 | % задач, завершённых в срок (при использовании AI-приоритизации) | Высокая | Автоматически |
| 3 | WAU (Weekly Active Users) | Средняя | Автоматически |
| 4 | Количество AI-generated декомпозиций, принятых пользователем | Высокая | Автоматически |
| 5 | Среднее время от создания задачи до завершения | Средняя | Автоматически |

**Фильтрация (шаг 2):**

WAU отпадает: не отражает ценность. Пользователь мог зайти, посмотреть на пустой дашборд и выйти. Время завершения задачи отпадает: слишком много внешних факторов (сложность задачи, зависимости от других людей).

Финалисты: кандидат #1 и кандидат #4.

**Валидация (шаг 3):**

Кандидат #1 "Количество задач, завершённых с AI-приоритизацией". Рост на 20% означает, что команды завершают больше задач благодаря AI. Это повышает perceived value, снижает churn, увеличивает LTV. Механизм прозрачен.

Кандидат #4 "Количество принятых AI-декомпозиций". Рост на 20% означает, что AI чаще генерирует полезные декомпозиции. Но принятие декомпозиции не гарантирует завершение задач. Пользователь может принимать декомпозиции и не выполнять их.

**Результат:** NSM = "Количество задач, завершённых с AI-приоритизацией, в неделю на команду".

**Дерево метрик:**

```
NSM: Задачи с AI-приоритизацией, завершённые/неделю/команда
├── Input 1: % команд, включивших AI-приоритизацию
│   ├── Тактика: onboarding flow с активацией AI на первой сессии
│   └── Красная линия: < 60%
├── Input 2: Количество задач, созданных в неделю на команду
│   ├── Тактика: интеграции с Jira, Linear, GitHub Issues
│   └── Красная линия: < 10 задач
├── Input 3: % задач, где пользователь принял AI-приоритет
│   ├── Тактика: улучшение модели приоритизации, feedback loop
│   └── Красная линия: < 40%
└── Input 4: Completion rate (% созданных задач, дошедших до Done)
    ├── Тактика: напоминания, weekly digest, streak-механика
    └── Красная линия: < 30%
```

## Валидация NSM через данные: три проверки

Выбрать NSM недостаточно. Метрику нужно провалидировать на реальных данных. Три проверки, которые подтвердят или опровергнут выбор.

### Проверка 1. Корреляция с retention

Разделить пользователей на когорты: высокое значение NSM vs. низкое. Сравнить retention через 30, 60, 90 дней. Если корреляции нет, NSM не отражает ценность.

```sql
-- Пример: корреляция NSM с 30-дневным retention
WITH user_nsm AS (
  SELECT
    team_id,
    COUNT(*) AS tasks_completed_with_ai,
    CASE
      WHEN COUNT(*) >= 10 THEN 'high'
      WHEN COUNT(*) >= 3 THEN 'medium'
      ELSE 'low'
    END AS nsm_cohort
  FROM completed_tasks
  WHERE ai_prioritized = true
    AND completed_at >= CURRENT_DATE - INTERVAL '7 days'
  GROUP BY team_id
)
SELECT
  nsm_cohort,
  COUNT(DISTINCT u.team_id) AS teams,
  AVG(CASE WHEN s.active_30d THEN 1.0 ELSE 0.0 END) AS retention_30d
FROM user_nsm u
JOIN team_subscriptions s ON u.team_id = s.team_id
GROUP BY nsm_cohort
ORDER BY retention_30d DESC;
```

Ожидаемый результат: high-когорта показывает retention 80%+, low-когорта менее 40%. Если разрыв менее 10 процентных пунктов, NSM не работает.

### Проверка 2. Корреляция с revenue

Промпт для AI-анализа связи NSM и revenue:

```
Данные (CSV или описание):
- Когорта high-NSM: [retention, ARPU, LTV]
- Когорта medium-NSM: [retention, ARPU, LTV]
- Когорта low-NSM: [retention, ARPU, LTV]

Вопросы:
1. Какой коэффициент корреляции между NSM и LTV?
2. Статистически значима ли разница между когортами?
   (при выборке N команд)
3. Какое минимальное значение NSM соответствует положительной
   unit economics (LTV > 3x CAC)?
4. Этот порог и есть "magic number" для activation metric?
```

Вопрос о пороге напрямую связан с анализом активации — поиск единственного действия пользователя, которое предсказывает retention, это отдельный метод, разобранный в [гайде по magic number](/ru/blog/magic-number-retention/).

### Проверка 3. Чувствительность к продуктовым изменениям

NSM должна реагировать на продуктовые изменения. Запустить A/B-тест, изменяющий один input metric. Если input metric выросла, а NSM не сдвинулась, связь между ними слабее, чем предполагалось.

Промпт для планирования валидационного эксперимента:

```
NSM: [метрика]
Input metric для теста: [метрика]
Гипотеза: [если изменим X, то NSM вырастет на Y%]
Текущий размер выборки: [количество пользователей/команд]

Рассчитай:
1. Минимальный размер выборки для статистической значимости
   (p < 0.05, power 0.8)
2. Минимальную продолжительность эксперимента
3. Ожидаемый effect size
4. Риски: что может исказить результат (novelty effect,
   сезонность, selection bias)
```

## Антипаттерны: пять ошибок выбора NSM

**1. Vanity metric как NSM.** Регистрации, загрузки, просмотры страниц. Эти метрики растут от маркетинга, а не от продукта. 10 000 регистраций с 2% activation rate означают 200 реальных пользователей.

**2. Revenue как NSM на стадии pre-PMF.** Revenue на ранней стадии зависит от sales-усилий фаундера, а не от продуктовой ценности. Фаундер продал 10 контрактов через личные связи. Revenue вырос. PMF не наступил.

**3. Составная метрика.** "Engagement score = 0.3 × DAU + 0.4 × actions + 0.3 × session_length". Никто в команде не понимает, как на неё влиять. Коэффициенты выбраны произвольно. Рост одного компонента маскирует падение другого.

**4. Метрика без контроля.** "Количество пользователей, рекомендовавших продукт друзьям". Как измерить? Опрос раз в квартал? NPS? Если метрику нельзя обновлять еженедельно автоматически, она не подходит.

**5. Копирование чужой NSM.** Spotify использует "время прослушивания". Это не значит, что подкаст-платформа из 3 человек должна делать то же самое. Spotify оптимизирует engagement для рекламной модели. Подкаст-платформа с подпиской оптимизирует retention через другие метрики.

## Когда менять NSM

NSM не вечна. Три ситуации, когда метрику пора пересмотреть:

**Смена стадии.** Pre-PMF: NSM фокусируется на activation и "aha-моменте". Post-PMF: NSM сдвигается к retention и expansion. Scaling: NSM может сместиться к efficiency (revenue per employee, gross margin).

**Смена бизнес-модели.** Переход с freemium на enterprise sales меняет тип ценности. Метрика "количество активных бесплатных пользователей" теряет смысл, когда 80% revenue приходит от 5 enterprise-клиентов.

**NSM достигла потолка.** Метрика перестала расти не потому, что продукт плох, а потому что достигнут естественный предел. Completion rate 95% не вырастет до 100%. Время найти новый вектор роста и новую NSM.

## Чеклист: от выбора к внедрению

1. Описать контекст продукта по шаблону из шага 1
2. Сгенерировать 5 кандидатов NSM через AI
3. Отфильтровать по 5 критериям (таблица баллов)
4. Провалидировать финалиста через unit economics
5. Построить дерево метрик (4-5 input metrics)
6. Проверить корреляцию NSM с retention на реальных данных
7. Запустить A/B-тест на одной input metric
8. Настроить еженедельный отчёт: NSM + input metrics + тренд
9. Пересматривать NSM при смене стадии, модели или потолка

Главное: NSM не про выбор "правильного числа". NSM про фокус команды. Когда 10 человек смотрят на одну метрику и понимают, как каждое продуктовое решение на неё влияет, скорость принятия решений возрастает кратно. AI ускоряет выбор и валидацию. Решение остаётся за командой.

---

*Нужна помощь с выбором North Star Metric? Я помогаю стартапам внедрять AI-решения и строить продукты — [belov.works](https://belov.works).*