#ящитаю LTV:CAC 3:1 просто красивая цифра для инвесторов Нам всё твердят: следи за LTV:CAC, держи 3 к 1 😲 Но проблема в том, что LTV - сколько клиент принесёт за всё время - это прогноз и на старте у тебя нет исторических данных, чтобы его посчитать По итогу ты берёшь оптимистичную цифру удержания, умножаешь и получаешь красивое соотношение, которое существует только в твоей голове Считай то, что можно измерить уже сейчас: CAC payback - за сколько месяцев возвращается то, что ты потратил на привлечение одного клиента Вот формула:

payback (мес) = стоимость привлечения клиента ÷ (его платёж в месяц × валовая маржа)

Ориентиры (SaaS Benchmarks 2026): - меньше 12 месяцев - здоровый расклад; - до 18 - терпимо; - у лучших - меньше 80 дней Если не знаешь свой payback (особенно в период высокого сезона) - рано покупать трафик т.к в этом случае выручка, которую нагонишь в 4м квартале, обернётся кассовым разрывом в январе - за привлечение ты уже заплатил, а деньги ещё не вернулись

ML вообще работает? (эпизод 1) Давно не писал в канал. Понял, что сейчас сфокусирован на довольно больших историях, которые в формат одного поста не умещаются - ну что ж, готовьтесь к серии постов:) Заголовок конечно чуть кликбейтный для привлечения внимания "А персональные ленты товаров вообще работают? А для какого % пользователей - скорее нет?" -- Вот один из вопросов, который донимает меня последнее время. Подобное есть в любом ML-продукте от банковского скоринга до LLM-чатов, но ответить на этот вопрос не так-то просто На первый взгляд, элементерно: есть бизнес-метрики (продажи, CR и тп) и оффлайн-метрики (ndcg, recall@k). Если они достаточно хороши (vs бейзлайн и vs прод неделю назад), то все круто же? А вот и нет. Эти метрики (как и почти все другие классические в ML и продукте) показывают качество в среднем. В среднем, у нас может быть хороший продукт, но условно для 10% пользователей - плохим. Проблема чаще всего в том, что это важные 10%: новички, пред-отточники, пока еще малоактивные пользователи. Если не сделать для них качественный ML-продукт, то со временем они просто уйдут = долгосрочно это падение всех основных метрик, хотя в моменте может быть и особо не заметно. Ну и бонусом у вас постоянный поток негативного фидбека 😢 Поэтому хорошо бы мерить не только качество в среднем, но и долю плохих кейсов (дефектов) = defect rate. Пусть дефект - случай, когда пользователь сталкивается с чем-то очевидно стремным, что может привести к мгновенному окончании сессии в приложении или даже оттоку Посмотрите на свои ML-продукты. Особенно если они b2c - на экраны приложений с ними. Как часто вы видите дефекты и какие? Покидайте в комменты скрины с дефектами - может, что-то из них разберу. И поставьте лайк что ли, если эта тема интересна -- у меня там на очереди уже есть несколько эпизодов с деталями, как этот defect rate можно считать)

Цифры важны, но впечатления — решают Бизнес-успех складывается не только из роста показателей, но и из того, как вас воспринимают клиенты. 🔹 Количественные цели — это измеримые результаты: выручка, трафик, число заявок. 🔹 Качественные цели — это нематериальные аспекты: лояльность, удобство, эмоциональный отклик. Например, если после редизайна сайта выросла конверсия — это количественный успех. А если пользователи стали чаще хвалить навигацию — качественный. Сильный бизнес учитывает оба направления. Цифры важны, но без позитивного клиентского опыта они не дадут долгосрочного эффекта. Идеальный баланс — когда метрики растут на фоне улучшения восприятия. Ведь именно довольные клиенты превращают результат в устойчивый рост Фаундер | Бизнес и Стартапы

Августовский дайджест краток летом – Йогачара прод(у/а)кта – Никто не понимает как делать продукты – Универсальный примитив в продуктах – 80 продуктовых стратегий – Парадокс продукта – Религия скорости – PoDPR приоритизация – Ошибка измерения продукта – Метрики Систем (система метрик?) – Команда смысла – CPO vs CTO – (Не) всё зависит от тебя – Как развивать свой вкус – Самые важные социальные скиллы – Как не разучиться думать (с ИИ) – Кто ясно мыслит – ясно излагает – Первые Принципы Мышления – Эмерджентность – Тёмные искусства с ИИ – Проектировать UI/UX с и без ИИ – 5 качеств для дизайна ИИ-чатов – 5 просто для хорошего дизайна – 42 принципа дизайна ИИ⇄человек – Принцип антитезиса – Зачем по-настоящему нужны отчёты – Как завершать задачи – Современный продакт-менеджмент основан на поиске границы выносимости: что ещё можно сделать с пользователем, чтобы он продолжал использовать продукт, несмотря на недовольство (с)

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

Неудобный вопрос для растущего стартапа «Есть тонкий момент — если вы быстро растёте, это вовсе не означает, что вы решаете проблему своего клиента. В эру B2B SaaS-стартапов я любил задавать фаундерам такой вопрос: “Круто, вы продали этой компании столько-то подписок или слотов. А сколько из тех людей, у которых есть эти аккаунты, реально пользуются вашим продуктом?” “Лучший” ответ — самый невинный: “А откуда нам знать? Майкл, мы никогда об этом не думали. Мы привлекли клиента, мы получили контракт. Зачем выяснять, кто из них использует оплаченное?” Более тревожный вариант — когда фаундер знает об этом и говорит: “Мы работаем над ретеншном”. Вы бы удивились, как часто бизнес покупает софт, о котором потом никто среди сотрудников не знает, которым никто не пользуется, и от которого потом отказываются. Это происходит постоянно. Особенно, если у вас продукт из хайповой индустрии. Считаю, что об этом недостаточно говорят». Вырезка из ролика «Стартап-проблемы, которые не решаются ростом» от Майкла и Далтона. Домашнее задание: проверить usage вашего продукта 🙂 @y_everyday — рефлексируем об акселератор, создавший 100+ стартапов-единорогов

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.

🐍 Как сделать автоматизацию 100% одной фразой 🎤 В 2018 году в одной крупной компании проходила презентация чат-бота. Команда защищала метрику автоматизации. Один из топ-менеджеров выслушал доклад и сказал: — Я знаю, как одной фразой довести вашу автоматизацию до 100%. 📊 В 2020 году уже в другой крупной компании топ-менеджера уволили за то, что он слишком успешно растил автоматизацию. Автоматизацию растили. Топ-менеджера сократили. Баланс всё-таки нашёлся — просто не там. 🤖 В 2026 году помощь понадобилась одному AI-директору. Он обратился во внутренний хелпдеск, но ответа не получил: годом ранее компания успешно выполнила цели по внедрению AI и сократила поддержку. AI внедрили. Помогать стало некому. Когда-то я уже выпускал статью о том, как сделать контактный центр автономным. Похоже, кто-то воспринял слово «автономный» слишком буквально: теперь контактный центр не зависит ни от операторов, ни от обращений, ни от необходимости кому-то отвечать. Что общего у этих историй? У метрики автоматизации есть неприятная особенность: она не умеет отличать ситуацию «клиенту помогли» от ситуации «клиент не смог ни до кого достучаться». В обоих случаях оператор не понадобился. Поэтому автоматизацию нельзя растить без второй метрики, которая показывает, не стало ли клиентам хуже. Иначе вместе с автоматизацией можно незаметно вырастить отток, а повторные покупки и кросс-продажи — так же незаметно сократить. 🐍 Говорят, на змею не действует собственный яд. Но в этой истории в конце концов подействовал. Правда, это был яд других гадюк. 💬 А теперь вопрос: какая одна фраза может сделать автоматизацию чат-бота 100%? Пишите свои версии в комментариях 👇

Маркетинг под давлением В кризисе маркетинг становится инструментом выживания. Чтобы понять, приносит ли он результат, важно оценивать не только финансы, но и долгосрочное влияние на бренд. Финансовая сторона очевидна: рост выручки, сокращение убытков, повышение среднего чека. Но этого недостаточно. Настоящий успех виден в том, как меняется отношение к компании: растёт узнаваемость, увеличивается органический трафик, клиенты сами ищут ваш бренд. Ключевые метрики: CAC (Customer Acquisition Cost) — привлечение клиента должно быть дешевле, чем прибыль от него. ROI — соотношение затрат и дохода от маркетинга. Рост клиентской базы — показатель доверия и лояльности. Конверсия — насколько эффективно интерес превращается в продажи. CPL (Cost per Lead) — цена лида, которая должна быть оправдана его качеством. Системный анализ этих показателей помогает увидеть, где кампания сильна, а где требует доработки. Фаундер | Бизнес и Стартапы

5 Growth-кейсов применения AI для продактов Представьте обычный понедельник продуктовой команды. На дашборде всё более-менее знакомо: трафик растёт, регистрации идут, но дальше начинается классика. Половина новых пользователей не доходит до первой ценности, Trial не конвертируется так, как хотелось бы, Retention постепенно проседает, а команда снова обсуждает, какую гипотезу тестировать следующей. В этот момент почти неизбежно появляется идея: "А давайте добавим AI". Проблема в том, что это неправильная точка старта. Гораздо интереснее спросить: где именно в нашей воронке юзер теряет ценность - и может ли AI это изменить? Если посмотреть на AI через эту призму, я вижу пять особенно интересных Growth-кейсов. 1. Activation. Представьте сложный B2B-продукт. Один пользователь пришёл построить отчёт для CEO, другой - автоматизировать процесс, третий - просто проверить, подходит ли ему продукт. Но всем троим мы показываем один и тот же Onboarding из пяти экранов. AI позволяет развернуть этот сценарий. Вместо "вот наш продукт, разбирайся" начать с простого вопроса: "Что вы хотите получить?" Дальше система понимает JTBD, адаптирует Onboarding, помогает настроить продукт и ведёт человека к первому полезному результату. В таком сценарии меня интересует не количество диалогов с AI, а сократился ли Time-to-Value и вырос ли Activation Rate. 2. Conversion. Большая часть персонализации сегодня всё ещё работает по принципу: пользователь попал в Segment X - показываем Offer Y. Но два человека из одного Segment могут находиться в совершенно разном контексте. Один уже почти готов купить, другой пока пытается понять базовую ценность продукта. AI даёт возможность персонализировать не только баннер или рекомендацию, а сам путь к покупке: аргументацию, CTA, Landing, предложение тарифа, следующий шаг. То есть перейти от Segment → Rules → Experience к Context → Intent → Personalized Experience. И снова важно не попасть в ловушку Vanity Metrics: если CTR вырос, а Trial → Paid остался прежним, Growth-кейса здесь нет. 3. Retention. Мне кажется, это один из самых недооценённых сценариев. Пользователь часто уходит не потому, что продукт плохой, а потому что в какой-то момент перестаёт понимать, что делать дальше. Особенно в сложных B2B, Analytics и Productivity-продуктах, где ценность появляется после последовательности действий. Здесь AI может превратить продукт из набора функций в систему, которая понимает контекст и говорит: "Вот следующий лучший шаг, который приблизит тебя к результату". Если это действительно работает, мы должны увидеть эффект уже не в AI Engagement, а в повторном достижении Value Event, D7/D30 Retention и Churn. 4. Monetization. Классический Upsell выглядит примерно так: "Вы использовали 80% лимита - купите Pro". Это удобно для продукта, но не обязательно полезно для пользователя. Гораздо интереснее определить момент, когда платная Capability действительно помогает человеку решить его текущую задачу. То есть искать не момент, когда мы можем продать, а момент, когда пользователю выгодно купить. Если AI понимает Intent и контекст достаточно хорошо, Upsell перестаёт быть рекламной вставкой и становится естественной частью пользовательского результата. Тогда уже имеет смысл смотреть на Free → Paid, ARPU, Expansion Revenue и NRR. 5. Скорость экспериментов самой продуктовой команды. У продакта постоянно копятся User Interviews, Support Tickets, Reviews, Product Analytics, результаты прошлых экспериментов. Сигналов много, а времени на их синтез мало. AI здесь может работать как Product/Research Copilot: собирать эти сигналы вместе, находить повторяющиеся проблемы, помогать формулировать гипотезы и анализировать результаты. Ценность появляется, если сокращается весь цикл Signal → Hypothesis → Experiment → Learning → Decision, а команда за то же время принимает больше качественных продуктовых решений. Не так важно, сколько пользователей нажали на кнопку с бонусом. Важно, изменилось ли что-то дальше на всем пути юзера.

Cancellation flow ловит только тех, кто дошёл до кнопки. А основной отток начинается за недели до неё Делюсь свежим разбором cancellation flows от Userpilot. Главная мысль там довольно простая: отмена подписки - это не момент churn, а его финальная стадия. 96% недовольных пользователей уходят, так и не оставив никакого фидбека. Они не пишут в поддержку и не объясняют, что пошло не так. Просто начинают реже заходить, перестают получать ценность и в какой-то момент отменяют подписку. При этом сам cancellation flow работает. Хорошо настроенный флоу может сохранить 10–34% пользователей, которые уже решили отмениться; Churnkey приводит средний save rate по своей платформе в 34%. Но проблема в том, что до этого экрана ещё нужно дойти. Поэтому в статье предлагают строить защиту от churn в три слоя: 1. За 30+ дней до отмены: поведенческие сигналы. Смотрим не на то, что пользователь говорит, а на то, как меняется его поведение: • зашёл в billing после долгой паузы • много логинов, но нет результата • перестал использовать фичу, которой раньше пользовался регулярно • внезапно перестал писать в поддержку Последнее особенно интересно: отсутствие активности - тоже данные. Иногда пользователь перестал жаловаться не потому, что проблема решилась, а потому что перестал верить, что она решится. 2. За 2–4 недели: проактивное вмешательство. Когда появились такие сигналы, задача дойти до пользователя, пока он ещё хочет, чтобы продукт у него получилось использовать. На этом этапе ещё можно понять, где он застрял, вернуть к ключевой ценности или помочь разобраться. Когда человек уже нажал Cancel, пространство для этого сильно меньше. 3. У самой кнопки Cancel: причина, затем релевантный оффер. И только здесь появляется привычный cancellation flow. Сначала спрашиваем, почему человек уходит. Потом предлагаем решение именно этой причины: дорого - даем скидку слишком большой тариф - предлагаем дешевле сейчас не нужен продукт - предлагаем паузу И порядок здесь важен: сначала причина, потом оффер. Иначе мы просто показываем всем одну и ту же скидку, не понимая, почему человек вообще решил уйти. Отдельно интересна пауза. По данным из разбора, 25% тех, кто собирался отменить подписку, выбирают паузу, если такая возможность есть. Цена тоже остаётся огромным фактором: 34% ушедших пользователей сказали, что их могла бы удержать скидка, ещё 34% - более низкая цена. Поэтому даунгрейд и скидку действительно стоит иметь во флоу, но показывать их тем, для кого проблема именно в цене. Источник: userpilot.com/blog/cancellation-flow-examples/ #PG_education @productgames

Иногда лучший инструмент для роста продукта - это ограничения понятных сценариев Представьте себе сценарий: вы организовали встречу, создали для коллег доску с материалами, кидаете им ссылку и приглашаете к совместной работе. Коллега кликает, переходит и начинает работу. Максимально удобная концепция для пользователя, но бесполезная для роста самого продукта. Но как найти те самые сценарии, которые можно ограничить и получить пользу? В этом году в досках, мне предстояло найти новые точки роста продукта, как в пользовательских метриках, так и в деньгах. Сегодня поговорим об ограничениях, которые помогают продавать и растить продукт. Какие ограничения мы ввели в продукте за последние годы? • Ограничение на шеринг ссылок на редактирование в бесплатной команде (шерить можно, но только тиммейтам или на платном тарифе) • Ограничение на количество бесплатных команд (только 1 штука) • Ограничение на количество бесплатных досок (только 3 штуки) Особенно интересно как на продукт повлияло внедрение ограничение на ссылку: 1. Пользователи в момент стали приглашать больше коллег в команды (приглашение работает через почту или специальную ссылку) 2. Количество новых пользователей, которые зарегистрировались в сервисе выросло в 2 раза 3. Мы трекаем период активности новых пользователей, так вот - те, пользователи, которые прошли через сценарий приглашения - чаще активны 4. MAU сервиса за счет изменений вырос на 10% (хотя должен был упасть в рамках летнего периода) 5. MRR продукта вырос на 15% Как именно мы выделили этот сценарий? 1. мы смотрели на сценарии использования досок сверху вниз по дереву сценариев, 2. внедряли те или иные изменения и смотрели на метрики, 3. очень важным было наличие подобных ограничений у конкурентов, 4. но внедрить их одномоментно - нельзя, потому что не ясно будет поведение пользователей. При внедрении ограничения в сценарий Вы должны учитывать гипотезу изменения, например, ограничение потенциально влияет не только на регистрации, а на другие метрики: • conversion to sign-up; • activation rate; • количество приглашений на пользователя; • team creation rate; • долю пользователей, создавших первую доску; • retention; • количество рабочих пространств; • conversion в платный тариф. Смотрите не только на конкретную метрику, но и стройте гипотезу сценария: доска→совместная работа→приглашение коллег→команда→новые доски→новые приглашения Если есть инструменты, которые помогут выделить когорты (например, Mixpanel), то постройте анализ там, чтобы видеть изменения по когортам пользователей. Продолжение следует... в следующей части про активацию пользователей в продукте Черный продакт в MAX

что такое build in public тренд в 2026м году 😎 build in public - это когда кто-то делает продукт открыто, то есть частично делится метриками и решениями в реальном времени. Началось это с инди-хакеров типа Питера Левелса aka levelsio (он кстати еще ангелом в cursor заходил) в середине 2010х, сейчас это уже мейнстрим - половина стартап-твиттера живет и растит аудиторию именно так зачем это нужно? 🤔 Аудитория b-i-p - это почти всегда другие фаундеры и технари, а не твои пользователи, поэтому b-i-p это в первую очередь канал дистрибуции для личного бренда фаундера, а не реклама продукта. Ну и свежий тренд - показывать метрики и решения, нишу, но продукт явно не называть. AI клон рабочего продукта собирается за недели (а то и быстрее), и по сути конкурентам отдается не только идея, но и валидация: вот ниша, вот работающий пейволл, вот юнит-экономика - копируйте не гипотезу, а проверенный ответ. Правда, цифры без продукта непроверяемы и часть таких аккаунтов это просто сторителлинг с нарисованным мрр, и наверняка читатели это понимают. Есть даже проекты которые проверяют метрики из revenue cat и дают "сертификацию" что метрика реальная 🐵 как по мне, прятать проект имеет смысл только в трех случаях, и кстати ни один не мой 1. сомнительная аппка - около скам в духе упражнений чтобы стать выше, лукмаксинг, похудей за 7 дней, шадоу-механики - про такое обычно не пишут, но вот метрики там красивые 2. аудитория b-i-p не пересекается с ЦА и зашумляет аналитику на старте. У нас половина платящих - парни, часто технари, которые хотят выглядеть стильно. Я регулярно нахожу супер-юзеров прямо из своего твиттера и для меня лично это тоже канал привлечения, пусть и не самый большой 3. бесплатная валидация новой ниши для клонов. Я видела минимум 6 наших копий в апсторе, скриншоты и креативы прям с нашими креаторами воруют регулярно, один раз даже вместе с моим лицом (видимо, решили, что я сгенерированная 😧) но все эти клоны появились не из моих твитов, а просто потому что аппка есть в сторе, реклама есть в инсте/тик токе, скрытый b-i-p от этого не спасает продукт с тех стеком уже пару лет как не конкурентное преимущество, дистрибьюшен уже тоже скоро им не будет, а вот личный бренд фаундера и комьюнити вокруг приложения быстро не скопировать - поэтому я думаю, что когда основатель публично пишет про свой продукт это всегда в плюс. Ну и совсем все детали вам рассказывать не обязательно - достаточно пары метрик которые вы выбираете сами, причем они не должны всегда расти, ведь интересно как вы справляетесь (или не справляетесь) с трудностями 🤵 @neural_prosecco