Делаешь выводы по ощущения или есть какие-либо данные

Делаю выводы по данным, не по ощущениям

Это один из главных принципов, который выделяет хороших PM от остальных. Я categorically отношусь к data-driven decision making.

1. Никогда не полагаюсь на ощущения

Что я НЕ делаю:

• "Мне кажется, пользователям это не понравится" → без проверки
• "Я знаю, что работает" → когда не измерял результат
• "Это выглядит круто" → без A/B теста
• "Моему начальнику понравится" → игнорируя пользовательский feedback

Почему это опасно:

• Интуиция часто ошибается
• Confirmation bias: видишь только то, что подтверждает твою идею
• Тратишь ресурсы на неправильные приоритеты
• Теряешь доверие команды (если часто ошибаешься)

2. Мой процесс: от гипотезы к данным

Шаг 1: Формулирую гипотезу

"Если мы изменим цвет кнопки с синего на красный,
то пользователи будут нажимать чаще (увеличится CTR)"

Шаг 2: Определяю, какие данные нужны

• Метрика: CTR (click-through rate)
• Baseline: текущий CTR синей кнопки
• Target: ожидаемый рост на 10%

Шаг 3: Запускаю эксперимент

• A/B тест: 50% пользователей видят синюю (контроль), 50% видят красную
• Длительность: 1 неделя (или пока не наберется 1000+ пользователей)
• Статистическая значимость: p-value < 0.05

Шаг 4: Анализирую результаты

Результаты A/B теста:
Синий CTR: 3.2%
Красный CTR: 3.5%
Дельта: +0.3% (10% прирост)
p-value: 0.042 (статистически значима)
Вывод: ✅ ВНЕДРЯЕМ красную кнопку

Шаг 5: Мониторю результат постфактум

• Не останавливается ли эффект через неделю? (novelty effect)
• Как это влияет на другие метрики? (conversion rate, bounce rate)
• Есть ли negative side effects?

3. Какие данные я собираю

Product Metrics:

• DAU (Daily Active Users)
• MAU (Monthly Active Users)
• Retention (день 1, 7, 30)
• Churn rate (сколько уходят)
• CTR (click-through rate)
• Conversion rate
• NPS (Net Promoter Score)

Business Metrics:

• ARPU (Average Revenue Per User)
• LTV (Lifetime Value)
• CAC (Customer Acquisition Cost)
• Monthly Recurring Revenue (MRR)
• Gross Margin

User Behavior:

• Feature adoption rate (% пользователей, которые попробовали фичу)
• Time on page
• Funnel analysis (на каком шаге теряют пользователей)
• Cohort analysis (как разные группы пользователей ведут себя)

User Feedback (qualitative):

• User interviews (5-10 человек)
• Support tickets (какие проблемы пишут)
• NPS comments
• Surveys

4. Пример: Решение о новой фиче

Идея: Добавить функцию "сохранить в закладки" для статей

Гипотеза: Это увеличит retention пользователей

Данные, которые я собрал:

1. User interviews (10 пользователей)
   → 7 из 10 сказали, что хотят сохранять статьи
   → Боли: забывают, какую читали

2. Анализ поведения
   → Users, которые часто читают, имеют 40% retention
   → Users, которые читают редко, имеют 10% retention
   → 60% активности приходится на top 10% контента

3. Конкурентный анализ
   → Medium имеет закладки (у них 65% retention)
   → Notion имеет закладки
   → Это standard feature

4. Support tickets
   → 3 запроса в месяц про сохранение
   → 5 запросов про улучшение search (может важнее?)

Вывод:
- User demand есть, но не огромный (7/10)
- Это может помочь retention
- Конкуренты имеют (нужно не отставать)
- Но есть приоритет выше (search улучшение)

Децизия: Делаем, но после улучшения search

5. Инструменты для сбора данных

Analytics:

• Google Analytics / Amplitude / Mixpanel
• Hotjar (видео записи, heatmaps)
• Fullstory (user session recordings)

Experiments:

• A/B testing platform (Optimizely, VWO, Statsig)
• Launch Darkly (feature flags для A/B тестов)

User Feedback:

• Typeform / Google Forms (surveys)
• Calendly (scheduling user interviews)
• Slack (feedback from support team)

Business Data:

• SQL queries к БД
• Tableau / Metabase (dashboards)
• Google Sheets (tracking KPI)

6. Когда у меня нет данных

Ситуация: Новый продукт, no historical data

Что я делаю:

1. Делаю educated guess на основе похожих продуктов
2. Запускаю MVP как можно быстрее
3. Собираю первые данные (даже неточные лучше, чем угадывание)
4. Итерирую на основе feedback

Пример:

"Новый feature для export. Нет данных про спрос.
Делаю MVP за неделю.
Если 20% пользователей будут экспортировать → развиваю
Если 2% → может быть, не нужно"

7. Мой слоган

"In God We Trust, All Others Must Bring Data" (из Deming)

Я верю в интуицию, но только после того, как она подкреплена данными. До этого — это просто гипотеза, которую нужно проверить.

Результат: Минус ошибки, плюс уверенность в решениях, плюс доверие от команды и стейкхолдеров.