Топ-5 неочевидных механик повышения ltv, или почему мост важно строить с обеих сторон 🤝 Задача любого b2c-проекта формулируется прям очень просто но решается очень трудно - надо уменьшать cac и растить ltv. В целом ну... все 🤨 Большинство продуктов сейчас сосредоточены на первой половине воронки - дешевое привлечение плюс ltv за счет максимально большой первой покупки. И рынок показывает, что это работает. Впрочем, велью продукта в долгосроке это не докажет, та же статистика говорит, что 35% отмен годовой подписки происходит в первый месяц 🤨 Поэтому я думаю про маркетинг в первую очередь как про топливо для тестирования гипотез в продукте. Нет никакого смысла делать выводы про целевую аудиторию на тысяче рандомных органических пользователей 😅 Допустим, вы нашли более-менее устойчивый канал, итерируетесь, а экономика все равно едва сходится. Отлично, здесь начинается настоящий дарк соулс и у вас есть два рычага - первая покупка и ретеншен 😬 Первая покупка, быстрые механики 1️⃣ Апсел. Что-то, что идет допом к основной покупке. Особенно если у вас веб-воронка (в сторе такое не провернуть). Предложите докупить что-то прямо "на кассе" как жвачку, например пдфку с какой-то доп информацией. Конверсия в покупку апсела у нас примерно 20%, и это почти бесплатное повышение ltv - и вам хорошо, и пользователю полезно 2️⃣ Пуш в годовую покупку. Дорогие приложения делают в 6 раз больше ltv на платящего и (внезапно) конвертят триал в 2 раза лучше дешевых. Но годовая подписка поднимает ставки на первый месяц, так что тестить это лучше вместе с пунктом 4. Также индустрия рекомендует хард пейвол, но я пока не решилась 😂 Ретеншен, более глубокие механики 3️⃣ Найти супер-пользователей и подталкивать тех, кто почти им стал. Сначала понять, какое раннее действие предсказывает удержание, потом строить вокруг него пуши и уникальные предложения. Мой любимый пример у нас -  кто добавил больше 15 вещей в гардероб, в 7 раз чаще становится платным возвращающимся пользователем. Значит, человек с 11-13 вещами это отличная когорта для пуша или спец предложения. Но есть нюанс! 😧 Важно, что пуши как и любая другая механика без аналитики это спам, надо делать аб. Если нет разницы, значит 15 вещей это симптом вовлеченности, а не ее причина, и вы просто дергаете тех, кто и так остался бы 😳 4️⃣ Полировка первой сессии. Большинство отмен роисходят в первые часы. Пользователь не разобрался, не увидел велью, ушел. Самое полезное упражнение здесь взять сессии тех, кто остался, и тех, кто ушел, и посмотреть, чем они отличаются. Это, пожалуй, важнее новых фичей и всего остального. Хотите починить ретеншен - начните с первой сессии. Мы кстати готовим в aesty большой апдейт сейчас ровно по этой теме 🍿 5️⃣ Before you go... Пользователь уходит в трех точках, и на каждой его можно попытаться поймать 🌟 • Не прошел платеж - попробовать забиллить повторно, грейс период, пуш "обнови способ оплаты" • Пользователь нажал "отменить подписку" - тут работает экран со скидкой. У нас есть пользователи с лтв под $100, которые почти удалили Aesty, остались по скидке и пользуются уже много месяцев.  • Пользователь все-таки ушел. Скидочный оффер через пару недель, это уже стандартная настройка в том же ревенюкэте Так почему же мост с обеих сторон? Ни одну из этих механик нельзя проверить без стабильного трафика, на десяти скачиваниях из рандомных географий вы не отличите эффект от шума. А еще если у вас однажды сошлась экономика это еще не значит, что она не разойдется 😂 На ранней стадии cac и ltv лучше держать в одной голове. Разделите их и ни один не сойдется. Поэтому я всегда за то, чтобы мы билдеры сами занимались маркетингом и продуктом 😁 ps честно говоря 5й пункт мне пришлось заметно урезать, чтобы все влезло в 1 пост. Так что будет отдельно про то, какие бывают win-back механики и что есть у нас 🐵 @neural_prosecco

Провел воркшоп на 55 минут по теме: Как найти правильные метрики в B2B Saas вместо измерения DAU и MAU, которые покажут реальный ПУТЬ пользователя? Прикладываю презентацию и запись: https://my.mts-link.ru/j/97820927/24016416537/record-new/23417220686

Чек-лист «хорошей B2B-метрики»: • Привязана к командному сценарию, а не к действию одного юзера. • Измеряет результат, а не процесс (не «открыл», а «завершил»). • Hard to fake: нельзя накрутить без реальной ценности. • Имеет временное окнои понятную частоту (не «вечно», а «за неделю/месяц»). • Под неё можно построить дерево с весами, которыми вы можете играться и на которые можете влиять Если метрика не проходит 3+ пункта - вы построили метрику тщеславия

Сохраняйте, чтобы не потерять @blackproduct

🤣 Как за год заработать банку 50 тысяч 👼 После того как я стал руководителем, мне хотелось решить как можно больше задач силами своей команды. Мы умели работать с текстами, и эту экспертизу хотелось применить в продуктах банка. 📈 Одна такая задача нашлась в инвестиционном продукте. Новости без категорий было неудобно читать. По крайней мере, так казалось мне — человеку, который умел их классифицировать. Решение выглядело очевидным: давайте сделаем классификатор. Я убедил бизнес, собрал первую модель и передал её джуну на доработку. Мы разметили данные, улучшили качество и показали результат заказчику. Тексты хорошо раскладывались по категориям, заказчик был доволен — договорились внедрять в мобильное приложение. 🗓️ А дальше приложение переделывали, команда менялась, приоритеты уезжали. Так прошёл год. Сейчас я понимаю, что постоянные переносы были неслучайны: бизнес не видел ценности классификатора, а мы не смогли объяснить, какую ценность он должен принести. 🎉 Наконец классификатор внедрили, запустили A/B-тест и ещё через месяц подвели итоги. Оказалось, что он приносит банку 50 тысяч рублей в месяц — примерно зарплату джуна, который его допиливал. 🤦‍♂️ Где мы облажались? - Не спросили, какую продуктовую метрику хотим изменить, за счёт чего и насколько. Мы просто решили, что категоризированные новости — это хорошо. - Заранее не договорились, как будем измерять эффект. В итоге продакт что-то как-то протестировал, а мы что-то как-то посчитали. Этот печальный опыт усилил мою аллергию на внедрение технологий по мотивам русских сказок: «Пойди туда, не знаю куда. Внедри затем, не знаю зачем». После этой истории у меня закончился нейросетевой недотрах. 😅 🎯 Прежде чем делать модель, ответьте на два вопроса: какой бизнес-эффект она должна дать и как вы его измерите. До продакшена классификатор мы довезли. До бизнес-эффекта — нет. А на каком этапе вы бы остановили этот проект? Пишите в комментариях. 👇

Как оценить продакта Мне очень часто задают вопрос: «Егор, ну твой канал это же лукавство. Понятно, что есть бесполезные продакты, но есть же и полезные, которые нужны. Только как понять, какой перед тобой продакт?». Поэтому я решил составить тест на полезность продакта, основываясь на своем многолетнем опыте собеседования и работы с продактами. Он довольно простой: отвечаете на вопросы и суммируете баллы. Все вопросы выстраданы на личном опыте. Если вы продакт, сможете реалистично понять свой уровень. Если вы не продуктовый менеджер, можете задать вопросы из этого теста своему продакту и оценить его. Можете использовать тест на собеседованиях. Знание SQL Не знаю: 0 баллов Знаю базовые запросы: 1 балла Умею на продвинутом уровне: 2 балла Опыт проектного менеджмента Меньше 1 года: 0 баллов 1-3 года: 1 балл От 3 лет: 2 балла Количество неудачных проектов за плечами 1-2: 0 баллов 3-5: 1 балл Больше 5: 2 балла У вас есть опыт в закупке трафика (MyTarget, AdWords, рекламные сетки) Нет: 0 баллов Да: 1 балл Был опыт запуска своего проекта Нет: 0 баллов Да, неуспешного: 1 балла Да, успешного: 2 балла Вы обучались на инженерную специальность Нет: 0 баллов Да: 1 балла Вы наизусть знаете юнит экономику своего текущего проекта Нет: 0 баллов Да: 1 балл У вас был опыт самостоятельной настройки системы аналитики (Google Analytics, Amplitude, etc) Нет: 0 баллов Да: 1 балл У вас есть опыт в продажах какого-то продукта Нет: 0 баллов Да, до 1 года: 1 балл Да, больше 1 года: 2 балла Опыт работы продактом До 3 лет: 0 баллов 3-5 лет: 1 балл Больше 5 лет: 2 балла Сколько мест работы у вас было за последние 3 года Больше 3: 0 баллов 2-3 места работы: 1 балл 1 место работы: 2 балла Считаем результаты 0-18 баллов: К сожалению, вы не нужны 19-25 баллов: Вы хороший середнячок, через несколько лет есть все шансы стать отличным продактом 26 и более баллов: Мое почтение, вы тот самый человек, который способен принести пользу бизнесу

Стартап читалка книг на английском, с ии-переводом с учётом контекста, сохранением словаря изучаемых слов, базой книг под разные уровни изучения, базой авторских книг, озвучкой человеками. Что не так: Не решено, на какую ЦА ориентируется приложение. Кто не забросит чтение через месяц-полтора и будет платить регулярно. На ком окупится привлечение клиентов при абонентке 300р/мес. Бесплатная версия не содержит ИИ-перевод = не подсаживает клиента на главное преимущество приложения. Тестовый период с полной функциональностью есть - 2 недели. Т.е. если за 2 недели клиент не купил - дальше мы ему не продаем, мы встаём в один ряд и конкурируем с другими читалками, которых куча бесплатных. Проблема ЦА более подробно: Если мы говорим о всех, кто хочет почитать на английском, то это в большинстве люди, которые язык не учат регулярно. Иначе они бы уже ходили на какие-то курсы или читали/учили в других сервисах, и мы вставали бы в конкуренцию с этими способами изучения. Если они не учат и не читают регулярно - они не будут платить регулярно. И забросят приложение через месяц-полтора. А если мы говорим о тех, кто уже где-то учит - мы своими авторскими книгами добавляемся в нагрузку к их домашкам? Если уже где-то читают - ради чего сменят свой способ решения задачи на наш? Что можно сделать: 1. Ориентация на тех, кто учит регулярно - на курсах, в вузе, или кому нужно регулярно читать на англ - например, по работе. НО: им не нужна наша авторская база книг, им нужно читать своё. Плюс развитие функциональности под изучение языка - карточки слов, ии-шное формирование шаблонов деловых писем и хранение их в системе и т.п. 2. Ориентация на тех, кто просто любит читать. Эстетика приложения, интерфейса, подсветки. Ламповый дизайн. Бесшовность перевода. Абсолютное удобство загрузки и хранения книг. Продажа годовых и 3-летних тарифов с большой скидкой, чтоб подсадить на приложение + получить деньги на развитие, пока клиент не забросил. НО: тут абсолютная вкусовщина. Одним зайдет дизайн, другим нет. При этом мы встаём в конкуренцию с десятками читалок, многие из которых на рынке уже 10-15 лет, в т.ч. омни-канальные приложения от производителей физических читалок. И там много конкурентов с несравнимыми бюджетами на разработку, R&D и маркетинг. 3. Встраивание вирального и реферального привлечения пользователей. Например а-ля дропбокс: за каждого привлечённого получи N премиальных фишек. 4. Пересмотр лимитов бесплатной версии, чтобы она продавала платную. Подсаживание на главные преимущества приложения. Например, у ororo.tv (фильмы на английском) в бесплатной версии доступно всё, кроме скачивания и части фильмов и серий. Но только 40 минут в день. Любители сериалов в эти 40 минут не укладываются на 5-10 минут финала серии. Лично я переводом пользуюсь меньше 1 раза за фильм, иногда меньше 1 раза в неделю. Я плачу за то, что смогу им воспользоваться, когда он понадобится, + за то, что все фильмы и субтитры собраны в одном месте, их не надо искать и скачивать, смотри под настроение. Лимиты как в ИИ: после N запросов у вас лимит до 18:15. Тут игра на любопытство: люди хотят узнать ответ ИИ и им проблемно вводить заново весь контекст в другой ИИ. Либо другой ИИ слаб в таких задачах. С читалкой так не прокатит: лимит "ждите 6 часов чтобы продолжить чтение" будет разрезать процесс чтения, разрушать атмосферу. При этом пользователь может уйти дочитывать в другое приложение, которых куча, или забросить чтение. Лично у меня в читалке встроенный гугл-перевод любой выделенной фразы или пачки абзацев (с контекстом справляется), все удобные листалки, подсветки, шрифты, размеры в т.ч. pdf. Ужасно неудобная система загрузки и хранения библиотеки книг, мега-сложная система облачных хранилищ с глючной системой авторизации, на которую я раз в пару лет убиваю по пол-дня на восстановление доступов. Но она сквозная на всех моих устройствах, включая физическую читалку - со всеми закладками, заметками.

Мы должны вести пользователей создавать личный кабинет У меня очередной примерчик в коллекции: Мы посмотрели статистику и оказалось, что пользователи, у которых есть личный кабинет, покупают у нас чаще. Поэтому мы должны вести всех пользователей создавать личный кабинет. Необязательно. Возможно, просто более лояльные пользователи, которым нравится у вас покупать, создают личный кабинет, а те, кто случайно мимо проходил, не создают. Если вы будете вести этих проходящих мимо создавать личный кабинет, вы отвлечёте их даже от тех одиночных покупок, которые они сейчас совершают. В итоге личный кабинет будет всё у большего числа людей, но всё меньшая их доля будет покупать. Среди тех, у кого личного кабинета нет, тоже будет покупать меньшая доля, чем сейчас.

50 самых полезных ресурсов для продактов ProductMap - Большая карта знаний и навыков PM: от discovery и аналитики до AI и leadership. Product Compass - Один из лучших структурированных наборов PM-frameworks и competency maps. ProductDo Skills Map - Визуальная карта навыков продакта по уровням и направлениям. Ravi Mehta PM Toolkit - Сильный competency framework для оценки и развития PM. PMwheel - Удобная модель self-assessment и развития продуктовых навыков. GitLab PM Competencies - Реальная корпоративная система уровней и ожиданий от PM. Intercom PM Ladder - Хороший пример карьерной лестницы от PM до senior-level ролей. Reforge - Глубокие материалы по growth, retention, monetization и strategy. Mind the Product - Огромная библиотека статей, кейсов и выступлений по Product Management. SVPG - Marty Cagan: empowered teams, discovery, strategy и product operating model. Lenny’s Newsletter - Практические разборы growth, marketplaces, AI, leadership и product strategy. Product Talk - Teresa Torres: Continuous Discovery, OST и работа с assumptions. Strategyzer - Business Model Canvas, Value Proposition Canvas и тестирование бизнес-гипотез. GoPractice - Одна из сильнейших баз по продуктовой аналитике, retention и unit economics. GoPractice Simulator - Практический симулятор продуктовой работы с метриками и решениями. Product School - Большая библиотека guides, templates и PM-материалов. The Product Folks - Кейсы, frameworks, teardown’ы и материалы для развития product sense. Hustle Badger - Хорошая база по strategy, JTBD, PRD, discovery и product org. PM Skills Marketplace - 100+ готовых AI-native skills и workflows для Product Management. prodmgmt.world - AI-native PM OS: skills, frameworks, workflows и агенты. Productboard Resources - Customer insights, prioritization, roadmap и product operations. ProdPad - Lean roadmaps, outcomes, discovery и product strategy. airfocus - Prioritization, discovery, strategy и Product Ops. Aha! Product Guide - Очень большой системный справочник по Product Management. Jira Product Discovery - Практики работы с ideas, insights, prioritization и discovery → delivery. Pragmatic Institute - Market-driven product, positioning, pricing и GTM. Product-Led Alliance - PLG, activation, adoption, onboarding и retention. Growth Unhinged - Очень сильный контент по SaaS growth, pricing и monetization. First Round Review - Подробные кейсы стартапов по продукту, growth и management. YC Library - PMF, MVP, пользователи, growth и запуск стартапов. Sequoia Articles - Стратегия, рынки, PMF и построение компаний. a16z - AI, SaaS, marketplaces, fintech и новые продуктовые модели. CXL - Experimentation, CRO, analytics и behavioral science. Demand Curve - Практические growth playbooks по acquisition и retention. Growth.Design - UX-разборы известных продуктов через behavioral psychology. Built for Mars - Очень подробные UX teardown’ы реальных продуктов. Nielsen Norman Group - Фундаментальная база по UX, usability и research. Dovetail - Интервью, research synthesis и работа с customer insights. Maze Guides - Usability testing, prototypes и continuous research. Hotjar - Behavior analytics, funnels, user feedback и customer journeys. Mobbin - Огромная библиотека интерфейсов сильных digital-продуктов. Page Flows - Реальные onboarding, checkout, subscription и другие user flows. UserOnboard - Классические разборы onboarding известных продуктов. Amplitude Academy - Бесплатное обучение funnels, retention, cohorts и analytics. Amplitude Blog - North Star, activation, retention и experimentation. Mixpanel Blog - Практическая продуктовая аналитика: funnels, cohorts и retention. ChartMogul - Одна из лучших баз по SaaS-экономике: MRR, NRR, CAC, LTV, churn. Shape Up - Сильная альтернатива backlog-driven разработке: shaping, appetite и betting. ChatPRD - AI-помощник для PRD, discovery, requirements и PM-документов. Atlassian Team Playbook - Практики для alignment, decision-making, goals, retrospectives и командной работы.

Продуктовые наблюдения: Одиссея из всех лошадей На днях мы посмотрели Одиссею Нолана. Очень не плохое кино, я бы назвал это фанфиком на Гомера. Но мы тут не про кино разговариваем, а про продуктовые наблюдения Так вот, после кино мне все сервисы начали подсовывать информацию о: 1. Одиссее 2. Улис (для меня было открытие, что это Одиссей у римлян) 3. Крах брозвого века Все мои любимые авторы сделали видео о... И получается, что эффект научения алгоритмов (когда мне подсвечиваются видео большой давности), а еще желание обуздать медийную волну - приводит к тому, что я погрузился на тему так, что теперь знаю в целом в каких песнях и что пелось и подумываю о том, чтобы прочитать Гомера. А если сервисы и пузырь могут влиять на решение в таком виде, просто подсовывая качественный контент на тему, то вопрос, а могут ли они влиять на все остальное? (вопрос, риторический) Кстати, приходите в комменты, поговорим о кино, как вам? смотрели ? @blackproduct

Заметки на полях Ошибка продуктовых компаний: они часто измеряют то, что растёт, а не то, что объясняет экономику продукта Например, онлайн-кинотеатр измеряет часы просмотра и рапортует, что они выросли на 2%, примерно до X млн. часов. Но если аудитория при этом выросла быстрее, то watch hours per subscriber могли снизиться. То есть агрегированная метрика позволяет рассказать историю «engagement растёт», даже если средний пользователь смотрит меньше. Это универсальная ловушка: для растущих платформ абсолютные метрики почти всегда выглядят лучше когортных. Поехали дальше. Но возможно, watch hours per subscriber вообще не главная метрика онлайн-кинотеатра. Пользователь платит не за каждый просмотренный час. Он платит за опциональность: «Когда мне захочется что-нибудь посмотреть, у сервиса будет что предложить». Ценность продукта не обязана быть пропорциональна интенсивности использования. Поэтому человек, который посмотрел онлайн-кинотеатр 8 часов, необязательно менее ценен или менее удовлетворён, чем человек, посмотревший 25. Для бизнеса гораздо важнее: есть ли у пользователя достаточно причин не отменять подписку? Поэтому engagement надо связывать не с количеством часов, а с вероятностью продления подписки. Интересная продуктовая метрика могла бы выглядеть скорее так: контент → просмотр → ценность → retention → revenue. И тогда может оказаться, что дополнительные 10 часов просмотра почти ничего не дают retention.А один сериал, который человек действительно ждал, даёт очень много. То есть не все часы одинаковы. Более того: разные типы просмотра имеют разную экономическую ценность. Час прямой трансляции ЧМ по футболу и час сериала одинаково попадут в метрику watch hours. Но бизнес-эффект может быть совершенно разным. Сами понимаете, почему.

СРО жалеет о существовании профессии продакт-менеджера У Лении вышел подкаст, где СРО Том Веррилли (ex-Twitch, ex-Twitter) о том, как ИИ обнажает масштабы «продуктового театра» Тезисы:

- управление продуктом — это навык, который приобретается на практике, а не просто должность, и иногда командам лучше, когда инженеры и дизайнеры принимают решения самостоятельно - системное мышление становится всё более востребованным - главная польза ИИ для продакт-менеджеров сейчас заключается в Data Science, а не в прототипировании - лучшие менеджеры по продукту сосредотачиваются на технических деталях, понимании клиентов и принятии решений - Роль смещается от «политики» и «совещаний по согласованию» к отдельным специалистам, которые выполняют реальную работу и углубляются в детали продукта - Для роста следует думать о том, как система работает в масштабе, представить все возможные проблемы, а затем исправить их до того, как они произойдут - При найме сотрудников ищите людей, которые могут защитить свои идеи, используя данные, а не тех, кто просто умеет говорить и заводить друзей - Любимая ошибка Верилли за карьеру — доверять средним показателям. Фичу с 3 процентами использования легко списать как бесполезную. Но для этих трёх процентов она может быть единственным сценарием использования продукта. Отключил фичу — обрушил чей-то бизнес.

Цифра ~50% почему-то часто не пугает людей, когда речь про AI-ассистентов. Каждый второй запрос в стену? Ну ок, бывает, докрутим. Это странно, ибо если переложить те же 50% на более классический продукт, который мы все умеем оценивать, отношение будет другим. К примеру, интернет-магазин, который не создаёт каждый второй заказ, никто «докручивать» не будет — его чинят в ночь, в дождь, вопреки, потому что всем очевидно, что он сломан. Но представим магазин хитрее: заказ создаётся, а дальше то не доставят, то привезут не то или не туда, то спишут другую сумму. При этом снаружи всё может выглядеть как успех с непоколебимым покерфейсом: корзина, чекаут, «спасибо за покупку». Ассистенты чаще ломаются именно так. Там, где классический софт падает с ошибкой, LLMки отвечают: «подписку отменил», а по факту ничего не отменил, «операция корректна», а она снесла прод-базу. Ровно тот самый идеальный покерфейс, и у пользователя обычно не хватает компетенций отличить правильный ответ от уверенного вранья. Отсюда и разница в обратной связи. Косячащий магазин закидают жалобами и единицами в отзывах за день: чтобы понять, что привезли не то, экспертиза не нужна. А к ассистенту человек приходит ровно потому, что сам не знает ответа. Отличить хороший результат от плохого ему часто нечем, так что уверенный бред спокойно собирает свои пятёрки, либо собирает негатив с большой задержкой, либо вовсе выглядит как падающий ретеншн. Откуда тогда спокойствие команд? Моя гипотеза: дело в лёгкости лицезрения. Метрики магазина дешёвые: доля созданных заказов, SLA доставки, возвраты. Собираются за день и орут с дашборда красными огнями. Если даже никто дашборд не построил, то быстро прибежит СЕО и заставит сделать сэппуку. Метрика качества ассистента дорогая, это тот самый бенчмарк и нудные месяцы работы. А пока бенчмарка нет — нет и дашборда, на котором могло бы загореться красное. А когда мы измеряем что-то, то часто это улучшаем. Если не измеряется, то «вроде работает» будет достаточно. Дешёвая метрика тычет тебя носом в провал, а дорогая разрешает жить в неведении и называть это оптимизмом. Так что если у команды ассистента нет бенчмарка и эвалов, это не значит, что у неё нет 50% фейлов. Это значит, что она узнает о них последней.

5 неочевидных способов проверить, что ваш продукт нужен рынку до запуска 🍿 Правильнее даже спросить, реальна ли проблема, которую вы собираетесь решать и почему ее до сих пор не решили конкуренты и не навайбкодил какой-нибудь умник из твиттера? спойлер - скорее всего навайбкодил, просто про его продукт никто не узнал 🤣 первое, что приходит в голову - поспрашивать знакомых, а потом и их знакомых и это главная ошибка начинающего фаундера (часто люди врут из вежливости). Когда у вас нет данных, искать их в своем пузыре - значит собрать заведомо искаженные сигналы и принять их за валидацию. Очень приятно, но бесполезно 😐 с чего бы я начала, запускай я новый продукт сейчас: 1️⃣ наведалась в гости к конкурентам окей, у меня пока нет данных, значит, пойду к тому, у кого они есть, а именно - в комментарии в соц сетях и в отзывы в апсторе/гугл плее. Помним, что ищем не точки, а повторяющиеся паттерны. Например в digital wardrobe apps это почти всегда оцифровка гардероба, потому что людям лень фоткать 200 вещей. Поэтому мы в свое время в aesty сделали ее супер простой и удобной 2️⃣ поняла, где живут ваши пользователи и как решают проблему сейчас обычно если проблема реальная, то она уже как-то решается - криво, долго, костылями, но решается. Например наши пользователи живут в пинтересте. Место, где люди ищут решение, но оно неудобное - это ваш рынок, уже собранный в одном месте и ваш value proposition - это короткая дорожка в этом сложном пути. Если такого места нет вообще - стоит проверить, большая ли проблема. Создавать рынки с нуля очень сложно 3️⃣ проверила, платят ли уже - хоть кому-нибудь например стилист за $150/час, курс по капсульному гардеробу еще больше, даже пдфки с собранными образами продают за $10 - все это деньги, которые уже лежат в нише. Если за дорогое и/или неудобное решение платят - спрос доказан, вопрос только в упаковке и цене. Если не платят никому и нигде - возможно, проблема есть, а рынка нет 4️⃣ разобралась, как люди формулируют боль своими словами для б2с я бы изучила запросы в гугле, поиск в тиктоке, ключевые слова в апсторе, видео от инфлюенсеров. В итоге вы понимаете как говорить с пользователями на одном языке - то есть те самые слова, которыми боль описывают реальные люди. Я вот узнала что в моей нише обожают отсылки на гардероб Шэр из фильма Clueless как референс приложения для подбора аутфитов - даже фильм посмотрела, чтобы лучше понять аудиторию 😁 5️⃣ продавала бы проблему до продукта почему бы не попробовать опубликовать 10-20 постов про боль там, где сидят ваши таргет кастомеры - с макетом и формой на предзаказы или можно даже без продукта и ссылки? Затем я бы посмотрела на реакцию, причем метрика это не лайки, а сохранения и что будут предлагать люди в комментариях и вообще собирается ли внимание вокруг проблемы Мы с вами отлично знаем, что почти любой продукт теперь можно навайбкодить за неделю в какой-то альфа версии, а спрос - нет и поэтому стоит проверять его в первую очередь на реальных данных, а не отчетах маккинзи 🐵 @neural_prosecco

да кто такой этот ваш LTV/ CAC > 3?? 🤔 в прошлом посте мы порассуждали про топ воронки - а именно метрики в ads manager и из чего складывается покупочный CPA. Но CPA это только "сколько стоило привести", дальше начинается самое недооцененное - что происходит ПОСЛЕ пейвола, потому что именно там живет ретеншен, а из него складывается ваш LTV. Кейсы лютого скама где вся экономика живет только на топе фунела мы тут не обсуждаем 😅 немного цифр - в 2026м году больше половины новых подписочных приложений зарабатывают в год меньше $1000, в то время как топ-10% забирают почти всю выручку категории - и этот разрыв за пару лет только вырос. Так что LTV/CAC > 3 в 2026 это не норма, а скорее привилегия, которой мало кто может похвастаться, в то время как большинство не выходит даже в единицу, то есть просто сжигают деньги в надежде когда-нибудь окупиться продлениями давайте шаг за шагом спускаться вглубь воронки после пейвола. Я буду приводить рекомендации из индустрии и того,что мы сами пробовали, но это не отменяет факта, что конкретно для вас все может быть иначе - экспериментировать нужно в любом случае 1. первая сессия - активация 🎧 цель: чтобы человек не заскучал, понял, какую проблему решает приложение Многие советуют ставить пейвол после того как вы показали ключевое велью и аха-момент, но на мой взгляд надо экспериментировать, как и с хард/софт пейволом. Например у нас главный когортный предиктор (наиболее важный признак попадания в хорошую когорту) отменит ли человек или продолжить платить и пользоваться - 15+ загруженных вещей и примерка на себя хотя бы одного образа, поэтому мы делаем так, чтобы онбординг и первая сессия подталкивали человека именно к такому поведению. Половина всех отмен происходит в первый день, часто это те, кто взял самую дешевую подписку и отменил, то есть поведение "я просто попробовать" 2. первая неделя - привычка 🤝 цель: сделать так, чтобы человек вернулся в приложение тут формируется (или нет) личинка привычки. Если человек вернулся во 2-ю, 3-ю сессию и снова получил ценность - скорее всего останется еще на какое-то время, но если не открыл апп после оплаты - почти точно вы его уже потеряли, просто он еще не отменил. И здесь мы смотрим на частоту повторных сессий в первую неделю, добивать можно пушами, имейлами, стриками. Отмен всегда много на седьмой день (повторное списание у недельных) 3. продление и возврат 😎 цель: добиться регулярности сессий те, кто отменил годовую - почти не возвращается (в то время как недельные и месячные реактивируются в ~4 раза чаще, но и там немного) зато кто пережил 2–3 продления, становятся кандидатами в суперюзеров - а ретеншен растет с каждым циклом. Получается, что задача подвести человека к осознанному второму и третьему продлению. Конечно, будут и те, кто просто забывает отменить и будет платить годами - но я бы на это сильно не надеялась 😭 что я делаю, чтобы растить наш ретеншен: 1) смотрю, кто дошел до велью момента в первой сессии и что такое велью момент (спойлер - он может меняться и отличаться от того что вы думаете) и как подвести других к такой сессии 2) разбираюсь, сколько раз те кто продолжает платить и пользоваться вернулись в первую неделю и какие действия способствуют возвращению 3) стараюсь чаще тестировать пейвол, подсвечивать на нем те фичи и результаты, которые влияют на ретеншен (например у нас очевидно примерка - вау фича, но если продавать только ее, то люди будут отменять после покупки, а вот те кто наполнили гардероб и собрали образ из своих вещей могут сформировать привычку) 4) в креативах показываю результат, а не фичи - но исходя из тех велью, которые видят для себя наши супер юзеры, с некоторыми я общаюсь еженедельно. Сверяюсь, что принимаю решения не только на основе своего вижена продукта, но и из данных и поведения пользователей

Если 7 % когорты возвращается на 7ой день, то ты уже в топ-25% по активации 1. Правило 7%. Если 7% когорты возвращается на день 7, то твой продукт уде показал раннюю ценность, которая коррелирует с долгосрочным успехом. И ты уже в топ-25% по активации. 2. Ранняя активация предсказывает долгий retention. 69% продуктов из топа по дню 7 были в топе и через 3 месяца. 3. У половины продуктов к концу 2-й недели неактивны больше 98% новых. Даже у топ-10% на день 14 остаётся всего ~9%. 4. У энтерпрайза топ-10% держат 12.4% на день 7 против медианы 2.1%. Разрыв в 6 раз. 5. Разброс по сегментам (retention 3-го месяца у лидеров): тревел 25.6%, финсервис 19.5%, B2B-софт 15.6%, энтерпрайх 12.4 % у лидеров. 6. Что сделать для удержания. Очевидно, пункт номер один - построить хороший онбординг: • найти свой момент ценности через когортный анализ, • сократить time-to-value, • разбить путь на чекпоинты, не вываливать все фичи сразу, • делать онбординг вокруг цели, а не фич, • снижать когнитивную нагрузку, • давать мгновенную обратную связь. 7. Метрики, предсказывающие удержание: • time-to-value по сегментам, • activation по источнику трафика, • глубина (не один экшен, а несколько + приглашение коллеги), • когортные дашборды. Источник: https://amplitude.com/blog/7-percent-retention-rule #PG_education @productgames

Сквозь тернии к ценности Недавно наткнулся на интересную мысль — на раннем этапе продукта полезно оставлять препятствия на пути пользователя к ценности. Звучит контр интуитивно, ведь мы всегда стараемся донести ценность быстрее и до большего числа новых пользователей. А новых на этапе старта — большинство. Но если подумать об этом с другой стороны, то главная задача нового продукта найти свой product market fit. То есть найти сегмент пользователей с проблемой, которую он хорошо решает. И если эти пользователи готовы проходить через препятствия — это хорошо. Такое поведение сигнализирует, что вы попали в их ожидания. Увидеть его можно через аналитику пользовательского поведения и точечных интервью с пользователями, которые совершили ожидаемые вами действия в продукте. На этапе масштабирования уже можно поработать над устранением препятствий. Убрать лишние шаги, оптимизировать процессы по времени, настроить регулярный сбор обратной связи и улучшений на её основе. Главное, чтобы это не стало оправданием запуска продуктов с нелогичным интерфейсом и плохим онбордингом, которые плохо передают ценность вашего продукта. Ну и не затягивать с оптимизацией когда стало понятно, что пользователи готовы решать свою проблему с вашим неудобным продуктом. Здесь на помощь приходят наши любимые инструменты: анализ отзывов, NPS и CSAT опросы, юзабилити исследования и оптимизация воронок. Попробуйте вспомнить какие препятствия вы оставляли в продукте и было ли это оправдано с учетом такого подхода. #mvp #productmarketfit #research

Про органический рост и ии-агентов как новый сегмент клиентов 😀 Нашла прикольную статью про то, как Gamma выросла до $100 млн ARR и 600 тысяч платящих клиентов практически без продаж и маркетинга Компания - это AI-сервис для создания презентаций и визуального контента. Грубо говоря, PowerPoint/Canva с иишной логикой Не революционная, но некоторые тезисы очень здравые Перевела и собрала главное ✖️Хайп ≠ product-market fit Gamma стала продуктом дня, недели и месяца на Product Hunt, получила огромный поток регистраций и рост встал Поняли, что награды и регистрации ничего не значат, если пользователи органически не приводят новых пользователей ✖️Первые 30 секунд продукта должны быть «магическими» 12 человек 3 месяца полностью переделывали onboarding вокруг одной задачи - дать пользователю wow-эффект практически сразу Prompt → готовая презентация → редактирование с AI После этого регистрации выросли с 5 до 50 тысяч в день без маркетинга и продаж ✖️Сначала пойми канал привлечения сам, потом масштабируй CEO Gamma лично начал делать контент и работать с creators, прежде чем нанимать под это людей Их логика - основатель должен сам пройти канал и понять, почему он работает, а не сразу делегировать то, чего сам не понимает ✖️Смотреть, как человек пользуется продуктом, полезнее, чем просто спрашивать его мнение Gamma буквально наблюдает за пользователями в процессе работы с продуктом Потому что в интервью человек рассказывает, как ему кажется, что он пользуется продуктом. А реальное поведение часто выглядит совсем иначе ✖️Dogfooding нужен для продуктовой интуиции Команда должна сама постоянно пользоваться своим продуктом Не только чтобы находить баги, а чтобы понимать, куда продукт вообще должен двигаться и где реально есть пространство для развития ✖️Product-led growth не отменяет sales Gamma настолько поверила в self-service и органический рост, что слишком поздно наняла sales В какой-то момент компании сами начали писать с вопросами, как подключить продукт на команду или департамент, а продавать им было буквально некому ✖️Pricing больше нельзя настроить один раз Особенно в AI-продуктах Стоимость разных пользователей и сценариев может сильно отличаться, поэтому pricing, usage и выбор моделей приходится постоянно пересматривать ✖️AI-агенты становятся отдельным типом пользователей Продукты уже нужно проектировать не только для людей, но и для агентов, которые работают через API Human users + agent users Короче, главный тезис, который я забрала себе: прежде чем масштабировать маркетинг, продажи и каналы привлечения, стоит ответить на вопрос: есть ли в продукте момент, после которого человек сам хочет показать его другому человеку?

Как понять, нужен ли вашему продукту ИИ (часть 2) В прошлый раз мы рассмотрели подробно, в каких задачах хорошо себя показывают ML, LLM, RAG и ИИ-агенты — удобная сравнительная таблица на слайде 1. Но выбор решения должен исходить из стратегических вопросов. Разберем фреймворк, который помогает точно выбрать подходящую ИИ-технологию или инструмент для вашего контекста. ❌ Частые ошибки при поиске ИИ-решения для продукта: — Выбирать модель раньше, чем продумали работу с данными: какие данные есть, хватит ли их, где они лежат, как получить к ним доступ? Этот этап занимает много времени, и если не оценить заранее его трудоемкость, можно сильно сдвинуть сроки. — Считать, что любая ИИ-функция должна отвечать мгновенно. На самом деле далеко не всегда — например, классификацию пользователей достаточно проводить раз в месяц. Работа в реальном времени резко повышает стоимость решения, поэтому такой режим стоит использовать только там, где он действительно необходим. — Надеяться на решение комплексной задачи одним инструментом. Если загрузить весь объем данных в одну модель, то результат будет в большей или меньшей степени состоять из галлюцинаций. — Запустить и забыть. Модель на проде нужно дообучать и переобучать в случае применения к другим продуктам, даже в схожих контекстах. ✅ Этапы использования ИИ в продукте 1️⃣ Четко сформулируйте бизнес-задачу, которую хотите решить с помощью ИИ. Она должна быть: — актуальна и значима для компании (автоматизация, сокращение времени); — иметь измеримые последствия (деньги, время, ресурсы). Для отслеживания прогресса сразу стоит: — определить ключевую метрику; — нарисовать схему процесса As Is → To Be. 2️⃣ Переведите бизнес-задачу в задачу для ИИ. Классический ML — К какому типу ML-задач относится ваш кейс? — Что будет являться целевой переменной, что модель должна предсказывать? — В чем бизнес-смысл этого предсказания? — На каком этапе бизнес-процесса будет использоваться модельное решение? — Какие математические метрики будут проверять качество модели? Генеративные модели — Какой тип генеративной архитектуры вы используете — LLM (GPT-подобная), diffusion, VAE, GAN или гибрид? — Что именно должна генерировать модель и по каким правилам? — В чем бизнесовая ценность этой генерации? — На каком шаге пользовательского/операционного процесса запускается генерация? — Какими метриками будете мерить качество вывода? 3️⃣ Подготовить данные. — Какие данные планируется использовать для обучения модели? Какие ключевые признаки? — На какую дату признаки должны собираться? Будут ли к этой дате известны показания по всем признакам? — Требуются ли внешние источники данных? — Требуются ли дополнительные действия для сбора данных? — Есть ли ограничения по использованию данных/моделей? — Можно ли отправлять данные за контур компании в вендорское решение? — За какой период (срок наблюдения) собираются данные? — Все ли данные уже есть в промышленных системах, или потребуется дополнительное подключение? 4️⃣ Выберите режим для модели. — Как часто будет работать модель: Batch — раз в день/неделю/месяц. Online — в момент действия пользователя. — Как часто нужно делать предсказание? — Есть ли требования к скорости ответа? 5️⃣ Продумайте внедрение в продукт. — Как модель будет интегрирована в бизнес-процессы и существующую архитектуру? — Требуется ли API или встраивание в существующие сервисы? — Нужно ли менять интерфейсы или бизнес-логику продукта? — Кто отвечает за поддержку и обновление модели после внедрения? — Как будет организована обратная связь от пользователей для улучшения качества предсказания? 6️⃣ Запланируйте регулярный мониторинг. — Какие метрики качества будут отслеживаться? — Как будет происходить мониторинг деградации модели? — Кто отвечает за реакцию на падение качества? — Как часто планируется переобучение модели? — Есть ли процесс аварийного отключения модели и возврата к ручному процессу? — Как будут учитываться требования по безопасности и хранению данных в эксплуатации? 7️⃣ Постройте систему метрик (слайд 5). В ней важно учитывать: — продуктовые метрики — от менеджера продуктов и бизнеса; — ML-метрики — от дата-сайентиста; — метрики связи продукта с ML. Только после этого имеет смысл выбирать между классическим ML, LLM, RAG или агентной архитектурой. И иногда правильным ответом окажется вовсе не генеративный ИИ. По мотивам мастер-класса «Нужен ли вашему продукту искусственный интеллект?» Михаила Войтко на ProductSense’25 💙 VK 🖤 YouTube @productsense

Цикл поиска продукта на основе 100 интервью Пример реализации ф-ции /loop для продактов. 6 этапов, каждый из которых питает следующий: Шаг 1: Извлечение → распределите по одному агенту, работающему по упрощенной модели, на каждое интервью ; каждый предоставит структурированные возможности, описания персонажей и дословные цитаты. Ограниченная, повторяющаяся работа: хайку или сонет, а не опус. Шаг 2: Канонизация → один агент группирует исходные возможности в канонический набор. Экстракторы придумывают новую метку для каждого интервью, поэтому одна и та же потребность возникает под десятком названий; объединение синонимов — это вопрос субъективной оценки, поэтому это модель, а не код. Шаг 3: Оценка возможностей → код ранжирует каждую каноническую возможность по частоте × важности × (5 - удовлетворенность). Модель не выполняет математические вычисления. Шаг 4: Генерация и сортировка → для наиболее эффективных вариантов агент генерирует несколько идей решений ; затем отдельный эксперт оценивает каждую из них по показателю ROI (влияние против затрат на разработку) и оставляет 3 лучших для дальнейшей разработки. Показатель ROI меняет порядок в списке, поэтому недорогая, но эффективная задача может занять место для разработки, освободив его от задачи с более высоким баллом. Шаг 5: Разработка → Для 3 лучших идей по ROI агент использует навыки фронтенд-дизайна, чтобы написать уникальный, кликабельный HTML-прототип, который я могу открыть. Шаг 6: Проверка и повторный запуск → проверка выявляет любой прототип, который не удалось отобразить, или любую извлечение данных, показавшее низкую степень достоверности, и рабочий процесс повторно запускает только этот этап. Это и есть настоящий цикл: результат одного этапа определяет, будет ли повторно запущен предыдущий этап. === 113 агентов потратили 1,95 млн токенов за 12,5 минут. 3 из 3 прототипов были созданы и проверены. JavaScript-код, отвечающий за маршрутизацию, оценку, контроль и зацикливание, не потратил ни одного токена модели.

Скилл, сэкономивший мне несколько часов в неделю Я часто говорю, что в продуктовой аналитике нужно комбинировать количественный и качественный подходы. Один из инструментов, который сидит где-то посередине между ними: просмотр записей сессий юзеров (clarity, веб визор и иже с ними). В лучших традициях эмпатического проектирования, когда вы наблюдаете за пользователем в естественной среде. НО этот инструмент очень требователен к времени продакта: даже в ускоренном режиме на такую работу приходится тратить часы в неделю, причем это не самое классное времяпрепровождение, если уж быть честным. Хотя там регулярно встречаются прямо уж "золотые инсайты". Собственно, дружбан, вооруженный браузером, мог бы это делать - не так ли? Собственно, такой скилл я и запилил; обкатал на просмотре 500 сессий через clarity mcp. Как работает: 1) Сначала определяем вопросы, на которые хотим получить ответ: например, почему юзеры не подключают LinkedIn 2) На основе вопросов определяется какие сессии взять на "просмотр" 3) Триаж сессий: по таймлайну сессии отбираем насколько она "интересна" для анализа 4) Далее для каждой сессии берем все евенты, в определенные моменты в том числе берем скриншот и анализируем 5) Триангулируем выводы: по базе данных, по исходникам. 6) Анализируем мертвые клики (dead clicks), так как зачастую это классный источник UX проблем 7) Получаем отчет Из неожиданного: отчет для каждого вывода дает ссылки на исходные сесси и в ходе "человеческого" просмотра одной из них я понял, что важно смотреть не только фреймы перед кликами и тп, но и без оных. Потому что тогда можно поймать проблемы типа "непонятная надпись" или "отсутствует call to action". https://github.com/BayramAnnakov/clarity-session-review Юзайте на здоровье и присылайте улучшения/принципы по мотивам ваших инсайтов

Салют!! 🖖 Хочу рассказать про диагностику продукта. Я отсматриваю 5–6 кейсов в неделю — отвечаю за методологию. А до этого прошло через меня около 6500 команд: акселераторы, фонды, вот это всё добро. Первое, что надо понять: есть установки в голове у фаундера, как он думает, что бизнес работает. И есть реальность. Они всегда расходятся. Одно дело мы написали процесс продаж в CRM, другое дело как сейлзы реально по нему работают. На диагностике я открываю продажи, саппорт, аналитику по событиям. Юнит-экономику собираю сам, глазками. Открываю пользователей, которые дошли до покупки и не дошли, и смотрю, где они заблокировались. Команда думает, что у них всё просто с регистрацией. Это и у крупных так, про известные компании сейчас говорю. Три больные темы, которые все знают: 1️⃣ Онбординг: что новый пользователь видит, что понимает, что делает. 2️⃣ Регистрация и авторизация. Проклятое место, очень плохо делается. 3️⃣ Заявки и CRM. Своя или не своя, всё очень плохо сделано. Почти всегда. Я ищу там дырки и гэпы. Любой гэп — потеря конверсии и продаж. И ищу их именно на стыке зон ответственности команд: маркетинг переделал лендинг, а офферы в онбординге старые, потому что за него отвечает другая команда. Закон Конвея: продукт повторяет структуру коммуникации в организации. Отдельный разработчик пилит биллинг, отдельный продакт — онбординг. Конечно, на стыках будет куча проблем. Попробуйте пройти свой продукт как новый пользователь. Или дайте другу: пусть регистрируется и покупает, а вы не помогайте, просто смотрите, где застрянет. Расскажите, что нашли. Интересные случаи разберу в следующих постах.

Каждый раз на продуктовом обучении приходится давать определение гипотезы и объяснять, что это такое. Как думаете почему? 💡 Гипотеза - это предполагаемое объяснение уже наблюдаемого поведения пользователей или работы системы, которое еще предстоит доказать. Плохая гипотеза (просто хотелка): «Если мы поменяем логику подписок, пользователям станет удобнее». Хорошая гипотеза: «Мы видим, что 40% пользователей уходят со страницы оплаты (наблюдаемое поведение). Мы предполагаем, что они не понимают разницу в тарифах. Если мы добавим сравнительную таблицу, то снизим отток на 10%». Чтобы быстро отличить хорошую гипотезу от плохой, используйте формулу: Мы видим [Проблему/Данные] -> Предполагаем, что [Причина] -> Если мы [Решение] -> Изменение [метрики]