Как приоритизировал гипотезы?

Как приоритизировал гипотезы

Приоритизация гипотез — это ключевой навык, потому что у PM бесконечно мало времени, но бесконечно много идей для проверки. Я использую структурированный подход, который позволяет мне выбрать самые важные гипотезы для тестирования.

1. Что такое гипотеза в контексте PM

Гипотеза — это предположение о причинно-следственной связи:

"Если [сделаем X], то [метрика Y вырастет на Z%]"

Примеры:

• "Если упростим регистрацию, то day-7 retention вырастет на 15%"
• "Если добавим социальное управление музыкой, то DAU вырастет на 20%"
• "Если улучшим performance, то conversion rate поднимется на 5%"

Гипотеза ≠ фича. Фича — это что мы делаем. Гипотеза — это почему мы это делаем.

Плохо: "Давайте сделаем dark theme" Хорошо: "Если сделаем dark theme, то session length вырастет на 10% потому что пользователи будут дольше в приложении в вечер"

2. Где берутся гипотезы

Гипотезы приходят из разных источников:

Источник 1: Analytics и данные

• "На шаге регистрации теряем 60% юзеров → гипотеза что упростив регистрацию, потеряем меньше"
• "Люди никогда не нажимают на кнопку X → гипотеза что это неправильное место / дизайн"
• "Юзеры в вечер приходят, но session short → гипотеза что в тёмной теме проведут больше времени"

Источник 2: User research

• Интервью: "Я бросил потому что было скучно" → гипотеза что нужна gamification
• Опрос: 80% просят экспорт → гипотеза что экспорт улучшит удовлетворённость
• Support ticket: часто спрашивают "где это?" → гипотеза что UX непонятна

Источник 3: Конкуренты

• Конкурент X имеет фичу Y и растёт → гипотеза что эта фича критична
• Конкурент запустил AI → гипотеза что AI нужна для modern UX

Источник 4: Trends и рынок

• TikTok запустила commerce → гипотеза что users хотят купить с видео
• OpenAI запустила ChatGPT → гипотеза что AI будет everywhere

Источник 5: Интуиция и опыт

• Я вижу pattern в 3 разных продуктах → гипотеза что это тренд
• Я помню что раньше это сработало → гипотеза что снова сработает

3. Framework для приоритизации гипотез

У меня есть матрица приоритизации которая оценивает гипотезу по 4 факторам:

Score = (Impact × Confidence × Strategic Fit) / Effort

Чем выше score, тем выше приоритет.

4. Примеры приоритизации

Гипотеза 1: Dark theme улучшит evening engagement

Impact: 5/10 (люди могут дольше сидеть, но это нишевая фача)
Confidence: 4/10 (есть темные темы в приложениях, но не факт что у нас сработает)
Effort: 3/10 (быстро сделать, 5 дней)
Strategic Fit: 2/10 (не влияет на главные OKR, это nice-to-have)

Score = (5 × 4 × 2) / 3 = 40 / 3 = 13.3
Приоритет: НИЗКИЙ

Гипотеза 2: Упрощение регистрации улучшит day-7 retention на 15%

Impact: 8/10 (retention это главная метрика, 15% это много)
Confidence: 8/10 (интервью показал что люди бросают из-за friction на регистрации)
Effort: 7/10 (нужна переделка UI, backend изменения, 20 дней)
Strategic Fit: 9/10 (retention это OKR1 на год)

Score = (8 × 8 × 9) / 7 = 576 / 7 = 82.3
Приоритет: ВЫСОКИЙ

Гипотеза 3: Социальное управление музыкой в мини-колонке привлечёт party use case

Impact: 7/10 (может привлечь новый сегмент, вечеринки)
Confidence: 7/10 (Spotify уже имеет это, юзеры просят)
Effort: 5/10 (нужна новая backend architecture для queue, 15 дней)
Strategic Fit: 8/10 (расширение use-cases это OKR2)

Score = (7 × 7 × 8) / 5 = 392 / 5 = 78.4
Приоритет: ВЫСОКИЙ

Гипотеза 4: Карусель рекомендаций улучшит CTR на плейлисты

Impact: 4/10 (маленький эффект, может быть +2-3% CTR)
Confidence: 6/10 (карусели работают в других приложениях, но не факт у нас)
Effort: 2/10 (быстро, 3 дня frontend)
Strategic Fit: 5/10 (engagement это OKR, но косвенно)

Score = (4 × 6 × 5) / 2 = 120 / 2 = 60
Приоритет: СРЕДНИЙ

Итоговая приоритизация:

1. Упрощение регистрации (82.3)
2. Социальное управление музыкой (78.4)
3. Карусель рекомендаций (60)
4. Dark theme (13.3)

5. Типы гипотез и их приоритет

Тип 1: Проблема-решение гипотезы (ВЫСОКИЙ ПРИОРИТЕТ)

Структура: "Юзеры имеют проблему X → решение Y улучшит метрику Z"

Примеры:

• "Юзеры тратят 10 минут на поиск нужного → search улучшит retention"
• "Новички теряются в UI → tutorial улучшит day-7 retention"

Почему высокий приоритет:

• Есть evidence что проблема реальная
• Юзеры заранее told что нужна
• High confidence

Тип 2: Анабитивное улучшение гипотезы (СРЕДНИЙ ПРИОРИТЕТ)

Структура: "Если улучшим X (performance, design, features), то метрика Y вырастет"

Примеры:

• "Если улучшим page load с 3 сек до 1 сек, конверсия вырастет на 5%"
• "Если улучшим design кнопки, CTR вырастет на 10%"

Почему средний приоритет:

• Есть scientific evidence (studies из других компаний)
• Но не факт что у нас сработает (может быть другие factors)
• Medium confidence

Тип 3: Opportunistic гипотезы (НИЗКИЙ ПРИОРИТЕТ, если не strategic)

Структура: "Если сделаем X (потому что модно или конкурент имеет), может быть поможет"

Примеры:

• "Если сделаем AI, будут пользователи"
• "Если запустим NFT, будет хайп"

Почему низкий приоритет:

• Нет clear problem
• Нет evidence что это сработает у нас
• Low confidence
• Часто это просто FOMO

6. Как я бегу эксперименты на гипотезах

После приоритизации, я выбираю как протестировать гипотезу:

Метод 1: User research (быстро, low effort)

• Гипотеза: "Юзеры хотят экспорт в PDF"
• Тест: Спрашиваю 20 юзеров: "Ты бы использовал экспорт в PDF?"
• Время: 1 день
• Результат: 15 из 20 сказали да → confidence вверх

Метод 2: Prototype/Mockup test (средний effort)

• Гипотеза: "Если сделаем социальное управление плейлистом, люди будут больше времени на вечеринках"
• Тест: Показываю figma prototype друзьям → спрашиваю "ты бы это использовал?"
• Время: 3 дня
• Результат: 8 из 10 сказали да → confidence вверх

Метод 3: Analytics analysis (быстро, low effort)

• Гипотеза: "Люди бросают на stage X регистрации"
• Тест: Смотрю funnel в analytics → вижу 60% drop на "заполни профиль"
• Время: 1 день
• Результат: hypothesis confirmed → уверенность вверх

Метод 4: A/B тест (дорого, high effort, но most valuable)

• Гипотеза: "Упрощение регистрации улучшит retention на 15%"
• Тест: A/B test на 50% юзеров → measure retention
• Время: 2 недели
• Результат: Improvement на 12% (близко к гипотезе) → готов к полному релизу

Метод 5: Landing page / Waitlist test

• Гипотеза: "Если запустим AI feature, люди захотят её"
• Тест: Landing page с описанием feature → смотрю conversion rate
• Время: 3 дня
• Результат: 2% conversion → confidence низкая, может быть не нужна

7. Временная шкала для гипотез

Гипотезы есть разные сроки тестирования:

Неделя 1: Quick validation (можно ли экономить время?)

• User interview: 1 день
• Analytics check: 1 день
• Competitive analysis: 1 день
• Результат: быстро filter obvious bad ideas

Неделя 2-3: Deeper research

• Prototype тест: 3 дня
• Более детальное интервью (10+ людей): 3 дня
• Market research: 2 дня
• Результат: understand feasibility

Неделя 4+: A/B test

• Если нужно "硬 evidence перед инвестированием
• A/B тест на реальных пользователях
• Результат: статистически значимые данные

8. Как я документирую приоритизацию

Я веду гипотезный backlog в Notion где каждая гипотеза имеет:

Гипотеза: "Если упростим регистрацию, day-7 retention вырастет на 15%"

Источник: User research (интервью показали что friction)
Testing method: A/B test (control vs simplified)

УЧÉТ ПРИОРИТИЗАЦИИ:
- Impact: 8/10 (retention это важна метрика)
- Confidence: 8/10 (интервью confirmed что это болевая точка)
- Effort to test: 7/10 (нужна разработка, 20 дней)
- Strategic fit: 9/10 (OKR1 на год)
- Score: (8×8×9)/7 = 82.3 → ВЫСОКИЙ ПРИОРИТЕТ

Статус: Planned for Q2
Ожидаемый результат: Retention day-7 вырастет с 45% до 60% (если гипотеза верна)
Особенности: Это may require design and backend changes

9. Common mistakes в приоритизации гипотез

Ошибка 1: Overweighting CEO opinion

• CEO: "Сделайте AI"
• Я раньше: делал без research
• Теперь: даже CEO гипотезы я требую research

Ошибка 2: Underweighting effort

• Я думал: "Это займёт 5 дней"
• На самом деле: 30 дней
• Теперь: спрашиваю engineer estimate перед приоритизацией

Ошибка 3: Не тестировать гипотезу перед разработкой

• Я разрабатывал, потом выяснял что никому не нужна
• Теперь: ВСЕГДА user research перед разработкой

Ошибка 4: Следить за трендом вместо пользователя

• Все говорили про blockchain → я приоритизировал blockchain гипотезы
• Результат: потратили 2 месяца, никто не пользовал
• Теперь: if trend doesn't solve user problem, not interested

10. Итоговый процесс приоритизации гипотез

Неделя 1: Сбор гипотез

• Из источников: data, research, competitive, trends, intuition
• Документирую в backlog

Неделя 2: Первичная фильтрация

• Убираю obvious bad (no impact, no strategic fit)
• Остаток = candidates

Неделя 3: Scoring

• Для каждого candidate: Impact, Confidence, Effort, Strategic Fit
• Score = (Impact × Confidence × Strategic Fit) / Effort
• Rank по score

Неделя 4: User research

• Для top 3 гипотез: быстрое валидация
• Интервью, analytics check, prototype test
• Update confidence scores

Неделя 5: Final decision

• Presentation to stakeholders
• Выбираем что тестировать на следующий месяц

Ключевые выводы

Я приоритизирую гипотезы через:

1. Score formula = (Impact × Confidence × Strategic Fit) / Effort
2. Source validation = user research перед scoring
3. Type-based = problem-solution гипотезы выше чем opportunistic
4. Testing method = от быстрых (interview) к долгим (A/B test)
5. Documentation = каждая гипотеза documented с reasoning

Главный принцип: высокий impact + высокая confidence + low effort + high strategic fit = top priority.

Всё остальное может подождать.