Когда рост выручки работает против продукта Чтобы быть услышанным стейкхолдерами, нужно уметь связывать фичу с деньгами. И в этой связи важно соблюдать баланс. Разберем, как подружить финансовые и продуктовые метрики без вреда для продукта и выручки. Это вторая часть серии постов о финансовых метриках. Первая — о том, на каком языке менеджеру продукта говорить с бизнесом. Связь продукта и выручки бывает прямой и косвенной ➡️ Пример прямой связи — лента VK

Продукт зарабатывает на рекламе. Чем дальше человек листает, тем больше рекламных постов он видит, тем больше охватов получают рекламодатели и тем выше выручка. Глубина ленты переводится в деньги.

➡️ Пример косвенной связи — чат между водителем и пассажиром в inDrive

Его считали вспомогательной фичей, которая на выручку не влияет. Но в странах, где улицы без названий, а вместо адресов ориентиры вроде «под пальмой», его роль оказалась значимой. Заказы часто отменялись, потому что пользователи не были уверены, что к ним приедут. Команда стала отправлять автоматические сообщения от имени водителя — пользователи чаще стали дожидаться машину, поездок стало больше. Гигиеническая фича оказалась рычагом для роста выручки.

Главное — не перегнуть Чем сильнее фича влияет на выручку, тем сильнее соблазн давить на этот рычаг. И если в этот момент испортить пользовательский опыт ради финансовых метрик, то успех, скорее всего, будет краткосрочным, а за ним последуют отписки, возвраты, отвалы аудитории.

Например, в ленте VK растили глубину просмотра. И в одном из экспериментов модель ранжирования начала поднимать длинные текстовые посты. Пользователи, открывая ленту, хотели увидеть совсем другое, они стали пролистывать такие посты, глубина росла, выручка тоже. Финансовый рост был, но суть продукта изменилась, появились нецелевые сущности — не то, что продуктовая команда хотела видеть. И от этого подхода отказались.

Как связывать метрики и не обмануться ➡️ Лучше всего связывать метрики бизнеса и продукта аналитически: через эксперименты и корреляционные матрицы. При этом помнить, что корреляция еще не означает причинности. ➡️ Если посчитать не получается, можно рассуждать логически: «чем глубже листают, тем больше видят рекламы». Это слабее, но лучше, чем ничего. ➡️ Если в эксперименте прокрасилась выручка, а фундаментальные метрики (ретеншен, ключевые конверсии) нет, скорее всего, что-то не так. Перепроверьте и перезапустите тест. Запуск задержится, зато вы будете уверены, что изменения будут приносить результат и в долгосроке. ➡️ В продуктах с сетевым эффектом обычный A/B-тест может показать прирост, которого нет: тестовая группа просто забирает заказы у контрольной. Здесь помогают switchback-эксперименты (метод тестирования, при котором изменения включают и выключают для всего региона в разные промежутки времени). Это долго и сложно, но работает. ➡️ Если результаты теста кажутся странными, посмотрите на рынок: конкурентов, альтернативы, экономику. Возможно, на поведение пользователей влияют изменившиеся внешние факрторы. Связывая продуктовые и финансовые метрики, важно помнить, что задача продакта — устойчиво улучшать пользовательский опыт. Экологично монетизировать аудиторию получится только поверх этого, а не вместо. В следующем посте разберем, как через влияние на выручку получать ресурсы, когда компания никого не нанимает. По мотивам доклада «Финансовые метрики для продакт-менеджеров: как поженить продукт и деньги» Никиты Лебедева на ProductSense’25 Смотреть видео в Академии ProductSense (бесплатный доступ) → @productsense

Штраф за лояльность: медовички «Из Лавки» Неделя явно не самого благоприятного эфира для Яндекса, в целом, но несу вам небольшой холиварчик из Тредса, чтобы обсудить и разобраться вместе.

Краткий контекст: люди начали сравнивать цены на одни и те же медовички в Яндекс Лавке, и у одного они стоят 129 ₽, а у другого 259 ₽, причём с разных аккаунтов из одной квартиры. Автор ветки разложил это на пальцах как ценовую дискриминацию, ветку посмотрели полмиллиона человек, а в комментариях все кинулись сверять корзины с мужьями, жёнами и коллегами.

Наверх вынесло то, о чём все мы прекрасно догадывались и что понимали, но особо не обсуждали. История про «динамическое ценообразование». Примерно такое же всплывало ещё в 2023 году, когда Роскачество проверило Авиасейлс и ещё семь сервисов с билетами и в трёх нашло, что с айфона цена выше, чем с андроида. Но, если там ценовая дискриминация была по твоему кошельку, то тут, если верить комментариям, получилась обратная история: чем лояльнее ты бренду, тем больше за это платишь. Есть подписка? Держи цену выше. Часто покупаешь? Держи туда же. В целом, я прекрасно понимаю, как человек из бизнеса, что новый клиент всегда стоит дороже повторного и ты всегда сваливаешься в то, чтобы новых чуть больше радовать, поэтому юлить и говорить, что у нас в привлечении все равны, не буду. Нет-нет да и промокодики новым на скидочку рука тянется дать. Но тут уже какой-то перегиб случился. Это при том, что, напоминаю, тут мы обсуждали, что Лавка по ценнику была на уровне Азбуки Вкуса. Слежу за комментариями, пока бренда официально не видно, но оно и понятно: на этой неделе им тяжело. С одной стороны, конечно, шлю поддержку команде саппорта, пиара, смм и тем, кто разруливает коммуникационный аврал, но ноль милосердия к конченным продактам, которые по таймеру придумывают тёмные паттерны в продуктах ради монетизации. Причём бьют этим ровно по самым ценным, а разруливать это теперь будет крайне больно, дорого и долго. Уверен, что целые команды дата-аналитиков просчитали риск-профит модельки и точно знают, что перевешивает: выгода от таких перекосов цен или убытки от репутационных потерь. Со стороны мне этого не посчитать, но пример из комментариев показательный: одна из комментаторов раньше заказывала в Лавке по несколько раз в неделю, а теперь раз в месяц и с аккаунта дочери, со скидкой 30–40%. Если такой сценарий в модельке заложен как допустимый, вопрос уже к тому, во сколько компания вообще оценивает постоянного клиента. Замечаете у себя такие ценовые перекосы? Константин Сухачев

Дашборд показывает +25%. Что проверить, прежде чем нести цифру руководителю Казалось бы, цифре на дашборде можно верить: ее посчитала система, а не человек. Но на дашборде уже не данные, а информация. Кто-то решил, какие события считать, за какой период и как их сложить, и ошибка возможна на любом из этих шагов. Представим, что команда сервиса доставки запустила в приложении кнопку «Повторить заказ». Через две недели на дашборде видно, что заказов стало на 25% больше, чем за две недели до запуска. Выглядит как успех, о котором пора рассказать руководителю. Уже стоит ставить встречу в календаре? Прежде чем это делать, проверьте три вещи: 1. Из чего сложилась цифра Разложите рост на части: новые и повторные покупатели, число заказов и средний чек, заказы через новую кнопку vs все остальные способы заказа. Если прирост произошел за счет новых пользователей, то кнопка повторного заказа здесь, скорее всего, ни при чем. 2. Что показывает другой источник Сверьте дашборд с данными, которые считаются иначе, например с оплаченными заказами в платежной системе. Дашборд может считать созданные заказы вместе с отмененными. Или после релиза событие о заказе стало отправляться дважды. Тогда рост есть только в аналитике, а не в деньгах. 3. С чем вы сравниваете Сравнение «больше, чем две недели назад» не отделяет эффект кнопки от зарплатных дней, праздников или акции, которую в это же время запустил маркетинг. Нужна контрольная группа: пользователи, которым кнопку пока не показали, или тот же период прошлого года. Руководителю полезнее видеть вывод с оговорками, чем красивую цифру, но ничем не подкрепленную: указывайте, что подтвердилось, чего пока не знаем и как это проверим. @productmindset

Проверять идею нового продукта иишкой вместо живых людей соблазнительно: дёшево и за вечер. Обманываться и находиться в иллюзии в целом тоже приятно, да ведь?🤭 Продакты, которые сравнивали AI-респондентов с живыми людьми, жалуются на одно и то же: ai-клиент ожидаемо хвалит всё подряд. Nielsen Norman Group проверили это на трёх своих исследованиях. Реальные пользователи признавались, что курсы часто бросают, а синтетические уверяли, что прошли всё. В одной из компаний, где я работала, у нас был сегмент ЦА, который мы звали big boys toys. На словах клиенты покупали робота ради автоматизации, а по факту покупали статусную игрушку. AI вряд ли бы такое выдал: в интернете, где ai берет инфу, про роботов пишут про окупаемость

Ребята, AI-респондент это модель, прогноз, а не исследование. Гипотезы и вопросы интервью с ним готовить можно, а вот вкладываться в продукт я бы стала только после разговоров с ЦА.

Живые касдевы с настоящими инсайтами точно дадут вам преимущество перед тыщами вайбкодеров. Которые дрочат на проводят иишные исследования и радуются, когда иишка «все правильно разложила» А вы что думаете?

Улучшения наоборот Готовим с командой внедрение системы для проведения A/B тестов. Точнее MVP системы, потому что решили сделать сами, а не использовать готовое решение — с ним слишком много зависимостей и согласований, а наши потребности пока ограничиваются простыми экспериментами на веб интерфейсе. Добрался до конца спеки и задумался: какой эксперимент можно будет провести первым, чтобы проверить насколько правильно работает сбор событий по группам? Понятно, что самым первым нужно провести A/A тест, проверить распределение по группам и совпадение метрик. А вот какой тест должен гарантированно изменить целевую метрику? Решил, что это хороший момент попробовать ухудшающий эксперимент. Когда мы для небольшой тестовой группы в A/B тесте специально добавляем сложность в опыт пользователя. Их используют для других целей, когда делать улучшение сложно и долго, а сделать пробное ухудшение легко. Скорость загрузки страницы сайта и её влияние на конверсию хороший пример. Оказалось, что придумать ухудшение в своем продукте даже сложнее, чем его улучшить! Ведь нужно сделать так, чтобы конверсия воронки заметно уменьшилась, но это не стало блокером для всех пользователей из тестовой группы — сравнивать ноль с текущим значением конверсии невозможно. Пришлось посоветоваться с Клодом. Давайте вместе выберем из его предложений гипотезу для ухудшающего эксперимента? Воронка выглядит так: главная страница с описанием продукта и списком популярных товаров ➔ страница товара с его характеристиками и калькулятором кредита ➔ форма заявки на кредит (имя, номера телефона, адрес почты и поле с выбором уровня дохода) ➔ подтверждение номера телефона через OTP ➔ результат предварительной проверки с переходом на установку приложения. Ваши идеи — в комментарии. Или выбирайте несколько наиболее «правильных» вариантов в опросе👇🏻 1. Задержка страницы товара. Если добавить +1,5-2 с к загрузке, то конверсия «товар → заявка» упадёт, потому что часть пользователей уйдёт, не дождавшись. 2. Пустой калькулятор. Если убрать предзаполненные значения и показывать платёж только после клика «Рассчитать», то конверсия «товар → форма» снизится, потому что цену придётся добывать усилием. 3. Лишнее поле в форме. Если добавить пятое поле (например, город или дату рождения), то конверсия «форма → OTP» упадёт, потому что каждое поле добавляет трение и тревогу от запроса данных. 4. Поздняя валидация. Если убрать маску телефона и показывать ошибки только после «Отправить», то доля завершивших форму снизится, потому что пользователи чаще ошибаются и бросают её. 5. Неудобный OTP. Если убрать автоподстановку кода и увеличить кулдаун повторной отправки с 30 до 60-90 с, то конверсия «OTP → результат» упадёт, потому что ручной ввод и ожидание провоцируют уход. 6. Лишний шаг перед установкой. Если после результата добавить экран с кнопкой «Продолжить», то конверсия в переход к установке снизится, потому что каждый лишний клик теряет часть пользователей. Посты по теме A/B тестирования: 📌 Уровень культуры экспериментов в компании. Как измерить и улучшать 📌 A/B тестирование для начинающих. Ответы на стыдные вопросы 📌 Зачем нужны ухудшающие эксперименты. Хорошая статья от GoPractice #productquestion

Не заставляйте меня думать Claude раньше на стартовом экране выводил текстовое поле с заголовком «Опишите, что создадим сегодня». Предполагалось, я расскажу — ИИшка сделает за меня. За 2 года ни разу не воспользовался этой функцией. А сегодня наткнулся на исследование: ребята показали три разных версии стартовых страниц 10.000 пользователей. На первой было текстовое поле с заголовком «Объясните, что хотите получить, и наш ИИ-агент сделает это»; на второй — кнопка «Зарегистрироваться с Google»; третьей — ссылка «Зарегистрируйся бесплатно». Остальное было одинаково. Победил вариант с кнопкой Google; а проиграл (причем по всем показателям — регистрациям, активациям, покупкам) — вариант с ИИ. Казалось, объясни и получишь результат. Но нет — думать неохота, а вот нажать кнопку — легко.

Как перестать галлюцинировать про хотелки юзера с помощью эмпатической карты Несу вариант, как переосмыслить результаты старого-доброго пользовательского интервью с командой с помощью эмпатической карты. Как выглядит финалочка - на картинке. Для контекста: эмпатическая карта (Empathy Map) - это фреймворк, который собирает качественные данные о пользователе в 4 квадрата вокруг его личности: что он говорит, делает, думает и чувствует. Инструмент нужен, чтобы перестать спорить о продукте из личного опыта и увидеть живой контекст конкретного сегмента. 4 момента, которые нужно помнить при ее создании: 1. Каждый стикер только с пруфом. Не можете показать ссылку на цитату из интервью или тикет поддержки? Это фантазия команды, а не позиция пользователя. Все гипотезы клеим строго отдельным цветом. 2. Жестко разделяйте "делает" и "думает". "Делает" - это наблюдаемое поведение в аналитике или на видео сессий. "Думает" - домыслы команды. Половина провальных фич рождается из проектирования под придуманные мысли вместо реальных действий. 3. В блоке "чувствует" фиксируйте точный триггер. Не просто "тревожится", а "тревожится, потому что не понимает, прошёл ли платёж". Эмоция с понятной причиной - это сразу готовая задача в бэклог. 4. Финал карты - это решение, а не красивая доска. На выходе должно быть четко зафиксировано: что меняем в онбординге, какой вопрос несём в следующее интервью, какую фичу режем. Без решения упражнение было бессмысленным. Пример из практики: B2B-сервис терял пользователей на импорте базы. Команда собиралась перекрашивать кнопки. Разложили звонки на карту и увидели главный страх: клиенты боялись сломать свой текущий учет. Починили не UI, а чувство безопасности, добавив режим "песочницы". Итог: рост конверсии в активацию в 2.5 раза. Источник: https://www.nngroup.com/articles/empathy-mapping/ #PG_education @productgames

Наука управления агентами? Недавно на AI Natives рассказывал, как я изучаю bias-ы агентов, чтобы дизайнить интересные задачки, в которых излишнее доверие агентам приводит к плохим выводам. А Илья К. пошутил: мол, вместо курса по системному мышлению мне надо сделать такой же по агентному :) И вообще-то этот коммент по делу: менеджмент как наука сложился для эффективной координации людей ради достижения цели, но уже очевидно, что мы всё чаще будем организовывать для этого агентов. Тогда какой может быть эта наука и на какие вопросы она будет отвечать? Начну с задачки, которая возникает у любого, кто имеет дело с организацией агентов: один агент vs команда? Когда эффективнее использовать одно или другое? Например, в уже упомянутом видео с Noam Brown он говорит, что пока совсем неочевидно, что рой агентов справляется с задачкой лучше/дешевле. Но на подходящих задачах может делать это быстрее, потому что работа параллелизируется. То есть соображение скорости имеет место быть. Но я считаю, что это не только про скорость: из-за принципов работы LLM они подвержены зависимости от пути (писал об этом тут) и могут сузить пространство поиска решения. А вот несколько агентов могут независимо исследовать разные направления, то есть группы нужны ещё и поэтому. И, разумеется, размер контекстного окна никто не отменял. Вообще наверняка кто-нибудь выведет некоторую зависимость, а-ля треугольник проджект-менеджмента, между скоростью, стоимостью и качеством решения задачи агентами. В эту тему мне зашла статья Google Research про систему Cogentic. Там задачку эффективной координации агентов для решения математических задач решают следующим образом: 1. Оркестратор распределяет направления ресерча. Затем одни агенты - provers - предлагают доказательства, а другие проверяют оные. 2. История всех попыток хранится отдельно от проверенных результатов. Агенты видят, что уже пробовали и почему не сработало, а проверенные находки используют в следующих итерациях. 3. Есть агент-эдвайзер, который наблюдает за процессом, повторяющимися ошибками и неэффективностями агентов и советует, как реорганизовать процесс. Мне лично подобный многоагентный процесс интересен в контексте задачи роста продукта: анализ метрик продукта, поведения пользователей, ограничений роста и потерь в воронке, ревью литературы, поиск и реализация экспериментов, фиксация результатов, в том числе неудачных, и повторный проход. Да, проверка экспериментов на юзерах требует времени и трафика, поэтому процесс не будет таким динамичным, как хотелось бы. Но точно можно организовать постоянное экспериментирование и улучшение продукта. В общем, как считаете - будет ли новая наука? P.S. тут ещё подумал: в некоторых экспериментах агенты уже вырабатывают свои языки, потому что человеческий не так эффективен. Так что, возможно, желание человека всё это читать и понимать само станет причиной неэффективности в координации :)

ChatGPT – наглядный пример того, как интересы бизнеса расходятся с интересами продукта Я пользуюсь ChatGPT каждый день, и последние два месяца мне больно смотреть на развитие продуктов от OpenAI. Сейчас это три отдельных приложения: Mobile, Desktop и... GPT Classic. Desktop – это бывший Codex, а Classic – это бывший Desktop. Фактически старое десктоп приложение почти не поддерживается, новые модели (старше 5.6) там отсутствуют. В моем представлении это делается для того, чтобы все плавно переехали на новую версию. Полноценно пользоваться новым приложением можно только после внимательного изучения всех анонсов. Ежедневного использования недостаточно, внутреннего онбординга нет. Например, на скриншоте – вторая по важности страница приложения. У меня даже нет догадок, зачем она нужна. Моя основная проблема в том, что mobile и desktop продукты больше несовместимы. Без танцев с бубном больше нельзя начать работу на компьютере и продолжить ее с телефона – нужно активировать Work Cloud. Упс, у меня в новом приложении режим Work недоступен последние 3 недели... Это только верхушка айсберга – несогласованность модельных сеток, неработающие настройки, отсутствие актуальной документации и множество других проблем появляются, если хочешь что-то починить для себя. Моя первая гипотеза была в том, что обычные функции десктопа сейчас мало кому нужны и OpenAI получает львиную долю выручки с API и с Enterprise подписок. Оказалось, что это вообще не так. В 2026 году API это 17% выручки, на бизнес подписки идет 27% и B2C ChatGPT доминирует с 57% выручки. Как будто нельзя объяснить все эти проблемы тем, что на все кроме кодекса и API решили забить. Моя вторая гипотеза – цели бизнеса и цели продукта расходятся. Бизнесу нужно захватывать рынок, обслуживать новые сегменты до того, как туда добрались конкуренты. Поэтому растят бизнес метрики – количество пользователей, подписанные контракты в этом месяце, краткосрочную выручку перед будущим IPO. Видимо, продуктовые метрики проседают в неравной борьбе с бизнесом. А, ну еще сейчас увидел, что с мая 2026 года в OpenAI нет CPO и ответственность за продукт распределена между тремя людьми. Штош, это многое объясняет. Если кто-то понимает проблемы продуктов OpenAI более глубоко – добро пожаловать в комментарии.

Новое видео на ютубчике: Основы Advanced Jobs To Be Done Перезаписал вводную лекцию про AJTBD: • почему мы не можем работать с потребностями напрямую • единицы анализа AJTBD: работа, граф работ и карта сегментов • в чём проблема чинить проблемы • кратко про алгоритм создания ценности • работа — первопричина всего в продукте • какие решения позволяет принимать AJTBD • чем AJTBD отличается от классического JTBD [спойлер: всем] В ближайшие недели выложим ещё несколько видео: Основы Next Move Theory, Типы и свойства работ, Почему твой продукт не продаётся, Страшная правда стратегии твоего продукта 🔗 https://www.youtube.com/watch?v=B22R4Fq0Dyw

Опросы пользователей Один из способов исследования — это когда пользователей зовут проходить всякие опросы про продукт. Могут письмом зазвать «ответьте на несколько вопросов», а могут в самом приложении сказать «помогите нам стать лучше». Ясно, что сами эти опросы раздражают часть людей, но допустим, что это необходимое зло: как-то же надо изучать наших пользователей! https://ilyabirman.ru/meanwhile/all/somehow/ Вопрос в том, как интерпретировать результаты. Например, если по ответам вы судите о том, чем пользователи довольны, а чем нет, то важно понимать, что вы изучаете не всех пользователей, а только тех, кому настолько нехрен делать, что они пошли отвечать на ваш опрос. Возможно, в ходе опроса вы выясните, что их не бесят всякие попапы, но так их и опрос ваш не особо бесит. Они, похоже, готовы терпеть что угодно! Получается, результаты у вас искажены: вы знаете только ответы самых нетребовательных пользователей. Более того, возможно, что ответы нетребовательных людей сами по себе низкого качества. Вряд ли они особенно старались и вдумчиво отвечали. Знаете же, как оставляют отзывы на маркетплейсах люди, которым нечего делать? «Отличная вещь, рекомендую, сами ещё не распаковывали». Ну вот. Я не к тому, что опросы никогда не надо проводить (хотя я был бы счастлив). Я к тому, что если вы сначала решили использовать этот метод при всех недостатках, потому что лучше ничего не нет, то не стоит потом смотреть на его результаты так, будто они настоящие. Надо так и смотреть: «Ну вот, наш кривой метод дал какие-то такие кривые результаты. И что они значат на самом деле?»

✨ Чем запомнились два дня ProductSense’26 10 и 11 сентября мы провели два насыщенных дня вместе с вами. И, можно сказать, две конференции: в этом году с нами на одной площадке проходила Epic Growth 💜 В Конгресс-центре ЦМТ собрались 900+ участников, а онлайн смотрели трансляции еще почти 300. Программа получилась насыщенной — на любой вкус: ⏩ В основной части были 47 докладов, 21 мастер-класс, 3 панельные дискуссии. ⏩ В нетворкинг-программе — консультации с экспертами, быстрые знакомства и много спонтанного общения.  ⏩ По традиции провели вечернее шоу — в этот раз в формате Fuckup Night. И добавили импровизационный развлекательный квиз «Ху из». ⏩ Ну и конечно, было много разнообразных активностей от партнеров и вечеринка.

Некоторые участники сожалели, что невозможно одновременно присутствовать в разных залах — настолько интересно было всё.

Для наших подписчиков мы транслировали избранные доклады текстом прямо в телеграм-каналах — если пропустили, ловите небольшой навигатор: ProductSense ➡️ Стресс-тест продуктовых гипотез с помощью агентных ИИ-систем ➡️ В эпоху агентов: как ИИ переворачивает процесс создания продукта ➡️ Что ИИ ломает в продуктовой команде и почему старые роли больше не работают ➡️ Как построить ИИ-продукт: от стратегии до сборки по слоям ценности ➡️ Пирамида впечатлений: как исследовать финальный этап пути клиента Продуктовое мышление ➡️ Мониторинг стратегии: от сотен разрозненных проектов до понятной системы Человеко-ориентированный ➡️ Когнитивные искажения в работе продуктового менеджера и ИИ-помощники, которые помогут их избежать ➡️ Ставка на рост: как перестроить продуктовый процесс в зрелом продукте Epic Growth — рост продуктов ➡️ Как найти новые точки роста в зрелом продукте: кейс Авито Путешествий ➡️ Уровни подписки: как пробить потолок среднего чека? А еще для участников мы запустили новое приложение, где можно было не только смотреть программу и записываться на мастер-классы, но и искать «мэтч» прямо на конференции, общаться и назначать встречи, смотреть трансляции и фото — в общем, всё в одном месте. Скоро расскажем отдельно, что из этого вышло.  Спасибо всем, кто готовил это масштабное профессиональное событие и разделил его вместе с нами: команде, техническим службам, партнерам, спикерам, волонтерам и, конечно, участникам 💙 Уже во время конференции мы получили немало положительных отзывов — а значит, всё не зря! ✉️ Участникам мы уже отправили форму обратной связи. Если вы были с нами, загляните в письмо и, пожалуйста, пройдите опрос — в конце получите все презентации и записи 7 избранных докладов. До встречи на следующих событиях и в Академии ProductSense! ✌ Ну и остаемся на связи здесь 🏷 @productsense

Интерфейс Linkedin поменялся. Обратили внимание? Теперь очень легко стало найти игры! Мы там, конечно, же ради игр.

LinkedIn сознательно развивает Games Tab как способ увеличить частоту ежедневных открытий приложения и время сессий.

Сразу под играми у нас группы, новости, события и рассылки. Это уже интереснее. Если давно планировали рассылки, это знак. Сказала я в первую очередь себе и поискала дополнительные часы в сутках. Личный профиль уполз вбок и я пару раз поматерилась. А комментарии стали открывать как в фб. Что меня тоже не порадовало, но я не люблю изменения в UI в принципе. Мне нужно чтобы все лежало там, где я это оставила и никакие гномы это не перетаскивали. Что еще? Как я и говорила, Linkedin решил сделать все что можно на ИИ и при этом помечать все что можно, что это сделал ИИ. То есть привлекаем к работе и одновременно жгем на костре всех ведьм. Логично. LinkedIn перешёл от хронологического порядка комментариев к персонализированному ранжированию: каждый пользователь видит в первую очередь те ответы, которые система считает наиболее полезными именно для него. Не люблю когда система думает за меня.

Платформа активно подавляет «AI slop» — шаблонные, сгенерированные ИИ комментарии.

При этом появились AI‑инструменты для малого бизнеса и фаундеров. По премиуму. AI‑поиск людей и нетворкинг. Вообще непонятно. Буду изучать. В общем, наблюдаем пациента. И изучаем еще варианты других платформ.

Почему люди перестали читать? Если вы ярый библиофил и радикальный книголюб, то текст ниже может задеть самые тонкие настройки вашей души. Я предупредил, счета за реабилитацию принимать не буду 🌟 The Atlantic пишет, что люди перестают читать книги. Автор статьи - Роуз Хоровитч, которая в 2024 написала вирусный текст про студентов элитных вузов, которые не могут осилить даже одну книгу до конца. А Теперь она посчитала масштаб по всей стране (страна, как вы понимаете, США - что может слегка смещать результат, ведь как известно: 🐸😵‍💫) Итак, менее половины взрослых американцев прочитали за год хоть одну книгу, доля читающих ради удовольствия в конкретный день* за 20 лет упала с 28% до 16%, и падение идёт во всех группах - даже у бабулек/дедулек, женщин и выпускников вузов, которые всегда читали больше всех. Школы задают от нуля до четырёх книг в год (это сильно меньше, чем раньше), а ребёнку в конкретный день читают 2% взрослых. * В конкретный день - это типа "Сегодня вы читали/будете читать?". Такая метрика. Причину такого сдвига статья объясняет довольно мудрёно - через "постграмотность". Мол, читать умеют все, слов мы потребляем больше, чем когда-либо (письма, чаты, посты, нейрослоп в чатботике и т.д.). Но именно поэтому длиннотекст мы осиливать перестали - т.к. многобукав и TLDR. Из-за чего откатываемся обратно в устную культуру, где больше значения имеют не факты, а КТО И КАК вещает. Это, наверно, правда (хотя мой булшит-индикатор на полке начал тихонько пищать), но ИМХО не вся. Я думаю, тут есть ещё один момент: Давайте посмотрим на книгу как на продукт. Да, книга - это тоже продукт, и ей тоже приходится конкурировать по всем продуктовым правилам. А правила такие: 1. Ретеншн. Книга - единственный продукт с нулевым бюджетом на удержание. Она не менялась со времён Гутенберга, у неё нет ретеншн-команды, нет A/B-теста первой страницы, нет пушей. А конкурирует она сегодня не с газетой бумажной, как в 1900-м (та была такой же отсталой), а с продуктами, где тысячи инженеров дерутся за каждую секунду вашего внимания. 2. Привлечение. Книга изначально привлекала через бандл, комплексный оффер "сюжет + знания + досуг + статус". Сегодня каждый из этих кусков отъел какой-то субститут, причём почти всегда более удобный. Сюжет ушёл в сериалы, досуг - в тиктоки, знания - в ютуб и подкасты, а теперь ещё и в ИИ-саммари (300 страниц нон-фикшна за минуту - это рациональный выбор). По сути, остался только статус, и именно он и удерживает книги на плаву. 3. Спирали. У всех продуктов есть loops, и у книг тоже. Только у книг она негативная. Смотрите, навык чтения - это расходуемый капитал. Меньше читаем → сложнее читать → ещё меньше читаем. А рынок не сопротивляется, он же не дурак, он подстраивается - библиотекари закупают книги попроще под упавший уровень школьников, издатели упрощают синтаксис и т.д. В результате предложение деградирует под спрос и раскручивает общее падение ещё сильнее. Так что, либо книгам придётся как-то меняться, либо… (страшно сказать вслух) они будут скатываться во всё более узкую нишу, пока вообще не вымрут. И ещё, я вот лично именно книги тоже стал читать реже. Не, годную классику или очень выборочный нон-фикшн могу - но блин, 97% книг это тупо булшит и трата моего времени, внимания и ментальной энергии. Авторы пережёвывают одну мысль на 100 страницах, а ты после прочтения такой: "Ээ, а о чём книга-то?" Так что, тотально понимаю студентов. Они не дочитывают книгу не потому, что тупые, а потому что зачем? 🤔 Дизраптор

Басня о поиске причин В офисе одной компании сотрудники постоянно жаловались на шум из соседнего цеха. Руководство потратило миллионы на звукоизоляцию стен, но жалобы продолжались. Приглашенный системный аналитик выяснил, что сотрудники жаловались на шум не потому, что он мешал работать, а потому, что они чувствовали себя изолированными от новостей компании и думали, что за стеной происходит что-то важное, о чем им не говорят. Проблему решили не инженерией, а улучшением внутренних коммуникаций. Пример в IT В одном из ваших продуктов падает метрика Retention (удержание пользователей). «Здравый смысл» диктует: нужно переделать UI или добавить новые фичи. Но системный анализ может показать, что проблема лежит вне продукта — например, перформанс-маркетинг закупает нецелевой, «мусорный» трафик, который физически не может конвертироваться в постоянных читателей. Вывод Никогда не лечите симптом там, где он проявился. Истинная причина сбоя в сложных системах почти всегда лежит в другом узле или на другом уровне. #продуктовыйпуть

Как это сейчас работает? Раз в квартал я делаю одну тупую, но очень полезную вещь. Удаляю свой продукт и прохожу путь как будто я новый юзер. Не "открыл админку и потыкал", а по-честному: – ловлю свой креатив в ленте – перехожу на посадку – онборжусь – сомневаюсь и закрываю – читаю дожимы – плачу своей картой – и дальше реально пользуюсь Каждый раз нахожу херню. Вообще каждый. То креатив обещает одно, а лендос рассказывает про другое. То кнопка оплаты уехала за экран на маленьком айфоне. То прогрев зовет успеть на скидку которая действует только 12 часов, а эти 12 часов случаются раз в сутки. То онбординг просит заполнить семь полей, из которых дальше используется одно. Почему никто этого не видит? Потому что вся команда живет внутри продукта. У всех флаг админа и тестовая карта, триал проходили раз видели в день релиза. А новый пользователь видит только этот путь, и в этом пути спрятан весь твой рост.

«Я всегда не любил Duolingo всей душой. Но когда в моём приложении оказалось 70% новичков, то кое‑что сделал так же» Автор строил VibeLing вокруг одной идеи. Пользователь встречает слова в фильмах и статьях, сам решает, что учить, и собирает личный словарь. Duolingo раздражал именно тем, что ведёт по готовой дорожке и всё решает за пользователя. Взрослому человеку можно дать нормальный инструмент, а дальше он сам разберётся, что учить. Так это выглядело, пока в аналитику не пришли реальные цифры. Около 70% аудитории оказались новичками уровня A1. Такой пользователь ещё не смотрит фильмы на английском и не читает статьи без перевода, потока контента для собственного словаря у него просто нет. Даже пустая строка поиска работает против него. Продвинутый открывает её с готовым словом, а новичок должен сначала придумать, что искать. Оказалось, что всё это время приложение проектировалось под сценарий его создателя.

473 • Не стой в очередях Все мы ценим свое время (* но это лишь мое предположение🌚), и чем меньше его тратится впустую, тем лучше. В том числе это касается очередей и заторов: магазины, пробки, популярные рестораны со 100% посадкой ... и ПВЗ. Поэтому, когда мы отправляемся за ожидающим нас заказом в пункт выдачи 😊 Wildberries, можно сразу посмотреть его загрузку, чтобы не угодить в час пик и не потратить лишние 10 минут в никуда. Можно посмотреть загруженность по дням недели, часы пик дополнительно выделяются цветом, а если идете в моменте, на графике также отображается текущее время. Как считаете, можно ли этот блок как-то улучшить? Поделитесь идеями в комментах👇🏻 ScreenHunt 💎 Платформа анализа мобильных интерфейсов для продуктовых команд в e-commerce @hardclient

За пару дней уже дважды консультировал разных ребят с их продуктами по учёту личных финансов. Ошибки продактов/продуктов в финтехе личных денег схожи, некоторые мысли и наблюдения: – Чем у́же, тем хуже. Идти в финтех с узкой моделью и позиционированием странно по множеству причин, главная из которых – зачем и почему, когда деньги есть у 100%? – 80% людей не хотят учитывать личные финансы, потому что это сложно, долго, муторно и им лень. Оставшиеся 19% кто готовы и способны это делать, делают это и без апп. У 1% есть финансовые консультанты и бухгалтера. – Бенчмарк отказов: 80% отваливаются на второй день, на вторую неделю, на второй месяц. Все кто прошли этот период отваливаются далее по другой причине: человек смог определить для себя свою личную финасовую культуру-привычку, встроить её в жизнь и апп ему больше не нужен. – Потому что красивая аналитика, прогнозы и "ИИ-помощь" в накоплении по конвертам и любым другим пропорциям вне банковского приложения ломается в офлайне об спонтанные или непредвиденные расходы. Получаем сломанный CJM в офлайне не по вине аппы, но именно это является причиной отказа от использования аппы, потому что юзер задает себе вопрос: "смысл тратить время/силы/нервы (и платить за это ежемесячно) и вести учёт в аппе, когда в жизни всё по-другому?". – На второй консультации после утверждения "наш апп снимает стресс" осознал, что все аппы личных финансов этот стресс... только усиливают. Потому что любые накопления в условиях фикс зарплаты это всегда "отказался от чего-то и отложил по максимуму сколько смог" (читай - отказался от привычки). И нет ничего больнее отказа от привычки, потому что когда мозг лишают прежнего "удовольствия" он стрессует. Не говоря уже о том, что когда человек каждый день/неделю/месяц видит и считает свой низкий доход в аппе и его подтверждение (а именно так он к нему относится, потому что он не может позволить себе что-либо сейчас ПЛЮС экономит на себе и своих привычках), то это бьёт по мозгу в два раза сильнее. И если смотреть на решение боли "мы помогаем копить на Х", то 80% людей проще/быстрее/приятнее взять кредит через банк. Готово – объект желания уже в доставке, центр удовольствия получает эндорфины, мозг расслаблен. – Поэтому главный конкуренты всех апп для личных накоплений это по-прежнему банки. Первые являются не только первоисточником всех данных, которыми аппы личных финансов просто по-разному жонглируют, но и инструментом для операций с ними: от округлений сдачи и прочих счётов (более удачная попытка встроиться в CJM юзера) до тех самых кредитов (самая удачная попытка). И даже они подвержены рискам непредвиденных расходов, потому что

пока на счёту юзера есть деньги, они могут быть и будут потрачены

И в этом очень глубокий продуктовый инсайт 👆 – Главная причина провала всех апп для учёта личных финансов: отсутствие Ценности. №1. Ценность №2. Ценность №3. Ценность – А главная пользовательская боль 80% в том, что цены высокие, а зарплаты низкие. На первом месте проблема в дорогой стоимости современной жизни как таковой и лишь после за ней тянется низкая финансовая культура (ваш КО). Как это обычно случается, продакты придумали, убедили себя и снова решают немного не ту проблему. P.S. Банки не торопятся идти в ИИ по двум причинам: 1) банки не хотят светить наши свои(!) данные в чужой ИИ, поэтому они медленно экспериментируют со своими модельками. 2) ИИ ничего не решает и ничем не полезно для клиента, потому что это: а) не вписывается в саму природу и цели банка (зачем банку финансово грамотные юзеры, им нужно брать кредиты); И ИИ её не решит, ибоьИИ особо нового ничего и не откроет, это все можно и в экселе обсчитывать на уровне формул; А проблему способен решить только сам человек, пересмотрев все свои психологические и социальные привычки в комплексе (окружение, стиль жизни, мировоззрение, социальные стимулы/одобрения/гонки и прочее). И это самое сложное и невозможное. Кто сможет пересобрать пользователя на таком уровне, тот завладеет сердцами. А пока что, банки владеют нашими карманами.

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)

Чтобы в продукте появилась новая функция, сначала нужно правильно сформулировать задачу разработчику (ну или нейросети). Один из подходов для этого - метод EARS (Easy Approach to Requirements Syntax). Этот метод позволяет формулировать требования к программным продуктам понятно, структурированно и без двусмысленностей. Разработал его в 2009 товарищ Алистар Мавин для компании Rolls-Royce. Вот, кстати, его сайт, там и про EARS есть. Метод выделяет пять основных шаблонов для описания различных сценариев поведения системы: 🔹Постоянные требования (Ubiquitous) действуют постоянно без условий - [Система] должна [действие]. 🔹Управляемые состоянием (State-driven) активны при определенном состоянии - Пока [состояние], [система] должна [действие]. 🔹Управляемые событиями (Event-driven): срабатывают в момент триггера - Когда [событие], [система] должна [действие]. 🔹Требования с доп. условиями (Optional-feature) применимы при наличии конкретной функции - Где [функция или возможность], [система] должна [действие]. 🔹Требования при нежелательном поведении (Unwanted-behaviour) описывают реакцию на ошибки - Если [нежелательное условие], [система] должна [действие]. Пример: Когда пользователь нажимает кнопку «Сохранить», система должна добавить вакансию в список избранного пользователя. Это требование понятно разработчику, тестировщику и заказчику. Вот тут подробнее. #process

Стресс-тест продуктовых гипотез с помощью агентных ИИ-систем Спикер: Сергей Синяков Откровенно плохие идеи обычно отсеиваются быстро. А правдоподобные совпадают со стратегией, нравятся команде и звучат логично. Если добавить данные, мнения пользователей и убедительную формулировку от ИИ, гипотеза начинает выглядеть почти доказанной. Мы привыкли защищать идеи: искать аргументы в их пользу и постепенно влюбляться в собственную конструкцию. А можно действовать наоборот — подвергать гипотезу нагрузке до того, как она попадет в разработку, чтобы отсеивать нерелевантные и брать в работу лишь те, которые принесут большую пользу бизнесу. Проверять гипотезу через призму доказательств, ролей и противоречий можно тремя способами: 1. Вручную собирать и связывать всю имеющуюся информацию — качественно, но дорого. 2. Передать весь контекст модели одним большим запросом — удобно, но недостаточно проверяемо. 3. Разделить анализ на этапы с помощью агентного конвейера — надежно и обоснованно. Почему одного большого промпта недостаточно? Проблема большого запроса в его непрозрачности: мы получаем уверенный ответ, но не видим, на чем он основан. В агентной системе стресс-тест гипотезы на каждом этапе создает отдельный проверяемый результат, поэтому исследование можно проверить или перезапустить с любого шага. Стресс-тест проходит через четыре слоя:

гипотеза → роли → рынок → синтез

Технически каждый этап оформлен как отдельный скилл. Это позволяет не смешивать роли, факты и рыночные данные раньше времени, а решение о запуске гипотезы оставить за человеком. Кейс: очередь сканирования в анализаторе кода Представим, что мы — вендор информационной безопасности и делаем продукт для безопасной разработки: анализатор исходного кода. Пользователи загружают в него проекты, которые необходимо проверить. Пропускная способность конвейера ограничена, поэтому проекты попадают в очередь и ждут сканирования. С системой работают инженеры по безопасности, директор по информационной безопасности и разработчики. У каждой роли свои цели и критерии их достижения. При этом в бэклог постоянно поступают запросы на доработку, а ограниченные ресурсы нужно направлять на изменения, которые принесут бизнесу наибольшую пользу. Наша исходная гипотеза звучит так:

Если инженер по безопасности сможет вручную приоритизировать проекты, бизнес-критичные проекты будут сканироваться первыми, а время обнаружения уязвимостей высокого риска сократится.

Дальше гипотеза проходит через несколько скиллов: — hypothesis-input-validation проверяет корректность формулировки и не пропускает дальше невалидную гипотезу; — hypothesis-facilitator рассматривает гипотезу с позиций разных ролей и фиксирует различия в их выводах; — local-knowledge-retrieval формирует предварительный обзор, извлекает отдельные факты и находит связанные артефакты; — business-context-value-check определяет, кто заинтересован в гипотезе с точки зрения бизнеса и какую ценность она может принести; — hypothesis-market-layer изучает внутреннюю документацию, а затем обращается к внешним источникам; — hypothesis-synthesis сопоставляет собранные данные и формулирует выводы; — customer-discovery-planning превращает найденные пробелы в план интервью, чтобы закрыть их с помощью новых данных; — human-report-export собирает понятный человеку отчет со ссылками на все необходимые артефакты. Что показал стресс-тест? После всех этапов выяснилось, что гипотеза в первоначальной формулировке не приносит ожидаемой пользы. Настоящая задача — не просто быстрее обнаружить риск, а сократить время от появления критичной находки до конкретного действия по ней. Стресс-тест сделал идею честнее и проверяемее. Когда такой подход оправдан Полноценный стресс-тест нужен не каждой гипотезе. Его стоит запускать, когда решение: — дорого реализовать; — трудно откатить; — займет несколько спринтов; — нельзя проверить одним быстрым экспериментом. Если ошибка стоит меньше спринта, проще провести короткий тест, чем запускать исследовательский космолет. @productsense

/Что прикольного я навайбкодила сегодня 🤓/ Я редко рассказываю здесь, что конкретно делаю для компаний, с которыми работаю. Но какие-то крошки полезного могу и хочу приносить. Например, последнюю неделю я вайбкодила довольно прикольную штукенцию. У клиента (еком) огромный каталог - десятки тысяч sku. И понятно, что ни один менеджер физически не может помнить весь ассортимент, все аналоги и быстро сообразить: «ага, вот на этой фотке что-то похожее на наш артикул №14852». Поэтому мы делаем ИИ-шку, которой можно просто скормить фотографию предмета [любую, хоть снятую на телефон где-то в жизни], и попросить найти максимально похожее в нашем каталоге. При этом у ИИ-шки есть актуальная база знаний про ассортимент: что мы вообще продаем, что есть в наличии, сколько стоит и так далее. А дальше я собрала ей примерно такой алгоритм: 💗 1. Сначала она смотрит на фотографию и несколькими словами и синонимами описывает, что вообще на ней видит. Так мы из десятков тысяч товаров сразу сужаем поиск до нужной категории. 💗2. Вторым шагом внутри выбранной категории она находит до 100 наиболее похожих товаров по текстовому описанию и характеристикам и подтягивает их фотографии. 💗3. И только после этого скаченные 100 фотографий подробно сравнивает визуально с исходной фотографией и выбирает топ-5 самых похожих товаров. Визуально все обернуто в сайт, естественно, а под капотом по апи ключу она ходит за мои токены думать. В итоге через пару десятков секунд мы получаем готовую подборку аналогов из нашего реального каталога, с актуальными ценами и наличием. А, еще важно, что на первом этапе мы, конечно, не отдаем ии всем пользователям - сначала надо сделать так, чтобы эти рекомендации видели знающие люди (менеджеры) и по каждой предложенной позиции дали свой фидбек - на это тоже настроен сайт и сбор данных в базу - хорошо ли нейросеть подобрала аналог, или нет - так мы дообучим модель (доуточним промпт на самом деле) и еще повысим качество. Рубрика #яжпродакт - выпуск про то, как иногда весело быть не только рассуждающим о высоком консультантом, но и делающим руками!

Кради как художник, выкатывай быстро как Anthropic, прорабатывай детали как Apple. В одном моем сервисе слабый ретеншен. Около 15% доживает до конца третьего месяца. Это плохо, хочется больше раза в 3. Приток трафика сравнялся с оттоком. Поэтому выручка вышла на плато ~$4k Начал ресерчить, как удержать людей еще дольше, если они уже 2-3 месяца попользовались. Сделал ресерч. Искал решения, у которых самых долгий LTV и супер высокий ретеншен. Хотя бы 60% на горизонте 6 месяцев. Причем в список брал сервисы не AI-powered, а только Data-driven. Собрал списочек из 14. Разложил их на самые ценные фичи, за которые платят. Отобрал 3 опции, которые легко вшиваются ко мне в сервис и вполне релевантны по тематике. Взял самое «липкое». То, на что если подсел, потом не слезть из-за FOMO или удобства. Сделали ручную рассылку по старым юзерам, кто отвалился или просто пользуется без постоянной подписки. 5 из 15 сразу же купило. Остальные 10 не поняли прикола. Задавали вопросы по которым ясно, что не понимают ценность. Пошли дорабатывать выгоду на лэндосе и демку. Посмотрим что из этого выйдет через пару месяцев. И почему я раньше так глубоко не задумывался над фичами в разрезе их миссии?! За какие-то опции покупаются, а за какие-то продлевают подписку.