Что такое AARRR и зачем это знать, даже если ты не аналитик👻

Один из самых простых и рабочих фреймворков в продуктовой аналитике — это AARRR. Да-да, тот самый «пиратский» фреймворк.
Расшифровывается просто:
Acquisition → Activation → Retention → Referral → Revenue

Он помогает структурно смотреть на воронку продукта: от того, как ты привлёк пользователя, до того, как ты на нём зарабатываешь.😊
Казалось бы — базовая штука. Но если ты серьёзно работаешь с продуктом или бизнесом, то быстро понимаешь:
проблемы с Retention нельзя лечить рекламой,
Referral не работает без Retention,
а Revenue вообще ничего не значит, если Activation — дно.🧐

И вот тут всплывает важный момент:
🟡AARRR — это лишь один из инструментов. Есть и другие: RARRA, HEART, Hook Model, продуктовые метрики, когортный анализ, юнит-экономика и куча других подходов.

Все они помогают отвечать на главный вопрос:
Где мы теряем деньги и пользователей — и что с этим можно сделать?

▶️И вот тут тебе либо нужен аналитик, который умеет всё это руками, либо самому прокачивать насмотренность.
▶️Если второе — есть свежий, толковый канал от коллеги, с которым мы пересекались в ряде проектов. Без инфобиза, без воды, только по делу.

Влад 5+ лет в аналитике, сейчас работает ведущим продуктовым аналитиком в Wildberries. До этого — банки, фуд, еком.
Делится тем, как через данные реально влияет на бизнес: от стартапов до корпораций. Канал только начал развиваться, но уже даёт пищу для ума.🔥

Если хочешь разбираться в данных не по верхам, а как это работает в живом бизнесе — рекомендую Data & Growth.
Пока он только для своих — и в этом кайф⚡

Ребята, если есть желающие, присоединяйтесь ⚡️

Я обещаю, что буду оценивать объективно, все вопросы на телефон 🙃

🤪 Ладно, шутки шутками, а проект интересный. Можно показать свои сильные скиллы и заявить о себе🔥

✏️AI и юристы: враги или напарники?

AI сейчас лезет во все сферы — быстро, агрессивно, в некоторых местах топорно, но уже без шансов откатиться назад. LegalTech — не исключение.
И вот тут пропиарю нашу компанию ПравоТех — мы как раз на стыке юриспруденции и технологий.

В процессе CustDev слышим одну и ту же боль:
✖️ “AI заменит юристов”
✖️ “AI работает плохо, только мешает”

Скажу прямо: AI — это не замена. Это помощник.
✔️Да, юристу он не конкуренция (пока), но вот черновик документа на 80% выдать за минуту, а не за 3 дня — легко.
✔️Да, всё надо перепроверять — именно поэтому мы делаем свою модель, без галлюцинаций и на актуальных данных.

Про качество? Ну а что, у всех идеальные релизы?😆 Технологии растут через итерации. AI — не магия, а инструмент. Как ты его используешь — так он и работает.

Кстати, суды тоже не остались в стороне.
В Госдуму планируют внести законопроект об использовании ИИ в судопроизводстве.
И меня пригласили коротко прокомментировать для Pravo.ru — что это значит, куда катимся и почему это нормально.
🆕 Вот интервью: читать на pravo.ru

✔️Discovery больше не 3 месяца. Discovery — это 3 часа.

Ещё пару лет назад, если ты говорил «мы в фазе Discovery», это почти автоматически значило:
🟡 2-3 месяца ресёрча,
🟡 много звонков,
🟡 конкурентка,
🟡 гипотезы,
🟡 кастдевы,
🟡 Создание roadmap & CJM,
– и ещё что-нибудь для инвестора на десерт🙂

Плюс — не забываем роли.
Раньше под это нужен был аналитик рынка, аналитик конкурентов, финансист. В стартапах, конечно, всё это в одном фаундере или продукте. Но выгорал он тоже за троих☹️

Сейчас закрываю Discovery за 2–3 часа.
Ну ладно — всё кроме CustDev. Это пока что вне зоны автоматизации. Хотя и здесь AI уже дышит в затылок.
Всё потому, что AI — это не просто «инструмент». Это новая инфраструктура для продукта.
Теперь у тебя под рукой:
✔️ AI-аналитик рынка,
✔️ AI-конкурентный ресёрчер,
✔️ AI-финансовый помощник,
✔️ AI-дизайнер,
✔️ AI-прототипировщик.

Всё это — твои ассистенты, которых не надо нанимать, онбордить, координировать.
✏️Ты ставишь задачу — и получаешь результат, который раньше собирал неделями.

Discovery стал не этапом, а режимом работы.
〰️Ты можешь проверять гипотезы каждый день.
〰️Ты можешь собирать CGM, придумывать решения, валидировать рынок и даже запускать продукты без разработчика на стадии MMP. MVP — тоже, если это не финтех или ракета в космос.

Это не просто экономия времени.
👆Это новая скорость.
👆Это новый темп рынка.

AI меняет не профессии — он меняет доступ к действию.
Кто умеет этим пользоваться — будет быстрее, гибче и сильнее, а за рекомендациями в личку👤

👆Окей, Discovery теперь 3 часа вместо 3 месяцев.
А как реально это делать шаг за шагом через AI?
Продолжим предыдущий пост✔️

Давайте соберу рабочую схему на практике — с примерами промптов и инструментов.

Сразу скажу: промпт — это только старт. Первый ответ от AI — это черновик.
Дальше надо уточнять: «Разбей сегменты», «Приведи примеры», «Дай цифры».
Хотите реальный уровень? Подгружайте в GPT статьи, отчёты, кейсы и прям ставьте акцент: «работай на основе этих данных».
Discovery через AI — это итерация. Чем точнее вопросы — тем сильнее результат.

Шаг 1. Понимаем рынок
Что узнать: объем рынка, тренды, боли клиентов.
🟡Промпт:
"Ты бизнес-аналитик в [индустрия]. Дай TAM/SAM/SOM, топ-5 болей клиентов, тренды 2024, список конкурентов. Ответ — структурированно."
🔘Где проверять:
GPT-4 / Claude 3 / Perplexity AI (особенно хорош для свежих источников).

Шаг 2. Анализируем конкурентов
Что нужно: кто на рынке, чем хороши/плохи, где слабые места.
🟡Промпт:
"Сравни 5 конкурентов в [ниша]: плюсы, минусы, УТП, каналы привлечения."
🔘Где делать:
GPT-4 + поисковики через Perplexity или даже через Bing AI (ищет в реальном времени).

Шаг 3. Строим Customer Journey Map (CGM)
Что делаем: путь клиента от боли к решению.
🟡Промпт:
"Построй CGM для клиента, который решает проблему [описать проблему]: шаги, задачи, барьеры, эмоции."
🔘Где делать:
GPT-4 для текста + FigJam или Miro для визуализации карты.

Шаг 4. Формируем гипотезы
Что нужно: реальные проблемные гипотезы + гипотезы решений.
🟡Промпт:
"Сгенерируй 5 гипотез проблем + 5 решений для боли [описание], оцени эффекты и риски."
🔘Где оформлять:
GPT-4 → сразу в Notion / Coda — удобно структурировать в бэклог.

Шаг 5. Подготовка к CustDev
Что нужно: не навести клиента на ответ, а раскопать реальные боли.
🟡Промпт:
"Напиши 10 открытых вопросов для глубинного интервью по теме [описание проблемы], плюс 3 для проверки решений."
🔘Где проводить:
Google Meet + записи в Fireflies AI для автоматической расшифровки и тегирования болей.

Шаг 6. Прототипирование продукта
Что делаем: простую версию сайта, приложения или решения.
🟡Промпт:
"Сгенерируй структуру лендинга для решения проблемы [описание боли], с акцентом на ценностное предложение и CTA."
🔘Где собирать:
Для сайтов — v0.dev
(через прямую генерацию кода из GPT, минимальная доработка руками)
Для приложений — через генерацию скелета React/Next.js в GPT-4 Turbo, потом допилить в любом low-code или прямо на v0.dev.

Шаг 7. Кодинг на старте
Что можно: собрать базовый прототип руками AI.
🟡Промпт для GPT:
"Сгенерируй код страницы на Next.js (или React) для лендинга продукта по теме [описание продукта], с базовым UI."
🔘Как использовать:
Полученный код кидаешь в [v0.dev] — дорабатываешь без необходимости быть full-stack разработчиком.
Или сразу через Replit / Vercel для быстрой публикации.

🌟 Итог:
Discovery теперь — это не сложный забег на полгода.
Это чёткий маршрут, который ты можешь пройти за день-два с правильным AI-набором.

Что такое Outcome-Driven Roadmap?🗺

В классическом roadmap фокус на фичах: "что сделаем в этом квартале".
В outcome-driven подходе — на цели: "что хотим изменить и зачем".
Классика — это список задач, оторванных от результата.
Outcome-roadmap — это инструмент, чтобы команда работала на конкретный сдвиг метрик и поведения пользователей.

Выходит логика работы следующая:
Сначала:
1️⃣какая цель
2️⃣какую метрику хотим сдвинуть
3️⃣какую проблему у клиента решаем
4️⃣какие есть гипотезы
5️⃣и только потом — какие фичи могут это закрыть

🔜Вот пример.
Не “сделаем пуши”, а:

У нас просадка retention — пользователи не возвращаются.
Возможно, они не понимают выгоду. Пробуем напомнить через push и блок ‘что вы сэкономили.

Вот это работает. И с командой, и с инвесторами, и с пользователем в итоге.

Outcome-подход:
🟢помогает приоритизировать
🟢даёт команде фокус
🟢показывает, какие фичи реально что-то меняют (а какие — просто шум)

👇Почему системное тестирование гипотез — ключ к успеху

«Без экспериментов вы просто угадываете, что нужно вашим клиентам»

🧐 Проблема «угадать или провалиться»

Многие команды запускают продукт на основе «интуиции» и страдают от низкой конверсии и долгих сроков разработки.

😕По статистике 70 % стартапов не находят product–market fit из-за несистемного подхода к проверке идей.

Научный подход в бизнесе

🟡Гипотеза — чёткое утверждение «Если мы предложим X, то пользователи сделают Y».
🟡Эксперимент — быстрый и дешёвый MVP: лендинг, анкета, даже роль «волшебника за кулисами».
🟡Анализ — собрали данные (конверсия, лиды, qualitative feedback).
🟡Решение — GO / REFRAME / KILL.

🔜 Кейс-пример
Компания запускает сервис заказа готовой еды. Вместо разработки приложения сделали лендинг с описанием и кнопкой «Зарегистрироваться». За неделю получили 500 кликов и 50 предварительных заявок на платную подписку — сигнал «Desirability» подтверждён, можно двигаться дальше.

📌Глубокий разбор Experiment Card

«Документируй всё, чтобы учиться и масштабировать»

Что такое Experiment Card?
Это чёткая «карточка» эксперимента с пятью полями:

1⃣Гипотеза — «Мы верим, что…»
2⃣Метрика успеха — конкретная цифра (например, ≥10 % конверсия).
3⃣Метод — описание эксперимента (лендинг, интервью, прототип).
4⃣Срок — когда завершить (обычно 1–2 недели).
5⃣Решение — критерии GO/REFRAME/KILL.

📎Зачем это нужно?

🟡Однозначность: все участники знают, что тестируется и как оценивать.
🟡История: документ — база знаний для будущих команд и инвесторов.
🟡Скорость: чёткие рамки экономят время и бюджет.

✏Пример заполнения

Гипотеза: «Если мы предложим персональные планы питания, ≥15 % пользователей оформят подписку».

🔘Метрика: конверсия лендинга ≥15 %.
🔘Метод: A/B-тест двух вариантов описания плана.
🔘Срок: 10 дней.

Решение:

🟡GO: ≥15 %
🟡REFRAME: 8–15 % (изменить описание)
🟡KILL: <8 %

▶Совет: храняте карточки в общем канбане — легко отслеживать прогресс и «зависшие» эксперименты.

📎Можно часами читать статьи и смотреть вебинары, но настоящего прорыва добиваются те, кто обменивается опытом вживую и разбирает реальные кейсы. Практика и живой нетворкинг — вот что действительно прокачивает навыки продукт-менеджера!

⚡️Поэтому приглашаю вас на «Управление продуктом 2025 — Всероссийский форум профессионалов product management’а», где я сам буду на всех треках и буду рад познакомиться и обсудить с вами самые горячие темы отрасли:

🔥 В программе форума:

🟢Как определить правильные цели и выбрать метрики для оценки эффективности продукта?
🟢Как адаптировать стратегии продвижения под постоянно меняющиеся тренды?
🟢Какие риски и ограничения стоит учитывать при выходе на международный рынок?
🟢Как найти подходящую модель монетизации для вашего продукта?
🟢Как внедрение ИИ трансформирует процессы и какие риски стоит учитывать?
🟢Как защитить данные и контролировать использование ИИ в управлении продуктом?
🟢Как измерять успех продукта в разных отраслях?
🟢Как находить ресурсы и инструменты для проверки идей без дополнительного финансирования?
🟢Как привлечь, нанять и удержать лучших продакт-менеджеров?

🙂 Фишки мероприятия:
🟡30 практических кейсов и 30+ выступлений от экспертов Яндекса, Ozon, Ростеха, Газпром-Медиа и других
🟡Разбор метрик, монетизации, масштабирования и внедрения ИИ
🟡Живые дискуссии, сессии вопросов и ответов, нетворкинг с коллегами со всей России
🟡Видеозапись всех выступлений в подарок каждому участнику

Жду встречи😊
📅 28–30 мая 2025
📍 Москва, Suschevsky by Safmar
✏️ Регистрация и программа

👌Тестируем желательность (Desirability)

«Нужен ли рынку ваш продукт?»

✔️ Цель: понять, действительно ли клиенты готовы пользоваться и, главное, платить за решение.

Методы проверки:

1️⃣Problem Interviews

🟡Глубинные интервью по 30–60 минут.
🟡Вопросы о болях, опыте, бюджете и текущих решениях.

2️⃣Smoke Test (Pre-sell)

🟣Лендинг + таргетированная реклама
🟣Анализ CTR, CPL и предварительных заявок.

3️⃣Wizard of Oz

🔵«Ручная» симуляция автоматического сервиса.
🔵Сбор обратной связи до разработки продукта.

*️⃣ Метрики:

🟡CTR лендинга (>5 % для платного канала).
🟡CPL (cost per lead) меньше чем ожидаемый LTV/CAC.
🟡Доля позитивных интервью (>70 % готовы платить).

✏️ Реальный кейс: стартап по подбору памятников на кладбище сначала провёл Wizard of Oz: вручную искали и доставляли каталоги. Получили 20 заявок за неделю и убедились, что спрос есть — перешли к технологическому решению.

🔖Тестируем экономическую устойчивость (Viability)

«Будет ли ваш бизнес прибыльным?»

🖼 Задача: оценить финансовую модель до вклада больших ресурсов.

Инструменты:

1️⃣Price Sensitivity Meter (Van Westendorp)
🟡Опрос клиентов о «слишком дешево», «оптимальная цена», «слишком дорого».

2️⃣Pre-orders & Deposits
🟣Сбор реальных предзаказов или символического депозита.

3️⃣Subscription A/B-testing
🔵Разные тарифы, разные фишки: смотрим, что лучше конвертируется.

⚡️ Ключевые метрики:

🔘ARPU (Average Revenue Per User)
🔘LTV/CAC — желательно >3
🔘Payback Period — ≤6 месяцев

✏️Пример: SaaS-сервис предложил два тарифа: 30 € и 50 € в месяц. Через лендинг и оплату тестовых периодов узнали, что тариф 50 € конвертируется на 30 % хуже, но приносит в 1,7× больше выручки. Решили сосредоточиться на 30 € уроках с дополнительными апселлами.

👋 Искусственный интеллект vs все профессии

Недавний материал Ed Newton-Rex в The Guardian рассказывает, что в Силиконовой долине всё чаще говорят не просто об автоматизации части работы, а о «полной автоматизации экономики» – замене всех зарплат на «доходы от ИИ»

🫡 Механизмы уже в деле: от падения спроса на фриланс-копирайтеров после появления ChatGPT до тестирования роботов-сборщиков в BMW и попыток запускать «домашних помощников» на базе гуманоидных роботов

1️⃣ Вопрос первый: реально ли ИИ захватит всё?
Сторонники идеи (Musk, Gates, Hinton, Khosla) убеждены, что совсем скоро «работы не останется» – AGI на горизонте в 5–10 лет
🟡Но реальность может быть сложнее: даже если ИИ и роботы научатся почти всему, останутся сферы, где живой человек важнее – творчество, глубокие личные отношения, спонтанность.

2️⃣ Вопрос второй: появятся ли новые профессии?
История не раз показывала, что технологии убивают одни профессии и рождают другие. 🟣Вместо гонщиков-таксистов могут прийти специалисты по обучению и присмотру за роботами-дронами, а вместо дизайнеров-иллюстраторов – «провокаторы идей» и кураторы AI-генерированного контента.

🙏 Демократизация и равенство
ИИ может дать каждому доступ к услугам, которые раньше стоили баснословных денег: адвокатские шаблоны, дизайн, архитектурные эскизы, персональное обучение – всё это станет массовым и дешёвым. Может, тогда мы начнём создавать и потреблять свои продукты сами, без посредников?

🤨 Подумайте: не только ли «все работы» уйдут, но и не даст ли это шанс каждому стать своим собственным предпринимателем и потребителем?

🔥GitHub Copilot: знакомьтесь с новым Coding Agent

GitHub представил нового Coding Agent — интеллектуального “напарника”, который автоматически выполняет задачи по вашему проекту прямо в GitHub Actions. Просто назначьте issue или задачу на Copilot, и агент создаст безопасную среду, подготовит кодовую базу и запустит работу в фоновом режиме, оформляя результат в виде чернового pull-request’а

▶️GitHub Copilot Coding Agent помогает продактам, предпринимателям и стартапам

Внедрение Coding Agent в рабочие процессы бизнеса позволяет фокусироваться на стратегии и росте, а не на рутине разработки. Ниже — основные преимущества и кейсы использования для продуктовых менеджеров, основателей и стартап-команд.

1️⃣ Быстрая проверка гипотез и прототипирование
🟡Минимум усилий на PoC: назначьте Copilot агенту задачу «Сгенерируй прототип API-эндпоинта для проверки интеграции с платежным шлюзом», и через пару часов получите готовый черновой PR с базовой реализацией.
🟡Итерации «на лету»: изменили требования — просто обновите issue, агент автоматически внесёт поправки и обновит ветку.

2️⃣ Автоматизация рутинных задач
🟣Фиксы багов без задержек: настроив мониторинг ошибок и автоматические issues в GitHub, агент сам справится с типовыми правками (лицензии, форматирование, тесты), экономя часы ручной работы.
🟣Генерация тестов и документации: попросите Coding Agent «Добавь unit-тесты для нового сервиса» или «Сформируй документацию по API», и получите готовые файлы в виде PR.

3️⃣ Ускоренный выход на рынок
🔵Параллельная работа: пока агент занимается рутинным кодом, команда может сосредоточиться на ключевых фичах, UX-исследованиях и маркетинге.
🔵Стабильное качество: встроенные проверки, веточные политики и обязательный код-ревью гарантируют, что за автоматизацией не скрываются риски.

4️⃣ Поддержка небольших команд
🔵Онбординг новых разработчиков: агент может подготовить для новичка окружение, сагрегировать списки задач и даже подсказать стилистические правила проекта.
🔵Снижение «ключевого человека»: автоматизация типовых изменений делает процесс менее зависимым от одного эксперта, что важно для стартапов с ограниченным ресурсом.

5️⃣ Интеграции и расширения
🟣Внешние данные и сервисы: через Model Context Protocol Coding Agent может подгружать метрики из вашей системы аналитики, данные CRM или скриншоты макетов — и работать с ними напрямую.
🟣Vision-возможности: скриншот интерфейса из Figma или баг-репорт мгновенно анализируется агентом для составления предложений по правкам.

📎Совет: используйте Coding Agent на этапах планирования — заранее готовьте issue-шаблоны с подробным описанием, чтобы агент «знал», как действовать.

Почему ваш идеальный продукт никому не нужен😕

Для меня такого рода материалы, как ущипнуть себя, чтобы понять спишь или нет. Каждый раз когда я придумываю казалось бы гениальный продукт, то вспоминаю такие посты😊

Большинство стартапов уверены: «Сейчас запустим продукт, все побегут покупать!» Вы полгода пилили идеальный интерфейс, крутые фичи, отлаживали всё до мелочей, а после запуска... тишина.

▶️И вроде сделали всё правильно: UX, маркетинг, красивый лендинг. Но упустили главное — а нужно ли это вообще вашим клиентам?

5 причин, почему ваш продукт не взлетел:

1️⃣ Вы решили проблему, которой нет. Клиент не страдал, не мучился, не просил спасения.

2️⃣ Вы думали, что вы и ваши клиенты — одно и то же. Спойлер: скорее всего, нет.

3️⃣ Вместо исследования аудитории — вера в собственную гениальность команды.

4️⃣ Идея хорошая, но клиенты не готовы платить.

5️⃣ Создавали продукт, а не решали проблему.

Как избежать?

🟡Не думайте, а проверьте.
🟡Используйте Lean Customer Development.
🟡Сначала подтвердите проблему, затем создайте продукт.

✔️Именно это экономит сотни тысяч рублей и нервы всей команде. И конечно всегда имейте представление о той отрасли куда хотите выйти - я для этого иногда поглядываю в различные папки про бизнес и ловлю поток информации. Одна из таких папок с разными направлениями - https://t.me/addlist/O3RSIhZmM7E4YzJi