Все материалы подборки
Продукт

Jobs to Be Done — фреймворк, методология для создания продуктов, которая предлагает взгляд на них через призму задач («работ») потребителей, а не через характеристики или особенности самих продуктов.

Особенность методологии Jobs to Be Done в том, что это не свод правил или прикладная инструкция, а набор подходов для работы над продуктом. С одной стороны, это делает фреймворк более открытым для дискуссий и дополнений, с другой — приводит подчас к ошибочным интерпретациям и заблуждениям.

GoPractice публикует саммари подкаста Ленни Рачицки (Lenny Rachitsky) с участием Боба Моэсты — одного из соавторов фреймворка Jobs to Be Done наряду с Клейтоном Кристенсеном.

В этом выпуске Боб Моэста делится базовыми установками фреймворка Jobs to Be Done, рассуждает о процессах, стоящих за выбором людьми тех или иных продуктов, дает рекомендации по проведению глубинных интервью с пользователями и предостерегает от распространенных ошибок в применении методологии.

«Поначалу все выглядит радужно. Темпы роста увеличиваются, продукт растет на сотни процентов год к году. Но вот незадача: спустя год-два цифры уже не так радуют. Может, сезонность? Или что-то еще? Но темпы продолжают падать. Сначала рост на 300%, потом 200%, затем 100%. Последняя цифра уже никуда не годится, если речь идет о стартапе». 

GoPractice публикует адаптированный перевод эссе Andrew Chen (Эндрю Чена), бывшего руководителя команды роста в Uber, партнера венчурного фонда Andreessen Horowitz и автора книги “The Cold Start Problem”.

Часто метрики ARPU и LTV используют как взаимозаменяемые. При этом LTV и ARPU — это две принципиально разные метрики, которые отвечают на разные вопросы и считаются разными способами.

Retention — ключевая метрика для большинства продуктов. Именно поэтому команды, которые начинают внедрять ML в свои продукты, быстро приходят к вопросу о том, как использовать эти технологии для лучшего удержания пользователей.

Один из наиболее распространенных подходов к решению этой задачи — прогнозирование оттока пользователей (churn prediction). Определив пользователей, которые с высокой вероятностью уйдут, мы можем предложить им скидки, бонусы и другие преимущества, которые позволят удержать их в продукте.

Однако в реальности такие проекты редко приносят ценность бизнесу. Часто у команд получается обучить модель, которая хорошо предсказывает уход пользователей, но им не удается добиться того, чтобы попытки удержать их оказались финансово выгодными.

В этом материале обсудим альтернативный подход к улучшению Retention с помощью ML — uplift-моделирование — и то, как он позволяет эффективнее тратить бюджеты на удержание пользователей.

Продукты на основе генеративного искусственного интеллекта стремительно ворвались в нашу реальность за последний год.

Еще несколько лет назад было сложно представить, что модели смогут генерировать изображения на основе текста или писать эссе в форме стихов на заданную тему. Причем делать это на уровне, который не уступает человеку. Сегодня продуктами на основе таких моделей пользуются миллионы людей, решая самые разнообразные задачи.

ChatGPT — один из самых ярких примеров продуктов, построенных на основе генеративного AI. Несмотря на отсутствие традиционного маркетинга, ему удалось стать самым быстрорастущим сервисом в истории.

Фреймворк Jobs to Be Done часто противопоставляют Personas — «методу персон», который подразумевает создание портрета представителя целевой аудитории. В этом материале мы разберемся, почему каждый из этих методов по-своему хорош для работы над определением целевой аудитории и затачиванием продукта под ее потребности.

Люди изменяют способ решения определенной задачи, если находят продукт, который решает эту задачу эффективнее, чем существующие альтернативы. Но создать более эффективное решение недостаточно. Командам необходимо учиться доносить эту ценность до целевых пользователей.

Для этого можно изучать, как успешные пользователи проходят путь от момента, когда они впервые узнали о продукте, до момента, когда осознали, что это лучший из известных им способов решения задачи.

Один из важных инструментов для структурирования и описания механизмов осознания ценности продукта — это определение “aha moment” и необходимых условий для его достижения. В этом материале обсудим, какие ошибки команды часто допускают при определении и работе с “aha moment”.

Погрузившись в процесс создания продукта, мы часто начинаем рассказывать о нем с точки зрения создателей, упуская то, как именно продукт создает ценность и помогает пользователям. Это может приводить к снижению эффективности флоу активации.

В этом материале мы рассмотрим фреймворк анализа коммуникации ценности. Он позволяет вам поставить себя на место пользователя, который хочет решить определенную задачу, и проанализировать ключевые заголовки, тексты, визуальные элементы, скрипты продавцов и другие элементы коммуникации на предмет того, доносят ли они ценность с точки зрения пользователя.

Вы сможете обнаружить места с проблемами в коммуникации, а затем исправить их, чтобы ценность доносилась на том языке, который будет резонировать с пользователем.

В предыдущих материалах мы обсудили, почему важно снижать сопротивление и повышать мотивацию пользователей на конкретных шагах флоу активации.

В этой статье мы разберем фреймворк «налог–выгода». Он позволит проанализировать динамику мотивации пользователя, проходящего через флоу активации. На основе этого анализа можно будет принять решение об оптимальном порядке шагов, о необходимой мотивации новых пользователей для достижения “aha moment”, о преобразовании шагов-налогов в шаги-выгоды.

Retention (Retention rate, RR, ретеншен, ретеншн) — это одна из ключевых метрик для любого продукта. Метрика Retention означает «удержание пользователей» или же «возвращаемость пользователей». Она говорит о том, продолжают ли люди пользоваться вашим продуктом снова и снова, находят ли они в нем достаточную ценность для решения своих задач. 

В этом материале мы подробно разберемся, как работать с метрикой Retention и почему она имеет фундаментальное значение для продукта и бизнеса в целом.