AppView
Аналитика Chrome Web Store для тех, кто делает, продвигает или покупает расширения. Стор показывает только сегодняшние цифры, AppView хранит историю.
Экраны
Проблема
Те, кто делает, продвигает или покупает расширения, не видят, кто лидирует в нише, как быстро растут конкуренты и что поменялось между версиями. Страница в сторе показывает только сегодняшние цифры.
Результаты
Платежей в месяц стало 44 вместо 3 в первые месяцы, на пике 55. Первым каналом продаж стал дизайн-партнёр, сообщество разработчиков расширений. Тёплая аудитория оттуда конвертируется примерно в 8%, холодный трафик примерно в 1%. Сейчас на холодной аудитории проверяю 7-дневный триал без карты: запущено, результат измеряется.
Что умеет продукт
- История пользователей, рейтинга, отзывов, версий и названий по ~426 тыс. объектов стора и ~118,6 тыс. издателей, с января 2025.
- Расширенный поиск с десятками фильтров и экспортом в XLSX/CSV, в том числе для поиска конкурентов по ключевым словам или аудитории.
- Рейтинги издателей: самая большая аудитория, самый быстрый рост, самые активные, с отметкой верификации.
- Списки, скачивание пакетов и просмотр исходников архивных версий.
- Граф рекомендаций: 2,84 млн связей между ~252 тыс. расширений.
- Freemium и Premium: 30 дней истории бесплатно, платные ограничения там, где появляется ценность.
- Дальше: мобильные сторы.
Как продукт находит пользователей
- Контентный сайт на Next.js под поиск и AI-ответы (llms.txt, schema.org).
- Telegram-бот с бонусом за привязку аккаунта.
- Расширение для Chrome.
- Пять языков интерфейса.
Продуктовые кейсы
- Лендинг: входной бандл уменьшен с 1,9 МБ до 189 КБ с пререндером; локальный Lighthouse mobile вырос с 67 до 92–94. Замер в проде впереди.
- Поиск: подсчёт результатов ускорился с ~540 мс до ~20–30 мс. Полный запрос расширенного поиска в проде: p50 ~173 мс, p95 ~492 мс (~5000 запросов за 7 дней).
- Хранение истории: TimescaleDB со сжатием на разреженных данных, поэтому база растёт на десятки–сотни МБ в год, а не на сотни ГБ.
- Надёжность: бэкап перед каждым деплоем, учебное восстановление 718 МБ за 2 мин 35 с, ранбук на каждый релиз; шум в Sentry снижен с ~100 событий в день до ~12 за ночь.
- LLM там, где окупается: сначала правила, модель только для лучших кандидатов, результаты кэшируются по хэшу входа.
Как устроено
15 сервисов в Docker Compose и пять поверхностей: веб-приложение, контентный сайт, расширение Chrome, Telegram-бот и админка. Около 1740 тестов на бэкенде и 575 на фронтенде. Решения записаны в 15 ADR и журнале из 65 записей.
До середины 2026 я писал систему руками. С тех пор AI-агенты реализуют по моим спецификациям, а я принимаю работу по тестам и замерам в проде. К команде добавились агенты, а задача по-прежнему в результате.
Нужно что-то похожее?
Расскажите, что у вас есть и чем я могу вам помочь.