Fable claude-fable-5-1 · effort max срез: 2026-09-19 источников: 95 слов: 16516 complete

Деревья драйверов, метрик и KPI

Деревья драйверов, метрик и KPI — семейство иерархических декомпозиций целевого показателя на драйверы, от формулы DuPont до metric trees 2023–2026 годов. Проверяемое ядро всех подходов — различение арифметических тождеств и гипотез влияния с лагом и уровнем уверенности; именно оно переносится в машиночитаемую структуру для LLM. Ключевое ограничение: контролируемых исследований эффективности деревьев нет, доказательная база состоит из кейсов, консультантских и вендорских утверждений.

Вердикт

Деревья драйверов, метрик и KPI — семейство иерархических декомпозиций одного целевого показателя (корня) на составляющие и влияющие факторы, объединённое идеей связать то, что важно, с тем, что можно двигать. Семейство существует с 1910–1920-х годов (формула DuPont) и в 2023–2026 годах пережило новую волну под названием metric trees в продуктовой аналитике, вплоть до встроенной функции в Mixpanel факт [S1, S2].

  • Главный вывод. Устойчивое и проверяемое ядро всех подходов — не форма дерева, а различение двух типов связей: арифметических тождеств (identity), которые обязаны сходиться численно, и гипотез влияния (influence), которым нужны знак, лаг, уровень уверенности и проверка данными. Это различие независимо воспроизводится в академической классификации 161 дерева, в немецкой традиции Rechensystem и Ordnungssystem, в документации Mixpanel и в обсуждении открытого стандарта семантического слоя факт [S3, S4, S5, S6].
  • Для кого. Для бизнеса 20–500 человек дерево полезно в трёх ролях: выбор показателей, объяснение движения уже измеряемого показателя и планирование; для каждой роли нужен свой тип дерева, а не одно универсальное.
  • Ключевое ограничение. Эмпирическая база эффективности деревьев как управленческой практики практически отсутствует: есть кейсы (Amazon), консультантские и вендорские утверждения, а смежная Balanced Scorecard за тридцать лет дала противоречивые результаты эмпирика [S7]. В финансовом планировании полностью драйверные модели используют лишь 17 % организаций эмпирика [S8].
  • Сильнейшая альтернатива. Дерево по построению ациклично и статично и не выражает петли обратной связи и лаги, поэтому для циклических механизмов уместнее causal loop diagram, а для вопроса «что именно вызвало изменение» при наличии данных — структурная причинная модель с фальсификацией связей.
  • Для LLM. Переносится почти всё формальное: паспорт метрики, типизированные рёбра, проверки арифметики, MECE, циклов и полноты лагов; человеку остаются выбор корня, суждение о контролируемости и валидация влияний.

Уверенность высокая в таксономии и правилах связей из-за сходимости независимых источников и низкая в любых количественных оценках эффекта из-за отсутствия контролируемых исследований.

Что это и как работает

1.1 Определение и семейство названий

Дерево показателей — направленный ациклический граф, чаще именно дерево, в котором корень — целевой показатель, внутренние узлы — промежуточные показатели или результаты, листья — драйверы, а рёбра — связи с явно заданным типом. В академическом обзоре value driver trees единого понимания и нотации не обнаружено: анализ 161 дерева из научных и практических источников показал разнородность семантики (что считается узлом) и синтаксиса (как обозначается связь) эмпирика [S3]. Практики расходятся в вопросе, одно ли это понятие:

  • «Одна концепция с разным акцентом». Вендор платформы деревьев считает metric tree, KPI tree и value driver tree одним понятием для разных аудиторий вендор [S9].
  • «Разные назначения». Автор метода KPI tree Bernie Smith разводит KPI trees, strategy maps, OKR и metrics trees по назначению вендор [S10].

Обе позиции верны в разном: графовая структура одинакова, а семантика узлов и допустимые типы связей различаются, что и разобрано в 1.6.

Название Происхождение Корень Узлы Тип связей Назначение Источники
DuPont, Kennzahlen-Rechensystem (ZVEI, RL) DuPont 1912–1920-е; ZVEI; Reichmann и Lachnit ROI или ROE; у RL два корня: рентабельность и ликвидность финансовые коэффициенты арифметика анализ финансового результата [S1, S4]
Value driver tree Rappaport 1986, практика оценки компаний и консалтинг стоимость, ROIC, FCF финансовые и операционные драйверы арифметика плюс логические связи оценка, программы улучшений [S11, S3]
Driver tree (кейс-практика консалтинга) консалтинг любой числовой показатель числа только арифметика диагностика причины изменения [S12]
KPI tree (ROKS) Smith, 2011 и 2013 стратегическая цель словами результаты словами, затем KPI-кандидаты причинно-следственные и конфликтные линии выбор набора KPI [S10]
North Star Framework Ellis 2017; Amplitude North Star Metric NSM, 3–5 inputs, work, business results влияние фокус продуктовых команд [S13, S14]
Metric tree Sivasailam 2023; Trace, Mixpanel 2025 North Star или выходной показатель метрики с бизнес- и data-определением component (арифметика) и influence операционная модель бизнеса [S15, S16]
Input/output metrics и WBR Amazon; Bryar и Carr выходные метрики контролируемые входы, затем выходы причинный порядок в списке еженедельное управление [S17]
Strategy map, Balanced Scorecard Kaplan и Norton 1992, 2000 финансовая перспектива цели по четырём перспективам гипотезы «средство — цель» коммуникация стратегии [S18, S19]
OKR (каскад или выравнивание) Grove; Doerr 1999, 2018 цель компании цели и ключевые результаты «средство — цель» согласование целей [S20]
Driver-based planning FP&A P&L, прогноз драйверы и допущения формулы бюджет и прогноз [S21]
GQM, GQM+Strategies Basili 1980-е, 1994, 2014 цель измерения цель, вопрос, метрика информационная логика программа измерений [S22, S23]
OEE-декомпозиция Nakajima 1982, 1988 OEE availability, performance, quality и шесть потерь произведение эффективность оборудования [S24]

1.2 Узел

Узел дерева — либо измеримая метрика, либо результат, сформулированный словами. В metric trees все узлы — метрики: каждый узел несёт бизнес-определение и определение в данных, а ребро — драйвер или влияние мнение [S15]. В KPI tree Smith узлы четырёх уровней различаются по природе: стратегическая цель («быть здоровым»), темы («хороший сон»), тактические драйверы («управлять калорийностью») и только на нижнем уровне KPI-кандидаты («индекс массы тела») вендор [S10]. В GQM узлы трёх типов: цель на концептуальном уровне, вопрос на операционном и метрика на количественном факт [S22]. Для машинной проверки важно, что арифметика возможна только между узлами-метриками, а связи с узлами-результатами могут быть лишь логическими.

Атрибуты узла-метрики, без которых арифметика дерева не проверяется:

  • Тип агрегации. В семантическом слое dbt метрика имеет тип simple (агрегат), ratio (числитель и знаменатель), cumulative (накопление за окно), derived (выражение над другими метриками) или conversion факт [S25]. Тип определяет, какие операции с узлом допустимы.
  • Зерно и окно времени. Дневная, недельная, месячная метрика; календарный период или когорта. Смешение календарных и когортных окон в одной формуле — типичный источник ошибок, разобранный в 1.3.
  • Знаменатель. Для любой доли или средней величины знаменатель сам является узлом дерева и часто одним из драйверов другой ветви.
  • Контролируемость. Amazon делит метрики на выходные (revenue, profit, active users), которыми нельзя управлять напрямую, и контролируемые входные, на которые команда влияет действиями факт [S17]. Amplitude формулирует то же для North Star: «если вы можете двигать North Star напрямую, это, вероятно, плохой North Star», метрика должна быть «на один уровень вне досягаемости» вендор [S26].
  • Опережение или запаздывание. Опережающий индикатор измеряет идущую активность и предсказывает запаздывающий с предсказуемым лагом; практический тест: может ли команда ещё повлиять на значение в текущем цикле вендор [S27].
  • Владелец. Узел без владельца в Amazon WBR не обсуждается: владелец либо объясняет отклонение, либо говорит «не знаем, разбираемся» факт [S28].

1.3 Связь: типы и математика

Четыре независимых источника проводят одно и то же различие между связями:

  • Немецкие Kennzahlensysteme. Rechensystem, где показатели связаны математически, против Ordnungssystem, где между сгруппированными показателями есть лишь смысловая связь без функциональной зависимости факт [S4].
  • Академический обзор. Среди 161 value driver tree преобладают математические связи над чисто логическими, но многие деревья гибридны эмпирика [S3].
  • Документация Mixpanel. Component relationships (прямое количественное влияние, например revenue = users × ARPU) против influence relationships (корреляция без гарантированной формулы), которые советуют помечать уровнем уверенности high, medium, low вендор [S5, S29].
  • Открытый стандарт семантического слоя. В обсуждении предложены identity edges (детерминированная арифметика) и influence edges с уровнями verified, correlated, hypothesized факт [S6].

Все зрелые подходы сходятся на двух классах рёбер, и это главное формальное правило дерева.

Тип связи Математика Что обязано выполняться Типичная ошибка
Аддитивная (identity) родитель = Σ детей; знак у вычитаемых сумма детей равна родителю с допуском; дети не пересекаются (MECE) пересекающиеся категории затрат, «маркетинг, онлайн, персонал» считают одну зарплату трижды [S30]
Мультипликативная (identity) родитель = Π детей (revenue = users × ARPU; OEE = A × P × Q) произведение сходится; атрибуция изменения задана конвенцией приписать всё изменение одному множителю, забыв взаимодействие
Долевая, ratio (identity) доля = числитель ÷ знаменатель; средняя = Σ(вес × ставка) числитель и знаменатель — узлы дерева; веса суммируются в 1 смешение сегментов с разными знаменателями, парадокс Симпсона [S31]
Сегментация (identity) метрика = Σ по сегментам; ставка = взвешенная по mix сегменты покрывают всё и не пересекаются сравнение ставок без учёта сдвига mix [S32]
Воронка, процесс (identity) конверсия = Π ставок стадий стадии последовательны и исключающи; окна согласованы календарный расчёт смешивает когорты на разных стадиях [S33]
Мост состояний (identity) MRR_t = MRR_t−1 + new + expansion − contraction − churn компоненты моста сходятся к разнице остатков пропуск категории (resurrection), двойной учёт апгрейда как new [S34]
Влияние (influence) направление, сила, лаг, уверенность у ребра указаны знак, лаг и уровень уверенности; связь проверяется данными влияние выдано за тождество, лаг не объявлен [S27]
Корреляция (наблюдение) коэффициент по временным рядам указан период и зерно расчёта корреляция принята за причинность [S16]
Конфликт, компромисс нет формулы; отметка «улучшение A ухудшает B» указан механизм конфликта оптимизация одного узла без guardrail [S10, S35]
Организационная узел разбит по владельцам у каждого ребёнка один владелец дерево копирует оргструктуру, а не причинность [S5, S36]

Аддитивные связи и двойной счёт

Правило консалтинговых driver trees: ветви должны складываться или перемножаться обратно в родителя; если не сходятся, это issue tree, а не driver tree мнение [S12]. Уравнение по построению не пересекается, поэтому любое разбиение стоит начинать с уравнения мнение [S30]. Двойной счёт возникает двумя путями: пересекающиеся категории на одном уровне и общий драйвер, входящий в две ветви (цена входит и в выручку, и в конверсию). Второй случай законен, но превращает дерево в DAG: GQM изначально допускает, что одна метрика обслуживает несколько вопросов факт [S22]. В identity-слое общий узел допустим только как ссылка на один и тот же объект, а не как две копии с разными определениями.

Мультипликативные связи и атрибуция изменения

Разложение изменения произведения на вклады множителей неоднозначно. Практика мостов (value bridge) знает три конвенции: последовательная с фиксированной базой (сначала цена при базовом объёме, затем объём, остаток — mix), где порядок влияет на размер столбиков; логарифмическая; и атрибуция Шепли как усреднение по перестановкам, устраняющее произвол порядка мнение [S37]. Пример (иллюстрация): выручка = users × ARPU; период 1: 10 000 × 50 = 500 000; период 2: 11 000 × 48 = 528 000; Δ = +28 000.

эффект users при базовом ARPU:   (+1 000) × 50   = +50 000
эффект ARPU при базовых users:   10 000 × (−2)   = −20 000
взаимодействие:                  (+1 000) × (−2) =  −2 000
итого                                             = +28 000  (сходится)

Взаимодействие в −2 000 нужно либо показать отдельно, либо распределить по конвенции; молчаливое отбрасывание ломает сходимость и делает проверку дерева невозможной. Умножение усиливает разброс: OEE 20 % × 80 % = 16 %, а 50 % × 50 % = 25 % при одинаковой «сумме», то есть произведение наказывает неравномерность множителей факт [S24].

Доли, знаменатели и сдвиг mix

Изменение доли или средней величины складывается из изменения ставок внутри сегментов и изменения состава (mix). Пример Sequoia: сегмент США 80 % пользователей по 10 минут в день и остальной мир 20 % по 5 минут дают 9 минут на пользователя; при обратной пропорции и неизменных ставках внутри сегментов среднее падает до 6 минут факт [S31]. Автоматизация этого разложения требует, чтобы дерево хранило числитель, знаменатель и иерархию сегментов явно вендор [S32]. Отсюда правило: у каждого ratio-узла знаменатель — отдельный узел, а сегментное разбиение объявлено как тип связи, а не спрятано в фильтрах.

Сегментация или компоненты

Одну и ту же метрику можно представить либо как сумму компонентных метрик, либо как одну метрику, нарезаемую по измерению; это одно из типовых решений при проектировании metric tree мнение [S38]. Компоненты нужны, когда у частей разные драйверы и владельцы (new и expansion MRR), нарезка — когда механизм одинаков и важен только состав (страна, канал).

Воронки, когорты и календарь

Мост MRR по состояниям (new, expansion, contraction, churn) — детерминированная связь; активные пользователи и подписки — корреляционная; переходы пользователей между состояниями (new, activated, active, at-risk, dormant) — третий, «state-based» тип мнение [S34]. Критика метрических деревьев указывает на «слепое пятно когорт»: календарный месяц смешивает пользователей на разных стадиях жизненного цикла, и мультипликативное разложение скрывает операционные напряжения и общие скрытые причины (confounders) мнение [S33]. Практическое следствие: для узлов воронки объявляется, календарное это окно или когортное, и смешивать их в одной формуле запрещено.

Лаги и временной горизонт

Дерево статично, а связи влияния действуют с задержкой: конверсия может отставать от действия на 60–90 дней, и дерево эту «безвременность» не выражает мнение [S34]. Практика лагов: пара «опережающий индикатор — запаздывающий показатель — ожидаемый лаг» обязательна, иначе классификация индикатора — догадка; примеры лагов: даунгрейды мест → contraction через месяц, health score → churn через 60 дней, трафик → выручка через 90 дней при длинном цикле покупки вендор [S27]. Критика Balanced Scorecard с 2000 года указывает тот же дефект: отсутствие измерения времени между причинами и следствиями мнение [S39]. Следствие для формата: лаг — обязательное поле influence-ребра, а не комментарий.

Циклы обратной связи

Дерево ациклично, а рост часто цикличен. Amazon описывает свою модель через flywheel по Jim Collins: выбор, низкие цены и клиентский опыт усиливают друг друга факт [S17]. Reforge в 2018 году противопоставил воронкам growth loops, замкнутые системы, где выход реинвестируется во вход и даёт компаундный рост мнение [S40]. Causal loop diagram выражает такие петли явно через знаки связей и типы контуров (усиливающий, балансирующий) факт [S41]. Правило: если ключевой механизм бизнеса — петля, дерево описывает только его арифметическую часть, а петля рисуется отдельно и ссылается на узлы дерева.

1.4 Корень дерева и его выбор

Выбор корня задаёт язык всего дерева. У DuPont корень — ROI как произведение оборачиваемости капитала и рентабельности продаж, и этот ROI-Baum стал прототипом остальных Kennzahlensysteme факт [S4, S1]. У value driver trees корень — стоимость для акционеров через семь драйверов Rappaport: темп роста продаж, операционная маржа, налоговая ставка, капитальные вложения, оборотный капитал, стоимость капитала и период прогноза факт [S11]. Amplitude, напротив, считает выручку плохой North Star, поскольку она запаздывает, и требует от корня выражать ценность для клиента и опережать выручку вендор [S26]. Brian Balfour показал, что единый выходной показатель обманывает: он запаздывает, скрывает проблемы, охватывает одно измерение и маскирует компромиссы, поэтому нужна constellation из нескольких выходов и их входов мнение [S35].

Практические правила выбора корня:

  • Корень соответствует горизонту решений. Финансовый корень уместен для годового и квартального цикла; для недельного управления нужен операционный корень: OEE станка, on-time delivery цеха с целью 79 % → 90 % за 18 месяцев (пример из руководства) мнение [S36].
  • Корней может быть больше одного. RL-Kennzahlensystem держит на вершине два показателя — успех и ликвидность факт [S4]; constellation Balfour — несколько выходов с явными компромиссами [S35].
  • P&L — уже дерево. Отчёт о прибылях и убытках — естественное аддитивное дерево, из которого операционные деревья вырастают вниз вендор [S42]. Это удобный якорь для финансового корня, но его тождества не являются причинами (см. раздел 8).
  • Целевые значения в корень и узлы не вносятся при построении. Smith прямо запрещает цифры и цели в дереве на этапе конструирования, чтобы не подменить структуру торгом о планах вендор [S10].

1.5 Глубина декомпозиции и критерий остановки

Критерий остановки у всех практиков один и тот же по смыслу: декомпозиция продолжается, пока лист не станет контролируемым входом одного владельца. Amazon формулирует это как «спрашивать, что двигает этот показатель и как это измерить, пока метрику нельзя осмысленно разложить дальше» факт [S17]. Mixpanel рекомендует 2–4 драйвера на уровень и остановку, когда метрика напрямую контролируется одной командой вендор [S5]. Для заводского дерева советуют три уровня: результат, 2–4 драйвера, цеховые листья, поскольку глубже причинные связи становятся слишком слабыми и дерево начинает копировать оргструктуру мнение [S36]. В консалтинге строят 2–3 слоя, находят проблемную ветвь и углубляются только в неё мнение [S30].

Размеры на практике расходятся на порядок в зависимости от назначения:

Контекст Размер Тип утверждения Источник
KPI tree Smith как longlist 20–100 и более KPI-кандидатов, затем shortlist вендор [S10]
Amazon WBR, компания-гигант 400–500 метрик за 60 минут практика [S28]
Commoncog, малая компания 47 метрик за 15 минут практика [S28]
Metric tree по опыту консультанта «монстры» на 90 и более узлов операционно неработоспособны мнение [S34]
North Star Framework 1 NSM и 3–5 inputs вендор [S14]

1.6 Чем driver tree отличается от metric tree, KPI tree и дерева целей

Признак Driver tree, VDT Metric tree KPI tree (Smith) Дерево целей, strategy map, OKR
Что в узлах числа метрики с определением в данных результаты словами, KPI только в листьях цели и ключевые результаты
Какие связи только арифметика component и influence, с уверенностью причинно-следственные и конфликтные линии, без формул «средство — цель», гипотезы
Обязана ли сходиться арифметика да в identity-части да нет нет
Главный вопрос почему изменилось число как устроен бизнес и что двигать какие KPI вообще измерять как согласовать намерения
Корень финансовый показатель North Star или выход стратегическая цель миссия или цель компании
Кто строит финансы, консалтинг данные и продукт руководители в воркшопе руководство
Источники [S12, S3] [S15, S5] [S10] [S19, S20]

Три смежных объекта, с которыми деревья путают:

  • Issue tree. Разбивает вопрос на MECE-категории для генерации гипотез; driver tree проверяет гипотезы количественно; консультанты используют их последовательно мнение [S12].
  • Каталог метрик и семантический слой. Каталог — список метрик с метаданными, семантический слой — код, который единообразно вычисляет метрики; дерево добавляет к ним связи между метриками и бизнес-уравнения вендор [S43].
  • Causal loop diagram и структурная причинная модель. CLD допускает циклы и знаки, но не арифметику факт [S41]; структурная причинная модель — DAG с функциональными механизмами, который валидируют фальсификацией и используют для атрибуции и контрфактов эмпирика [S44]. Дерево — частный случай DAG без циклов, с двумя типами рёбер и без функций на influence-рёбрах.

1.7 Формальная сторона: минимальная модель дерева

Из сходящихся источников выводится минимальная формальная модель; сама сводка — авторская гипотеза, опоры указаны.

  • Граф. Дерево T = (N, E, R): узлы N, рёбра E, корни R (один или несколько). Граф ацикличен; общий узел допускается только как одна сущность, на которую ссылаются несколько родителей.
  • Узел. Обязательные поля: идентификатор, имя, тип агрегации (по образцу simple, ratio, cumulative, derived факт [S25]), зерно и окно времени, единица, направление «лучше», признак контролируемости, владелец.
  • Identity-ребро. Оператор из набора sum, product, ratio, weighted_mean, difference или expr, выражение над детьми и допуск сходимости; аналог derived metric с полями expr и input_metrics в dbt факт [S25].
  • Influence-ребро. Знак, ожидаемый лаг, уровень уверенности (hypothesized, correlated, verified) и ссылка на свидетельство; аналог предложенных identity и influence edges в обсуждении открытого стандарта факт [S6] и уровней high, medium, low у Mixpanel вендор [S5].
  • Инварианты. Дети identity-ребра MECE относительно родителя; у ratio-узла числитель и знаменатель — узлы дерева; окно времени у детей identity-ребра совпадает с родительским; у каждого influence-ребра заполнены знак, лаг и уверенность.

Развёрнутая машиночитаемая форма и список автоматических проверок даны в разделе 10.

Актуальность и доказательная база на дату среза

2.1 Распространённость по сегментам и тренд

Сегмент Что известно на 2026-09-19 Тренд Тип Источник
FP&A, планирование 17 % организаций используют полностью драйверные модели; среди них 77 % оценивают свои прогнозы как хорошие; 29 % тратят более 10 дней на прогноз стабильно низкий уровень при высоком интересе эмпирика (опрос практиков, выборка не раскрыта) [S8]
FP&A, годом раньше 9 % полностью автоматизировали драйверные модели; 21 % не могут запустить сценарии вообще; 52 % планируют в Excel; более 2 400 респондентов накоплено за восемь лет медленный рост эмпирика (опрос) [S45]
Корпоративные финансы и консалтинг value driver trees — стандартный инструмент, но с разнородной нотацией; 161 дерево в обзоре стабилен эмпирика (обзор литературы) [S3]
Продуктовая аналитика доклад о metric trees на Data Council весной 2023 года; встроенная функция Metric Trees в Mixpanel с августа 2025; покупка DoubleLoop в октябре 2025; специализированные платформы Trace и KPI Tree растёт факт и вендор [S38, S2, S46]
Производство OEE и её разложение стандартизированы (ISO 22400), иерархия «базовые элементы → поддерживающие индикаторы → KPI» описана формально стабилен факт [S47, S24]
Стратегическое управление в опросе 2020 года 88 % респондентов применяли Balanced Scorecard для реализации стратегии, 63 % для операционного управления зрелая практика эмпирика (опрос, пересказ в энциклопедии) [S48]

Принадлежность утверждений: цифры FP&A Trends получены от сообщества практиков FP&A и не раскрывают выборку 2025 года, поэтому пригодны как порядок величины, а не как точная доля эмпирика [S8]. Тренд в продуктовой аналитике подтверждён продуктовыми фактами (релизы, сделка), а не независимыми замерами факт [S2, S46].

2.2 Научная и эмпирическая база

Прямых контролируемых исследований влияния деревьев драйверов или метрик на результаты компаний найти не удалось гипотеза. Обзор литературы о value driver trees фиксирует ограниченную эмпирическую валидацию предполагаемых причинных связей и отсутствие руководств по оптимальной глубине и детализации эмпирика [S3]. Что есть:

  • Value driver tree в логистике. Дерево для процесса order-to-delivery построено по систематическому обзору литературы и экспертным интервью в немецком производстве, а корреляционный анализ на данных одного кейса подтвердил монотонные связи между выбранными метриками; ограничение — одна страна и один кейс эмпирика [S49].
  • Ранжирование драйверов стоимости. Анализ чувствительности по семи драйверам Rappaport показал, что влияние операционных затрат и процентных расходов на свободный денежный поток заметно выше влияния выручки, а картина драйверов схожа между отраслями; метод не улавливает взаимозависимости драйверов эмпирика [S11].
  • Balanced Scorecard, тридцать лет. Обзор в Business Horizons констатирует, что эмпирические результаты об эффективности BSC непоследовательны, а сама BSC «должна быть эффективно внедрена, чтобы быть инструментом эффективной реализации стратегии» эмпирика [S7]. По вторичным пересказам той же статьи, число исследований с положительным эффектом примерно равно числу с нулевым или отрицательным, а метаанализ восьми исследований показал, что явная причинная связка (strategy map) усиливает связь «внедрение BSC — результат» на 0,321; полный текст статьи недоступен, цифра приведена как непроверенная эмпирика [S7].
  • Balanced Scorecard в здравоохранении. Систематический обзор 20 исследований: положительный эффект на удовлетворённость пациентов и финансовые результаты, слабый — на удовлетворённость персонала; у многих исследований высокий риск смещения эмпирика [S50].
  • Опережающие и запаздывающие индикаторы BSC. Метаанализ 2025 года сообщает о центральной роли обучения и роста и о вкладе внутренних процессов и клиентов в финансовый результат; доступен только фрагмент, дизайн не проверен эмпирика [S51].
  • Системы измерения результативности в целом. Обзор 76 эмпирических исследований классифицирует последствия систем измерения по поведению людей, организационным способностям и результатам; сам факт наличия обзора зафиксирован по метаданным (745 цитирований), текст недоступен эмпирика [S52].
  • Критика причинности в BSC. Nørreklit (2000) показала, что Kaplan и Norton смешивают причинно-следственные, логические и «средство — цель» связи, а модель не содержит измерения времени; статья собрала 1 452 цитирования по данным Semantic Scholar факт [S39].
  • OEE. Обзор литературы и практики применения OEE (573 цитирования) документирует расширение OEE до семейства метрик и ограничение исходной формулы оценкой отдельной машины факт [S53]. Свойства формулы: произведение наказывает разброс множителей, среднее за смены скрывает разные причины, метрика непригодна для сравнения машин и оценки людей, а «85 % — мировой класс» во многих случаях неверно мнение [S24].
  • Системная динамика для бизнес-моделей. Единичный кейс: диаграммы причинных петель и потоков помогли предпринимателям справиться со сложностью параметров при диверсификации бизнес-модели; дизайн — одиночный исследовательский кейс эмпирика [S54].

Итог по научной базе: доказательность самих деревьев низкая, доказательность смежных практик (BSC, OEE) средняя и противоречивая, а самые сильные результаты последних лет относятся к причинному моделированию и к машиночитаемым определениям метрик (раздел 2.6 и раздел 10).

2.3 Практическая база

  • Amazon Weekly Business Review. Руководство еженедельно просматривает 400–500 метрик за 60 минут; колода упорядочена причинно, от контролируемых входов к выходам; обсуждаются только входы, выходы показывают статус к цели; отклонения трактуются через контроль статистической вариации по Демингу; отработка формата занимает месяцы итераций факт [S28]. Bryar подчёркивает, что входные метрики находят методом проб и ошибок, а не проектируют заранее факт [S55].
  • Эволюция входной метрики. Метрика «выбора» в Amazon менялась: число карточек товаров → число просмотров карточек → доля просмотров карточек с товаром в наличии → доля просмотров с товаром в наличии и готовым к двухдневной доставке (Fast Track In Stock); каждый шаг отвечал на вопрос «если мы будем менять эту метрику, даст ли это желаемый выход» факт [S56].
  • Flexport и Levers Labs. Руководитель данных сообщает, что процесс «командные метрики задаются до планирования инициатив, и каждая инициатива обязана отображаться в метрику» был трансформирующим, но радикальным и трудно внедряемым мнение [S57].
  • Диагностика падения пайплайна. Падение на 90 % оказалось в пределах обычной вариации, а причиной были пасхальные каникулы; аналитик подчёркивает, что количественный анализ лишь сужает область поиска для качественного расследования факт [S58].
  • Вендорские кейсы. Pigment: Supercell сократил обновление факта и прогноза P&L с 8 дней до 4 минут вендор [S21]. Mixpanel цитирует директора по данным Zola о ценности определений метрик и углубления в узлы вендор [S2].

2.4 Мнение отрасли: кто поддерживает и кто критикует

Позиция Кто Аргумент Источник
За metric trees как операционную модель Sivasailam, Subramanian (Trace), Dechau связь между метриками превращает абстрактные цели в исполнимую карту [S38, S43, S34]
За KPI trees как способ выбрать KPI Smith дерево защищает от выбора метрик «самой громкой личностью в комнате» [S10]
За North Star с inputs Ellis, Cutler, Amplitude единый показатель ценности объединяет разрозненные функции [S13, S14]
Против единого North Star Balfour выходная метрика запаздывает, скрывает проблемы и компромиссы [S35]
Против North Star как идеи Chapman бизнес многомерен, единая метрика порождает цинизм и gaming; лучше набор сигналов вроде HEART [S59]
Против математической самоуверенности деревьев Levchuk мультипликативное разложение скрывает напряжения, когорты и общие причины [S33]
Против каскада OKR Wodtke (в пересказе), Bayer каскад не масштабируется, порождает водопад и «испорченный телефон» [S60, S61]
Против причинных претензий BSC Nørreklit причинность вставлена без эмпирики, нет времени [S39]
Осторожно к вендорским плейбукам Dechau «когда люди с прямым денежным интересом публикуют плейбуки, будьте осторожны» [S34]

2.5 Главные споры

  1. Один корень или созвездие. North Star Framework настаивает на одной метрике с 3–5 входами [S14]; Balfour и Chapman требуют несколько выходов и guardrails [S35, S59]. Компромисс практики: один корень для фокуса плюс явные guardrail-узлы.
  2. Только арифметика или ещё и влияние. Консалтинг признаёт деревом только арифметику [S12]; metric trees и Mixpanel допускают influence-рёбра с уверенностью [S5]. Спор снимается типизацией рёбер.
  3. Дерево, петля или причинная модель. Reforge и Amazon мыслят петлями [S40, S17]; Amazon Science в 2025–2026 годах строит и фальсифицирует причинные DAG вместо «водопадной логики» [S44].
  4. Каскад или выравнивание целей. Каскад OKR критикуют за жёсткость [S60]; выравнивание оставляет дерево метрик общим контекстом, а не структурой подчинения.
  5. Обязателен ли финансовый корень. VDT и DuPont начинают с денег [S11]; Amplitude считает выручку плохим корнем для продуктовых команд [S26].
  6. Могут ли LLM строить деревья. Mixpanel генерирует черновики из публичной информации, не используя данные клиента [S16]; бенчмарки показывают, что LLM хорошо предлагают структуру и плохо оценивают коэффициенты [S62].

2.6 Что изменилось за 2023–2026 годы

  • Продуктизация metric trees. От доклада 2023 года и шаблонов в Miro к встроенным функциям: Mixpanel Metric Trees (август 2025, платная надстройка Enterprise), покупка DoubleLoop (октябрь 2025), платформы Trace и KPI Tree с подключением к хранилищу данных факт [S2, S16, S46, S63, S64].
  • Стандартизация определений метрик. Спецификация Open Semantic Interchange в YAML и JSON для переносимых определений семантических моделей, с конвертерами для dbt, GoodData и Polaris, на дату среза находится в Apache Incubator под именем Apache Ossie факт [S65]. В январе 2026 года открыто обсуждение добавления в спецификацию metric trees и поля depends_on с типами identity и influence; на 10 сентября 2026 года решения нет факт [S6].
  • LLM и семантический слой. Бенчмарк dbt Labs (вендор) в апреле 2026 года: точность ответов через семантический слой 98–100 % против 84–90 % у text-to-SQL на 11 вопросах по 20 прогонов вендор [S66]. Независимый парный бенчмарк на 100 вопросах: документ семантического слоя добавляет 17–23 процентных пункта точности всем трём фронтирным моделям, но абсолютная точность остаётся около 68 % эмпирика [S67].
  • LLM и причинные графы. Amazon Science в 2025–2026 годах использует LLM для предложения причинных DAG по определениям метрик и фальсифицирует их статистическими тестами эмпирика [S44, S68]. Бенчмарк 2026 года показал, что семь LLM нестабильно оценивают коэффициенты структурных уравнений даже при заданном DAG эмпирика [S62].
  • Генерация деревьев LLM в продуктах. Mixpanel создаёт первый черновик дерева по описанию стратегии и публичной информации о компании, DoubleLoop автоматизирует «value frameworks» с помощью AI, появились открытые навыки для ассистентов с проверкой MECE на каждом уровне вендор [S69, S46, S70].

Влияние на выводы: формальная часть деревьев (определения, типы связей, проверки) стала реализуемой без собственной разработки, а слабое место переместилось из «нет инструментов» в «нет валидации influence-связей и нет доказательств эффекта».

Где применимо и где нет, плюсы и минусы

Подходит, когда

  • Есть один измеряемый результат и цикл решений короче горизонта его изменения. Дерево полезно там, где недельные решения по входам двигают месячный выход; Amazon обсуждает только входы именно потому, что выходы напрямую не двигаются факт [S28].
  • Показателей больше десяти и они спорят между собой. Дерево делает компромиссы видимыми: конфликтные линии у Smith [S10] и созвездие с явными trade-off у Balfour [S35].
  • Нужно объяснить движение числа по данным, которые уже есть. Аддитивные и мультипликативные тождества, сегментация и мост mix позволяют механически атрибутировать изменение вендор [S32, S37].
  • Нужно связать план с операционными допущениями. Драйверная модель делает допущения прозрачными и пересчитывает финансы при изменении входов вендор [S71]; среди использующих такие модели 77 % довольны прогнозом эмпирика [S8].
  • Команды владеют разными частями результата. Организационное дерево с одним владельцем на лист даёт адресную ответственность вендор [S5].
  • Есть данные для проверки связей. Влияния можно валидировать корреляцией, регрессией или экспериментом, а низкоуверенные связи превращать в эксперименты вендор [S5].

Не подходит, когда

  • Ключевой механизм — петля обратной связи. Дерево ациклично и не выражает компаундный рост и балансирующие контуры; нужны growth loops или CLD мнение [S40, S41].
  • Нужен строгий ответ «что вызвало» при общих скрытых причинах. Дерево не изолирует confounders мнение [S33]; для атрибуции с ответственностью нужна валидированная структурная причинная модель эмпирика [S44].
  • Организация меньше двадцати человек с одним продуктом и менее десяти показателей. Накладные расходы на паспорта, владельцев и ревизии не окупаются; плоского набора с guardrail достаточно гипотеза.
  • Нет данных и нет владельцев узлов. Узел без владельца и без данных не обсуждается и не проверяется факт [S28]; дерево вырождается в плакат.
  • Цель — коммуникация стратегии, а не измерение. Для этого создана strategy map, а не арифметическое дерево факт [S19]; Smith относит strategy maps к коммуникации, а KPI trees — к выбору KPI вендор [S10].
  • Показатели привязаны к бонусам на уровне листьев. Целевая метрика перестаёт быть хорошей мерой (закон Гудхарта) факт [S72]; дерево усиливает давление на листья.

Плюсы

  • Общий язык между финансами, операциями и продуктом. Один граф связывает деньги и действия, что Anaplan называет «causal clarity» для анализа отклонений вендор [S71].
  • Проверяемость арифметики. Identity-часть дерева обязана сходиться, что делает ошибки определений видимыми и автоматизируемыми мнение [S12].
  • Явные гипотезы вместо неявных убеждений. Influence-рёбра с уверенностью превращают убеждения в проверяемые ставки вендор [S5].
  • Быстрая диагностика. Разложение по компонентам и сегментам сводит поиск причины к нескольким ветвям, а алгоритмы иерархической суммаризации изменений работают в промышленном масштабе эмпирика [S73].
  • Защита от волюнтаризма в выборе KPI. Дерево заставляет каждую метрику вести к цели, а не к «самой громкой личности» вендор [S10].
  • Основа для LLM-агентов. Типизированные связи и владельцы образуют контекст, который агенты потребляют через семантический слой и протоколы контекста вендор [S64].

Минусы

  • Статичность и отсутствие времени. Лаги и сезонность не выражаются структурой, их приходится добавлять полями и дисциплиной мнение [S34, S39].
  • Ложная строгость. Мультипликативная формула выглядит точной, но скрывает когорты, взаимодействия и общие причины мнение [S33]; корреляция в узлах принимается за причинность вендор [S16].
  • Стоимость поддержания. Паспорта, владельцы, ежеквартальные ревизии и «bet ledger» требуют роли стюарда дерева вендор [S5]; в Amazon формат отлаживали месяцами факт [S28].
  • Склонность к разрастанию. Longlist на 100 KPI и деревья на 90 узлов теряют операционную ценность вендор [S10, S34].
  • Слабая доказательная база. Эффект самих деревьев не измерен; смежная BSC даёт противоречивые результаты эмпирика [S7].
  • Риск gaming. Чем яснее лист связан с целью и бонусом, тем сильнее давление на него; Amazon многократно переопределяла метрику выбора именно из-за этого факт [S56].

Альтернативы и дерево решений

Альтернативы одного класса — способы связать цели организации с показателями и действиями. Внутри семейства деревьев выбор типа дерева разобран в 1.6; здесь сравниваются деревья как класс с внешними альтернативами.

Подход Что связывает Математика связей Циклы и лаги Требования к данным Стоимость входа Машинная проверка Лучше всего для
Деревья драйверов и метрик (предмет) показатель с его компонентами и влияниями identity сходится; influence с уверенностью циклов нет; лаги полями метрики с определениями воркшопы плюс паспорта арифметика, MECE, циклы объяснение и управление показателем
Balanced Scorecard и strategy map цели по четырём перспективам нет; гипотезы «средство — цель» лагов нет по критике минимальные средняя, консультанты нет коммуникация стратегии совету и персоналу
OKR с выравниванием цели компании и команд нет; ключевые результаты измеримы квартальный цикл измеримые KR низкая частично (формат KR) согласование намерений на квартал
Driver-based planning model операционные допущения и финансовый план формулы, сценарии лаги моделируются явно ряды факта и допущения таблица или платформа пересчёт модели бюджет, прогноз, сценарии
GQM и GQM+Strategies цель измерения, вопросы, метрики; стратегии и допущения нет арифметики; логика нет любые средняя структура графа проектирование программы измерений
Controllable input metrics и WBR входы и выходы в причинном порядке, без графа нет; порядок списка вариация через SPC еженедельные ряды низкая, дисциплина выявление вариации еженедельное операционное управление
Causal loop diagram, системная динамика переменные с знаками и петлями качественно; в стоках и потоках количественно циклы и задержки явно для симуляции много средняя и выше симуляция понимание петель и политик
Структурная причинная модель переменные и механизмы в DAG функции, эффекты интервенций лаги через переменные много наблюдений с вариативностью высокая, специалисты фальсификация, тесты атрибуция и контрфакты с ответственностью
Плоский набор метрик с guardrails целевая метрика и ограничители нет нет базовые минимальная нет малые команды и эксперименты

Источники таблицы: деревья [S5, S12]; BSC [S18, S19, S39]; OKR [S20, S60]; планирование [S71, S74]; GQM [S22, S23]; WBR [S28]; CLD и системная динамика [S41, S75]; SCM [S44]; guardrails [S76].

Когда каждая альтернатива целесообразнее

  • Balanced Scorecard и strategy map. Целесообразнее, когда задача — рассказать стратегию и распределить внимание по перспективам, а не измерять и объяснять число. Плюс относительно деревьев: покрывает нефинансовые перспективы и учебные цели факт [S48]. Минусы: причинность вставлена без эмпирики и без времени мнение [S39]; тридцать лет исследований дали противоречивые результаты эмпирика [S7]; в первых статьях авторы не приводили ссылок, а выбор четырёх перспектив не обоснован мнение [S48].
  • OKR с выравниванием. Целесообразнее, когда нужно согласовать намерения команд на квартал, а не построить модель бизнеса. Плюс: лёгкость и автономия команд. Минус: строгий каскад не масштабируется, превращает планирование в водопад и «игру в телефон» и требует дорогих систем согласования мнение [S60, S61]. Ключевые результаты естественно ложатся как цели на узлы дерева, поэтому OKR и дерево не конкуренты, а слои.
  • Driver-based planning model. Целесообразнее, когда главный вопрос — «что будет с P&L при таких допущениях». Плюс: пересчёт финансов при изменении входов и сценарии вендор [S71]. Минус: чем больше шагов вычисления драйвера, тем больше шансов ошибки и ложных показаний мнение [S74]; полностью драйверные модели используют 17 % организаций эмпирика [S8]. Дерево — естественная схема такой модели.
  • GQM и GQM+Strategies. Целесообразнее в инженерных и проектных средах, где нужно вывести метрики из вопросов, а не из тождеств. Плюс: явные допущения и контекст у каждой стратегии факт [S23]. Минус: нет арифметики между метриками, что делает невозможной автоматическую сходимость.
  • Controllable input metrics и WBR без графа. Целесообразнее, когда важнее ритм и дисциплина, чем структура; Amazon держит связи в порядке колоды, а не в диаграмме факт [S28]. Плюс: не требует моделирования. Минус: связи входов и выходов живут в головах, поэтому их нельзя проверить автоматически.
  • Causal loop diagram. Целесообразнее, когда движущий механизм — петля: сеть, сарафан, запасы и цены. Плюс: петли и задержки явные факт [S41]. Минусы: без стоков и потоков нет арифметики; доказательства пользы для малого бизнеса единичны и качественные эмпирика [S54].
  • Структурная причинная модель. Целесообразнее, когда за ответом «что вызвало» стоят деньги и есть длинные ряды с вариативностью. Плюс: валидированная SCM даёт более устойчивую атрибуцию, чем правила и «водопад» эмпирика [S44]. Минусы: нужны специалисты и данные; LLM помогают предложить граф, но плохо оценивают коэффициенты эмпирика [S62].
  • Плоский набор с guardrails. Целесообразнее для малой команды и для экспериментов: целевая метрика плюс ограничители по удержанию, надёжности и жалобам вендор [S76]; в литературе по экспериментам guardrail-метрики защищают от нарушенных допущений и вреда факт [S77]. Минус: без структуры нельзя объяснить, почему двинулась цель.

Дерево решений

  • Если в компании меньше 20 человек, один продукт и меньше 10 показателей→плоский набор из 1 целевой метрики и 3–5 guardrails, без дерева
    • Если через два квартала появились споры «какая метрика важнее»→перейти к North Star с 3–5 inputs
  • Если цель — впервые выбрать, что измерять→KPI tree по методу Smith как longlist, затем shortlist по важности и доступности данных
    • Если цели компании стандартны (прибыльность, рост, соответствие требованиям, риск)→сокращённый вариант: 1 корень, 2 уровня, не более 12 KPI на выходе
    • Иначе→полный воркшоп в два захода с участниками разного уровня
  • Если цель — объяснять движение уже измеряемого показателя→driver tree с identity-связями и периодическим мостом изменений
    • Если есть сегментные данные и хранилище→дерево с сегментацией и автоматической атрибуцией (mix и ставки) в инструменте с подключением к данным
    • Если данных мало→ручной мост в таблице по 2–3 слоям, углубление только в проблемную ветвь
  • Если цель — бюджет, прогноз и сценарии→driver-based model
    • Если больше 200 человек и несколько подразделений с раздельными планами→платформа планирования (Anaplan, Pigment или аналог), дерево как схема модели
    • Иначе→таблица с явными драйверами и листом допущений
  • Если цель — направить продуктовые команды на ценность для клиента→North Star Framework: 1 NSM, 3–5 inputs, обязательные guardrails по выручке и удержанию
    • Если команд больше трёх и нужна атрибуция экспериментов→metric tree с component и influence-связями в продуктовой аналитике
  • Если цель — еженедельно управлять операциями→controllable input metrics с WBR-порядком «входы, затем выходы»
    • Если это производство с оборудованием→корень OEE по машинам или линиям с шестью потерями, дерево на 3 уровня
    • Если это услуги→корень «маржинальный час» или аналог, входы: загрузка, ставка, доля переделок
  • Если цель — согласовать цели подразделений→OKR с выравниванием на цели компании, без каскада; общее дерево метрик как контекст, ключевые результаты как цели на узлах
  • Если цель — представить стратегию совету или инвесторам→strategy map как сопровождение, измерение через дерево
  • Если ключевой механизм бизнеса — петля (сеть, маркетплейс, сарафан, запасы)→causal loop diagram для петли, дерево только для арифметической части
  • Если нужен ответ «что вызвало» с деньгами на кону и есть не менее 1–2 лет данных с вариативностью→структурная причинная модель с фальсификацией связей; дерево как априорный DAG
  • Если ни у одного узла нет владельца или данные не собираются→отказаться от дерева до появления данных и владельцев; начать с паспортов 5–7 метрик

Практическое применение

5.1 Порядок внедрения

  1. Выбор назначения и корня. Одна из трёх ролей: выбрать KPI, объяснить показатель, планировать. Для стартового набора целей Smith предлагает «большую шестёрку»: прибыльность и платёжеспособность, рост, ESG, соответствие требованиям, инновации, риск вендор [S78].
  2. Воркшоп. Формат Smith: минимум две сессии по 2 часа с интервалом 1–5 рабочих дней, 3–9 участников разного уровня; цикл «разбить, обсудить, проверить, связать» на каждом уровне; без цифр и целей в дереве вендор [S10]. Формат North Star: 60–120 минут с руководителем продукта, продакт-менеджерами, продажами, маркетингом и поддержкой мнение [S79]. Amazon добавляет четыре метода поиска входов: рекурсивный вопрос «что двигает это», flywheel, карта клиентского пути по шагам и разбор дефектов «что мы должны были измерять» факт [S17].
  3. Слой тождеств первым. Каждое разбиение начинается с уравнения, ветви складываются или перемножаются в родителя мнение [S30]. Данные для этого слоя обычно уже есть в учёте.
  4. Слой влияний с полями. Для каждой гипотезы: знак, ожидаемый лаг, уверенность, чем проверять. Низкоуверенные связи — кандидаты в эксперименты вендор [S5].
  5. Владельцы. У каждого листа один ответственный; для верхних узлов — «отвечает за отчётность», а не «за результат» [S5, S28].
  6. Паспорта метрик и подключение данных. Событийная модель для продукта: сессия event storming по клиентскому пути, определение «heartbeat»-события ценности и 15–20 значимых событий мнение [S34]. Проверка арифметики снизу вверх и проверка причинных связей на исторических данных до запуска мнение [S36].
  7. Ритм. Еженедельный разбор входов, ежемесячный мост по корню, ежеквартальная ревизия дерева и ежегодный пересмотр корня [S14, S5]. Отклонения читаются через обычную и особую вариацию, объяснения без оснований запрещены факт [S28].
  8. Пересмотр. Подтверждённые влияния усиливаются до высокой уверенности или превращаются в тождества, провалившиеся ветви обрезаются, найденные драйверы добавляются вендор [S5].

5.2 Сквозной сценарий: контрактное производство на 120 человек

Все числа ниже — иллюстрация, подобранная для арифметической согласованности, а не данные реальной компании.

Компания и корень. Металлообработка на заказ, 120 человек, две линии: серийная и заказная. Корень — операционная прибыль за месяц (EBIT). Guardrails: своевременность поставок не ниже 90 %, ноль травм, денежный запас не менее 45 дней. Спонсор — генеральный директор, стюард дерева — контролёр, владельцы — директор по производству, начальник ОТК, главный механик, руководитель продаж.

Слой тождеств (иллюстрация, месяц):

Выручка            = 45,0 (серийная: 180 заказов × 250 тыс.) + 30,0 (заказная: 20 × 1,5 млн) = 75,0 млн ₽
Переменные затраты = материалы 33,0 + прямой труд 9,0 + энергия 3,0                          = 45,0 млн ₽
Маржинальный доход = 75,0 − 45,0                                                             = 30,0 млн ₽ (40 %)
EBIT               = 30,0 − постоянные 24,0                                                  =  6,0 млн ₽ (8 %)

Узкое место: 2 станка × 2 смены × 8 ч × 22 дня = 704 ч планового времени
OEE = A × P × Q = 0,75 × 0,85 × 0,91 = 0,58   →   704 × 0,58 = 408 эффективных часов
Availability = 1 − (поломки 106 ч + переналадки 70 ч) / 704 = 0,75

Слой влияний (иллюстрация):

Ребро Знак Лаг Уверенность Чем проверять
время переналадки → availability входит в тождество через часы переналадки 0 тождество сходимость часов
availability → своевременность поставок + 1–2 недели correlated корреляция по неделям за квартал
своевременность → доля повторных заказов + 1–3 месяца hypothesized когорты клиентов по кварталам
соблюдение графика ППР → часы поломок − 4–8 недель correlated ряды по станкам
срок расчёта коммерческого предложения → win rate + 2–4 недели hypothesized сравнение партий заявок

Расчёт ставки (иллюстрация). Сокращение переналадки с 47 до 25 минут при 90 переналадках в месяц высвобождает 33 часа, availability растёт до 0,80, OEE — до 0,62, эффективные часы — до 436 (+7 %). При наличии спроса серийная выручка растёт на 7 % до 48,2 млн ₽, переменные затраты на 1,9 млн ₽, маржинальный доход — на 1,3 млн ₽, EBIT — с 6,0 до 7,3 млн ₽ (+22 %) при неизменных постоянных затратах. Именно эта ветвь получает владельца и еженедельный контроль.

Ловушка mix (иллюстрация). Маржа по серийной линии 42 %, по заказной 36 %. При структуре выручки 60/40 общая маржа 39,6 %, при 45/55 — 38,7 %, хотя ни одна линия не ухудшилась. Без сегментного разложения дерево «обвинит» производство; с ним причина — сдвиг состава продаж, владелец которой в отделе продаж. Метод разложения на эффект состава и эффект ставок описан в 1.3 факт [S31].

Календарь внедрения (иллюстрация):

  • Недели 1–2: два воркшопа и правки.
  • Недели 3–5: паспорта 18 метрик, подключение к учёту и MES в таблице или BI.
  • Месяц 2: первый еженедельный разбор 12 входов за 30 минут.
  • Месяц 4: первый месячный мост EBIT.
  • Месяц 6: связь «availability → своевременность» подтверждена корреляцией по 20 неделям и переведена в correlated с лагом одна неделя; гипотеза о win rate отброшена из-за отсутствия эффекта.

5.3 Переносы в другие типы бизнеса

  • Услуги (агентство, сервис). Корень — маржинальный доход на оплачиваемый час; тождество: часы × загрузка × ставка − переделки; влияния: скорость ответа → удержание клиента, доля переделок → загрузка. Guardrail — переработки сотрудников.
  • Продуктовая компания. Корень North Star вида «еженедельно активные аккаунты, совершившие ценностное действие», входы 3–5, финансовый выход — MRR-мост по состояниям new, expansion, contraction, churn мнение [S34]; связь NSM с выручкой проверяется направлением трендов, расхождение — сигнал пересмотреть метрику вендор [S26].
  • Сельское хозяйство. Корень — маржа с гектара; тождество: урожайность × цена − затраты на гектар; влияния — сроки операций и качество семян с сезонными лагами в месяцы; календарные и когортные окна здесь совпадают с сезоном, что упрощает лаги гипотеза.

5.4 Типичные ошибки первого применения

  • Дерево-оргструктура. Ветви повторяют отделы, а не причинность; признак — узлы с названиями подразделений, что Smith прямо запрещает вендор [S10]; глубже трёх уровней это почти неизбежно мнение [S36].
  • Цифры и цели в дереве на этапе построения. Обсуждение планов подменяет обсуждение структуры вендор [S10].
  • Листья, которыми нельзя управлять. Нарушен критерий остановки; входные метрики подбираются итерациями, как в истории Amazon с метрикой выбора факт [S56].
  • Влияние без лага. Классификация «опережающий» без указанного лага — догадка вендор [S27].
  • Ratio без знаменателя в дереве. Средние и доли меняются от состава; без узла-знаменателя сдвиг mix невидим факт [S31].
  • Смешение календарных и когортных окон. Конверсии за месяц смешивают когорты на разных стадиях мнение [S33].
  • Игнорирование сезонности и обычной вариации. Падение на 90 % оказалось каникулами и лежало в обычной вариации факт [S58].
  • Переусложнение и «вечность» дерева. Излишняя инженерия закрепляет структуру, хотя метрики меняются мнение [S15]; деревья на 90 узлов не работают операционно мнение [S34].

5.5 Что происходит через месяцы

Источники показывают три траектории. Первая — созревание: в Amazon формат WBR отлаживали месяцами, а входные метрики переопределяли до тех пор, пока улучшение входа не стало давать выход факт [S28, S56]. Вторая — уточнение уверенности: в цикле «модель, исполнение, обучение» подтверждённые гипотезы переводятся в детерминированные связи, провалившиеся ветви обрезаются вендор [S5]. Третья — деградация: дерево разрастается, теряет владельцев и становится плакатом; противоядие — поддеревья под текущие инициативы и принцип «не кипятить океан» мнение [S34].

5.6 Стоимость входа

Статья Оценка Тип Источник
Воркшопы 2 сессии по 2 часа на 3–9 человек для базового дерева; несколько воркшопов для сложной организации вендор [S10]
Проектирование и подключение данных в специализированной платформе около недели на дизайн и подключение, запуск в течение двух недель вендор [S63]
Программное обеспечение: таблица и доска бесплатно или в составе офисных лицензий факт [S10]
DoubleLoop (до покупки Mixpanel) средний годовой контракт около 5 064 долларов по двум сделкам одного покупателя эмпирика (данные транзакций посредника) [S80]
Mixpanel Metric Trees платная надстройка только для плана Enterprise, цена не раскрыта факт [S16]
KPI Tree (kpitree.co) цена по запросу, 14-дневная проба без карты вендор [S81]
Платформы планирования цены не публикуются факт [S21, S71]
Компетенции фасилитатор воркшопа; аналитик, пишущий определения метрик и SQL; владельцы узлов; стюард дерева вендор [S5]

Артефакты

Практика деревьев порождает шесть артефактов. Поля собраны из сходящихся источников: типов метрик семантического слоя [S25], трёхуровневой иерархии «базовые элементы, поддерживающие индикаторы, KPI» в производственных стандартах [S47], шага «определить» в методе ROKS с публикацией определений и известных проблем [S82], RACI-владения в платформах деревьев [S64] и дисциплины владельцев в Amazon WBR [S28].

6.1 Паспорт метрики

Назначение. Единственное определение узла, по которому его можно вычислить, проверить и обсудить.

Поле Содержание Зачем нужно машинной проверке
id, name стабильный идентификатор и человеческое имя ссылки из рёбер
definition смысл словами, что считается событием или объектом сравнение с соседями на пересечение
type simple, ratio, cumulative, derived, conversion по образцу dbt [S25] допустимые операторы
formula, source агрегат или выражение, источник данных и запрос вычислимость
grain, window зерно времени и окно: календарное или когортное запрет смешения окон
unit, direction единица и направление «лучше» проверка знаков влияний
numerator, denominator ссылки на узлы для ratio разложение mix
controllability input, output или guardrail критерий остановки
owner (R, A) ответственный и утверждающий реестр владельцев
cadence как часто обновляется и обсуждается согласование с ритмом
target, thresholds цель и пороги, вне дерева структуры оповещения
known_issues, version известные дефекты данных, версия и дата честность отчёта

Жизненный цикл. Создаёт аналитик после воркшопа, утверждает владелец; живёт в репозитории вместе с определениями семантического слоя (платформы деревьев хранят спецификации в git вендор [S63]); устаревает при смене определения события, источника или бизнес-модели; история переопределений сохраняется, как в эволюции метрики выбора Amazon [S56].

Пример заполнения (иллюстрация):

id: availability_bottleneck
name: Availability узкого места
definition: доля планового времени, когда станки узкого места работали
type: ratio
numerator: operating_hours_bottleneck
denominator: planned_hours_bottleneck
grain: week
window: calendar
unit: share
direction: higher_is_better
controllability: input
owner:
  responsible: production_director
  accountable: coo
cadence: weekly
known_issues: простои короче 5 минут не регистрируются в MES
version: 2026-09-19

6.2 Спецификация дерева

Назначение. Описание графа: корень, назначение, горизонт, узлы и типизированные рёбра. Мета-поля: purpose (выбор KPI, объяснение, планирование), horizon, roots, guardrails, steward, review_cadence. Для North Star уместно включить формулировку «мы позволяем [сегменту] [получить ценность], что измеряется [NSM]» вендор [S14].

Жизненный цикл. Создаётся в воркшопе, версионируется; ревизия ежеквартально, корень — ежегодно [S14]; устаревает при смене стратегии или бизнес-модели. Пример машиночитаемой формы приведён в разделе 10.

6.3 Формулы и правила связей

Назначение. Единый список допустимых типов рёбер и инвариантов, по которому проверяется дерево.

  • Identity. Оператор, выражение, допуск сходимости (например 0,5 %), требование MECE детей и совпадения окон.
  • Influence. Знак, лаг с единицей, уверенность hypothesized, correlated, verified, ссылка на свидетельство и дата последней проверки; шкала совпадает с предложенной для открытого стандарта [S6] и с уровнями уверенности Mixpanel [S5].
  • Conflict. Пара узлов и механизм компромисса, по образцу красных линий Smith [S10].
  • Атрибуция. Выбранная конвенция моста для мультипликативных узлов: фиксированная база, логарифмическая или Шепли [S37].

Жизненный цикл. Утверждается стюардом один раз, меняется редко; правила — вход для линтера (раздел 10).

6.4 Реестр владельцев

Назначение. Кто отвечает за значение, определение и объяснение каждого узла. Поля: node, responsible, accountable, consulted, informed, escalation, review_slot. Платформы синхронизируют RACI с оргструктурой вендор [S64]. Правило Amazon: владелец либо объясняет отклонение, либо говорит «не знаем, разбираемся» факт [S28].

Жизненный цикл. Обновляется при кадровых изменениях и при каждом добавлении узла; узел без владельца блокирует включение в еженедельный разбор.

6.5 Журнал гипотез и ставок

Назначение. Учёт ставок вида «мы верим, что действие X изменит метрику Y на Z», их приоритета и результата; Mixpanel называет это bet ledger и советует приоритизировать по формуле «влияние × уверенность ÷ усилие» вендор [S5]. Журнал узла (logbook) хранит находки и результаты анализов вендор [S16].

Жизненный цикл. Запись создаётся при планировании квартала, закрывается сравнением прогноза и факта; итог меняет уверенность ребра или обрезает ветвь.

6.6 Мост изменений и колода еженедельного разбора

Мост изменений. Водопад от базового значения к фактическому по драйверам: цена, объём, mix, затраты; сумма эффектов обязана точно сходиться к разнице мнение [S37]. Создаётся ежемесячно по корню и по проблемным ветвям.

Колода еженедельного разбора. Стандартный формат графиков: шесть недель и двенадцать месяцев рядом, прошлый год бледной линией, цель отметкой, числа на графике, короткая сводка под ним; порядок карточек — от входов к выходам факт [S28]. Создаётся автоматически из паспортов; устаревает вместе с деревом.

С чем используется в связке

Что обычно предшествует

  • Стратегия и приоритеты на 6–12 месяцев. Без них нет корня; консультанты начинают с согласования приоритетов руководства мнение [S34].
  • Событийная модель и семантический слой. Определения событий и метрик должны существовать до связей: каталог организует определения, слой единообразно их вычисляет, дерево связывает вендор [S43]. Определения в формате семантического слоя одновременно повышают точность ответов LLM вендор [S66].
  • Учёт и P&L. Финансовое дерево уже есть в отчётности и служит якорем вендор [S42].

Типичные комбинации

Практика Как сочетается с деревом Источник
OKR ключевые результаты — целевые значения на узлах; выравнивание, а не каскад [S60, S64]
Driver-based planning дерево как схема модели; допущения — на influence-рёбрах и листьях [S71, S74]
Weekly Business Review еженедельный разбор входов в порядке дерева, выходы только статусом [S28]
Эксперименты и guardrails эксперимент проверяет influence-ребро; guardrails защищают соседние узлы [S5, S76]
Статистический контроль процессов отделяет обычную вариацию узла от особой до поиска причин [S28, S58]
Причинный вывод дерево как априорный DAG для алгоритмов и фальсификации [S44, S83]
Strategy map нарративный слой над деревом для коммуникации [S19]
GQM вывод метрик из вопросов там, где тождеств нет [S22]
Growth loops и CLD петли рисуются отдельно и ссылаются на узлы дерева [S40, S41]

Что обычно следует

  • Мосты и атрибуция изменений по корню и ветвям [S37].
  • Прогноз от листьев к корню через тождества и подтверждённые влияния [S5].
  • Автоматические разборы отклонений по сегментам и компонентам, вплоть до алгоритмов иерархической суммаризации изменений эмпирика [S73].

Известные конфликты и несовместимости

  • Бонусы на листьях. Метрика, ставшая целью вознаграждения, перестаёт быть хорошей мерой факт [S72]; сочетание дерева с индивидуальными премиями по листьям усиливает gaming.
  • Строгий каскад OKR поверх дерева. Получаются две иерархии одной сути с двойной стоимостью согласования мнение [S60].
  • Каталог без дерева. Растёт число дашбордов и определений без связей; дерево здесь не конкурент, а недостающий слой вендор [S43].
  • Петли против ацикличности. Механизм с обратной связью нельзя втиснуть в дерево без потери смысла факт [S41].
  • Учётные тождества как причины. P&L складывается по определению, но это не означает, что снижение затрат в узле «вызывает» прибыль без побочных эффектов на другие узлы мнение [S33, S39].

Метрики здоровья и антипаттерны

Признак Здоровая норма Симптом деградации Источник
Число драйверов на уровень 2–4 (вендорская рекомендация) 6 и больше, дерево превращается в список [S5]
Глубина 3 уровня для цехового дерева; 2–3 слоя с углублением в проблемную ветвь (мнение практиков) 5 и больше уровней, копирование оргструктуры [S36, S30]
Сходимость identity-рёбер 100 % рёбер сходятся в пределах допуска; мост суммируется точно остатки «прочее» больше нескольких процентов, невязки [S37]
Полнота influence-рёбер у 100 % указаны знак, лаг и уверенность (ориентир) опережающие индикаторы без лага, «догадки» [S27]
Доля листьев-входов все листья — контролируемые входы одного владельца листья-выходы, которыми нельзя управлять [S17, S5]
Покрытие владельцами 100 % узлов с ответственным узлы без владельца в еженедельном разборе [S28]
Ритм ревизии еженедельно входы, ежеквартально дерево, ежегодно корень дерево не менялось больше года при смене стратегии [S14, S5]
Размер еженедельного разбора десятки метрик для малой компании (47 в одном примере), сотни только в масштабе Amazon «монстр» на 90 и больше узлов без ритма [S28, S34]
Согласованность корня с выручкой тренды North Star и выручки совпадают по направлению расхождение направлений дольше квартала [S26]
Оборот гипотез за квартал часть influence-рёбер подтверждена или обрезана (ориентир) уверенность рёбер не менялась несколько кварталов [S5]
Признаки gaming улучшение входа сопровождается улучшением выхода вход растёт, выход стоит: метрика выбора Amazon до переопределения [S56, S72]

Антипаттерны

Дерево ради дерева

Как выглядит. На стене или в Miro висит дерево на 90 узлов с названиями отделов; его показывают новым сотрудникам, но на еженедельных встречах открывают дашборд, а не дерево. Консультант описывает такие «монстры» как операционно неработоспособные мнение [S34].

Почему возникает. Longlist принимают за конечный продукт, хотя у Smith дерево — лишь первый шаг перед shortlist по важности и доступности данных вендор [S82]. Глубже трёх уровней связи слабеют, и дерево начинает воспроизводить оргструктуру мнение [S36].

Как чинить. Вернуться к назначению: оставить один корень и поддеревья под 1–3 текущие инициативы мнение [S34]; удалить узлы без владельца и без данных; ввести ритм разбора входов.

Когда менять практику. Если после двух кварталов дерево не влияет на повестку встреч, заменить его плоским списком контролируемых входов в WBR-порядке [S28].

Тождество как причина

Как выглядит. «Выручка = пользователи × ARPU, значит поднимем ARPU» — команда повышает цены, пользователи уходят, выручка падает; или P&L-узел «затраты» урезают, а качество и повторные заказы проседают через квартал.

Почему возникает. Арифметическая связь выглядит строгой, но не говорит о механизме и скрывает общие причины и когорты мнение [S33]. Тот же дефект Nørreklit отмечала у BSC: смешение логических связей с причинными мнение [S39].

Как чинить. Разделить рёбра на identity и influence; у каждого рычага требовать influence-ребро с знаком и лагом на соседние узлы (цена → отток) и guardrail на компромисс [S5, S35].

Когда менять практику. Если решения о вмешательствах принимаются на деньги, переходить к причинной модели с фальсификацией связей [S44].

Двойной счёт и дырявая MECE

Как выглядит. Затраты разбиты на «маркетинг, онлайн, персонал», и зарплата SMM-менеджера сидит во всех трёх; выручка разбита на «клиенты, цена, удержание», и ветви клиентов и удержания пересекаются; сумма детей отличается от родителя на «прочее» в 12 %.

Почему возникает. Разбиение делают по категориям, а не по уравнению; уравнение не пересекается по построению мнение [S30]. Общий драйвер копируется в две ветви с разными определениями вместо одной ссылки.

Как чинить. Начинать каждое разбиение с формулы; общий узел хранить один раз и ссылаться на него; проверять сходимость автоматически (раздел 10); при мосте следить, чтобы определения исключали двойной счёт мнение [S37].

Когда менять практику. Если ветви принципиально не складываются (качественные категории), это issue tree, и его следует оформить как список вопросов, а не как дерево метрик [S12].

Vanity-корень и gaming

Как выглядит. Корень — зарегистрированные пользователи или просмотры страниц; графики растут, выручка стоит. Или цель на листе привязана к премии, и лист растёт за счёт соседей: советская фабрика гвоздей выполняла план по количеству мелкими гвоздями, а по весу — гигантскими.

Почему возникает. Метрика, ставшая целью, перестаёт быть хорошей мерой факт [S72]. Vanity-метрики удобны, потому что растут сами вендор [S26]. Единая метрика без компромиссов порождает цинизм у сотрудников мнение [S59].

Как чинить. Поменять корень на метрику ценности, опережающую выручку вендор [S26]; добавить guardrails и созвездие выходов мнение [S35]; переопределять входы, пока их рост не даёт выход, как Amazon с долей просмотров товаров в наличии факт [S56]; отвязать листья от индивидуальных премий.

Когда менять практику. Если после переопределения входов выход всё равно не двигается два квартала, гипотеза о механизме неверна и ветвь обрезается [S5].

Обязательный финансовый корень там, где он неуместен

Как выглядит. Продуктовой команде ставят корнем MRR и требуют каскадом свести к нему каждую фичу; НКО или сервисному подразделению — «прибыль центра затрат». Команды перестают понимать связь своей работы с корнем, каскад целей рассыпается при первом изменении стратегии.

Почему возникает. Финансовые деревья DuPont и VDT — исторический образец [S1, S11], а инструменты планирования подталкивают к P&L как к единственному корню. Строгий каскад целей требует перестройки всего дерева при каждом изменении мнение [S61].

Как чинить. Для продукта корень — метрика ценности с явной проверкой совпадения трендов с выручкой вендор [S26]; для операций — операционный корень уровня цеха мнение [S36]; финансовый корень остаётся на уровне компании и соединяется с остальными через мост, а не через каскад.

Когда менять практику. Если у организации несколько несводимых целей (BSC критикуют за перекос к финансовым стейкхолдерам мнение [S48]), держать два корня, как в RL-системе с результатом и ликвидностью факт [S4].

Инструменты и софт

9.1 Категории

Категория Что делает для дерева Примеры Источник
Доска и таблица рисунок дерева, ручной мост, паспорта в таблице Miro, Excel, Google Sheets [S10, S45]
Продуктовая аналитика со встроенными деревьями узлы на сохранённых метриках, корреляции, владельцы, генерация черновика Mixpanel Metric Trees [S16]
Продуктовая аналитика без встроенных деревьев шаблоны дашбордов «под дерево» Amplitude (шаблон e-commerce metric tree) [S84]
Специализированные платформы деревьев дерево поверх хранилища данных, атрибуция, оповещения, контекст для агентов Trace, KPI Tree (kpitree.co), kpitree.io, Levers, DoubleLoop (в составе Mixpanel) [S63, S64, S27, S46]
Семантический слой и каталог метрик определения и вычисление метрик, derived-метрики как identity-рёбра dbt Semantic Layer, Snowflake Semantic Views, спецификация Apache Ossie [S25, S65]
Платформы планирования драйверные модели, сценарии, пересчёт финансов Anaplan, Pigment, Planful, Workday Adaptive [S71, S21, S74]
Причинное моделирование построение и фальсификация DAG, атрибуция DoWhy (модуль GCM), PyMC [S44, S83]

9.2 Функциональный разбор ведущих продуктов

Mixpanel Metric Trees

  • Сущности. Карточки метрик на холсте, связи между ними, сохранённые метрики с владельцами, журнал (logbook) находок, до трёх сравнений периодов на карточку факт [S16, S85].
  • Типы связей. В руководстве различаются component (математическое разложение, например MAU = new + retained + resurrected) и influence (причинная связь без точной формулы, с уверенностью high, medium, low); три архитектуры дерева: детерминированное, гипотезное, организационное вендор [S5]. В самой документации функции количественная оценка связи — коэффициент корреляции Пирсона по дневным рядам с совпадающими датами, без лагов факт [S16].
  • Генерация. Дерево можно сгенерировать по двум стартовым шаблонам, указав название компании, сайт и инструкции; используются публичные сведения и «лучшие практики», данные клиента в генерации не участвуют факт [S16].
  • Интеграции и ограничения. Узлы связываются только с метриками Mixpanel; связи не проверяются на арифметическую сходимость в документации; функция — платная надстройка для плана Enterprise, цена не раскрыта (проверено 2026-09-19) факт [S16].
  • Контекст. Функция выпущена 20 августа 2025 года факт [S2]; 7 октября 2025 года куплен DoubleLoop с AI-автоматизацией «value frameworks» факт [S46]; средний годовой контракт DoubleLoop до сделки — около 5 064 долларов по данным посредника эмпирика [S80].

Trace (hellotrace.io)

  • Сущности. Метрические деревья как модели бизнес-логики, SQL-спецификации метрик, уравнения, конфигурации анализов; всё хранится в git вендор [S63].
  • Операции. Обнаружение аномалий, сканирование сегментов, атрибуция драйверов, отклонение от плана, автоматические сводки в Slack; более 25 редактируемых шаблонов деревьев по отраслям вендор [S63]. Автор продукта различает математические связи, сегментные срезы, процессные корреляционные метрики и альтернативные разложения одной метрики вендор [S86].
  • Интеграции. Чтение из Snowflake, BigQuery, Databricks, Redshift, Postgres; совместимость с dbt и слоями метрик вендор [S63].
  • Ограничения и цена. Требует хранилища данных; работает как слой анализа, а не как источник истины по метрикам; LLM пишут SQL-спецификации, но «AI никогда не вычисляет ваши KPI»; цена не раскрыта, запуск заявлен в течение двух недель (проверено 2026-09-19) вендор [S63].

KPI Tree (kpitree.co)

  • Сущности. Причинные деревья метрик с дочерними поддеревьями, RACI на каждом узле, задачи, привязанные к метрикам, «verified impact» (сравнение результата действий с контрфактическим прогнозом), OKR, подключённые к дереву, слой контекста Canopy для AI-агентов вендор [S64, S81].
  • Операции. Разложение изменений по дереву с ранжированием вкладов, статистическая проверка корреляций, мониторинг качества данных, оповещения по порогам вендор [S64].
  • Интеграции. Хранилища (Snowflake, BigQuery, Databricks, Redshift, PostgreSQL, MySQL, Azure SQL, Google Sheets), dbt, Salesforce, HubSpot, Stripe, Shopify, Jira, Linear, семантические слои dbt, Looker, Snowflake и спецификация OSI; агенты через MCP: Claude, ChatGPT, Gemini, Copilot вендор [S64].
  • Ограничения и цена. Данные не хранятся, вычисления в собственном движке; три тарифа (Starter до 10 пользователей, Growth, Enterprise) без публичных цен, 14-дневная проба без карты (проверено 2026-09-19) вендор [S81].

Pigment и Anaplan (платформы планирования)

  • Сущности. Драйверы как измеримые переменные, допущения, формулы, измерения (регионы, SKU, персонал), сценарии вендор [S71, S21].
  • Операции. Ввод допущений владельцами бюджета с мгновенным пересчётом финансов, «что если»-сценарии, анализ отклонений вендор [S71]. Кейс Pigment: обновление факта и прогноза P&L у Supercell с 8 дней до 4 минут вендор [S21].
  • Ограничения. Дерево здесь — не отдельная сущность, а структура формул модели; influence-связи с уверенностью не моделируются; цены не публикуются (проверено 2026-09-19) факт [S21, S71]. Отраслевой фон: 52 % компаний планируют в Excel, полностью драйверные модели у 17 % эмпирика [S45, S8].

9.3 Что выбрать

  • Соло и команда до 10 человек. Доска для рисунка, таблица для паспортов и моста, YAML-файл дерева в репозитории для проверки (раздел 10); специализированные платформы окупаются позже гипотеза.
  • Команда 10–50 человек с хранилищем данных. Продуктовая аналитика со встроенными деревьями, если стек уже на ней, либо специализированная платформа поверх хранилища; обязательное условие — определения метрик в семантическом слое [S43].
  • Организация 50–500 человек. Семантический слой как источник определений, платформа деревьев для операций, платформа планирования для бюджета; связь между ними через общий каталог метрик и, по мере готовности, спецификацию Ossie [S65].

Адаптация под LLM и агентов

10.1 Существующие практики

  • Генерация черновика дерева. Mixpanel собирает первый вариант дерева по описанию стратегии, названию и сайту компании, опираясь на публичные сведения и не используя данные клиента факт [S16, S69]. DoubleLoop автоматизирует «value frameworks» с помощью AI вендор [S46]. Открытый навык для ассистента разлагает North Star в KPI-дерево с проверкой MECE на каждом уровне; репозиторий без звёзд, дата доступа 2026-09-19 факт [S70].
  • LLM как доменный эксперт для причинного графа. По именам и описаниям переменных LLM предлагает DAG в структурированном формате (схема с узлами, рёбрами и объяснениями), который затем валидируется статистически и параметризуется вероятностной моделью мнение [S83]. Amazon Science строит базовый DAG по определениям метрик с помощью LLM и сравнивает его с открытым из данных, валидируя оба фальсификацией эмпирика [S44].
  • Гибриды LLM и алгоритмов открытия. В CausalFusion LLM играет роль «доменного дата-сайентиста», а тесты фальсификации отсекают неправдоподобные рёбра; метод превзошёл алгоритмы PC и LiNGAM и чистые LLM-варианты на синтетических и реальных данных цепи поставок эмпирика [S68]. Гибрид «алгоритм открытия плюс LLM-уточнение» на семи наборах данных также опережает оба класса методов по отдельности эмпирика [S87]. Обзор IJCAI 2025 характеризует LLM как «несовершенные экспертные системы» и указывает на нехватку бенчмарков эмпирика [S88].
  • LLM и формулы. Ещё в 2023 году предложено парсить формулы KPI из SQL и Python в граф зависимостей с помощью GPT-4 и Neo4j при обязательной ручной проверке мнение [S89].
  • LLM как потребитель дерева. Платформа KPI Tree отдаёт агентам причинную модель, RACI и подтверждённые результаты через MCP вендор [S64]; Trace даёт агенту готовые аналитические «навыки» и запрещает ему вычислять KPI: расчёт идёт по управляемому SQL вендор [S63].
  • LLM и определения метрик. Вендорский бенчмарк dbt Labs: через семантический слой 98–100 % точности против 84–90 % у text-to-SQL, при этом ошибки слоя явные, а ошибки text-to-SQL «тихие» вендор [S66]. Независимый парный бенчмарк на 100 вопросах: документ семантики добавляет 17–23 п. п., абсолютная точность 68–69 %, различия между моделями внутри уровня незначимы эмпирика [S67].

10.2 Что автоматизируется

Задача Степень автоматизации Основание
Проверка сходимости identity-рёбер полная, детерминированный код арифметика по определению [S12]
Проверка типов: ratio имеет числитель и знаменатель, окна детей совпадают с родителем, единицы согласованы полная поля паспорта [S25]
Поиск циклов и висячих узлов полная инвариант графа
Полнота influence-рёбер: знак, лаг, уверенность полная как линтер, содержание — человек [S27, S6]
Поиск двойного счёта частичная: точные дубли и пересечения по определениям находит LLM, подтверждает человек [S30]
Черновик паспорта метрики и кандидатов в драйверы черновик LLM, утверждение человеком [S16, S83]
Объяснение изменения по дереву и сегментам полная для identity и сегментов, алгоритмы промышленного масштаба [S73, S32]
Проверка influence-связи данными частичная: корреляции и фальсификация автоматизируются, суждение о причине — человек [S68, S16]
Оценка силы связи (коэффициентов) не доверять LLM: нестабильные оценки даже при заданном DAG [S62]

10.3 Что остаётся человеку

  • Выбор корня и назначения дерева. Вопрос ценности, а не структуры [S26].
  • Суждение о контролируемости листа. Только команда знает, что она реально двигает; Amazon нашла свои входы методом проб факт [S55].
  • Валидация влияний экспериментом или интервенцией. LLM предлагает, данные проверяют, человек решает [S44].
  • Владение и стимулы. Назначение владельцев и решение о связи с премиями лежит вне модели [S72].

10.4 Риски

  • Правдоподобные, но чужие деревья. Генерация по публичным сведениям и «лучшим практикам» даёт типовое дерево отрасли, а не модель конкретной компании [S16].
  • Галлюцинированные рёбра и чувствительность к именам переменных. LLM — несовершенные эксперты без гарантий эмпирика [S88]; коэффициенты нестабильны эмпирика [S62].
  • Ложная строгость. Формулы, сгенерированные машиной, выглядят точнее, чем есть, и скрывают когорты и общие причины мнение [S33].
  • Тихие ошибки вычислений. Если агент вычисляет метрики сам, ошибки не заметны; расчёт должен идти через семантический слой с явными отказами вендор [S66, S63].

10.5 Направление минимальной машиночитаемой структуры

Ниже — авторское предложение формата, согласованное с полями dbt для derived-метрик [S25], с предложением identity и influence edges для открытого стандарта [S6] и с уровнями уверенности Mixpanel [S5] гипотеза. Все значения — иллюстрация.

tree:
  id: ebit_plant_2026
  purpose: explain            # select_kpis | explain | plan
  horizon: monthly
  roots: [ebit]
  guardrails: [on_time_delivery, injuries, cash_days]
  steward: controller
  review_cadence: quarterly

nodes:
  - id: ebit
    type: derived
    unit: RUB
    grain: month
    window: calendar
    controllability: output
    owner: cfo
  - id: revenue_serial
    type: derived
    unit: RUB
    grain: month
    window: calendar
    controllability: output
    owner: sales_head
  - id: availability_bottleneck
    type: ratio
    numerator: operating_hours_bottleneck
    denominator: planned_hours_bottleneck
    grain: week
    window: calendar
    controllability: input
    owner: production_director
  - id: on_time_delivery
    type: ratio
    numerator: orders_shipped_on_time
    denominator: orders_shipped
    grain: week
    window: calendar
    controllability: guardrail
    owner: coo

edges:
  - kind: identity
    parent: ebit
    operator: expr
    expr: revenue_serial + revenue_custom - variable_costs - fixed_costs
    children: [revenue_serial, revenue_custom, variable_costs, fixed_costs]
    tolerance: 0.005
  - kind: identity
    parent: revenue_serial
    operator: product
    children: [orders_serial, avg_order_value_serial]
    tolerance: 0.005
  - kind: influence
    from: availability_bottleneck
    to: on_time_delivery
    sign: +
    lag:
      value: 1
      unit: week
    confidence: correlated        # hypothesized | correlated | verified
    evidence: "корреляция 0,6 по 20 неделям, 2026-Q2"
    last_checked: 2026-09-01
  - kind: conflict
    between: [avg_order_value_serial, orders_serial]
    mechanism: "рост цены снижает число заказов с лагом 1–2 месяца"

Правила линтера, проверяемые без LLM:

  1. Граф ацикличен; у каждого узла, кроме корней, есть хотя бы один родитель; у каждого ребра оба конца существуют.
  2. Для identity-ребра: вычисленное значение родителя из детей совпадает с фактом в пределах tolerance за каждый период; дети попарно не пересекаются по определению (проверяется по ссылкам на одни и те же источники и фильтры).
  3. Для ratio-узла: numerator и denominator — узлы дерева; знаменатель либо лист, либо узел с собственным identity-ребром.
  4. Окно (calendar или cohort) и зерно у детей identity-ребра совпадают с родительским или объявлено преобразование.
  5. Для influence-ребра заполнены sign, lag, confidence, last_checked; уровень verified требует ссылки на evidence; ребро с confidence hypothesized старше четырёх кварталов помечается как «застоявшееся».
  6. У каждого узла есть owner; узлы с controllability input являются листьями или объясняют, почему нет.
  7. Guardrail-узлы не входят в identity-рёбра корня, иначе они не ограничители, а компоненты.

Правила, требующие LLM с последующим подтверждением человеком: семантическое пересечение определений соседних узлов, пропущенный очевидный множитель (выручка без средней цены), несоответствие знака влияния направлению «лучше» у узлов, предложение недостающих guardrails к каждому рычагу.

10.6 Открытые репозитории и инструменты (дата доступа 2026-09-19)

Ресурс Что даёт Статус на дату доступа Источник
apache/ossie (бывш. OSI) YAML и JSON спецификация семантических моделей: наборы данных, метрики, измерения, связи; конвертеры для dbt и других Apache Incubator, лицензия Apache-2.0, около 2,2 тыс. звёзд по данным страницы [S65]
Обсуждение OSI № 40 предложение metric trees и поля depends_on с identity и influence рёбрами открыто с 2026-01-20, без решения на 2026-09-10 [S6]
dbt-labs/dbt-llm-sl-bench открытый бенчмарк «семантический слой против text-to-SQL» упомянут в статье dbt Labs, репозиторий не открывался [S66]
EstherSalinas/pm-skills навыки для ассистента: North Star и KPI tree с проверкой MECE 0 звёзд, лицензия не указана [S70]
DoWhy, модуль GCM построение и валидация структурных причинных моделей используется в работах Amazon Science, репозиторий не открывался [S44]

Происхождение, ключевые фигуры, что читать

11.1 Какую боль решали тогда и что актуально сейчас

Каждая волна семейства отвечала на свою боль:

  • 1910–1950-е, DuPont. Оценивать подразделения диверсифицированной корпорации единым мерилом: Donaldson Brown разложил рентабельность инвестиций в произведение оборачиваемости и маржи, DuPont применяла схему с 1920-х годов, а к 1950-м подход стал доминирующим в финансовом управлении промышленных корпораций факт [S90, S1].
  • 1992, Balanced Scorecard. Финансовые меры «дают ошибочные сигналы для непрерывных улучшений и инноваций», нужны операционные измерения мнение [S18].
  • 2017, North Star. В растущих стартапах рост считался задачей маркетинга; единая метрика ценности объединяла продукт, продажи и поддержку мнение [S13].
  • 2023, metric trees. Метрики стандартизированы в семантических слоях, но между ними нет связей, и дашборды не объясняют, что двигать мнение [S38].

Актуальны все четыре боли одновременно, поэтому современное дерево совмещает финансовый корень, операционные входы, метрику ценности и машиночитаемые определения.

11.2 Хронология

Год Событие Источник
1912–1914 Brown формулирует расширенную формулу ROI в DuPont; схема применяется с 1920-х [S90, S1]
1950-е ROI-подход доминирует в финансовом управлении корпораций США [S90]
1950-е Forrester создаёт системную динамику в MIT [S75]
1975, 1997 Goodhart формулирует закон о коллапсе статистических регулярностей под давлением контроля; Strathern даёт популярную формулировку [S72]
1982, 1988 Nakajima вводит OEE в рамках TPM [S24]
1980-е, 1994 Basili и коллеги развивают GQM в Мэриленде и NASA [S22]
1986 Rappaport формализует семь драйверов акционерной стоимости [S11]
1987, 1992 Schneiderman в Analog Devices; Kaplan и Norton публикуют Balanced Scorecard в HBR [S48, S18]
1996, 2000 причинные связки BSC; статья о strategy maps в HBR [S19, S91]
1999 Doerr приносит OKR в Google [S20]
2000 Nørreklit публикует критику причинных допущений BSC [S39]
2008 Muchiri и Pintelon обобщают литературу об OEE [S53]
2011, 2013 Smith разрабатывает KPI tree и публикует KPI Checklists [S10]
2014 GQM+Strategies связывает цели бизнеса и измерения [S23]
2016 иерархия KPI по ISO 22400 формализована в IJPR [S47]
2017 Ellis публикует North Star Metric [S13]
2018 Balfour критикует единый North Star и вводит growth loops [S35, S40]
2020 книга Kohavi, Tang и Xu о доверительных экспериментах и guardrails [S77]
2021 Bryar и Carr описывают controllable input metrics и WBR [S17, S56]
2023 Sivasailam представляет metric trees на Data Council; Tawse и Tabesh подводят итог 30 лет BSC [S38, S7]
2024 Matthies публикует классификацию нотации VDT; Amplitude выпускает редакцию North Star Playbook с указанием 2024 года [S3, S14]
2025 Mixpanel выпускает Metric Trees (август) и покупает DoubleLoop (октябрь) [S92, S46]
2026 Open Semantic Interchange находится в Apache Incubator как Ossie; обсуждение metric trees в стандарте; бенчмарки семантического слоя и LLM-причинности [S65, S6, S66, S62]

11.3 Ключевые фигуры

  • Donaldson Brown — формула ROI и система отчётности DuPont и GM [S90].
  • Alfred Rappaport — семь драйверов стоимости; Copeland и Koller — методология оценки, на которую опираются VDT [S11, S3].
  • Seiichi Nakajima — OEE и шесть больших потерь [S24].
  • Victor Basili — GQM и GQM+Strategies [S22, S23].
  • Robert Kaplan и David Norton — Balanced Scorecard и strategy maps [S18, S91]; Hanne Nørreklit — их главный критик [S39].
  • Bernie Smith — KPI tree и метод ROKS [S10, S82].
  • Sean Ellis — North Star Metric; John Cutler и соавторы — North Star Playbook [S13, S14].
  • Brian Balfour — критика единого North Star, growth loops [S35, S40].
  • Colin Bryar и Bill Carr — controllable input metrics и WBR; Cedric Chin — разбор WBR для малых компаний [S17, S28].
  • Abhi Sivasailam — metric trees в data-сообществе; Vijay Subramanian (Trace) и Timo Dechau — практика и осторожная критика [S38, S86, S34].
  • Benjamin Matthies — академическая систематизация VDT [S3].

11.4 Канонические первоисточники и критические разборы

Первоисточники, доступные онлайн полностью или частично: статьи Kaplan и Norton 1992 и 2000 годов (фрагменты) [S18, S91], North Star Playbook [S14], руководства Smith [S10], сайт авторов Working Backwards [S17], обзор Matthies [S3]. Книги Smith, Bryar и Carr, Kaplan и Norton, Basili и соавторов, Kohavi и соавторов, Rappaport не читались: их содержание восстановлено по официальным страницам и вторичным разборам (см. раздел 12). Лучшие критические разборы: Nørreklit о причинности BSC [S39], Balfour о единой метрике [S35], Chapman о North Star [S59], Levchuk о ложной строгости деревьев [S33], Bayer о каскаде OKR [S60].

11.5 Что читать

  • Matthies 2024 — единственная систематизация семантики и синтаксиса 161 дерева драйверов [S3].
  • Morgret, Feldmann, Matthies 2024 — как дерево валидируют корреляциями на кейсе производства [S49].
  • Akalu 2002 — какие драйверы стоимости чувствительнее и почему [S11].
  • Flesher и Previts 2013 — история формулы DuPont и её роли в управлении [S90].
  • Controllingportal о Kennzahlensysteme — различие Rechensystem и Ordnungssystem в одной странице [S4].
  • Руководство Smith по KPI tree — воркшоп, уровни, конфликтные линии, размеры групп [S10].
  • Обзор ROKS — семь шагов от стратегии до внедрения, место дерева как longlist [S82].
  • North Star Playbook — структура NSM, inputs, work, results и чек-лист метрики [S14].
  • Balfour 2018 — четыре причины, почему один North Star обманывает [S35].
  • Commoncog о WBR — как устроена колода, порядок «входы, затем выходы», вариация по Демингу [S28].
  • Holistics о входных метриках Amazon — эволюция одной метрики за четыре шага [S56].
  • Руководство Mixpanel «стратегия — исполнение» — три типа деревьев, уверенность рёбер, цикл «модель, исполнение, обучение» [S5].
  • Обсуждение OSI № 40 — как сообщество стандартов формулирует identity и influence edges [S6].
  • Amazon Science, KDD 2025 и AAAI 2026 — валидированные причинные модели вместо водопадной логики; LLM плюс фальсификация [S44, S68].
  • Linear-LLM-SCM 2026 — почему нельзя доверять LLM числовые коэффициенты связей [S62].
  • Бенчмарки семантического слоя — вендорский и независимый взгляд на точность LLM с определениями метрик [S66, S67].
  • Tawse и Tabesh 2023 — итог тридцати лет BSC: инструмент реализации стратегии сам требует реализации [S7].
  • Nørreklit 2000 — классическая критика причинных допущений в системах показателей [S39].
  • Sequoia о mix shift — как состав сегментов двигает среднее при неизменных ставках [S31].
  • Xheblati 2024 — пять линз разбора изменения метрики и роль сезонности [S58].
  • Подкаст с Dechau 2025 — типы связей, лаги и «монстры» на 90 узлов [S34].
  • Trace о каталогах, слоях и деревьях — где кончается семантический слой и начинается дерево [S43].
  • DoubleLoop и Mixpanel — как выглядит продуктизация деревьев и связь инициатив с метриками [S93, S46].

Открытые вопросы и границы уверенности

Что не удалось проверить

  • Эффект деревьев на результаты. Ни одного контролируемого или квазиэкспериментального исследования влияния деревьев драйверов или метрик на показатели компаний не найдено; все утверждения о пользе — практика, консультанты и вендоры. Единственные количественные свидетельства относятся к смежным практикам: BSC и драйверное планирование [S7, S8].
  • Цифры метаанализа BSC. Прирост эффекта на 0,321 при явной причинной связке и «восемь исследований» взяты из вторичных пересказов статьи Tawse и Tabesh; полный текст недоступен (издательские сайты возвращали отказ доступа), проверена только аннотация [S7]. Метаанализ Liao и соавторов 2025 года доступен лишь фрагментом [S51].
  • Год North Star Playbook. В доступном PDF указан 2024 год и четыре автора; дата первой публикации по первоисточнику не установлена [S14].
  • Приоритет Smith. Утверждение «KPI trees изобретены в 2011 году и опубликованы в 2013» исходит от самого автора и не подтверждено независимо [S10].
  • Год ZVEI-системы. Страница Controllingportal называет 1989 год, тогда как в других источниках встречаются более ранние даты; в отчёте год не используется [S4].

Где источники противоречат друг другу

  • Одна метрика или созвездие. Amplitude и Ellis за один North Star с входами [S14, S13]; Balfour и Chapman против [S35, S59]. Отчёт принимает компромисс: один корень плюс guardrails.
  • Одинаковы ли metric tree, KPI tree и VDT. Вендор говорит «одна концепция» [S9], Smith — «разные назначения» [S10]. Отчёт различает по семантике узлов и типам связей.
  • Глубина. Три уровня для цеха [S36] против четырёх уровней и 20–100 кандидатов у Smith [S10]; расхождение объясняется назначением: выбор KPI против управления.
  • Размер разбора. 400–500 метрик в Amazon [S28] против призыва «держать просто» [S34]; масштаб компании снимает противоречие.
  • Корреляция в дереве. Mixpanel показывает коэффициент Пирсона на связях [S16], критики предупреждают о ложной причинности [S33]; отчёт трактует корреляцию как уровень уверенности correlated, а не как доказательство.

Какие данные изменили бы выводы

  • Квазиэксперимент или панельное исследование компаний до и после внедрения деревьев с контрольной группой.
  • Бенчмарк деревьев, сгенерированных LLM, против деревьев экспертов на реальных данных компаний, с проверкой сходимости и предсказательной силы influence-рёбер.
  • Данные о практике объявления лагов: доля деревьев в организациях, где лаги указаны и проверены.
  • Полные тексты Tawse и Tabesh, Franco-Santos и соавторов, Nørreklit для уточнения количественных выводов.

Ограничения доступа

  • Недоступны на дату среза: сайт Levers Labs с руководством по metric trees (ошибки DNS при нескольких попытках) [S94]; модуль Reforge о входных метриках (платный контент, видна только шапка) [S95]; статья Levchuk на Medium (отказ доступа, использован только фрагмент из поисковой выдачи) [S33].
  • Отказ доступа издательств: Wiley, ScienceDirect, Taylor and Francis, SAGE, Springer, Cranfield, ResearchGate, PMC (капча); использованы открытые копии (репозиторий FH Münster для Matthies), API Semantic Scholar, EconPapers, Europe PMC.
  • Книги не читались: KPI Checklists (Smith), Working Backwards (Bryar и Carr), Creating Shareholder Value (Rappaport), The Balanced Scorecard (Kaplan и Norton), Aligning Organizations Through Measurement (Basili и соавторы), Trustworthy Online Controlled Experiments (Kohavi и соавторы), Business Dynamics (Sterman). Их содержание передано по официальным сайтам авторов и вторичным разборам.
  • Слайды Sivasailam 2023 недоступны (страница перенесена и возвращает 404); доклад восстановлен по конспектам участников [S38].

Статус отчёта — complete: все разделы заполнены по доступным источникам, ограничения перечислены выше.

Реестр источников

IDНазваниеАвтор или издательURLПубликацияДоступ (дата)Вид доступаЧто подтверждает
S1DuPont analysisWikipediaen.wikipedia.org/wiki/DuPont_analysisбез даты2026-09-19полный текстразделы 0, 1, 8, 11: формула ROE, применение с 1920-х
S2Mixpanel Launches Metric Trees, a Dynamic In-Platform Capability That Connects Every KPI to Business ImpactMixpanel, Business Wire (Yahoo Finance)finance.yahoo.com/news/mixpanel-launches-metric-trees-dyn…2025-08-202026-09-19полный текстразделы 0, 2, 9: релиз функции, цитата клиента (вендор)
S3Toward a notation for modeling value driver trees: Classification development and research agendaBenjamin Matthies, Journal of Corporate Accounting & Finance (открытая копия FH Münster)hb.fh-muenster.de/opus4/files/17886/J+Corp+Accounting+Fin…20242026-09-19полный текстразделы 0, 1, 2, 11: 161 дерево, семантика и синтаксис, пробелы
S4Kennzahlensystem: DuPont-Schema, ROI, ZVEI, RLControllingportal.decontrollingportal.de/Fachinfo/Kennzahlen/Kennzahlen-Syste…без даты2026-09-19полный текстразделы 0, 1, 8, 11, 12: Rechensystem и Ordnungssystem, два корня RL, ZVEI
S5Operationalizing Metric Trees to Close the Strategy-Execution GapMixpanel Docsdocs.mixpanel.com/guides/guides-by-use-case/empower-your-…без даты2026-09-19полный текстразделы 0–8, 10, 11: component и influence, уверенность, 2–4 драйвера, цикл модель-исполнение-обучение (вендор)
S6BIG IDEA: add metrics trees / input-output relations between metrics, Discussion #40open-semantic-interchange/OSI, GitHubgithub.com/open-semantic-interchange/OSI/discussions/402026-01-202026-09-19полный текстразделы 0, 1, 2, 6, 10, 11: identity и influence edges, depends_on, статус обсуждения
S7Thirty years with the balanced scorecard: What we have learnedAlex Tawse, Pooya Tabesh; Business Horizons 66(1) (EconPapers)econpapers.repec.org/RePEc:eee:bushor:v:66:y:2023:i:1:p:1…20232026-09-19аннотацияразделы 0, 2, 3, 4, 11, 12: противоречивость данных о BSC
S82025 FP&A Benchmarks: Where We Are, Where Leaders Are GoingFP&A Trendsfpa-trends.com/article/2025-fpa-benchmarks-and-trends20252026-09-19полный текстразделы 0, 2, 3, 4, 9, 12: 17 % полностью драйверных моделей, 77 % довольных
S9Metric Tree vs KPI Tree vs Value Driver TreeKPI Tree (kpitree.co)kpitree.co/guides/getting-started/metric-tree-vs-kpi-treeбез даты2026-09-19полный текстразделы 1, 12: позиция «одна концепция» (вендор)
S10Ultimate KPI Tree Guide: What Is a KPI Tree & How to Build KPI Trees That WorkBernie Smith, Made to Measure KPIsmadetomeasurekpis.com/building-kpi-tree/20262026-09-19полный текстразделы 1, 3, 5, 8, 11, 12: уровни, воркшоп, конфликтные линии, 2011 и 2013 (вендор)
S11Measuring and Ranking Value DriversMehari Mekonnen Akalu, ERIM Report Series, Erasmus University (RePub)repub.eur.nl/pub/6815/2002-0432.pdf20022026-09-19полный текстразделы 1, 2, 8, 11: семь драйверов Rappaport, анализ чувствительности
S12Issue Tree vs Driver Tree: Key Differences ExplainedCaseBasixcasebasix.com/pages/issue-tree-vs-driver-tree2026-08-202026-09-19полный текстразделы 1, 3, 4, 8, 10: driver tree только арифметика, issue tree — категории
S13Growth Needs a North Star MetricSean Ellis, LinkedInlinkedin.com/pulse/growth-needs-north-star-metric-sean-ellis2017-06-212026-09-19полный текстразделы 1, 2, 11, 12: определение и примеры North Star Metric
S14The North Star PlaybookAmplitude; Kouzmanoff, Bashir, Clark, Cutlerinfo.amplitude.com/rs/138-CDN-550/images/Amplitude-The-No…20242026-09-19полный текстразделы 1, 2, 5, 6, 8, 11, 12: NSM, 3–5 inputs, формулировка, ритм ревизии (вендор)
S15An Introduction to Metric TreesOliver Hughes, Countcount.co/blog/intro-to-metric-trees2024-05-072026-09-19полный текстразделы 1, 5: определение Sivasailam, шаги, ловушки
S16Metric TreeMixpanel Docsdocs.mixpanel.com/docs/metric_treeбез даты2026-09-19полный текстразделы 1, 2, 5, 6, 9, 10, 12: корреляция Пирсона, генерация по публичным данным, надстройка Enterprise
S17Input metrics & weekly business reviewColin Bryar, Bill Carr; Working Backwards (сайт авторов)workingbackwards.com/concepts/input-metrics/без даты2026-09-19полный текстразделы 1, 2, 4, 5, 8, 11: контролируемые входы, четыре метода поиска, flywheel
S18The Balanced Scorecard—Measures That Drive PerformanceRobert S. Kaplan, David P. Norton; Harvard Business Reviewhbr.org/1992/01/the-balanced-scorecard-measures-that-driv…1992-012026-09-19фрагментразделы 1, 4, 11: боль финансовых мер, дата публикации
S19Strategy mapWikipediaen.wikipedia.org/wiki/Strategy_mapбез даты2026-09-19полный текстразделы 1, 3, 4, 7, 11: определение, цепь перспектив, гипотезы стратегии
S20Objectives and key resultsWikipediaen.wikipedia.org/wiki/Objectives_and_key_resultsбез даты2026-09-19полный текстразделы 1, 4, 11: происхождение OKR, критика каскада
S21What is Driver-Based Planning?Pigment Glossarypigment.com/glossary/driver-based-planning2026-04-222026-09-19полный текстразделы 1, 2, 5, 9: определение, кейс Supercell (вендор)
S22GQMWikipediaen.wikipedia.org/wiki/GQMбез даты2026-09-19полный текстразделы 1, 4, 7, 11: три уровня, происхождение, GQM+Strategies
S23Aligning Organizations through Measurement: The GQM+Strategies ApproachBasili, Trendowicz, Kowalczyk, Heidrich, Seaman, Münch, Rombach; University of Helsinki research portalresearchportal.helsinki.fi/en/publications/aligning-organ…20142026-09-19аннотацияразделы 1, 4, 11: элементы модели, цель подхода
S24Overall equipment effectivenessWikipediaen.wikipedia.org/wiki/Overall_equipment_effectivenessбез даты2026-09-19полный текстразделы 1, 2, 11: формула, шесть потерь, миф 85 %, свойства произведения
S25Creating metrics (metrics overview)dbt Labs Docsdocs.getdbt.com/docs/build/metrics-overview2026-07-202026-09-19полный текстразделы 1, 6, 9, 10: типы метрик, derived с expr и input_metrics
S26What Makes a Good vs Bad North Star MetricJulia Sholtz, Amplitudeamplitude.com/blog/good-bad-north-star-metric2024-08-152026-09-19полный текстразделы 1, 2, 5, 8, 10: критерии, vanity-метрики, «один уровень вне досягаемости» (вендор)
S27Leading vs Lagging Indicators in a KPI Treekpitree.io blogkpitree.io/blog/leading-vs-lagging-indicators-in-a-kpi-tree2026-06-282026-09-19полный текстразделы 1, 5, 8, 9, 10: обязательный лаг, примеры лагов (вендор)
S28The Amazon Weekly Business Review (via Bezos's Shadow)Cedric Chin, Commoncogcommoncog.com/the-amazon-weekly-business-review/2024-07-022026-09-19полный текстразделы 1–8, 11, 12: 400–500 метрик, порядок входы-выходы, владельцы, 47 метрик у Commoncog
S29What is a metric tree? The complete guide with examplesDillon Baker, Mixpanelmixpanel.com/blog/metric-tree/2025-09-042026-09-19полный текстраздел 1: component и influence relationships (вендор)
S30Driver Trees: Examples, Templates, and the Pitfalls to AvoidMBB Prepmbbprep.com/blog/driver-tree-case-interview2026-062026-09-19полный текстразделы 1, 5, 8, 10: правило уравнения, пересекающиеся ветви, глубина
S31Analyzing Metric Changes Part V: Mix ShiftSequoia Capital Data Sciencearticles.sequoiacap.com/metrics-mix-shift2018-08-142026-09-19полный текстразделы 1, 5, 11: пример 9 → 6 минут при неизменных ставках
S32Automating a Common Pattern: Mix-Shift AnalysisVijay Subramanian, Tracehellotrace.io/blog/automating-mix-shift-analysisбез даты2026-09-19полный текстразделы 1, 3, 10: разложение на состав и ставки (вендор)
S33The Metric Tree Trap. How math obscures more than it revealsPaul Levchuk, Mediummedium.com/@paul.levchuk/the-metric-tree-trap-4280405fd35eбез даты2026-09-19фрагментразделы 1, 2, 3, 5, 7, 8, 10, 11, 12: критика мультипликативной строгости, когорты, confounders
S34The pattern of Metric Trees with Timo Dechau (эпизод 77)Shane Gibson, AgileDataagiledata.info/p/the-pattern-of-metric-trees-with2025-11-212026-09-19полный текстразделы 1, 2, 3, 5, 7, 8, 11, 12: типы связей, лаги 60–90 дней, «монстры» на 90 узлов
S35Don't Let Your North Star Metric Deceive YouBrian Balfour, Reforgereforge.com/blog/north-star-metric-growth2018-01-122026-09-19полный текстразделы 1, 2, 3, 8, 11, 12: четыре дефекта единой метрики, созвездие
S36KPI Trees: Linking Shop-Floor Numbers to Business ResultsPavel Humlicek, TeamGuruteamguru.com/guides/kpi-treeбез даты2026-09-19полный текстразделы 1, 5, 8, 12: три уровня, пример 79 % → 90 %
S37Value Bridge ExplainedUmbrexumbrex.com/resources/frameworks/strategy-frameworks/value…без даты2026-09-19полный текстразделы 1, 3, 6, 7, 8: конвенции атрибуции, PVM, двойной счёт
S38What Happened at Data Council 2023?Data Engineering Weeklydataengineeringweekly.com/p/what-happened-at-data-council…2023-04-062026-09-19полный текстразделы 1, 2, 11, 12: доклад Sivasailam о metric trees
S39The Balance on the Balanced Scorecard: A Critical Analysis of Some of Its AssumptionsHanne Nørreklit, Management Accounting Research 11(1) (метаданные Semantic Scholar)api.semanticscholar.org/graph/v1/paper/search?query=The+b…20002026-09-19фрагментразделы 1, 2, 3, 4, 7, 8, 11: критика причинности и времени, 1 452 цитирования
S40Growth Loops are the New FunnelsBalfour, Winters, Kwok, Chen; Reforgereforge.com/blog/growth-loops2018-07-312026-09-19полный текстразделы 1, 2, 3, 7, 11: петли против воронок
S41Causal loop diagramWikipediaen.wikipedia.org/wiki/Causal_loop_diagramбез даты2026-09-19полный текстразделы 1, 3, 4, 7: элементы CLD, петли
S42A Financial P&L Is The First Metric Tree!Vijay Subramanian, Tracehellotrace.io/post/a-financial-p-l-is-the-first-metric-treeбез даты2026-09-19полный текстразделы 1, 7: P&L как аддитивное дерево (вендор)
S43Metrics Catalog vs Metric Layers vs Metric TreesVijay Subramanian, Tracehellotrace.io/blog/metrics-catalog-vs-metric-layers-vs-me…без даты2026-09-19полный текстразделы 1, 2, 7, 9, 11: различие каталога, слоя и дерева (вендор)
S44An end-to-end causal modeling framework for advanced attribution in supply chain operationsMullapudi и соавторы; Amazon Science, KDD 2025 Workshop on AI for Supply Chainamazon.science/publications/an-end-to-end-causal-modeling…20252026-09-19аннотацияразделы 1, 2, 3, 4, 7, 8, 9, 10, 11: SCM с фальсификацией, LLM для базового DAG
S45The 2024 FP&A Trends Survey Results: Key Insights and Findings UnveiledFP&A Trendsfpa-trends.com/article/2024-fpa-trends-survey-results-unv…20242026-09-19полный текстразделы 2, 9: 9 % автоматизации, 52 % Excel, 2 400 респондентов
S46Mixpanel acquires DoubleLoop to accelerate digital continuous innovationMixpanelmixpanel.com/blog/mixpanel-acquires-doubleloop/2025-10-072026-09-19полный текстразделы 2, 9, 10, 11: сделка, AI value frameworks (вендор)
S47A Hierarchical structure of key performance indicators for operation management and continuous improvement in production systemsKang, Zhao, Li, Horst; International Journal of Production Research (копия NIST)tsapps.nist.gov/publication/get_pdf.cfm?pub_id=91975420162026-09-19полный текстразделы 2, 6, 11: иерархия элементов, индикаторов и KPI по ISO 22400
S48Balanced scorecardWikipediaen.wikipedia.org/wiki/Balanced_scorecardбез даты2026-09-19полный текстразделы 2, 4, 8, 11: происхождение, поколения, критика, опрос 2020 года
S49Value Driver Trees for KPI-Based Decision Analytics: Process Performance in the Order-to-Delivery ProcessMorgret, Feldmann, Matthies; HICSS-57 (AISeL)aisel.aisnet.org/hicss-57/da/decision_support_for_scm/2/20242026-09-19аннотацияразделы 2, 11: VDT с корреляционной валидацией на кейсе
S50The deployment of balanced scorecard in health care organizations: is it beneficial? A systematic reviewAmer, Hammoud, Khatatbeh, Lohner, Boncz, Endrei; BMC Health Services Research (Europe PMC REST)ebi.ac.uk/europepmc/webservices/rest/search?query=PMCID:P…20222026-09-19аннотацияраздел 2: 20 исследований, эффекты и риск смещения
S51An Investigation of Leading and Lagging Indicators for Balanced Scorecard: A Meta-Analytic ApproachLiao, Wang, Thinh, Wu; SAGE Openjournals.sagepub.com/doi/10.1177/2158244025135983320252026-09-19фрагментразделы 2, 12: метаанализ связей перспектив (только фрагмент выдачи)
S52Contemporary Performance Measurement Systems: A Review of Their Consequences and a Framework for ResearchFranco-Santos, Lucianetti, Bourne; Management Accounting Research (метаданные Semantic Scholar)api.semanticscholar.org/graph/v1/paper/DOI:10.1016/j.mar.…20122026-09-19фрагментраздел 2: обзор 76 исследований, 745 цитирований
S53Performance measurement using overall equipment effectiveness (OEE): literature review and practical application discussionMuchiri, Pintelon; International Journal of Production Research (метаданные Semantic Scholar)api.semanticscholar.org/graph/v1/paper/DOI:10.1080/002075…20082026-09-19фрагментразделы 2, 11: обзор OEE, 573 цитирования
S54The value of system dynamics' diagrams for business model innovationAmmirato, Linzalone, Felicetti; Management Decision 60(4)emerald.com/md/article-split/60/4/1056/282573/The-value-o…20222026-09-19аннотацияразделы 2, 4: единичный кейс пользы CLD для предпринимателей
S55Colin Bryar on the practice of Amazon's Weekly Business ReviewCedric Chin, Commoncogcommoncog.com/colin-bryar-amazon-weekly-business-review/2023-11-162026-09-19полный текстразделы 2, 10: входы находят пробами и ошибками
S56How Amazon Uses Input MetricsHuy Nguyen, Holisticsholistics.io/blog/how-amazon-uses-input-metrics/2021-02-242026-09-19полный текстразделы 2, 3, 5, 6, 8, 11: эволюция метрики выбора в четыре шага
S57The Human Interfaces of Data — AbhiDavid Jayatillake, Substackdavidsj.substack.com/p/the-human-interfaces-of-data-abhi2023-09-132026-09-19полный текстраздел 2: опыт Flexport, «радикальное предложение»
S58Debugging Your Business with DataErgest Xheblati, SQL Patternssqlpatterns.com/p/debugging-your-business-with-data2024-04-212026-09-19полный текстразделы 2, 5, 7, 11: пять линз, сезонность, вариация
S59North Star ... a path to being lostChris Chapman, Quant UX Blogquantuxblog.com/north-star-a-path-to-being-lost2024-012026-09-19полный текстразделы 2, 4, 8, 11, 12: критика единой метрики, HEART
S60Cascading OKRs – more trouble than it's worthGreg Bayer, Mind the Productmindtheproduct.com/cascading-okrs-more-trouble-than-its-w…2023-08-042026-09-19полный текстразделы 2, 4, 7, 11: водопад, согласования, «телефон»
S61Cascading OKRs vs. aligning OKRsTabilitytability.io/okrs/cascading-vs-aligning-okrsбез даты2026-09-19полный текстразделы 2, 4, 8: каскад против выравнивания, перестройка дерева
S62Linear-LLM-SCM: Benchmarking LLMs for Coefficient Elicitation in Linear-Gaussian Causal ModelsYamaoka и соавторы; arXivarxiv.org/abs/2602.102822026-02-102026-09-19аннотацияразделы 2, 4, 10, 11: нестабильность коэффициентов у семи LLM
S63How It Works: Metric Trees Live in 2 WeeksTrace (hellotrace.io)hellotrace.io/how-it-worksбез даты2026-09-19полный текстразделы 2, 5, 6, 9, 10: git-спецификации, хранилища, «AI не вычисляет KPI» (вендор)
S64The AI Analytics platform for your action loopKPI Tree (kpitree.co)kpitree.co/platformбез даты2026-09-19полный текстразделы 2, 3, 6, 7, 9, 10: RACI, verified impact, Canopy, MCP (вендор)
S65apache/ossie (Apache Ossie, ранее Open Semantic Interchange)Apache Software Foundation, GitHubgithub.com/apache/ossieбез даты2026-09-19полный текстразделы 2, 9, 10, 11: спецификация YAML и JSON, инкубатор, звёзды
S66Semantic Layer vs. Text-to-SQL: 2026 Benchmark UpdateJason Ganz, Benoit Perigaud; dbt Labsdocs.getdbt.com/blog/semantic-layer-vs-text-to-sql-20262026-04-072026-09-19полный текстразделы 2, 7, 10, 11: 98–100 % против 84–90 %, явные и тихие ошибки (вендор)
S67Semantic Layers for Reliable LLM-Powered Data Analytics: A Paired Benchmark of Accuracy and Hallucination Across Three Frontier ModelsRumiantsau, Fokeev; arXivarxiv.org/abs/2604.251492026-04-282026-09-19аннотацияразделы 2, 10, 11: +17–23 п. п., абсолютная точность 68–69 %
S68CausalFusion: Integrating LLMs and graph falsification for causal discoveryCasadei и соавторы; Amazon Science, AAAI 2026amazon.science/publications/causalfusion-integrating-LLMs…20262026-09-19аннотацияразделы 2, 10, 11: LLM плюс фальсификация превосходит PC и LiNGAM
S69Metric Trees for Product AnalyticsMixpanelmixpanel.com/platform/metric-trees/2026-09-172026-09-19полный текстразделы 2, 10: AI-генерация черновика дерева (вендор)
S70EstherSalinas/pm-skillsGitHubgithub.com/EstherSalinas/pm-skillsбез даты2026-09-19полный текстразделы 2, 10: навыки north-star и kpi-tree с проверкой MECE
S71Driver-Based Planning: Put Drivers in Front and Steer Planning with ConfidenceAnaplan Bloganaplan.com/blog/put-drivers-in-front-steer-planning-with…без даты2026-09-19полный текстразделы 3, 4, 5, 7, 9: допущения, сценарии, «causal clarity» (вендор)
S72Goodhart's lawWikipediaen.wikipedia.org/wiki/Goodhart%27s_lawбез даты2026-09-19полный текстразделы 3, 7, 8, 10, 11: формулировки 1975 и 1997, примеры gaming
S73Hierarchical Summarization of Metric ChangesRuhl, Sundararajan, Yan; arXivarxiv.org/abs/1703.077952017-03-222026-09-19аннотацияразделы 3, 7, 10: алгоритм объяснения изменений по иерархиям, внедрение в AdWords
S74AFP FP&A Guide to Driver-based Models and PlansAssociation for Financial Professionalsfinancialprofessionals.org/training-resources/resources/g…2024-03-052026-09-19полный текстразделы 4, 7, 9: определение, риск ошибок при многошаговых драйверах
S75System dynamicsWikipediaen.wikipedia.org/wiki/System_dynamicsбез даты2026-09-19полный текстразделы 4, 11: Forrester, стоки, потоки, петли
S76What are guardrail metrics and why are they important?Kameleoonkameleoon.com/blog/guardrail-metrics2025-12-232026-09-19полный текстразделы 4, 7: определение и примеры guardrail-метрик (вендор)
S77Trustworthy Online Controlled Experiments: A Practical Guide to A/B Testing (сайт книги)Kohavi, Tang, Xu; Cambridge University Pressexperimentguide.com/20202026-09-19аннотацияразделы 4, 11: книга, OEC
S78KPIs and the Power of Measurement: Bernie SmithAndy Burt, CFO.comcfo.com/news/kpis-and-the-power-of-measurement-bernie-smi…2023-02-212026-09-19полный текстраздел 5: «большая шестёрка» целей
S79North Star FrameworkTim Beattie, Val Yonchev; Open Practice Libraryopenpracticelibrary.com/practice/north-star-framework/2022-12-312026-09-19полный текстраздел 5: формат воркшопа 60–120 минут, участники
S80DoubleLoop Software Pricing 2025Vendrvendr.com/buyer-guides/doubleloop20252026-09-19полный текстразделы 5, 9: средний контракт около 5 064 долларов по двум сделкам
S81PricingKPI Tree (kpitree.co)kpitree.co/pricingбез даты2026-09-19полный текстразделы 5, 9: тарифы без цен, проба 14 дней (вендор)
S82Result Orientated KPI-System (ROKS) for Enterprise KPI DesignBernie Smith, Made to Measure KPIsmadetomeasurekpis.com/roks-kpi-method-overview/без даты2026-09-19полный текстразделы 6, 8, 11: семь шагов, дерево как longlist (вендор)
S83AI-Powered Causal Discovery for Better Business DecisionsMaxim Laletin, PyMC Labspymc-labs.com/blog-posts/ai-for-causal-discovery2025-12-172026-09-19полный текстразделы 7, 9, 10: LLM предлагает DAG по метаданным, структурированный вывод
S84E-commerce Core Metric Tree Dashboard by Timo DechauAmplitude Templatesamplitude.com/templates/ecommerce-core-metric-treeбез даты2026-09-19полный текстраздел 9: у Amplitude шаблон, а не функция (вендор)
S85How we designed Metric Trees for MixpanelMike Murray, Mixpanelmixpanel.com/blog/designing-metric-trees/2026-06-092026-09-19полный текстраздел 9: холст, сравнения периодов, совместное редактирование (вендор)
S86Introduction to Metric TreesVijay Subramanian, Tracehellotrace.io/blog/introduction-to-metric-treesбез даты2026-09-19полный текстразделы 9, 11: типы связей в понимании Trace (вендор)
S87ALCM: Autonomous LLM-Augmented Causal Discovery FrameworkKhatibi, Abbasian, Yang, Azimi, Rahmani; arXivarxiv.org/abs/2405.017442024-05-022026-09-19аннотацияраздел 10: гибрид алгоритма и LLM на семи наборах данных
S88Large Language Models for Causal Discovery: Current Landscape and Future DirectionsWan, Lu, Wu, Hu, Li; IJCAI 2025ijcai.org/proceedings/2025/118620252026-09-19аннотацияраздел 10: таксономия, «несовершенные экспертные системы»
S89KPI Status Relationship Graph Revisited with LLMsEugene Asaharaeugeneasahara.com/2023/06/18/kpi-status-relationship-grap…2023-06-182026-09-19полный текстраздел 10: парсинг формул KPI в граф с ручной проверкой
S90Donaldson Brown (1885-1965): The power of an individual and his ideas over timeDale L. Flesher, Gary John Previts; Accounting Historians Journal 40(1) (eGrove)egrove.olemiss.edu/aah_journal/vol40/iss1/5/20132026-09-19аннотацияраздел 11: формула ROI 1914, доминирование к 1950-м
S91Having Trouble with Your Strategy? Then Map ItKaplan, Norton; Harvard Business Reviewhbr.org/2000/09/having-trouble-with-your-strategy-then-ma…2000-092026-09-19фрагментраздел 11: дата статьи о strategy maps
S92Introducing Metric Trees: Enabling strategic clarity for the digital eraNeha Nathan, Mixpanelmixpanel.com/blog/mixpanel-metric-trees/2025-08-262026-09-19полный текстраздел 11: анонс функции (вендор)
S93Metric Trees for Data Teams — Connect Work to Business OutcomesDoubleLoopdoubleloop.app/solutions/kpi_treesбез даты2026-09-19полный текстраздел 11: связь инициатив и метрик, корреляции, источники данных (вендор)
S94Introducing Metric Trees, Metric Tree GuideLevers Labsleverslabs.com/article/introducing-metric-treesбез даты2026-09-19недоступенраздел 12: сайт не отвечал (ошибки DNS)
S95Metrics & Measurement — Define Input MetricsReforgereforge.com/c/growth-marketing-eg/gm-metrics-and-measurem…без даты2026-09-19недоступенраздел 12: платный модуль, видна только шапка

Словарь терминов

Driver tree дерево драйверов
арифметическое разложение числового показателя на составляющие, ветви которого складываются или перемножаются обратно в родителя.
Value driver tree, VDT дерево драйверов стоимости
дерево с корнем в стоимости компании или её финансовом прокси (ROIC, FCF), связывающее финансовые и операционные драйверы; практика оценки и консалтинга.
KPI tree дерево KPI
по методу Smith — иерархия от стратегической цели через результаты словами к KPI-кандидатам, служащая для отбора показателей.
Metric tree дерево метрик
модель бизнеса, где все узлы — метрики с определением в данных, а рёбра — арифметические компоненты или влияния.
North Star Metric, NSM метрика-ориентир
единственная метрика, лучше всего выражающая ценность продукта для клиентов и опережающая выручку; в North Star Framework дополняется 3–5 inputs.
Input metric, output metric входная и выходная метрика
вход — контролируемое действием командой; выход — результат (выручка, активные пользователи), которым напрямую управлять нельзя.
Controllable input metric контролируемая входная метрика
термин Amazon для входа, который команда двигает своими действиями и который проверен на связь с выходом.
Identity edge, component relationship тождественная связь
арифметическая связь родителя и детей, обязанная сходиться численно.
Influence edge, influence relationship связь влияния
гипотеза о причинном воздействии одной метрики на другую с знаком, лагом и уровнем уверенности, без точной формулы.
Confidence level уровень уверенности связи
градация hypothesized, correlated, verified или high, medium, low для influence-рёбер.
Lag лаг
задержка между изменением входа и откликом выхода; обязательное поле связи влияния.
Leading indicator, lagging indicator опережающий и запаздывающий индикатор
метрика текущей активности, предсказывающая результат, и метрика уже свершившегося результата.
MECE взаимно исключающие и совместно исчерпывающие
требование к детям одного родителя не пересекаться и покрывать его целиком.
Double counting двойной счёт
включение одной величины в несколько ветвей разбиения, нарушающее сходимость.
Mix shift сдвиг состава
изменение долей сегментов, двигающее среднее или долю при неизменных ставках внутри сегментов.
Simpson's paradox парадокс Симпсона
обращение направления агрегированной тенденции относительно тенденций в сегментах из-за состава.
Ratio metric долевая метрика
метрика вида числитель ÷ знаменатель; знаменатель должен быть узлом дерева.
Cohort window, calendar window когортное и календарное окно
расчёт по группе, вошедшей в один период, против расчёта по календарному периоду; смешение недопустимо в одной формуле.
Guardrail metric метрика-ограничитель
показатель, который нельзя ухудшать при оптимизации целевого: удержание, надёжность, жалобы.
Vanity metric метрика тщеславия
растущий показатель без связи с решениями и ценностью: регистрации, просмотры.
Goodhart's law закон Гудхарта
когда мера становится целью, она перестаёт быть хорошей мерой.
Gaming манипуляция метрикой
улучшение показателя действиями, не улучшающими результат.
Rechensystem, Ordnungssystem расчётная и порядковая система показателей
немецкие термины для систем с математическими связями и с лишь смысловыми связями.
Kennzahlensystem система показателей
упорядоченная совокупность взаимосвязанных показателей: DuPont, ZVEI, RL.
DuPont analysis анализ DuPont
разложение ROE на рентабельность продаж, оборачиваемость активов и финансовый рычаг.
OEE общая эффективность оборудования
произведение availability, performance и quality; учитывает шесть больших потерь.
Balanced Scorecard, BSC сбалансированная система показателей
набор целей и мер по четырём перспективам с гипотезами причинных связей между ними.
Strategy map стратегическая карта
диаграмма причинных гипотез между целями четырёх перспектив BSC.
OKR цели и ключевые результаты
рамка постановки целей с 3–5 измеримыми ключевыми результатами; каскад против выравнивания — способы связи уровней.
Driver-based planning драйверное планирование
построение финансового плана от операционных драйверов и допущений через формулы.
GQM, GQM+Strategies цель — вопрос — метрика
метод вывода метрик из целей через вопросы; расширение связывает цели бизнеса, стратегии и допущения.
Weekly Business Review, WBR еженедельный бизнес-обзор
практика Amazon по разбору входных и выходных метрик в фиксированном формате.
Statistical process control, SPC статистический контроль процессов
различение обычной и особой вариации до поиска причин.
Causal loop diagram, CLD диаграмма причинных петель
диаграмма переменных и связей с знаками, выявляющая усиливающие и балансирующие петли.
System dynamics системная динамика
моделирование поведения систем через стоки, потоки, петли и задержки.
Structural causal model, SCM структурная причинная модель
DAG с функциональными механизмами, допускающий атрибуцию, интервенции и контрфакты.
DAG направленный ациклический граф
граф без циклов; дерево — его частный случай.
Falsification test тест фальсификации
статистическая проверка, отвергающая рёбра или структуру графа, несовместимые с данными.
Value bridge, PVM мост стоимости, анализ цена-объём-состав
водопад изменения показателя по драйверам с точной сходимостью к разнице.
Shapley attribution атрибуция Шепли
распределение вклада драйверов усреднением по всем порядкам их учёта.
Semantic layer, metric store семантический слой, хранилище метрик
код с единообразными определениями метрик, вычисляемых для инструментов и агентов.
Metric catalog каталог метрик
реестр метрик и их метаданных без связей между ними.
Open Semantic Interchange, Apache Ossie открытый обмен семантикой
спецификация в YAML и JSON для переносимых определений семантических моделей.
Text-to-SQL генерация SQL из текста
ответ LLM на вопрос прямым написанием запроса без семантического слоя.
MCP протокол контекста модели
протокол передачи контекста и инструментов LLM-агентам, через который платформы деревьев отдают модель метрик.
RACI ответственный, утверждающий, консультируемый, информируемый
матрица ролей по каждому узлу дерева.
Bet ledger журнал ставок
учёт гипотез вида «действие X изменит метрику Y на Z» с результатом.
Steward стюард дерева
роль, отвечающая за целостность дерева, ритм ревизии и журнал ставок.
Longlist, shortlist длинный и короткий список
в ROKS — все KPI-кандидаты из дерева и отобранные по важности и доступности данных.
Growth loop, flywheel петля роста, маховик
замкнутый цикл, в котором выход реинвестируется во вход и даёт компаундный рост.
Confounder общая скрытая причина
фактор, влияющий одновременно на несколько узлов и создающий ложную связь между ними.
Tolerance допуск сходимости
допустимое расхождение между родителем и вычислением из детей для identity-ребра.
HEART счастье, вовлечённость, принятие, удержание, успех задач
набор UX-метрик, предлагаемый как альтернатива единой North Star.