Почему продуктовые фреймворки не работают по отдельности
У продуктовой команды среднего SaaS в арсенале 4-7 фреймворков: JTBD, Lean Canvas, Value Proposition Canvas, RICE, North Star Metric, Blue Ocean, Hook Model. Каждый решает свою задачу. Ни один не показывает полную картину.
Это как собирать анамнез пациента по одному органу: кардиолог скажет «сердце в порядке», невролог — «нервная система в норме», а пациент продолжает жаловаться на усталость, потому что проблема — в щитовидной железе, которую никто не проверял.
Product DNA v2 — это не ещё один фреймворк в коллекцию. Это мета-фреймворк — интеграционный слой, который объединяет 30+ академических и практических источников в единую 7-strand архитектуру с вычислительными моделями, формальными порогами и межслойными связями.
Архитектура: 7 слоёв и их связи
Каждый слой отвечает на один фундаментальный вопрос. Вместе они покрывают весь жизненный цикл продукта — от «почему клиент вообще действует» до «что строить первым».
graph TD S1["Strand 1: Motivation Genome
ПОЧЕМУ действует"] --> S2["Strand 2: Transition Dynamics
КАК переключается"] S1 --> S3["Strand 3: Demand Architecture
ЧТО хочет сделать"] S2 --> S4["Strand 4: Market Topology
ГДЕ конкурировать"] S2 --> S6["Strand 6: Growth Mechanics
КАК расти"] S3 --> S4 S3 --> S5["Strand 5: Evidence Engine
НАСКОЛЬКО уверены"] S3 --> S7["Strand 7: Execution Protocol
ЧТО строить"] S4 --> S7 S5 --> S1 S5 --> S2 S5 --> S3 S5 --> S4 S5 --> S6 S5 --> S7 S6 --> S2 S7 --> S5
Обратите внимание: Strand 5 (Evidence Engine) связан со всеми остальными слоями. Это не случайность — уверенность в данных определяет, можно ли принимать решения на каждом уровне. Без Evidence Engine все остальные слои — гипотезы.
Strand 1: Motivation Genome — почему люди действуют
Теоретический фундамент: Self-Determination Theory (Деси и Райан, 1985), Prospect Theory (Канеман и Тверски, 1979), Constructed Emotion (Баррет, 2017).
Большинство продуктовых команд начинают с «какую проблему решаем». Product DNA начинает глубже: какая мотивация стоит за действием. Потому что два человека с одинаковой «проблемой» покупают по совершенно разным причинам.
6 Core Drives — неприводимые мотивационные примитивы
| # | Core Drive | Определение | Фразы-детекторы в интервью | Основание |
|---|---|---|---|---|
| CD1 | Mastery | Стать лучше в том, что важно | «Хочу разобраться», «стать профессионалом» | SDT: competence |
| CD2 | Autonomy | Контролировать процесс и решения | «Не зависеть от...», «сам решаю» | SDT: autonomy |
| CD3 | Security | Защитить то, что имеешь | «Не потерять...», «стабильность» | Prospect Theory: loss aversion |
| CD4 | Status | Быть признанным, уважаемым | «Чтобы считали экспертом», «репутация» | Reiss (2000): Status, Power |
| CD5 | Connection | Принадлежать, быть частью | «Команда», «вместе», «не одному» | SDT: relatedness |
| CD6 | Efficiency | Тратить меньше ресурсов на рутину | «Быстрее», «автоматизировать» | Bounded Rationality (Simon, 1955) |
Правило для B2B: решения в B2B почти всегда включают CD3 (Security) + CD4 (Status) для ЛПР лично — даже когда заявленная причина CD6 (Efficiency). CTO говорит «нам нужна автоматизация тестов», а на самом деле боится, что его уволят после следующего инцидента в продакшне.
Emotional Destination Model
Баррет (2017) показала, что эмоции — не реакции, а предсказания мозга. Product DNA формализует эмоциональный переход: Point A (current_state: frustrated, intensity 7) → Point B (desired_state: confident, intensity 8). Gap Score = 15 — сильная мотивация.
Практика: edtech-платформа обнаружила, что преподаватели хотят не «удобный конструктор курсов» (функциональное), а «чувствовать себя профессиональным преподавателем, а не технарём» (эмоциональное). Это изменило весь UX: вместо технических настроек — визуальный конструктор с шаблонами «как у лучших университетов».
Decision Architecture
Канеман (1979) выделил System 1 (быстрое) и System 2 (медленное) мышление. Product DNA расширяет до 4 режимов принятия решений: Reflexive, Deliberative, Delegated, Impulsive. Каждый режим определяет, какая сила перехода (Strand 2) имеет наибольший рычаг:
- Reflexive (привычное) → фокус на Push, потому что нужно сломать автопилот
- Deliberative (обдуманное) → снижать Cognitive Load, потому что клиент тонет в сравнениях
- Delegated (через авторитет) → Social Validation критична
- Impulsive (эмоциональный пик) → тайминг Catalyst Event решает
Strand 2: Transition Dynamics — как люди переключаются
Теоретический фундамент: Force Field Analysis (Левин, 1943), Progress Forces (Моста и Спик, 2012), Behavior Model B=MAP (Фогг, 2009), нейронаука привычек (Малваез и др., 2018).
Классическая модель переключения — 4 силы: Push, Pull, Anxiety, Habit. Product DNA расширяет до 6 сил с формулой и декомпозицией.
6 сил перехода
| # | Сила | Что моделирует | Отличие от 4-force модели |
|---|---|---|---|
| F1 | Frustration Pressure | Накопленная неудовлетворённость: intensity × duration × frequency | Push, но с формулой накопления |
| F2 | Catalyst Event | Конкретное событие, запускающее поиск (бинарный множитель 0/1) | НОВАЯ — отделена от Push |
| F3 | Outcome Attraction | Притяжение: functional_delta × 0.6 + emotional_gap × 0.4 | Pull, но декомпозирован на функциональный + эмоциональный |
| F4 | Behavioral Inertia | Сопротивление из 4 компонентов: Data, Habit, Integration, Social | Habit, но с 4-компонентной декомпозицией |
| F5 | Risk Perception | Страх: Financial + Functional + Social × pre/post timing | Anxiety, но с 3-типовой декомпозицией |
| F6 | Cognitive Load | Ментальная стоимость оценки: alternatives × complexity / familiarity | НОВАЯ — невидимое трение в процессе решения |
Почему 6 сил, а не 4? Малваез и коллеги (2018) показали, что привычки формируются через эпигенетические изменения в дорсальном стриатуме. Habit Inertia — это не «лень», а физически закодированные нейронные контуры. Одна цифра «инерция = 7/10» не объясняет, что именно удерживает: данные? привычка? интеграции? команда? Декомпозиция на 4 компонента даёт actionable стратегию преодоления.
Transition Formula
T = (F1_accumulated × F2_catalyst + F3_outcome) / (F4_inertia + F5_risk + F6_cognitive_load)
| Значение T | Интерпретация | Вероятность перехода |
|---|---|---|
| T > 1.5 | Высокая вероятность перехода | >80% |
| T > 1.0 | Переход вероятен | >60% |
| 0.5–1.0 | Intervention Zone — маркетинг/продажи могут качнуть весы | 20–60% |
| T < 0.5 | Переход маловероятен — нужно менять условия | <20% |
Практика: финтех-стартап рассчитал T = 0.6 для сегмента «малый бизнес, бухгалтерия». Bottleneck: Cognitive Load = 8/10 (клиент видит 20+ альтернатив и не может сравнить). Решение: калькулятор «подберём за 2 минуты» на лендинге. Cognitive Load упал до 3/10, T вырос до 1.3. Конверсия из лендинга: +180%.
3 фазы перехода
Переход — не мгновенное событие. Он проходит через три фазы:
- Accumulation (недели — месяцы): фрустрация копится, клиент пассивно замечает альтернативы
- Active Evaluation (дни — недели): Catalyst Event запускает целенаправленный поиск, когнитивная нагрузка на пике
- Commitment Point (минуты — дни): все силы сходятся, Social Validation снижает Risk Perception, происходит решение
Для каждой фазы — разная маркетинговая стратегия. Phase 1: контент-маркетинг, чтобы попасть в Consideration Set до Catalyst Event. Phase 2: сравнительный контент, демо, кейсы. Phase 3: триал, гарантия, звонок sales.
Strand 3: Demand Architecture — что люди хотят сделать
Теоретический фундамент: Christensen (2003) — метафора найма, Ulwick (1991) — Outcome-Driven Innovation, Kalbach (2020) — иерархия работ, Barrett (2017) — предиктивный процессинг.
Это слой, где живёт JTBD. Но Product DNA расширяет его значительно.
7-уровневая иерархия задач
| Уровень | Название | Масштаб | Пример (PM-инструмент) |
|---|---|---|---|
| L0 | Core Drive | Универсальная мотивация | CD1: Mastery |
| L1 | Life Outcome | Жизненный/карьерный результат | «Создавать продукты, которые люди любят» |
| L2 | Primary Demand | На что «нанимают» продукт | «Валидировать, какие фичи строить» |
| L3 | Demand Step | Шаг в цепочке выполнения | «Определить топ-боли из интервью» |
| L4 | Interaction Point | Атомарное взаимодействие с продуктом | «Загрузить транскрипт интервью» |
| L5 | Friction Point | Боль от текущего решения | «Ручная разметка 200 цитат = 4 часа» |
| L6 | Latent Demand | Бессознательная потребность | «Кросс-анализ паттернов из 50 интервью автоматически» |
Тест уровня: L2 — «Человек делает это БЕЗ любого конкретного продукта?» → Да = валидный L2. L6 — «Человек удивится, что это возможно?» → Да = L6. Latent Demands (L6) — это точки прорыва, которые нельзя обнаружить через опросы. Только наблюдение + технологическая экспертиза.
8 типов задач
Каждая задача классифицируется по типу, и тип определяет стратегию:
| Тип | Определение | Стратегическое действие |
|---|---|---|
| DT1 Direct | Целенаправленное действие к результату | Строить для этого |
| DT2 Orientational | Поиск, оценка, выбор | SEO + контент-маркетинг |
| DT3 Frictional | Возникает из дефекта текущего решения | Бэклог улучшений |
| DT4 Aspirational | Желание без поведенческих доказательств | Исключить из роадмапа (ложный сигнал) |
| DT5 Habitual | Автоматическое повторение без осознания | Защитить, не менять (драйвер ретеншена) |
| DT6 Social | Для/с другими людьми | Viral growth loop |
| DT7 Compensatory | Обходной путь вместо невозможного | Highest disruption potential |
| DT8 Emergent | Существует только благодаря новому инструменту | Создание категории, обучение рынка |
Ключевое правило: DT4 (Aspirational) = ложный сигнал. «Было бы здорово, если...» без поведенческих доказательств (денег, времени, попыток) — фильтровать из роадмапа. DT7 (Compensatory) = самый высокий потенциал disruption: человек не может сделать X, поэтому делает Y. Решите оригинальный X.
Opportunity Score (по Улвику)
Для каждой задачи L2-L3: Opportunity = Importance + max(Importance - Satisfaction, 0). Score ≥ 15 — сильно недообслужена (строить). Score < 10 — переобслужена (упрощать или убирать). Product DNA добавляет: Weighted Opportunity = Opportunity × Segment_Size × Segment_Fit_Score.
Strand 4: Market Topology — где конкурировать
Теоретический фундамент: Blue Ocean Strategy (Ким и Моборн, 2005), Wardley Mapping, Playing to Win (Мартин и Лафли, 2013).
Competitive Orbit — 5 колец альтернатив
| Кольцо | Название | Пример (PM-инструмент) |
|---|---|---|
| Ring 0 | Non-consumption | «Мы просто гадаем и строим» — 40-60% рынка |
| Ring 1 | DIY | «Excel + Notion + ручные интервью» |
| Ring 2 | Substitute | «Нанять консультанта» |
| Ring 3 | Adjacent | «Dovetail (qual research, не JTBD-specific)» |
| Ring 4 | Direct | «Прямой конкурент с тем же фокусом» |
Правило: Ring 0 (Non-consumption) — часто самый большой конкурент. Большинство людей не решают задачу вообще. Это территория Blue Ocean: вы конкурируете не с другим SaaS, а с бездействием.
Segment Fit Score — 10 факторов привлекательности
Количественная оценка, стоит ли работать с сегментом:
| Фактор | Вес |
|---|---|
| Market Size (достижимый TAM) | 0.15 |
| Willingness to Pay | 0.15 |
| Frustration Intensity | 0.15 |
| Demand Frequency | 0.10 |
| Competitive Density (обратная) | 0.10 |
| Channel Accessibility | 0.10 |
| Social Radius (вирусный потенциал) | 0.10 |
| Feedback Loop Speed | 0.05 |
| Market Trend Direction | 0.05 |
| Competency Match | 0.05 |
Score ≥ 7.5 = A-segment (all-in). Score 6.0–7.4 = B-segment. Score < 4.0 = D-segment (активно отказывать). Связь с ABCDX-сегментацией: Segment Fit Score формализует то, что ABCDX описывает качественно.
Strand 5: Evidence Engine — насколько мы уверены
Теоретический фундамент: Bayesian inference, Ulwick ODI, Mom Test (Фицпатрик, 2013), Continuous Discovery (Торрес, 2021).
26 Evidence Points
Расширение 26 Evidence Points до 26. Добавлены 7 точек, критичных для B2B, retention и onboarding:
| Новый EP | Название | Зачем добавлен |
|---|---|---|
| EP20 | Abandonment Reason | Почему бросил предыдущее решение — churn insight |
| EP21 | Adoption Fears | Конкретные страхи перед новым решением — Risk Perception |
| EP22 | Failed Attempts | Предыдущие неудачные попытки — retention risk |
| EP23 | Resistance Map | Кто активно сопротивляется переходу — B2B-critical |
| EP24 | Personal ROI Metric | Личная метрика окупаемости ЛПР — pricing/retention |
| EP25 | Transformation Vision | Картина жизни через 6 месяцев — positioning |
| EP26 | Time-to-Value Expectation | Ожидаемое время до результата — onboarding design |
Bayesian Confidence Model
Каждый узел в графе задач имеет confidence score — не экспертная оценка, а вычисляемая метрика:
Posterior = sample_size × 0.35 + consistency × 0.35 + behavioral_signal × 0.15 + temporal_decay × 0.08 + source_quality × 0.07
| Уровень | Требования | Потолок confidence | Решение |
|---|---|---|---|
| Platinum | EP01-EP26, N ≥ 10 интервью, поведенческое подтверждение | 0.95 | Строить уверенно |
| Gold | EP01-EP19, N ≥ 5 интервью | 0.85 | Строить |
| Silver | EP01-EP12, N ≥ 3 интервью | 0.70 | Строить если дёшево |
| Bronze | EP01-EP07, N ≥ 1 интервью | 0.50 | Исследовать дальше |
| Hypothesis | Нет данных интервью | 0.30 max | Не строить — валидировать |
Правило: Confidence < 0.30 → любой артефакт на основе этих данных — фикция. Confidence ≥ 0.70 → безопасно строить фичи. Между 0.30 и 0.70 — серая зона, где цена ошибки определяет решение.
Pricing Intelligence (под-слой)
Van Westendorp PSM (1976), Gabor-Granger (1966), Prospect Theory — 7 ценовых Evidence Points, 8 правил архитектуры цены, 3 измерения (Fair Price, Switchable Price, Profitable Price). Каждая цена должна удовлетворять все три измерения одновременно.
Подробнее о связи ценообразования с unit economics и моделями монетизации.
GTM Intelligence (под-слой)
Schwartz (1966): 5 уровней осведомлённости × 5 стадий изощрённости рынка = матрица 25 ячеек. Каждая ячейка определяет тип контента, канал и метрику. Dunford (2019): позиционирование как 6-шаговый последовательный процесс. Howard и Sheth (1969): Consideration Set = 3-7 брендов (не больше, даже с интернетом, потому что когнитивные затраты не снижаются).
Strand 6: Growth Mechanics — как расти
Теоретический фундамент: Growth Loops (Эллис, 2017), Hook Model (Эйяль, 2014), Network Effects.
5 типов петель роста
| Тип | Механизм | Demand Type драйвер | Пример |
|---|---|---|---|
| Content Loop | Использование создаёт контент → привлекает новых | DT2 (Orientational) | Пользовательские исследования → SEO → новые исследователи |
| Data Loop | Больше данных → лучше продукт → больше пользователей | DT1 (Direct) | Больше интервью → точнее паттерны → больше ценности |
| Social Loop | Использование вовлекает других → рост сети | DT6 (Social) | Приглашение команды → общие инсайты → зависимость команды |
| Paid Loop | Выручка → рекламный бюджет → больше выручки | DT1 (Direct) | Подписка → Google Ads → больше подписчиков |
| Platform Loop | Третьи стороны строят на платформе → экосистема | DT8 (Emergent) | API → интеграции → больше use cases |
Inertia Building — превращение инерции в моат
Strand 2 описывает инерцию как барьер для перехода клиента к вам. Strand 6 переворачивает: те же 4 компонента инерции — это защита от ухода клиента от вас.
| Компонент | Тактика построения | Целевое состояние |
|---|---|---|
| Data Inertia | Import tools, богатая история, кастомные настройки | «Все мои данные здесь — не могу уйти» |
| Habit Inertia | Консистентный UX, ежедневные уведомления, горячие клавиши | «Сюда я прихожу каждое утро» |
| Integration Inertia | API, вебхуки, Zapier/Make, встроенные workflows | «Это вшито в весь наш стек» |
| Social Inertia | Командные фичи, общие воркспейсы, коллаборация | «Вся команда от этого зависит» |
Churn Taxonomy — 3 типа оттока
Не весь отток одинаков. Product DNA выделяет три принципиально разных механизма:
- Demand Failure — продукт перестал решать задачу. Сигнал: падение core action frequency. Лечение: улучшить покрытие L3 шагов.
- Demand Change — задачи человека изменились (смена работы, жизненное событие). Сигнал: активен, но паттерн использования другой. Лечение: покрыть смежные задачи.
- Demand Transfer — нашёл лучшее решение для той же задачи. Сигнал: активность падает, в саппорте упоминаются конкуренты. Лечение: увеличить Inertia + Value Concentration.
Связь с churn prediction: Early Warning System Product DNA детектирует сигналы за 30-60 дней до оттока.
Strand 7: Execution Protocol — что строить
Теоретический фундамент: Shape Up (Basecamp), Opportunity-Driven Development (Улвик), 4 Product Risks (Каган, 2024).
Demand-Weighted Priority Score
Priority = (Opportunity_Score × Segment_Fit × Frequency_Weight) / Implementation_Cost
| Score | Категория | Решение |
|---|---|---|
| ≥ 30 | Must-build | Этот спринт |
| 15–29 | Should-build | Следующий спринт |
| 5–14 | Could-build | Бэклог |
| < 5 | Won't-build | Депприоритизировать |
Frequency_Weight: daily = 5, weekly = 3, monthly = 2, quarterly = 1, once = 0.5. Это означает, что ежедневная задача с Opportunity Score 10 приоритетнее месячной задачи с Opportunity Score 20.
MVP Scoping через Demand Chain
- Перечислить все L3 (Demand Steps) для целевого L2
- Каждый шаг: MUST (core chain) / SHOULD / COULD / WON'T
- MUST items only → Walking Skeleton
- Каждый MUST → single simplest L4 (Interaction Point)
- Все L5 (Friction Points) → отложить до v2
- Все L6 (Latent Demands) → отложить до v3+
Результат: тончайший возможный end-to-end путь через цепочку задач. Не «минимальный продукт», а «минимальный путь выполнения задачи».
4 Risks Gate (по Кагану)
Каждый генерируемый артефакт проходит проверку по 4 рискам:
| Риск | Вопрос | Порог |
|---|---|---|
| Value | Хотят ли пользователи? | Demand evidence с confidence ≥ 0.50 |
| Usability | Разберутся ли? | Cognitive Load < 7 |
| Feasibility | Можем ли построить? | Technical constraints identified |
| Viability | Выгодно ли для бизнеса? | Unit economics positive per segment |
Cross-Strand Connections: сила в связях
Уникальность Product DNA — не в отдельных слоях (многие компоненты есть в других фреймворках), а в формальных связях между слоями:
- Strand 1 → Strand 2: Core Drives определяют, какие Transition Forces доминируют
- Strand 2 → Strand 6: Inertia Building = оборонительная Transition Dynamics
- Strand 3 → Strand 4: Demand Graph определяет границы Competitive Orbit
- Strand 3 → Strand 7: Demand Steps маппятся напрямую на фичи и stories
- Strand 5 → ВСЕ: Confidence thresholds гейтят решения на каждом уровне
- Strand 6 → Strand 2: Churn = обратный переход (пользователь уходит ОТ вас)
5 правил зависимостей
- Никогда не генерировать артефакты при Strand 5 confidence < 0.30 — ниже этого порога любой результат = фикция
- Никогда не устанавливать цену без Strand 4 Segment Fit Score — ценообразование без сегмента = угадывание
- Никогда не приоритизировать фичи без Strand 3 Demand Graph — фичи без задач = waste
- Никогда не проектировать онбординг без Strand 2 Transition Dynamics — снижение неправильной силы = wasted effort
- Никогда не позиционировать без Strand 1 Core Drives — позиционирование на неправильной мотивации = неправильная аудитория
Полный пример: edtech-платформа через 7 слоёв
Онлайн-школа для преподавателей. Вот как Product DNA анализирует продукт по всем 7 слоям:
| Strand | Результат анализа | Решение |
|---|---|---|
| 1. Motivation | CD1 (Mastery) + CD4 (Status): «Хочу быть профессиональным преподавателем, которого уважают студенты» | UX с шаблонами «как у лучших университетов», а не техническими настройками |
| 2. Transition | F4 (Behavioral Inertia): Integration Inertia = 2/10, Habit Inertia = 7/10 (привык к Zoom + Google Docs). F6 (Cognitive Load) = 6/10 (10+ альтернатив). T = 0.8 (Intervention Zone) | Фокус: снизить Cognitive Load (сравнительная таблица) + предложить «импорт из Google Docs за 1 клик» |
| 3. Demand | L2: «Вести курс профессионально без технических навыков». 6 Demand Steps, из которых 3 = MUST. DT7 (Compensatory): преподаватели собирают курсы в Notion + Telegram — обходной путь | MVP = 3 шага: создать модуль, добавить материал, выдать доступ студентам. Notion-импорт = killer feature |
| 4. Market | Ring 0 = 55% (преподают без платформы). Ring 1 = 25% (DIY: Zoom + Docs + Telegram). Segment Fit: частные преподаватели = 8.1 (A-segment), корпоративные тренеры = 4.5 (C-segment) | Фокус на частных преподавателях. Конкурент №1 = «Zoom + Google Docs», а не Stepik или GetCourse |
| 5. Evidence | 18 из 26 EP собраны. Confidence = 0.72 (Gold). Пробелы: EP23 (Resistance Map), EP24 (Personal ROI Metric) | Безопасно строить MVP. Добавить вопрос про ROI в следующие 3 интервью |
| 6. Growth | Social Loop: преподаватель даёт доступ студентам → студент видит платформу → студент становится преподавателем | Брендинг на странице курса: «Создано на [платформа]» = бесплатная реклама |
| 7. Execution | Priority Score: «Визуальный конструктор» = 42 (Must-build). «Аналитика по студентам» = 18 (Should-build). «AI-генерация тестов» = 8 (Could-build) | Sprint 1: конструктор. Sprint 2: аналитика. v2: AI-тесты |
7 слоёв → 7 конкретных решений. Ни одно из них нельзя принять, имея только job statements из JTBD.
Как начать использовать Product DNA
Вам не нужно собирать все 7 слоёв одновременно. Начните с трёх:
- Strand 3 (Demand Architecture) — определите L2 и L3. Если у вас есть JTBD-данные, они сюда уже ложатся.
- Strand 5 (Evidence Engine) — посчитайте, сколько EP из 26 у вас есть. Это покажет реальный уровень уверенности.
- Strand 2 (Transition Dynamics) — рассчитайте T для своего основного сегмента. Определите bottleneck: какая из 6 сил блокирует переход?
Остальные 4 слоя добавляйте по мере роста: Motivation Genome — когда строите позиционирование, Market Topology — когда выбираете сегмент, Growth Mechanics — когда проектируете рост, Execution Protocol — когда приоритизируете бэклог.
Связанные статьи: 26 Evidence Points → Product DNA vs JTBD → Switch Formula → Pain Map → ABCDX-сегментация → Landing Page → Feature Priority → Unit Economics
Все 7 слоёв Product DNA работают в AI CPO. Попробуйте бесплатно → aicpo.ru