Один лендинг, три аудитории — ноль конверсии
SaaS-компания запустила B2B-инструмент для автоматизации HR-процессов. Лендинг был идеальным: чёткий оффер, социальное доказательство, калькулятор ROI. Конверсия из трафика в trial — 0.4%. При среднем по индустрии 2.3% (Unbounce, 2023).
Проблема обнаружилась после аналитики источников трафика. Три основных канала приводили три принципиально разные аудитории:
- SEO-трафик по запросу «как автоматизировать HR» — Solution Aware. Знают, что решение существует, ищут конкретный инструмент.
- Подкаст-трафик — Problem Aware в лучшем случае. Услышали про «проблему ручного HR» и заинтересовались. Они ещё не ищут продукт.
- Реферальный трафик из отраслевого чата — Most Aware. Уже знают продукт, им нужен pricing и кейсы, а не «что такое HR-автоматизация».
Один лендинг не может одновременно обучать, убеждать и продавать. Это не вопрос копирайтинга — это вопрос структурной диагностики аудитории.
Две координаты: Awareness и Sophistication
Юджин Шварц в книге Breakthrough Advertising (1966) описал две независимые шкалы, которые определяют, какой контент работает для конкретной аудитории.
Awareness (осведомлённость) — это характеристика покупателя. Насколько он осознаёт свою проблему, существование решений и вашего продукта:
| Уровень | Описание | Пример |
|---|---|---|
| Unaware | Не осознаёт проблему | HR-директор, который считает ручные процессы нормой |
| Problem Aware | Осознаёт проблему, не знает решений | «У нас бардак в HR, но я не знаю, что с этим делать» |
| Solution Aware | Знает, что решения существуют | «Слышал, что есть HR-системы, но не выбирал» |
| Product Aware | Знает ваш продукт, но не купил | «Видел ваш сайт, но не уверен, что подходит» |
| Most Aware | Знает продукт и готов к покупке | «Хочу купить, покажите pricing» |
Sophistication (искушённость) — это характеристика рынка. Сколько конкурентов уже обращались к этой аудитории, и насколько «выжжены» стандартные маркетинговые приёмы:
| Стадия | Состояние рынка | Что работает |
|---|---|---|
| Stage 1 | Вы первые на рынке | Прямое утверждение: «Наш продукт делает X» |
| Stage 2 | Появились копии ваших утверждений | Увеличение масштаба: «Делаем X в 3 раза быстрее» |
| Stage 3 | Все утверждения исчерпаны | Уникальный механизм: «Наш AI-движок анализирует паттерны через...» |
| Stage 4 | Механизмы тоже клонированы | Идентичность + сообщество: «Для HR-лидеров, которые...» |
| Stage 5 | Рынок циничен ко всем обещаниям | Чистая репутация + отношения + peer stories |
Ключевой инсайт Шварца: эти шкалы независимы. Покупатель может быть Product Aware на рынке Stage 4 — он знает ваш продукт, но не верит маркетинговым обещаниям, потому что видел 50 аналогичных. Или Unaware на рынке Stage 1 — ещё не осознал проблему, но когда осознает, прямое утверждение сработает.
25-клеточная матрица: какой контент для какой комбинации
Перемножение 5 × 5 даёт 25 уникальных комбинаций. Каждая требует специфического типа контента. Вот полная матрица:
| Sophistication ↓ / Awareness → | Unaware | Problem Aware | Solution Aware | Product Aware | Most Aware |
|---|---|---|---|---|---|
| Stage 1 (первые на рынке) | История → прямое утверждение | Усиление боли → предъявление решения | Название продукта + прямое обещание | Оффер / скидка | Закрытие сделки |
| Stage 2 (копии утверждений) | История → более масштабное обещание | Усиление боли → бо́льшее обещание | Расширенное обещание | Feature comparison | Лучший оффер |
| Stage 3 (утверждения исчерпаны) | Идентичность → уникальный механизм | Проблема → раскрытие механизма | Обучение через механизм | Доказательство превосходства механизма | Trust-based close |
| Stage 4-5 (рынок циничен) | Чистая идентичность / развлечение | Сообщество + эмпатия | Social proof + peer stories | Customer-led narrative | Relationship-based |
Что значит «механизм» на Stage 3
Когда все конкуренты говорят «мы автоматизируем HR», а некоторые уже добавили «в 3 раза быстрее» (Stage 2), простые утверждения перестают работать. Аудитория становится иммунной к обещаниям, потому что слышала их десятки раз.
На Stage 3 работает раскрытие механизма — объяснение, почему ваш продукт доставляет результат. Не «мы быстрее», а «наш алгоритм [конкретное название] анализирует 47 метрик рабочего процесса и находит неэффективности за 12 минут, а не за 3 недели ручного аудита».
Примеры mechanism-based positioning:
- Basecamp: «Shape Up» — не «лучший PM-инструмент», а «методология 6-недельных циклов, которая убивает scope creep»
- Notion: «blocks» — не «better docs», а «атомарные блоки, которые комбинируются в любую структуру»
- Linear: «keyboard-first design» — не «faster Jira», а «каждое действие за 1 нажатие клавиши»
Канальная стратегия по уровню осведомлённости
Каждый уровень awareness требует не только своего контента, но и своего канала доставки. Вот формальная таблица из Product DNA GTM Intelligence (Section 5B.1):
| Уровень осведомлённости | Типы контента | Основные каналы | Core-метрика |
|---|---|---|---|
| Unaware | Истории, провокационные идеи, развлекательный контент | Соцсети, подкасты, PR, инфлюенсеры | Reach, brand recall |
| Problem Aware | «Почему X происходит?», отраслевые отчёты, исследования | SEO (информационные запросы), комьюнити, подкасты | Трафик, email-подписки |
| Solution Aware | How-to, «лучшие инструменты для X», buyer guides | SEO (solution-запросы), paid search, YouTube | MQL, скачивания контента |
| Product Aware | Кейсы, демо, сравнения, калькулятор ROI | Прямой трафик, ретаргетинг, email nurture | SQL, trial signups |
| Most Aware | Pricing, офферы, онбординг-контент | Email, in-app, прямые продажи | Conversion rate, ACV |
Частая ошибка: компании инвестируют 80% бюджета в контент для Solution Aware и Product Aware (нижняя часть воронки), игнорируя Unaware и Problem Aware. Это создаёт «потолок роста» — pool людей, которые уже ищут решение, конечен. Настоящий рост начинается с расширения awareness.
Dark funnel: 60-80% пути покупателя невидимы
Исследования Dreamdata (2022-2023) показали, что 60-80% формирования consideration set происходит в зонах, невидимых для аналитики:
- Разговоры в Slack-каналах и Telegram-чатах
- Подкасты, прослушанные на прогулке
- Рекомендации коллег за обедом
- Посты в закрытых LinkedIn-группах
- Dark social — ссылки, отправленные через мессенджеры (UTM-метки обрезаются)
Google Analytics покажет «direct traffic» или «organic» — но реальная причина визита была рекомендация в чате, который вы не отслеживаете. Это и есть dark funnel.
Решение: self-reported attribution
Добавьте на формы регистрации и оплаты один freeform-вопрос: «Как вы о нас узнали?» (текстовое поле, не dropdown). Это даёт качественно иные данные:
| Google Analytics говорит | Self-reported attribution говорит | Реальный инсайт |
|---|---|---|
| Direct — 40% | «Коллега порекомендовал» — 35% | Word-of-mouth = основной канал. Инвестируйте в referral-программу |
| Organic — 25% | «Прочитал пост на vc.ru» — 15% | Контент-маркетинг работает, но через другие каналы |
| Social — 5% | «Подкаст [название]» — 20% | Подкасты = невидимый, но мощный канал |
Walker (2021) и Dreamdata (2023) показали, что self-reported attribution коррелирует с pipeline quality на 0.72 — значительно лучше, чем last-click attribution (0.31).
Пример: SaaS в Stage 3 sophisticated market
Рассмотрим конкретный кейс. Вы запускаете инструмент для управления проектами — рынок в Stage 3 sophistication. Jira, Asana, Monday, Linear, ClickUp, Notion — все сказали «мы лучший PM-инструмент» (Stage 1), все сказали «мы на 50% быстрее» (Stage 2). Утверждения исчерпаны.
Почему feature claims проваливаются на Stage 3
Вы пишете на лендинге: «Управление проектами с AI-ассистентом». Что видит Product Aware пользователь? «Ещё один PM-инструмент с AI» — потому что это уже написали 15 конкурентов. Утверждение не дифференцирует. Оно ставит вас в ряд с остальными, вместо того чтобы выделить.
На Stage 3 единственный работающий подход — mechanism-based positioning:
- Назовите механизм: не «AI-ассистент», а «Predictive Sprint Engine» (вымышленный пример)
- Объясните, как он работает: «Анализирует 12 месяцев истории задач, прогнозирует blockers за 3 дня до появления, автоматически перераспределяет нагрузку»
- Покажите результат через механизм: «Команды с Predictive Sprint Engine завершают 94% задач в срок (vs 67% средний по индустрии — PMI Pulse 2023)»
Контент-план по матрице для Stage 3 рынка
| Awareness | Тип контента | Пример | Канал |
|---|---|---|---|
| Unaware | Идентичность → механизм | «Почему 83% спринтов срываются: нейронаука принятия решений в командах» | Подкасты, конференции |
| Problem Aware | Проблема → раскрытие механизма | «Три невидимые причины задержек проектов и как Predictive Sprint Engine их обнаруживает» | SEO, отраслевые блоги |
| Solution Aware | Обучение через механизм | «Как работает предиктивный анализ спринтов: технический deep dive» | YouTube, вебинары |
| Product Aware | Доказательство превосходства механизма | Кейс: «Как команда из 40 человек сократила overdue tasks на 61% за 3 месяца» | Ретаргетинг, email |
| Most Aware | Trust-based close | Live demo + pilot-программа с гарантией результата | Sales call, in-app |
Consideration Set: 3-7 альтернатив, а не весь рынок
Howard и Sheth (1969) формализовали то, что интуитивно понятно: покупатель не сравнивает все решения на рынке. Он работает с узким набором — Consideration Set (Evoked Set) — обычно 3-7 альтернатив:
| Набор | Определение | Ваша задача |
|---|---|---|
| Total Set | Все решения, которые существуют | — |
| Awareness Set | Решения, о которых покупатель знает | Попасть сюда (brand awareness) |
| Evoked Set | 3-7 решений, которые активно рассматриваются | Попасть сюда ДО Catalyst Event |
| Inert Set | Знает, но нет мнения | Опасная зона: один толчок — и вы в Inept |
| Inept Set | Знает и отверг | Game over без полного репозиционирования |
Исследование Hauser и Wernerfelt (1990) показало: размер consideration set не растёт пропорционально количеству доступных альтернатив. Даже с интернетом, люди рассматривают 2-8 брендов (в B2B — 2-5 вендоров), потому что когнитивные издержки оценки остаются высокими.
Критический тайминг: в Product DNA Strand 2 (Transition Dynamics) описан трёхфазный процесс перехода. В Phase 1 (Accumulation) покупатель формирует consideration set пассивно — через контент, рекомендации, brand recall. Если вашего продукта нет в evoked set к моменту Catalyst Event (Phase 2), вероятность попадания в shortlist падает на 70-80% (Google, 2020).
Google «Messy Middle»: между воронкой и реальностью
Исследование Google (2020) показало, что реальный путь покупателя — это не линейная воронка «awareness → consideration → decision». Покупатели бесконечно циклируют между двумя режимами:
- Exploration (расширение) — добавляют альтернативы в consideration set
- Evaluation (сужение) — исключают альтернативы по критериям
Циклы непредсказуемы: человек может провести 3 цикла за день, а потом молчать 2 месяца. Затем — ещё один цикл после разговора с коллегой.
Это подтверждает данные Gartner (2019): в B2B только 17% времени покупки тратится на встречи с поставщиками. Остальные 83% — самостоятельное исследование, разговоры с коллегами, внутренние обсуждения. Контент и продуктовый опыт делают основную работу.
Диагностика: где находится ваш рынок и ваш покупатель
Прежде чем строить контент-стратегию, ответьте на два вопроса:
1. Определите стадию искушённости рынка
- Откройте лендинги 10 конкурентов
- Выпишите их основные утверждения (headlines, subheadlines)
- Оцените: утверждения уникальны (Stage 1), масштабированы (Stage 2), говорят о механизмах (Stage 3), строят идентичность (Stage 4-5)?
2. Определите распределение осведомлённости вашей аудитории
- Проанализируйте трафик: откуда приходят люди? SEO-запросы = Problem/Solution Aware. Прямой = Product/Most Aware. Соцсети = Unaware/Problem Aware.
- Добавьте self-reported attribution на формы
- Проведите 5 интервью с недавними клиентами: «Как вы впервые узнали о проблеме? Как нашли решение? Как узнали о нас?»
В Product DNA Evidence Engine эти данные формализованы как Evidence Points: EP01 (Awareness Trigger), EP04 (Passive Scanning), EP05 (Active Evaluation), EP14 (Consideration Set). Собрав эти 4 EP для 5+ клиентов, вы получаете карту awareness-распределения вашей аудитории.
B2B-специфика: 6 buying jobs и consensus creation
В B2B-продажах матрица Шварца усложняется: покупает не один человек, а группа из 6-10 стейкхолдеров (Gartner, 2019), каждый из которых находится на своём уровне awareness.
Gartner выделяет 6 buying jobs (выполняются параллельно, не последовательно):
- Problem identification
- Solution exploration
- Requirements building
- Supplier selection
- Validation
- Consensus creation — самый сложный: объединить 6-10 людей с разными приоритетами
Это означает, что ваш контент должен работать для нескольких ролей одновременно: CTO (Solution Aware, интересуют технические детали), CFO (Product Aware, нужен ROI), End User (Problem Aware, нужны use cases). Один лендинг для всех трёх — провал. Нужны персонализированные пути.
Revenue motion по ACV: от self-serve до enterprise
Стратегия продвижения по матрице awareness × sophistication напрямую зависит от среднего чека:
| ACV | Revenue motion | Цикл продажи | Фокус контент-матрицы |
|---|---|---|---|
| <$5K/год | Pure self-serve PLG | Минуты — дни | Unaware + Problem Aware (массовый контент) |
| $5-25K/год | PLG + sales assist | 1-4 недели | Solution Aware + Product Aware (buyer guides) |
| $25-100K/год | Sales-led + product trial | 1-3 месяца | Product Aware + Most Aware (demos, pilots) |
| $100-500K/год | Enterprise (AE + SE) | 3-6 месяцев | Consensus creation (multi-stakeholder content) |
| >$500K/год | Strategic / named accounts | 6-18 месяцев | Relationship-based (events, advisory boards) |
Ошибка #1: SaaS с ACV $3K/год инвестирует в enterprise sales team. Ошибка #2: продукт с ACV $200K/год полагается только на self-serve PLG. Revenue motion должен соответствовать ACV.
Activation Model: от awareness к первой ценности
Даже идеально таргетированный контент бесполезен, если Time-to-Value (TTV) слишком высок. Данные UserPilot (2023): TTV менее 5 минут даёт 3× более высокую активацию, чем TTV более 30 минут.
Процесс идентификации Aha Moment:
- Определите «retained user» (активен на Day 30)
- Перечислите все действия в первой сессии/неделе
- Корреляционный анализ: какое действие максимально повышает retention?
- Threshold-анализ: сколько раз и как быстро?
- Каузальная валидация: эксперимент, подталкивающий пользователей к действию
Примеры Aha Moments: Slack — 2000 отправленных сообщений команды. Dropbox — сохранение первого файла в shared folder. HubSpot — первый отчёт по pipeline.
Практический чеклист: как применить матрицу
- Диагностика рынка: определите стадию sophistication (проанализируйте 10 лендингов конкурентов)
- Сегментация аудитории: разбейте базу по 5 уровням awareness (используйте данные источников трафика + self-reported attribution)
- Контент-маппинг: для каждой клетки матрицы (ваша стадия sophistication × каждый уровень awareness) определите тип контента
- Канальная стратегия: выберите каналы по таблице awareness × channels
- Measurement: установите core-метрику для каждого уровня (Reach → Traffic → MQL → SQL → Conversion)
- Dark funnel: добавьте self-reported attribution на все формы
- Consideration Set: убедитесь, что ваш контент работает на Phase 1 (до Catalyst Event), а не только на Phase 2
Связанные материалы: 7 слоёв Product DNA · Landing Page из Product DNA · Конкурентный анализ: 5 колец · 5 типов growth loops
AI CPO автоматически определяет уровень awareness вашей аудитории и генерирует контент-стратегию по матрице → aicpo.ru