А как вы готовитесь к грядущим изменениям в вашем флагманском продукте в связи с наступающей эрой AI? 👇

Expansion Revenue Benchmarks: SaaS с LTV/CAC > 3 достигают ~20 % expansion MRR, а с LTV/CAC > 5 — > 30 %

На мой взгляд, продуктовые команды в основном не страдают от того, что не видят возможности роста — проблема в том, что они пытаются одновременно ухватить всё и всех. Вместо того чтобы фокусироваться, они не рассчитывают силы, распыляются на десяток ини­циатив и в итоге не доводят до ума ни одну. Это касается и стратегии, и тактики.

💡 Не настаиваю, что мое мнение на этот счет — истина в последней инстанции, однако подсвечиваю какой мощный рычаг представляет собой возможность определять ЧТО делать. Даже если мы говорим не о стратегии, а об Execution, как в этой истории ☝🏻

💡 Узнали себя? Не страшно - практически невозможно внедрить идеальный Discovery, но можно создать работающую, зрелую и адаптивную систему, близкую к оптимуму для конкретной команды и ее ситуации. Главное - не страдать от несовершенства, и переставлять ноги.

💡 Вся модель найма — это не отбор лучших, а поиск совпадений в искажённых картинах мира.

Иными словами, найти идеальное совпадение кандидата и компании случайным образом почти невозможно.

Шансы для активного кандидата повышаются до 1 к 20

💡 Забить на «идеал» (тем более он меняется вместе с вами, да и компании не стоят на месте)?
Или зависеть только от себя, тогда неидеальность не так триггерит?
Каждый решает сам. Но если все же забивать, то хорошо бы расставить красные линии, за которые вы не готовы зайти и фокусно чекать именно их 😉

В общем-то Discovery - это взгляд на мир через эту линзу☝🏻И помочь ее настроить могут не только ненавистные многим опросы 😁

💡 Discovery — это про любопытство, системное мышление и уважение к реальности. Он помогает не просто бесконечно обсуждать идеи, а превращать их в работающие решения, за которые платят. И совсем неважно каким образом вы к этому приходите, главное - чем раньше столкнешься с реальностью — тем больше шансов, что продукт выживет.

Источник капитала → Собственный бизнес (Магнит)
Стиль управления → Создание с нуля, bottom-up
Тип лидерства - Servant leadership
Горизонт планирования - Долгосрочный, устойчивое развитие
Имиджевая стратегия - Локальная идентичность, укоренённость

Источник капитала → Приватизация
Стиль управления → Покупка готового, top-down
Тип лидерства - Патернализм + transactional
Горизонт планирования - Короткий
Имиджевая стратегия - Глобальная, soft power

💡 Продуктовая команда, как футбольный клуб, может жить на дотации или на культуре. У Галицкого — философия «вырастить и оставить». У Абрамовича — «купить и оставить» (и это два таких разных оставить). Обе стратегии могут дать результат, но у одной выше ROI на долгом горизонте, а вторая про прийти, увидеть, победить... и пойти дальше. И этот выбор определяет не только итоговый скорборд, но и то, кем ты будешь, когда игра закончится.

💡Вас должны волновать не должности, а фокусы:

– Проверка ценности и жизнеспособности идеи (Value)
– Оценка реализуемости и рисков (Feasibility)
– Проверка масштабируемости (Scale)

Правильный вопрос — не «кого ещё нанять», а «что из этого мы делаем плохо — и как это исправить?»
А уж справится ли с этим кто-то из текущей команды или потребуется найм — решается после.

💡 ИМХО: Вам нужны не «люди с должностями», а правильные фокусы: Value, Scale, Feasibility, объединенные правильным процессом Discovery. Сколько людей и в какой должности будут это реализовывать — это вопрос второстепенный (если вы, конечно, про "сделать", а не про "править"😉)

💡 Если вы давно не актуализировали свой аналитический инструментарий — возможно, пора.
А потом бегом смотреть свои дэшборды и последние принятые решения на предмет булшита 👀

В зрелых продуктовых командах лишь ~20–30% гипотез проверяют через классический A/B. Остальные требуют либо качественных, либо аналитических методов. Этот индустриальный ориентир подтверждён данными Amplitude, Reforge и кейсами Booking.

За два года мы сделали X экспериментов, Y из них были АБ-тестами (в остальных случаях целесообразнее было использовать другой метод), только W из них имели статистически значимый результат.
Самый заметный с точки зрения бизнес-вэлью эффект был получен в результате …
Но там был не просто A/B, мы дополнили его сегментированием, TST-анализом и подтверждали выводы юзабилити-тестами, потому что...

Изучая тренды продуктовой аналитики, я тут вспомнила свою первую любовь — данные 😉
В 2016, 2017, 2018 я занималась digital-рекламой. Тогда на каждой конференции звучали лозунги типа «данные — новая нефть», и мы, как под гипнозом, погружались в рассказы о look-alike и других возможностях big data. Мало-кого тогда волновали мощности, компетенции специалистов, которые вещают об этих «чудесах» и прочие скучные штуки. Я была в меньшинстве - меня волновали, и даже заставили снова пойти учиться, в то время пока менее склонные к рефлексии коллеги делали карьеру... Свой приз я тоже получила, но чуть позже (не верю в честный быстрый успех, если ты андердог) — помню на технической сессии в один бигтех разработчик спросил меня как компания, в которой я сейчас работаю, моделирует соцдем. И я описала человеческими словами, как работает логистическая регрессия и даже обозначила, что мы планируем перейти на градиентный бустинг. Может про себя он посмеялся над моими объяснениями, но оффер я тогда получила и очень этим гордилась 😊

💡 Таким образом, синтетика может служить финальным усилением приоритизации: она не заменяет реальные данные и ML-модели, а помогает закрыть лакуны и принять более обоснованное решение.

💡 Синтетика дает возможность ранних, малошумных экспериментов при ограниченном трафике или высоком риске, а также усиливает аналитические методы. Но она НЕ ЗАМЕНЯЕТ живые данные полностью, и все еще остаётся сложным, дорогостоящим инструментом, эффективным только для зрелых команд.