Разработка

Фаза разработки: от стратегии к продукту

Фаза разработки отвечает на ключевые вопросы: какие предположения проверить (RAT-тесты), какие фичи строить (приоритизация ODI+Kano), какой MVP собрать (demand chain), какие риски закрыть (4 риска Cagan), и сойдётся ли экономика (юнит-экономика).

RAT-тесты (Riskiest Assumption Tests)

Методология: 3 типа рисков × P×I скоринг

RAT — систематическая проверка рискованных гипотез. Вместо MVP по наитию вы валидируете ключевые предположения минимальными ресурсами. AI извлекает предположения из фактов и оценивает по P×I.

3 типа рисков

Тип	Вопрос	Kill Signal	Приоритет
Экзистенциальный	Есть ли спрос? Будут ли платить?	Ноль поиска + ноль конкурентов + ноль бюджета, ноль конверсии после 10+ демо	Продукт умирает — тестировать ПЕРВЫМ
Ограничивающий	Сойдётся ли экономика? Есть ли каналы?	Отрицательная маржа к M3, CAC > LTV, нет повторяемого канала	Продукт стагнирует
Операционный	Можем ли мы доставить и поддержать?	Регуляторный блок, tech infeasible, нет команды	Продукт не масштабируется

Правило приоритета

Экзистенциальные риски тестируются первыми. Бессмысленно оптимизировать unit economics, если Market Demand = 0.

P×I скоринг

P (вероятность ошибки)	I (влияние)
1 = сильные эмпирические данные	1 = локальный сбой
2 = частичные данные	2 = просадка метрики
3 = аналогии	3 = заморозка роста
4 = слабые индикаторы	4 = серьёзный удар
5 = чистая гипотеза	5 = смерть бизнеса

Score = P × I (1-25). Score ≥ 20 → СТОП, тестируйте ДО любого строительства.

Библиотека Quick Tests

Метод	Лучше для	Стоимость	Время	Сила
Solution-интервью (5-10)	Value, Demand	Бесплатно	1-2 нед.	Средне-Высокая
Лендинг + платный трафик	Demand, Value	$200-500	3-5 дней	Средняя
Pre-sale / депозиты	Value, WTP	Бесплатно	1-2 нед.	Очень высокая
Ручная услуга	Value, Operations	Время	2-4 нед.	Очень высокая
A/B-тест (свой трафик)	Value, Unit Econ	Бесплатно	2-4 нед.	Высокая
Анализ выручки конкурентов	Market, Segment	Бесплатно	2-3 дня	Средняя

Правила валидации

Реальные деньги (pre-sale) > заявленные намерения
A/B-тест — единственный строгий каузальный метод
Product DNA: интервью о ПРОШЛОМ поведении, никогда о будущих намерениях

Приоритизация фич (ODI + Kano)

Методология: Outcome-Driven Innovation + Kano Classification

Приоритизация основана на ODI Opportunity Score (Ulwick) с наложением Kano-классификации для определения типа каждой фичи:

Критерий	Источник	Формула
Opportunity Score	ODI: Importance + max(I-S, 0)	Шкала 1-15
Kano Category	Парные вопросы (функциональный + дисфункциональный)	Must-be / One-dimensional / Attractive
Segment Weight	Segment Fit Score	A=2.0, B=1.0, C=0.5
Frequency	Demand Properties	Daily=5, Weekly=3, Monthly=2
Effort	Оценка сложности	S=1, M=2, L=4, XL=8

Формула приоритета

Формула

Priority = (Opportunity_Score × Segment_Weight × Frequency_Weight) / Effort

Kano-модификатор:
— Must-be с Satisfaction < 4 → CRITICAL (система ломается, чинить немедленно)
— One-dimensional с высоким Opportunity Score → PRIMARY build target
— Attractive → не обнаружится в опросах, только качественные интервью

Пример

Фича	Opp. Score	Kano	Segment	Effort	Priority
PDF-отчёт для клиента	14	One-dim	A (2.0)	S (1)	140
Авто-трекинг Figma	13	Attractive	A (2.0)	M (2)	65
Командный дашборд	10	One-dim	B (1.0)	L (4)	7.5

Правило фокусировки

80% ресурсов на A+B сегменты, даже если C+D громче кричат. При запросе на фичу спрашивайте: «Это для A-сегмента или для C, который громко кричит?»

Kano-классификация

Методология: модель Кано (1984)

Kano классифицирует каждую фичу по типу влияния на удовлетворённость. Ключевой инсайт: Attractive → One-dimensional → Must-be со временем. Вчерашний восторг — сегодняшнее ожидание.

Категория	Если есть	Если нет	Действие
Must-be	Нейтрально (ожидаемо)	Сильное разочарование	Реализовать обязательно. Не рекламировать — это базовое ожидание
One-dimensional	Удовлетворённость растёт линейно	Неудовлетворённость растёт линейно	Конкурировать здесь. Больше = лучше
Attractive	Восторг, AHA-момент	Нет разочарования	Дифференциатор. Использовать в маркетинге
Indifferent	Без разницы	Без разницы	Не строить. Экономия ресурсов
Reverse	Раздражение	Лучше без неё	Убрать. Это анти-фича

Метод определения

Парные вопросы для каждой фичи:
Функциональный: «Если бы [фича] была, как бы вы себя чувствовали?»
Дисфункциональный: «Если бы [фичи] не было, как бы вы себя чувствовали?»
5 вариантов ответа: Нравится / Ожидаю / Нейтрально / Терплю / Не нравится
Пересечение ответов → категория Kano.

Когда использовать

Генерируйте Kano после сбора фактов о болях и Job Graph. AI классифицирует все ключевые demand steps и покажет, какие фичи — Must-be (не пропустить), а какие — Attractive (дифференциатор для маркетинга).

Критерии качества (6 измерений SERVQUAL)

Методология: SERVQUAL-adapted для продуктов

Как пользователи судят, хорошо ли выполнена работа? 6 мета-измерений качества, адаптированных из SERVQUAL (Parasuraman et al., 1985):

#	Измерение	Вопрос	Пример Desired Outcome
QD1	Accuracy	Правильный ли результат?	«Увеличить вероятность, что извлечённые факты соответствуют данным»
QD2	Speed	Как быстро выполнена работа?	«Минимизировать время от загрузки данных до первого инсайта»
QD3	Confidence	Можно ли доверять результату?	«Увеличить вероятность, что рекомендации основаны на доказательствах»
QD4	Fit	Подходит ли под мой контекст?	«Минимизировать нерелевантные рекомендации для моей ниши»
QD5	Presentation	Удобен ли формат результата?	«Минимизировать усилия для отправки артефакта стейкхолдерам»
QD6	Effort	Сколько работы от меня?	«Минимизировать ручной ввод при онбординге»

Desired Outcome Statements (Ulwick)

Формат

{Direction} + {metric} + {object} + {context}

Direction: всегда «minimize» или «increase» (не субъективное «улучшить»)
Metric: измеримая — время, вероятность, количество, частота
Object: что пользователь хочет контролировать
Context: когда/где/при каких условиях

Когда использовать

Генерируйте после Job Graph. AI создаст 50-150 Desired Outcome Statements для каждого Primary Demand, классифицирует по 6 измерениям и оценит через ODI Opportunity Score. Используйте для Feature Priority.

Модель активации (Fogg B=MAP)

Методология: Behavior = Motivation × Ability × Prompt

Модель активации определяет, как превратить нового пользователя в активного. Основана на BJ Fogg Behavior Model: поведение происходит, когда мотивация, способность и триггер совпадают в одном моменте.

Компонент	Определение	Как увеличить
Motivation (M)	Насколько сильно хочет результат	Показать Outcome Attraction (F3), усилить Frustration Pressure (F1)
Ability (A)	Насколько легко выполнить действие	Снизить Cognitive Load (F6), сократить шаги
Prompt (P)	Что подтолкнуло действовать сейчас	Catalyst Event (F2), in-app nudge, email

AHA-момент и Time-to-Value

Процесс определения AHA-момента

1. Определить «retained user» (активен на D30)
2. Список кандидатных действий в первой сессии
3. Корреляционный анализ: какое действие максимально повышает retention?
4. Пороговый анализ: сколько раз / как быстро?
5. Каузальная валидация: A/B-тест, направляющий к действию

Каждое удвоение Time-to-Value вдвое снижает activation rate

TTV < 5 мин → 3x выше активация, чем TTV > 30 мин (UserPilot, 2023). Интерактивные walkthroughs завершаются на 72% чаще статических тултипов.

Что нужно для генерации

Опишите в чате: как выглядит первое использование, какие шаги проходит пользователь, где «загорается глаз» (EP10 — Value Revelation). AI построит модель активации с конкретными nudge-точками и метриками.

Скоуп MVP (Demand Chain Walking Skeleton)

Методология: Walking Skeleton по Demand Chain

MVP — не «минимальный набор фич», а тончайший сквозной путь через demand chain. AI строит Walking Skeleton из Demand Steps (L3):

Шаг	Действие	Что включается
1	Все L3 для целевого Primary Demand (L2)	Полная цепочка шагов
2	Разметка: MUST / SHOULD / COULD / WON'T	MUST = core chain
3	Walking Skeleton = только MUST	Минимальный e2e путь
4	Каждый MUST → одна L4 (Interaction Point)	Простейший UI для каждого шага
5	Все L5 (Friction Points) → v2	Отложить оптимизацию
6	Все L6 (Latent Demands) → v3+	Отложить инновации

Пример

Primary Demand: «Валидировать, какие фичи строить»
Walking Skeleton:
1. Загрузить данные (MUST) → простой файл-аплоад
2. Извлечь паттерны (MUST) → AI-парсинг
3. Приоритизировать (MUST) → таблица с Opportunity Score
4. Экспортировать результат (SHOULD) → v2
5. Командная работа (COULD) → v3

Результат: 3 экрана, 1-2 недели разработки, валидирует core demand.

Когда использовать

Генерируйте после Job Graph и Feature Priority. MVP Scope покажет, что строить в первой итерации, а что отложить. Используйте вместе с Risk Gate.

Gate 4 рисков (Cagan)

Методология: 4 Product Risks (Marty Cagan)

Каждый артефакт и каждая фича проходят проверку по 4 рискам. Если хотя бы один риск не закрыт — фича не готова к разработке:

Риск	Вопрос	Как проверить	Артефакт должен ответить
Value	Будут ли пользователи этого хотеть?	RAT-тесты, pre-sale, интервью	Evidence confidence ≥ 0.50
Usability	Смогут ли пользователи разобраться?	Прототип, UX-тест, 5-sec test	Cognitive Load < 7 по шкале Fogg
Feasibility	Можем ли мы это построить?	Техническое spike, proof of concept	Технические ограничения идентифицированы
Viability	Работает ли это для бизнеса?	Unit economics, юридическая проверка	Unit economics положительна per segment

Пример

Фича: AI-прогноз бюджета проекта
Value: ✓ (Opportunity Score 14, 3 интервью подтвердили)
Usability: ⚠ (сложный UX, нужен прототип)
Feasibility: ✓ (доступные API, proof of concept готов)
Viability: ✓ (unit economics positive для A-сегмента)

Решение: Провести UX-тест (Usability не закрыт) перед разработкой.

Когда использовать

Risk Gate генерируется для каждой фичи из Feature Priority. Это последний чекпоинт перед началом разработки. Если хотя бы один риск красный — тестируйте, а не стройте.

Юнит-экономика

Методология: Unit Economics по сегментам

Критическое правило: считайте unit economics по сегментам, не по «среднему клиенту». LTV A-сегмента может быть в 5-10x выше LTV C-сегмента.

Ключевые метрики

Метрика	Формула	Ориентир
LTV	ARPU × Avg. Lifetime (мес.)	Зависит от ниши
CAC	Marketing Spend ÷ New Customers	LTV/CAC > 3x
Payback Period	CAC ÷ Monthly Revenue per Customer	< 12 мес.
Gross Margin	(Revenue - COGS) ÷ Revenue	> 70% для SaaS
Churn Rate	Lost Customers ÷ Total Customers	< 5% для B2B
NRR	(Revenue - Churn + Expansion) ÷ Revenue	> 100%

Красные флаги

Сигнал	Что значит	Действие
LTV/CAC < 3x	Привлечение дорого или retention низкий	Пересмотреть ценообразование или каналы
Payback > 12 мес.	Cash flow проблема	Повысить цену, annual plan, снизить CAC
Gross Margin < 50%	Высокие прямые расходы	Оптимизировать COGS, автоматизировать
Churn > 10%	Продукт не решает Core Job	Job Scorecard → найти gap → улучшить
80% поддержки от C/D	Ресурсы на неправильных клиентов	Фильтровать C/D, фокус на A/B

Советы

Добавьте в чат данные о стоимости рекламы — CAC будет точнее
Для ранней стадии используйте pessimistic case
Тестируйте бизнес-модель раньше, чем UX

Назад Стратегия Далее Запуск