Всегда ли нужно считать NPV?

Мы тут поспорили относительно применения инвестиционных метрик. Есть мнение, что если вы их не используете, у вас незрелый подход ко внедрению изменений. Мое же скромное мнение неизменно, и я его уточню: есть "две большие разницы"👇

1️⃣ Будет ли привлекаться дополнительное финансирование (особенно внешнее) или речь идет о использовании текущих ресурсов команды.
2️⃣ Насколько точный можно сделать прогноз доходов от проекта.

📍 Первый фактор.
Я убеждена, что если речь не идет о привлечении инвестиций, а всего лишь о фокусировании текущих ресурсов, считать NPV и прочие инвестиционные метрики — это излишество, которое усложняет процесс принятия решений и не дает никакого дополнительного value. Отбор проектов в этом случае можно делать, опираясь на влияние изменений на продуктовые и/или метрики роста, которые соответствуют стратегии.

Если же финансирование требуется, тогда, конечно, доходную часть нужно прогнозировать. И вот тут уже в игру вступает второй фактор.

📍 Второй фактор.
Если точный прогноз потенциальных доходов сделать можно, то IRR, NPV, PBP, ROI нужно считать. Только проектов, в рамках которых такой расчет возможен, не так уж и много. Если мы говорим про разработку продукта, чаще всего это будут вещи, связанные с масштабированием, инфраструктурой, в крайнем случае с оптимизацией (последнее — очень редко). Но не создание новых денежных потоков ☝️ Я говорю не только про стартапы, но и про фичи, добавляющие новые cash flows в уже существующий продукт.

Точность прогноза для новых денежных потоков будет низкой по причине отсутствия данных. Более того, сам запуск нужен для того, чтобы эти данные получить. Здесь на практике встречаются два подхода:

🔘 Одноуровневая модель — идея сразу превращается в ставку, попадает в бэклог Execution и проверяется через сам MVP. Приоритизация строится на допущениях и прогнозах, что повышает риск ошибок и манипуляций с P&L. Особенно опасно, если после запуска нет переоценки и возможности отказаться от лонча.
🔘 Двухуровневая модель — сначала Discovery и проверка сигнала ценности (пилот, тест), а в Execution попадают только подтверждённые ставки. Приоритизация строится на проверенных данных, риски ниже.

И в первом, и во втором случае проверка гипотезы требует ресурсов: времени, команды, данных. Их отсутствие — причина, по которой компании часто смешивают Discovery и Delivery и требуют инвест-кейсы там, где ещё идёт поиск причинно-следственной модели.

📌 Метрики и фазы
Если точный прогноз можно сделать — считаем.
Если прогноз до запуска сделать нельзя — тест финансируется как венчур, а инвестиционные метрики актуальны уже после запуска. Причём на этом этапе часто важнее показатели эффективности/добавленной ценности продукта/фичи и отношение CAC к LTV, а не только IRR, NPV, PBP, ROI (хотя их тоже можно посчитать). Решений по итогам проверки всегда два:
1️⃣ Подтвердилась гипотеза или нет?
2️⃣ Если да, то стоит ли вкладываться в масштабирование?

Логично, что на проверку гипотезы нужно выделять некий ресурс, который готовы потратить, допуская, что гипотеза не подтвердится. Контроль расходования средств/времени на проверку гипотезы в этом случае осуществляется с помощью burn rate.

‼️ ИТОГО ‼️
✔️ Если инвестиции не требуются, IRR, NPV, PBP, ROI — не мастхэв, эффективнее по-другому отбирать проекты.
✔️ Если инвестиции требуются, и можно спрогнозировать доход достаточно точно — мастхэв.
✔️ Если требуются, но посчитать до запуска невозможно — проверка гипотезы финансируется как венчур, а метрики считаются уже после запуска (вне зависимости от того, была ли модель одно- или двухступенчатой).

p.s.: видео чисто для поднятия настроения 🦍

Pro Product (https://t.me/Dash_Frameworks)

#Стратегия
#Метрики

Data Driven, который мы заслужили

Пора разбавить занудный контент, который вам, очевидно, не зашел чем-то более легким 😊 По сему #история

Летом я подумывала о том, чтобы взять какой-нибудь side-проект или, может даже выйти в найм, поэтому проходила собеседования. Общалась я в том числе с одной молодой и на первый взгляд прогрессивной компанией. Ребята прикольные, задачи крутые и амбициозные, продукт вдохновляющий... В приподнятом настроении дохожу до финала и понимаю, что в процессе предыдущих этапов (а их было четыре) сложилось ощущение будто все, что мы сейчас обсуждаем, не имеет большого значения для принятия решения о найме. В частности, на последнем собеседовании нанимающий менеджер на прощание сказал мне такую фразу:

"Ну смотри, будет еще один этап без твоего участия, и после него, надеюсь, мы увидимся".

Признаюсь честно, я подумала, что речь идет о проверке службы безопасности, запросах рекомендаций, в крайнем случае о какой-то внутренней сессии (ведь все этапы собеседований записывались). Но речь шла про... нумерологию 😒

Через неделю ко мне вернулась HR и сказала что-то вроде:

Мы не можем тебе предложить эту позицию, потому что у тебя 4 единицы и 3 восьмерки (что бы это ни значило 😐) - ты будешь смущать кого-то там важного. Да и вообще у нашей компании сейчас спокойная фаза (что бы это ни значило 😳).

Я, мягко говоря, офигела. А потом подумала: это что вообще такое было? Они реально принимают решения с помощью эзотерических практик? И по продукту тоже? 🤭 Это и есть тот самый Data Driven, о котором с придыханием повторяли на каждом собеседовании ⁉️

Или они тем самым прикрыли истинную причину отказа? А вот это было бы остроумно и даже изощренно 😈 Ведь на «у вас 4 единицы и 3 восьмерки», невозможно возразить что-то вменяемое. В общем, поудивлялась, посмеялась, перекрестилась и пошла дальше 🙂

А вы попадали в такие истории? Как реагировали? И стали бы работать в компании, где людей оценивают не по компетенциям, а по дате рождения?

Pro Product

Один в поле воин?

Как активный пользователь нейросетей, заметила вот такую штуку 👇

GPT отлично подсвечивает, насколько хорошо человек умеет формулировать задачи и смыслы:
✔️ Формулируешь что-то расплывчато — получаешь фигню.
✔️ Формулируешь что-то чётко, но опираешься на хотелки непроверенную отсебятину — получаешь фигню.
✔️ И только тот, кто может сформулировать чётко обоснованные вещи, получает на выходе золото.

Хотите сказать "как в обычной жизни"? А вот не соглашусь. В реальности часто работает команда, где эффект синергии стирает вклад каждого отдельного человека. К тому же, вознаграждения и карьерные бонусы часто завязаны на этот “вклад”, что порождает соблазн получить плюшки любыми способами, включая борьбу за атрибуцию... Но сегодня не об этом.

А о том, что сила реального влияния МЕНЕДЖЕРА очень хорошо видна как раз в контексте постановки задач и умения работать с мотивацией.

Представьте что вы - руководитель структуры или проекта/продукта, и вы всегда ставите задачи в стиле "пойди туда не знаю куда, принеси то, не знаю что". GPT на такие запросы будет выдавать полную ерунду, а исход ситуации в реальной жизни будет зависеть от исполнителя.

1️⃣ Может и хочет — прикроет вашу … небрежность.
2️⃣ Может, но не хочет — вы можете его смотивировать, но если вы не сильны и в этом, надвигается конфликт.
3️⃣ Хочет, но не может — вы в лучшем случае получите неудачный кейс, в котором есть шанс остаться "друзьями" и, например, ходить по конференциям, рассказывая о том, как эпично вы наошибались и какая в вашей компании культура отношения к ошибкам.
4️⃣ Не может и не хочет — вы можете его смотивировать, чтобы прийти к ситуации 3️⃣, но если вы и в этом плохи... дело - швах.

Для максимизации результата квалифицированный менеджер (особенно кросс-функциональных команд) обязан менять способ постановки задач в зависимости от того, с кем работает. Не стоит навязывать ультиматумы профи, но и оставлять новичка без чёткого направления не вариант. Это напрямую влияет и на мотивацию ☝️ Концепция ситуационного лидерства Херси-Бланшара как раз об этом 🤓

Но это все про людей, а я хочу закончить развитием мысли о нейросетях👇
Получается, если мы рассматриваем GPT как исполнителя, который всегда ХОЧЕТ нам помочь (а иногда и замену целой команды☝️), то мотивация выпадает из нашего менеджерского уравнения. А что же остается? Остается только качество постановки задач – от него зависит СМОЖЕТ ли☝️

⁉️ Значит ли это, что с распространением нейросетей менеджеры, которые ставят задачу «одним предложением», уйдут в небытие, как профнепригодные? 🤔

⁉️ И значит ли это, что менеджер с хорошими навыками стратегического мышления и аналитики, умеющий четко формулировать смыслы теперь и один в поле воин? 🤔

Что думаете?

Pro Product

#Философия #Компетенции #AI

Достоверность качественного исследования

Бывало у вас такое? Провели интервью, потратили кучу времени и сил, довольные идёте к команде рассказать о результатах, а вам:

— И сколько же у тебя было респондентов?

Вы с гордостью:

— Восемь!

И тут все начинают смеяться 😈

Если до сих пор не знаете, как выйти из этой ситуации, этот пост для вас 👇

✔️Объясните суть качественного исследования
📍Качественные исследования отвечают на вопросы "почему?", "как?" и т.п. Они проводятся для получения глубинных инсайтов о ЦА, поэтому малые выборки тут не проблема.
📍Количественные исследования, в свою очередь, помогают понять "сколько?", "насколько сильно?" и т.п. Они проводятся, чтобы оценить масштаб чего-либо, поэтому размер выборки здесь критически важен.
В идеале, их используют в связке: качественные – формируют гипотезы (регистрируют факты, проблемы, идеи), а количественные – проверяют их на масштабе (помогают расставлять приоритеты)☝️

✔️Дайте понять, что следующий шаг — количественник
Лучше приходите сразу с результатами исследований обоих типов. Впрочем, это возможно не всегда. Если вы работаете над b2b-продуктом, напомните коллегам, что количественные методы вам не всегда доступны и не всегда достоверны. И по причине общего количества клиентов, и по причине их разного «веса». Если же у вас с этим все в порядке, и эта встреча нужна, чтобы получить ресурсы на следующий этап (бюджет, аналитика и т.д.), так и обозначьте.

✔️Обратите внимание на репрезентативность
Передать выборкой структуру генеральной совокупности здесь ценнее, чем проинтервьюировать много респондентов. Восемь человек из разных сегментов дадут больше инсайтов, чем сотня из одного. Кстати, очень разные ответы будут говорить о том, что вы не вполне понимаете ЦА или то, что исследуете.

✔️Фокусируйтесь на инсайтах
Если разговоры про методологию не клеятся, переходите сразу к выводам и продемонстрируйте их ценность: что именно вы будете с ними делать, как, на какие требования к продукту они повлияют/могут повлиять.

✔️Наконец, главное — сошлитесь на Nielsen Norman Group
Думаю, многие слышали о Nielsen Norman Group, культовой компании в мире UX и исследований. На слайде выше вы можете видеть анализ их архива, сделанный с целью определения наиболее эффективного количества респондентов с точки зрения цены-качества исследования.

График показывает, что увеличение количества тестовых пользователей от 5 до 30 практически не увеличивает число найденных инсайтов. Это подтверждает, что небольшие выборки (5-10 пользователей) позволяют выявить большинство ключевых проблем и тем самым делают качественные исследования более эффективными.

В общем, сохраняйте слайдик, как оберег от любителей «посчитать и усомниться». А если и это не поможет, посылайте за разъяснениями прямо в Nielsen 😉

Pro Product

#Исследования
#Компетенции

Вчерашний апдейт Telegram натолкнул меня на размышления о будущем мобильной дистрибуции

Начну издалека. Вы когда-нибудь слышали о веб-воронках? Если нет, поясню в двух словах 👇

Это инструмент, который позволяет привлечь пользователей не напрямую в приложение, а через веб-онбординг. У такого подхода есть два ключевых преимущества:
📍 Во-первых, он позволяет корректно атрибуцировать трафик, а значит, эффективнее вкладывать деньги в рекламу.
📍 Во-вторых, он избавляет вас от необходимости отдавать до 30% доходов платформам вроде App Store или Google Play.

Эта практика не нова, но стала особенно актуальной в 2021 году, когда Apple выкатила обновления IDFA, усложнившие отслеживание и атрибуцию трафика. Это ударило по эффективности рекламы, и разработчики приложений начали искать обходные пути.

У веб-воронок есть ещё один большой плюс – они дают возможность протестировать продуктовые гипотезы без больших вложений.

Например, если ваш продукт строится вокруг контента, вы можете на первых порах раздавать его через веб, email-рассылки или Telegram-бота. То есть вообще не создавать приложения и не конкурировать с гигантами за мобильный трафик в вашей нише. А когда определитесь с деталями сможете создать полноценный пользовательский опыт где угодно.

⚡️Подробнее о веб-воронках можно почитать в шикарной статье Олега Якубенкова.

Тренд набирает популярность, но пока не стал супер-массовым из-за ряда объективных причин:

1️⃣Сложность адаптации. Механика хорошо работает для продуктов с высоким вовлечением, где важна персонализация, но тяжела для массовых решений.
2️⃣Регуляторные и культурные барьеры. GDPR, пользовательские привычки и другие ограничения сдерживают развитие механики на западных рынках.
3️⃣Реакция платформ. Рынок ожидает, как Apple отреагирует на рост популярности веб-воронок: будут ли они удалять такие приложения или встроятся в процесс, например, через введение комиссии в 10–15%.

Telegram делает свой ход

Вчерашнее обновление Telegram позволяет запускать полноценные мини-приложения прямо внутри платформы, монетизировать их и не только ☝️

И это явная заявка на то, чтобы стать чем-то большим, чем просто мессенджер. А вместе с веб-воронками это тянет на альтернативу традиционным методам дистрибуции и продвижения приложений. По крайней мере для той половины половины мира, которая не боится выйти за забор App Store и Google Play 😅

Попахивает The Next Big Thing.imho 🧐😄 А что думаете вы?

Pro Product

#Тренды

Тяжело ли быть женщиной в IT? И при чем тут Камала 😁

Ни для кого не секрет, что существуют сферы, в которых традиционно доминируют мужчины, и где они значительно быстрее и чаще достигают высоких позиций. Безусловно, есть области, где равенства быть не может: например, профессии, требующие значительной физической силы, объективно менее подходят для женщин. С другой стороны, профессии, требующие развитой эмпатии и многозадачности, зачастую оказываются сложнее для мужчин.

Однако в самых престижных и вкусных сферах (политика, бизнес, ИТ...) такого гендерного перекоса с точки зрения необходимых талантов не наблюдается. Поэтому сохраняющаяся диспропорция кажется любопытной. Вот вам факт, иллюстрирующий эту мысль 👇

Даже в такой, казалось бы, прогрессивной среде, как Кремниевая долина, женщин и мужчин, претендующих на одни и те же высокие позиции, оценивают совершенно по-разному.

📍Женщин, как правило, проверяют на умение работать с рисками:

Представьте, вы руководитель, и происходит ужас-ужас-ужас. Что вы будете делать? Как разруливать ситуацию?

📍Мужчин, напротив, оценивают по амбициям:

Как далеко вы хотите зайти в своём стремлении завоевать рынок? Какими методами вы планируете достигать целей?

Подходы к оценке разные, и это формирует разрыв в карьерных возможностях уже на входе.

А если вы женщина с амбициями и вы пытаетесь состояться в такой конкурентной среде, как быть? Как будто вырисовываются два основных сценария 👇

1️⃣ Превосходить ожидания
Чтобы достичь успеха, вы должны быть на три головы выше своих коллег-мужчин. Но даже этого будет недостаточно. Нужно выбирать такие места, где профессионализм важнее вечеринок 🤭 Где связи и лояльность решают меньше, чем результаты работы. И еще вам должно немного повезти ☝️

2️⃣ Хакнуть систему
Путь для тех, кто осознаёт, что не способен выиграть "по правилам", но очень хочет. Здесь на ум приходят два показательных примера👇

📍 Элизабет Холмс сделав ставку на образ Стива Джобса, потратила все усилия на создание успешного имиджа, забыв при этом сделать продукт. В итоге провал её компании не только дискредитировал её лично, но и бросил тень на женщин в технологическом бизнесе в целом. Впрочем, если бы у нее получилось, было бы еще хуже, потому что этот кейс брали бы как референс.

📍 Камала Харрис каким-то чудесным образом стала кандидатом в президенты, но её недостаточная компетентность и противоречивая биография не вдохновляют большинство женщин (да людей в принципе). Ее победа лишь укрепила бы убеждение, что система всё равно остаётся "мужским клубом", где женщины добиваются успеха если не катаржной пахатой и выдающимися талантами, то только благодаря отрицательной селекции и протекционизму.

А какой хак был бы ЭТИЧНЫМ и УСПЕШНЫМ?

Он вообще возможен? Или такого варианта нет, и выбор «для хорошей девочки» по сути между:
1️⃣ Встраиваться в систему: оказаться в нужном месте в нужное время и пахать как не в себя = Превосходить ожидания
2️⃣ Не встраиваться в систему: работать на себя, вспахивая еще больше

Пишите в комментариях, что думаете!

Pro Product

#Философия

Можно ли построить успешный продукт, избегая прямого общения с клиентами?

Недавно знакомый задал мне вопрос: как бы я исследовала одну проблему в его продукте. Опишу абстсрактно, чтобы никого не подставить/обидеть 👇

— "Почему вы решили, что это проблема?" — уточняю.
— "Показатели для этого сегмента данных хуже средних. Достоверно," — отвечает он.
— "Окей, ну а почему так происходит?"
— "Я не знаю. Мы как раз собираемся на неделе поштормить на эту тему. Может ты подкинешь гипотезы?"
— “Гипотезы чего? Проблемы? А почему бы вам не провести интервью с клиентами и узнать все из первых рук? Я бы так и сделала” — предложила я.
— "Не уверен, что команда это воспримет нормально. У нас так не принято," — грустно ответил он.

Причин почему продуктовые команды могут избегать общения с клиентами много, но корневые, на мой взгляд, две: страх и культура. Методы работы с ними тянут на отдельный пост (кстати, напишите в комментах, если это интересная тема 👇), но сегодня не об этом.

После того разговора я задумалась: а можно ли вообще построить успешный продукт, избегая прямого контакта с клиентами? Все же ребята если не лидеры, то заметный игрок своего рынка… И как-то до этого уровня доросли…

Да, есть команды, которые обходятся без прямого контакта. Но насколько их опыт применим к вашей ситуации? Судите сами.

📍Во-первых, такие команды создают продукты для широкой аудитории. Это обеспечивает доступ к огромному объёму данных для анализа и открывает возможности для проведения статистически значимых экспериментов в короткие сроки.

📍Во-вторых, такие команды располагают развитой инфраструктурой для работы с данными и проведения экспериментов. Создание подобной инфраструктуры — сложный и ресурсозатратный процесс, на который готовы далеко не все компании.

📍В-третьих, «комплементарные активы» соответствующие: компетенции команды и зрелость процессов (как минимум высокая скорость итераций) позволяют получать корректный результат.

📍Наконец, есть понимание клиента “на кончиках пальцев”. Возникающее, например, потому что члены команды сами активно пользуются продуктом. Это помогает избежать очевидных ошибок при формулировании гипотез (впрочем, иногда такая погруженность мешает).

Давайте будем честны: всё это звучит как описание большого, зрелого или приближающегося к фазе зрелости скорее B2C продукта. Если это не ваш случай, избегать прямого общения с клиентами — плохая идея. имхо

1️⃣Только оно поможет выявить инсайты, которые невозможно зафиксировать в данных, например, аспекты работы пользователя, происходящие за пределами вашего продукта и, соответственно, остающиеся вне зоны вашего наблюдения. Только оно даёт ответы на ключевые вопросы: «Почему? Зачем? Как?..» — объясняя то, что вы видите в данных. И, самое главное, оно позволяет сохранять связь с реальностью и испытывать настоящую эмпатию к вашим пользователям.

2️⃣И нет, фидбэк от сейлзов не то же, что проактивное исследование потребностей. Он получен как побочный эффект продажи и полезен для понимания барьеров для сделки и уточнения требований КОНКРЕТНЫХ клиентов. Если вы строите ПРОДУКТ, а не индивидуальный СЕРВИС, необходимы проактивные качественные исследования. Они глубже, шире, объективнее, масштабнее, поэтому на основании них можно принимать решения, на основании только фидбэка - нет.

Итак, вопрос: а ваша продуктовая команда активно исследует потребности пользователей или довольствуется только данными и/или фидбэком? А может вы считаете, что продакты не должны приближаться к клиентам? Давайте спорить!👇

Pro Product

#история

В понедельник китайская компания DeepSeek перевернула мир ИИ, обойдя ChatGPT в топе самых скачиваемых бесплатных приложений американского App Store.

Их R1 — мощная фундаментальная модель, сравнимая с GPT-4 от OpenAI, Llama от Meta и Gemini от Google. Но главное: она бесплатная и обучена на сравнительно маломощных чипах, а значит, потребовала в разы меньших инвестиций, чем американские конкуренты. Это событие всколыхнуло рынок: акции технологических гигантов пошли вниз, утянув за собой индекс S&P 500 (едкий смех человека с заблокированнными активами 😈).

Разобраться в ситуации я решила через мнение экспертов, включая многоуважаемого мною Николая Давыдова. Его позиция логична, но, как мне кажется, не лишена спорных моментов.

1️⃣ Слишком упрощённые аналогии

Николай сравнивает успех R1 с удешевлением пластика или переходом на переменный ток. Однако спрос на ИИ менее предсказуем (эластичен) и зависит в том числе от скорости внедрения и адаптации в разных отраслях. Да, снижение стоимости фундаментальных моделей расширяет доступность технологий. Но оно также усиливает конкуренцию, снижая спрос на дорогие GPU для задач, где хватит более экономичных решений. Какой эффект будет результирующий?

2️⃣ Недооценка влияния DeepSeek

R1 доказала, что разработка мощных моделей может быть в разы дешевле, чем у лидеров рынка. Бенчмарки подтверждают, что результаты Deepseek недалеки от результатов OpenAI. Это не просто снижение стоимости — это переоценка всей цепочки создания ценности. Если новая философия разработки (включая Mixture-of-Experts) станет трендом, высокие затраты таких компаний, как OpenAI, перестанут восприниматься как оправданные и потянут за собой всю цепочку. Если озвученные цифры правдивы, то стоимости AI-компаний и стратегии AI-инвесторов будут корректироваться.

3️⃣ Что с Nvidia?

DeepSeek доказал: сверхэффективные модели можно создавать без опоры на гипердорогие кластеры Nvidia. Да, GPU сейчас остаются ключевым элементом, но в будущем их могут потеснить универсальные чипы (например, RISC-V) и специализированные ASIC. Поэтому оптимизм в отношении роста спроса на GPU кажется излишним.

4️⃣ Риски для hyperscalers

AWS, Azure и другие крупные облачные провайдеры смогут адаптироваться, но удешевление моделей ограничит их возможности для наращивания и даже удержания маржи. Если же более дешёвые технологии обойдутся без масштабной инфраструктуры hyperscalers, им придётся пересматривать свои стратегии.

Итого: оптимизм по поводу Nvidia и hyperscalers слишком односторонний.ИМХО
С чем согласна: успех DeepSeek — не просто новость, это ожидаемый сигнал, что рынок фундаментальных ИИ-моделей взрослеет 🤓

Ну а я рада успеху китайских разработчиков еще и потому, что на мой взгляд ИИ — это важнейший инструмент, который не должен оказаться в ЛЮБЫХ одних руках ☝🏻

Pro Product

#Тренды #AI

Карьера или профессионализм?

Представьте ситуацию: кандидат блестяще сделал тестовое, знает все о JTBD, уверенно оперирует метриками и виртуозно презентует свои идеи на собеседовании... Но через месяц команда в панике – человек абсолютно недееспособен при столкновении с реальными задачами. Знакомо?

Проблема в том, что стандартный процесс найма оценивает в лучшем случае компетенции: hard и soft skills (маргинальные истории про найм "своих" рассматривать не будем). Презентацию этих навыков можно натренировать, к сожалению, даже если ты ими не обладаешь на деле. Кроме того:

❌ Прокачка презентации навыка может занимать примерно столько же сил и времени сколько, собственно, наработка самого навыка, не удивительно, что люди порой делают выбор в пользу первого и надеются на лучшее.
❌ Знание конкретных инструментов, методов, подходов и презентация чужих кейсов вовсе не означает способность все это применять. За эту способность отвечают метанавыки.

В чем разница?

🔘 Компетенции – это инструменты в вашем рюкзаке: знание UX, методов и подходов к работе с данными, фреймворков приоритизации и работы с метриками... Кстати, модель компетенций менеджеров в продуктовой компании я вижу так.
🔘 Метанавыки – это способность быстро находить нужный инструмент, менять или адаптировать его на лету или даже изобретать новый.

Если компетенции отвечают на вопрос «что?», то метанавыки – на вопросы «как?», «когда?/в каком случае?» и «зачем?».

Иными словами, метанавыки - это «операционная система», благодаря которой человек собственным уникальным образом обрабатывает информацию, учится и принимает решения. Именно она определяет, как профессионал применяет свои знания на практике в разных условиях.

Оценить метанавыки «на входе» объективно сложно. Но это как перейти от оценки «знает ли кандидат конкретную дорогу» к оценке «может ли он найти путь в кромешной темноте».
Для самого же продакта – осознание, что профессионализм во многом зависит от глубинных ментальных алгоритмов, может сильно изменить план развития и не только.

10 метанавыков, которые превращают человека в продакта

Итак, какие позиции, установки и реакции, на мой взгляд, говорят о том, что перед вами потенциально хороший продакт?
(подробнее - на слайде)

1️⃣ «Видит лес, а не деревья» | Системное мышление

2️⃣ «Очень быстро учится» | Learning Agility

3️⃣ «Ловит себя на когнитивных ошибках» | Мета-когниция

4️⃣«Меняет майндсет, как костюм» | Адаптивность

5️⃣«Способен двигаться в тумане» | Умение принимать решения в условиях неопределенности

6️⃣ «Сомневается даже в очевидном» | Критическое мышление

7️⃣ «Продукт — не я» | Объективность/осознанность

8️⃣ «Структурирует хаос» | Креативность

9️⃣ «Умеет вставать после падений» | Антихрупкость

1️⃣0️⃣ «Слышать, а не продавать» | Эмпатия

Вместо вывода

Парадокс в том, что метанавыки, которые делают тебя крутым продактом, могут мешать в карьерном росте. Критическое мышление может сделать тебя неудобным для корпоративной политики, а объективность и системное мышление — скучным, въедливым, холодным для команды, антихрупкость и способность действовать в любых условиях могут вызывать тревогу у твоего руководителя, но главное — не использование результатов твоего труда для продвижения себя (7️⃣) приведет к тому, что твоей работой без стеснения воспользуется кто-то с выраженной темной триадой в части метанавыков...

Возвращаясь к кейсу в начале: Быть или казаться? Как решать кого пускать в свою команду? — дело хозяйское. Весь мой спич — лишь напоминание о том, что какую бы ставку вы не сделали, рано или поздно жизнь потребует от вас баланса 😉

Pro Product

#Компетенции

🚀 Из B2B в B2C или обратно: реальны ли карьерные трансформации продактов?

Я часто слышу мнение, что B2B-шники — «ненастоящие продакты». Мол, «не продакты, не проджекты и вообще тут не нужны». С другой стороны, я слышу и такое: «Ой, он же B2C-шник, сейчас задолбает со своим интерфейсом, ты ему — нужно поисследовать, а он тебе: давайте просто выкатим и посмотрим».

B2B и B2C — это действительно две разные реальности. И хотя в основе работы лежит одно и то же — создание и донесение ценности, — путь к этому серьезно различается, как и люди, которые способны пройти этот путь легко и с большей вероятностью успешно.

Если СИЛЬНО обобщить

🔹 Продакт B2B — это архитектор и стратег, способный выстраивать сложные процессы и долгосрочные отношения.
В B2B продакт-менеджменте критически важны:

- Системное мышление для моделирования и реинжиниринга сложных бизнес-процессов.
- Бизнес-эмпатия для понимания широкого круга персон и их интересов в рамках одного процесса.
- Адаптивность при работе с юридическими, техническими и финансовыми требованиями на одинаково высоком уровне.
- Глубокая обучаемость для быстрого освоения отраслевой специфики.
- Антихрупкость для сохранения мотивации в длительных циклах разработки и продаж.

🔹 Продакт B2C — это экспериментатор, режиссёр пользовательского опыта, который неустанно ищет точки вовлечения и роста.
В B2C продакт-менеджменте ключевыми метанавыками являются:

- Креативность, позволяющая создавать эмоционально привлекательный UX и виральные кампании.
- Быстрая обучаемость для оперативной адаптации к новым трендам.
- Пользовательская эмпатия для повышения удобства использования.
- Антихрупкость, чтобы не страдать из-за неудачных экспериментов.
- Критическое мышление и навыки работы с данными.

‼️Наиболее часто используемые инструменты, а значит, и уровень компетенций в рамках одной и той же модели тоже будет отличаться.

Значит ли это, что B2B-шник не сможет стать B2C-шником (или наоборот)?

Я считаю, что сможет. Но нужно преодолеть свой главный страх (людей или цифр ☝🏻) и прокачать западающие навыки. Но первый шаг — найти мотивацию, а она может быть в обоих случаях.

Сравниваем B2B и B2C: что выбрать?

1️⃣ Зарплаты в B2B vs. B2C
💰 B2B-продакты в среднем зарабатывают больше, чем их B2C-коллеги.
B2B-продукты как правило дороже и сложнее технически, а продакты должны обладать глубокой экспертизой в той или иной сфере. А значит, выше порог входа и меньше конкуренция.
💰 В B2C зарплаты могут быть выше в топовых компаниях (Big Tech, маркетплейсы, финтех, EdTech), но в среднем рынок платит меньше, особенно в мобильных приложениях и digital-продуктах.

Вывод по зарплате: Переход из B2C в B2B перспективнее, если цель — более высокий доход.

2️⃣ Размер рынка труда
📊 B2C-рынок больше, потому что в нём работают больше компаний: от мобильных приложений до e-commerce и digital-сервисов. Входной барьер ниже, вакансий больше. В B2C продакт может легко перейти в другую индустрию (например, из маркетплейса в подписочный сервис).
📊 B2B-рынок меньше, но качественнее. Компании ищут продактов с экспертизой и платят им больше. Труднее зайти без отраслевого опыта.

Вывод по рынку труда: для быстрого поиска работы и маневренности привлекательнее B2C.

3️⃣ Котируемость опыта
🌍 Если цель — попасть в Big Tech (Google, Amazon, Microsoft, Meta, Apple, TikTok) или международные стартапы, стоит понимать, что B2C-опыт котируется выше, потому что такие компании делают массовые продукты.
🌍 Если цель — стать Chief Product Officer, VP of Product или консультировать бизнесы, B2B-опыт сильнее, потому что в нём выше барьеры входа и выше ценность экспертизы.

Вывод по котируемости: Для найма в Big Tech → B2C сильнее. Для роста в руководящие позиции → B2B перспективнее.

Итог
🔘 Если главная цель — зарплата и/или карьерный рост в VP/CPO, то B2B перспективнее.
🔘 Если главная цель — гибкость, постоянство занятости, Big Tech и стартапы, то B2C перспективнее.

А как работать с главным страхом и что подтягивать? Об этом — в следующих постах! 💪

Pro Product

#Компетенции

На самом деле ты не покупаешь — ты влюбляешься!

Начну с банальности: любовь и маркетинг гораздо ближе, чем кажется. И там, и там всё строится на эмоциях, привязанности и тонкой игре с ожиданиями. Мы привыкаем к любимым брендам так же, как к людям: предвкушаем встречу с партнером так же, как новую коллекцию или обновление любимого сервиса; совершаем импульсивные поступки под влиянием эмоций — будь то признание в любви или внезапная покупка «той самой» вещи.

И за всем этим стоит химия. Дофамин, окситоцин и адреналин — три главных гормона, которые сопровождают как романтическую привязанность, так и самые успешные маркетинговые стратегии. Как именно?

🔘 Дофамин: кайф от предвкушения
Этот гормон отвечает не за удовольствие, а за его ожидание. Ты не радуешься покупке — ты кайфуешь от самого процесса охоты!

- Apple: анонсы за полгода → ажиотаж → очереди.
- Netflix: «Продолжение следует…» → ещё одну серию — и спать.
- TikTok: бесконечный скроллинг в поисках нового дофаминового всплеска.

Идеальный маркетинг — это не «вот, держи», а «почти достал, попробуй ещё раз».

🔘 Окситоцин: бренды, которым ты веришь
Это гормон доверия и привязанности. Когда бренд становится «своим», ты возвращаешься снова и снова.

- Patagonia: Мы не продаём вещи, мы спасаем планету.
- Starbucks: Твой именной стаканчик — это не кофе, это забота.
- Lush: Не мыло, а философия осознанности.

Хочешь лояльных клиентов? Сделай так, чтобы покупка ощущалась как дружба.

🔘 Адреналин: эффект “Срочно!”
Этот гормон заставляет нас делать глупости быстро. Например, покупать кроссовки за $500, потому что «осталась последняя пара».

- Supreme: лимитированные дропы, вещи исчезают за секунды.
- Black Friday: «Купи сейчас, или завтра будет дороже!»
- Nike x Travis Scott: 3 миллиона желающих на 5000 пар.

Когда включается адреналин, здравый смысл уходит в офлайн.

С чего все начинается?
Как вы понимаете, влюбить в продукт — несложно, если ты знаешь, как работает мозг. Если продукт хорош, удержать тоже не составит труда. Но как и когда он становится по-настоящему хорошим? Когда продакт и команда сначала сами по уши влюбляются в своего пользователя.

Надеюсь, это про вас. Ну а если нет, то я вам этого искренне желаю 😉

Pro Product

#Философия

📈 7 пользовательских ожиданий, которые нужно знать каждому продакту

Как вы знаете, технологии формируют новые стандарты клиентских ожиданий. ИИ УЖЕ существенно трансформирует пользовательский опыт, предлагая новые паттерны взаимодействия, без глубокого понимания которых создание успешных даже не ИИ-продуктов сегодня становится затруднительным.

Я тут нашла интересную статью по теме, и позволю себе дополнить автора, сгруппировав #Тренды по степени универсальности, обогатив их характерными рисками, ограничениями и потенциальным влиянием. Enjoy!

Группа1️⃣: Однозначно большой тренд — внедрять.
Эти ожидания уже довольно распространены на рынке, потому что заданы крупными продуктами и широко применимы.

«Я готов подождать» → «Я хочу это сразу»
❌ Сомнения:
— В сложных сценариях пользователи могут предпочесть качество скорости (особенно актуально для b2b).
⚠️ Риски:
— Гонка за скоростью может снизить качество.
— Зависимость от дорогой инфраструктуры.
📊 Влияние на метрики:
— Влияет на метрики через высвобожденное время ПОЛЬЗОВАТЕЛЯ. В зависимости от сферы применения можно, например, ↑SL. А это в свою очередь может повлиять на более высокоуровневые метрики, например, ↓отток (churn).

«Я сам займусь рутиной» → «Рутина уже выполнена»
❌ Сомнения:
— Автоматизация эффективна для повторяющихся и стандартизированных задач, в остальных случаях она может снизить качество и сгенерировать риски.
⚠️ Риски:
— Потеря контроля или деградация навыков.
— Ошибки в высокорисковых сферах (например, медицина).
📊 Влияние на метрики:
— Влияет на метрики через высвобожденное время СОТРУДНИКА: ↑продуктивности и, как следствие, возможно ↓операционных затрат или ↑эффективности операций.

«Место для творчества» → «Сделайте всё за меня»
❌ Сомнения:
— Иногда пользователи могут делать что-то ради удовольствия.
⚠️ Риски:
— «Готовое решение» может не учитывать уникальные нюансы и увеличить долю неквалифицированных пользователей.
📊 Влияние на метрики:
— Влияет на метрики через снижение порога входа: ↑CR в новых пользователей, ↓CAC и ↓Time to First Value и др.

Группа2️⃣: Неуниверсальный тренд — пробовать.
Эти ожидания заметны, но их влияние неоднозначно.

«Я настраиваю» → «Собрано специально для меня»
❌ Сомнения:
— В продуктах, где важна ширина и сложная специализация контента (образование), высокая степень конфиденциальности и контроль, это плохое решение.
⚠️ Риски:
— Информационные пузыри, зависимость, нестабильное качество выдачи.
— Этические вопросы.
📊 Влияние на метрики:
— ↑Retention и ↑Engagement.

«Я плачу за доступ» → «Я плачу за результат»
❌ Сомнения:
— Продукты для которых стабилен спрос и/или не всегда явный результат продолжат работать по подписке.
⚠️ Риски:
— Трудность определения и субъективность в оценке результата.
— ↓ Retention, AOV < ARPU, ↓ LTV при замене подписки.
📊 Влияние на метрики:
— ↑Retention, ↑ARPU, ↑LTV если это 2я монетизация (для отдельных фичей).

Группа 3️⃣: Возможно станет трендом — "держать руку на пульсе"
Эти изменения перспективны, но их массовое внедрение под вопросом.

«Я освою этот интерфейс» → «Интерфейс адаптируется под меня»
❌ Сомнения:
— Адаптивный UI контрпродуктивен для большинства b2b-продуктов, где критична стабильность и предсказуемость.
⚠️ Риски:
— Сложность разработки и тестирования адаптивных UI.
— Риск ошибок и ухудшения UX.
📊 Влияние на метрики:
— ↑Метрики онбординга, но ↑обращений в поддержку (DR).

«Инструмент не понимает контекст» → «Инструмент видит, что я делаю»
❌ Сомнения:
— AI пока плохо интерпретирует контекст.
⚠️ Риски:
— Проблемы с приватностью и безопасностью данных.
— Трудности анализа контекста в реальном времени.
📊 Влияние на метрики:
— ↑CRs, но ошибки и ↑обращений в поддержку (DR).

💡 Очевидно, что AI берёт на себя рутину, освобождая время для стратегии и творчества. Что остается нам? Видеть за технологиями людей: понимать что действительно хотят другие и что ценно, создавать смыслы, этично и эффективно управлять процессом.

Pro Product

#AI