Этот метод работает только для локального бизнеса вроде стоматологии?

Нет, стоматология в разборе взята наугад — просто у неё много публичных отзывов и понятный чек. Метод сводится к четырём потокам: голос рынка, спрос, деньги, предложение. Голос находится там, где ваши клиенты пишут честно (отзывы, Telegram-чаты, комментарии, vc.ru), спрос — в Wordstat и подсказках поиска, деньги — в отчётности через ГИР БО, DaData, Checko, предложение — на сайтах и в прайсах конкурентов. Меняются источники, схема остаётся.

Гайд от практиков

Анализ рынка с помощью ИИ: метод 4 потоков и 42 фреймворка

Q: Что делать, если сайт с отзывами не открывается в NotebookLM?

Часть сайтов подсвечивается красным и не подтягивается — это капча, геоблок, JS-рендер или чёрный список User-Agent. Лечится руками: открываете страницу в браузере, Cmd+A, Cmd+C и вставляете через «Скопированный текст» — весь текст страницы уходит в источники. Если материал не ценный, жмёте «Удалить все недоступные источники» и не тратите на него время.

Q: Насколько можно доверять цифрам, которые приносит ИИ?

Проверять надо каждую. В исследовании GhostCite (2026) на 375 440 цитатах у 13 моделей доля выдуманных ссылок разошлась от 14,23 % у лучшей модели до 94,93 % у худшей — то есть разброс между моделями больше, чем сам факт ошибки. Отсюда протокол: не верить цитате без перехода по ссылке, требовать два независимых первоисточника на каждое число, руками проверять всё юридическое, медицинское и финансовое, требовать явной пометки «источник не найден» и сохранять трассировку запросов модели.

Как сделать анализ рынка с помощью ИИ: четыре потока данных в NotebookLM, первоисточники из Perplexity, разрыв спроса и предложения. 42 фреймворка с промптами.

Дмитрий Попов 30 августа 2026 г. 17 мин чтения

#Исследования#Стратегия#AI-агенты#Маркетинг#NotebookLM

Главы видео (21)

00:00 · Бриллианты рынка: зачем это бизнесу и сколько стоило раньше 01:00 · Библиотека из 42 фреймворков: что внутри каждой карточки 02:00 · Четыре потока: голос рынка, спрос, деньги, предложение 03:20 · Почему обычный чат не годится для исследования 04:20 · NotebookLM: добавляем отзывы клиник источниками 06:20 · Perplexity Deep Research: собираем первоисточники 07:30 · Ярлыки и папки: играем на источниках как на пианино 08:50 · Сайт не открылся: как забрать текст руками 10:20 · Конкуренты отдельной папкой + кейс автозапчастей ×4 12:20 · Базовый запрос: общая картина по всем источникам 13:30 · Фреймворк 1: дословные цитаты отказов 14:00 · Отключаем конкурентов, чтобы не отравить выборку 15:20 · Четыре силы: что выталкивает и что притягивает 17:00 · Пять сегментов клиентов с дословными цитатами 18:00 · Дерево проблем: корни и последствия 20:20 · Противоречия и пробелы: вопросы, на которые нет ответов 21:40 · Разрыв спрос ↔ предложение: где лежит бриллиант 23:30 · Аудит своего сайта против конкурентов 26:40 · Claude Code и Codex: HTML-дашборд по методу Минто 28:00 · Нейромаркетинг: 10 офферов из собранных материалов 29:30 · Калькулятор «было — стало» и откуда взята каждая цифра

Определение

Анализ рынка с помощью ИИ — это сведение четырёх потоков данных (голос рынка, спрос, деньги, предложение) в один инструмент с привязкой к источникам. Отзывы, запросы, отчётность и прайсы конкурентов загружаются в NotebookLM, который отвечает только по загруженным материалам, а расчёты и упаковку делает вторая модель. Находка лежит на стыке спроса и предложения: там, где страх клиента не совпадает с тем, что ему продают.

Большинство бизнесов конкурируют ценой. Не потому что жадные, а потому что не знают, что рынку нужно на самом деле. Анализ рынка с помощью ИИ закрывает ровно этот пробел: за один вечер вы достаёте из отзывов, запросов и прайсов конкурентов то, за что раньше платили консалтингу от миллиона рублей.

Я сам когда-то отдал за такое исследование половину однокомнатной квартиры. Сейчас разберём метод по шагам на живом примере — стоматологию я взял наугад, специально не выбирая. И отдам библиотеку из 42 фреймворков: McKinsey, Christensen, Osterwalder, Kim и Mauborgne вырабатывали их десятилетиями, а лежат они во вкладке «Гайд» — с промптом к каждому.

Кратко

Метод — четыре потока данных: голос рынка (отзывы), спрос (Wordstat), деньги (отчётность), предложение (сайты и прайсы конкурентов).
Инструмент сбора — NotebookLM, потому что он отвечает только по загруженным источникам и не выдумывает поверх них.
Первоисточники добираются через Perplexity в режиме глубокого исследования: он возвращает страницы, где люди говорят своими словами.
Бриллиант лежит на стыке спроса и предложения — там, где страх клиента не совпадает с тем, что ему продают.
Расчёты и упаковку делает вторая модель — Claude Code, Codex или Antigravity: HTML-отчёт по пирамиде Минто, офферы, калькулятор «было — стало».
Каждое число проверяется руками. В исследовании GhostCite (2026) доля выдуманных цитат у разных моделей разошлась от 14,23 % до 94,93 %.

Анализ рынка с помощью ИИ — это сведение четырёх потоков данных в один инструмент с жёсткой привязкой к источникам: отзывы, поисковый спрос, отчётность и предложение конкурентов загружаются в NotebookLM, который отвечает только по загруженным материалам, а расчёты и упаковку делает вторая модель. Главная находка почти всегда лежит на стыке спроса и предложения.

Что такое анализ рынка с помощью ИИ и чем он отличается от «спросить у нейросети»

Разница в одном слове: источники. Классическое маркетинговое исследование — это когда агентство три недели собирает данные, а потом присылает презентацию на 80 слайдов. Анализ рынка с помощью ИИ — это когда вы собираете те же данные за вечер, а модель работает не вместо вас, а внутри вашей выборки.

Вот смотрите какая штука. Когда вы открываете ChatGPT, Claude или Gemini и пишете «проанализируй рынок стоматологии», вы получаете красивый текст. Что бы вы ни написали, вам ответят, какой вы молодец и как хорошо вы это придумали. Модель выдаёт то, на чём её обучили, и её задача — вам понравиться. Для мозгового штурма годится. Для решения, куда вложить деньги, — нет.

Поэтому сбор идёт в NotebookLM. Он держится за источники: загрузили отзывы — он говорит про отзывы, загрузили чепуху — на выходе будет чепуха, но он не дорисует того, чего в источниках не было. Это принципиально другой режим работы.

Метод четырёх потоков: что собираем и зачем

Чтобы точно решить, что менять в бизнесе или какой бизнес открывать, нужны четыре разных потока данных. Каждый отвечает на свой вопрос.

Поток	На какой вопрос отвечает	Где лежит
Голос рынка	Почему уходят	Отзывы на агрегаторах и картах, Telegram-чаты, комментарии под чужими видео, vc.ru
Спрос	Чего боятся ещё до звонка	Яндекс Wordstat, частотность и хвосты запросов, подсказки поиска
Деньги	Сколько тут вообще есть	ГИР БО, DaData, Checko, ЕГРЮЛ, Прозрачный бизнес
Предложение	Что рынок отвечает клиенту	Сайты компаний ниши, прайсы, первые экраны, реклама

Грабли у каждого потока свои, и лучше знать о них заранее. Отзывы закрыты капчей и геоблоком, часть сайтов отдаёт парсеру пустой каркас, потому что собрана на React или Vue без серверного рендера. Wordstat начинает показывать капчу при частых запросах и режет лимит с одного IP. Отчётность в ГИР БО приходит с задержкой на отчётный период, часть данных платная. Прайсы у половины рынка «по запросу». Всё это лечится руками — как именно, разобрано в гайде, во вкладке «Метод».

По отдельности это просто данные. Вместе — карта, где копать. Если вы хотите зарабатывать десятки миллионов, а выбрали нишу, где столько не зарабатывает никто, никакая упаковка это не вылечит: поток «деньги» отвечает как раз на этот вопрос, и отвечать на него надо до всего остального.

Почему негативный отзыв дороже положительного

Люди никогда не скажут вам в лицо, что у вас плохо. Молча уйдут и больше не вернутся. А вот в отзывах пишут максимально честно — там и лежат бриллианты.

Реальный пример из практики: ребята торговали автозапчастями, прогнали отзывы по своему городу и увидели, что людям нужен детейлинг, а никто его нормально не делает. Просто добавили услугу. Выросли в четыре раза. Не гениальная стратегия — они просто услышали, о чём люди говорят.

Разбор на живом примере: стоматология, взятая наугад

Дальше — как это выглядит руками. Ниша взята случайно, никакой предварительной подготовки.

Шаг 1. Загружаем голос рынка

Открываем отзывы клиники и всех конкурентов на агрегаторах и картах, копируем адрес страницы именно с отзывами и добавляем в NotebookLM через «Добавить источники». Чем больше накидаете, тем лучше.

Часть сайтов подсветится красным и не подтянется. Это капча, геоблок или JS-рендер. Если материал ценный — открываем страницу в браузере, Cmd+A, Cmd+C и вставляем через «Скопированный текст». Если не ценный — жмём «Удалить все недоступные источники» и идём дальше.

Шаг 2. Добираем первоисточники через Perplexity

Отзывы на картах — это только часть голоса. Остальное лежит на форумах, в обсуждениях и комментариях. Их находит Perplexity в режиме глубокого исследования: просим вернуть голые URL страниц, где реальные люди обсуждают выбор клиники, и переносим список в NotebookLM.

Второй запрос — точечный, про главную боль ниши: почему пациенты уходят думать уже после того, как услышали план лечения и цену.

Здесь важный момент. Когда вы загружаете то, что говорят живые люди, вы начинаете говорить их словами. От города к городу формулировки отличаются кардинально. А если вы говорите как ваш клиент — он начинает вас понимать.

Шаг 3. Раскладываем источники по папкам

NotebookLM умеет сортировать источники автоматически: нажимаете кнопку, он присваивает ярлыки и группирует. Дальше поправляете руками. Минимальный набор папок — Отзывы, Конкуренты, Причины отказа, Спрос, Наша компания.

Дальше вы играете на этих папках как на пианино: под каждый вопрос включаете только нужные.

И вот главное правило, которое чаще всего нарушают. Конкурентов отключайте, когда ищете реальные боли. У них на сайтах висят отзывы, которые они вполне могли написать себе сами. Модель примет их за голос рынка и отравит всю выборку. Включаете обратно, когда разбираете предложение: что обещают, как формулируют, что стоит в прайсе.

Шаг 4. Прогоняем фреймворки

Базовый запрос («дай общую картину по всем источникам, 5–7 главных тем») даёт карту тем. Ценность есть, но это ещё не бриллианты. Дальше идут фреймворки — и вот что достал каждый.

Дословные цитаты отказов. Модель вытащила из отзывов прямую речь: «пришла лечить зуб, отказали в лечении, могут сделать только мост»; «звонила специалисту-ортодонту, можно ли записаться — сказали подождать и сбросили звонок». Такие формулировки можно ставить в контент как есть: человек читает свою собственную мысль и узнаёт себя.

Четыре силы переключения (Moesta, Christensen). Разложили те же цитаты по четырём силам. Выталкивает: отказ клиники бороться за зуб, грубость врачей, непрозрачное ценообразование, завышение стоимости постфактум. Притягивает: обещание честной цены, гарантия, экономия времени. Тревога: страх боли. Инерция: «потом схожу».

Сегментация на группы. Пять сегментов с описанием ситуации, желания, барьера и двумя-тремя дословными цитатами на каждый. Появились «защитники своих зубов» (зуб разрушен, хотят сохранить живым) и «чувствительные к финансовой честности» (нужна предсказуемая цена).

Дерево проблем. Центральная проблема — низкое принятие плана лечения. Корни: медицинский жаргон, слабая демонстрация ценности, отсутствие альтернативных планов, неуверенность врача при презентации, страх называть крупные суммы, скрытые платежи. Последствия — отдельной веткой.

Противоречия и пробелы. Отдельный прогон на то, где источники расходятся и на какие вопросы ответов нет вообще. Вылезло: право врача отказать при острой боли, диабет как противопоказание, что происходит с имплантом после срока службы, как защититься от подмены импланта. Это не выдумано — это вопросы, которые люди реально задают и на которые никто не отвечает. Кто ответит первым, тот и заберёт внимание.

Каждый результат сохраняется в заметку. Это будущие источники для итогового отчёта.

Где лежит бриллиант: разрыв между спросом и предложением

Теперь включаем обе стороны сразу — выжимки с болями и папку конкурентов — и просим найти разрыв: что люди хотят, что компании предлагают, чего не хватает.

Вот что вышло в разборе:

письменная смета до начала лечения, которая не меняется;
вариант «сохранить зуб» всегда на столе, а не только удаление;
визуализация результата на экране до оплаты;
рассрочка вместо скидки;
куратор, закреплённый за пациентом;
паспорт импланта с серийным номером — оффер, которого не оказалось ни у одного конкурента, при том что страх подмены зафиксирован в отзывах прямым текстом.

Заметьте: ни один из этих пунктов не про цену. Это всё про страх, который никто не снимает. Вот на что смотрят, когда говорят «точки роста бизнеса».

Отдельный прогон — аудит своего сайта против конкурентов. Модель сверяет ваш первый экран с их первыми экранами и выдаёт чек-лист для веб-разработчика: добавить квиз-расчёт вместо статичной формы, блок «гарантия честной цены», кейсы историями вместо сухих таблиц, консультация без лечения.

42 фреймворка: восемь полок вместо интуиции

Всё, что выше, — это применение конкретных методов, а не «поболтал с нейросетью». Такие методы McKinsey, Bain и BCG вырабатывали десятилетиями, и сегодня они доступны бесплатно. Я собрал их в библиотеку из 42 штук на восьми полках — она целиком во вкладке «Гайд», с автором, первоисточником, шагами и готовым промптом к каждому.

Полка	Что закрывает	Например
1. Рамка и тип задачи	Не даёт решать задачу не тем методом	Cynefin, Двойной алмаз, MECE, SCQA, пирамида Минто
2. Голос клиента	Настоящая причина покупки, а не мнение о продукте	JTBD и Switch-интервью, четыре силы, тест мамы, CJM
3. Приоритет	Ранжирует находки числом, а не ощущением	Opportunity Score и ODI, RICE, ICE, модель Кано
4. Размер и деньги	Сколько там денег и в каком узком кармане	TAM/SAM/SOM снизу вверх, карманы роста, юнит-экономика
5. Причина проблемы	Докапывается до корня, а не лечит симптом	Дерево проблем, 5 почему, точки рычага Медоуз, ТРИЗ
6. Модель и позиция	Превращает инсайт в структуру бизнеса	BMC, VPC, Lean Canvas, ERRC, шесть путей, 7 Powers
7. Оффер и его слом	Проверяет оффер до того, как потратили деньги	Working Backwards и PR/FAQ, карта допущений, Pre-Mortem
8. Проверка	Ловит выдуманные цитаты и отравленные источники	Протокол из пяти правил, два первоисточника, трассировка

Порядок — это рабочая последовательность, а не рейтинг: каждая следующая полка съедает артефакт предыдущей. Начинать с шестой, минуя вторую, — это придумать бизнес-модель под клиента, которого вы не слушали.

Одну формулу стоит запомнить наизусть — Opportunity Score Тони Ульвика:

Score = Важность + max(Важность − Удовлетворённость, 0)

Обе метрики по шкале 0–10. Больше 15 — сегмент сильно недообслужен, это точка роста. Меньше 10 — переобслужен, кандидат на упрощение и удешевление. Это единственный фреймворк в библиотеке с настоящей формулой, и он превращает «мне кажется, тут есть спрос» в число.

Полка проверки: то, чего нет ни в одном курсе

Здесь придётся быть неприятным. Модель врёт, и врёт уверенно.

В исследовании GhostCite (2026) прогнали 375 440 цитат у 13 моделей на 40 доменах. Доля выдуманных ссылок разошлась от 14,23 % у лучшей модели (DeepSeek) до 94,93 % у худшей (Hunyuan). То есть разброс между моделями больше, чем сам факт ошибки: одна и та же задача у разных моделей даёт принципиально разное качество источников. Там же — доля статей с несуществующими цитатами на конференциях по AI и безопасности за 2020–2025: 1,07 %, но с ростом на 80,9 % за один только 2025 год.

Цифры по выдуманным DOI в гуманитарных дисциплинах (89,4 %) и по юридическим цитатам (58–88 %) я привожу со ссылкой на вторые руки — сам первоисточник не открывал. Так и говорю, вместо того чтобы выдать это за проверенный факт.

Отсюда протокол из пяти правил, который стоит держать перед глазами:

Никогда не верить цитате без перехода по ссылке и чтения оригинального куска.
Для любого числа — минимум два независимых первоисточника.
Юридическое, медицинское, финансовое проверять руками — там врут больше всего.
Требовать от модели явно помечать, где источник не найден, вместо гладкого текста поверх дыры.
Сохранять сырую трассировку: что модель искала и что нашла. Только это позволяет аудировать процесс, а не читать красивый вывод.

Именно поэтому в методе два инструмента, а не один. NotebookLM даёт привязку к источнику на каждое утверждение — вы кликаете и видите, откуда это взято.

Сборка результата: отчёт и офферы

Все сохранённые заметки выгружаются в документы и складываются в одну папку. Дальше папка открывается в Claude Code, Codex или внутри Antigravity — модель будет опираться на ваши материалы, а не на общие знания. Это тот же принцип, что и с базой знаний для бизнеса: ценность даёт не модель, а то, на что она смотрит.

Дальше два запроса. Первый собирает HTML-страницу для владельца бизнеса по принципу пирамиды Минто: сначала ответ, потом обоснование, пять конкретных действий и калькулятор «было — стало», где под каждой цифрой стоит ссылка на источник. Второй — десять офферов на основе тех же материалов, с указанием, на какой страх отвечает каждый и есть ли такой оффер у конкурентов.

Про калькулятор нужно сказать честно. Цифра, которую он показывает, — это модель, а не обещание. Она считает, что будет, если изменятся заданные вами допущения. Ровно так её и надо показывать владельцу бизнеса: не «вы заработаете столько», а «вот при каких условиях получается столько, и вот откуда каждое число».

Пять ошибок, которые убивают исследование

Загрузить конкурентов вместе с отзывами. Их сайты содержат отзывы, написанные ими самими. Модель примет это за голос рынка.
Начать с решения, а не с потока «деньги». Можно провести идеальное исследование ниши, в которой нет денег.
Взять цифру из модели и не проверить. Смотрите GhostCite выше. Любое число — два первоисточника.
Спрашивать у обычного чата. Он ответит правдоподобно и подтвердит любую вашу гипотезу. Исследование делается на источниках.
Остановиться на понимании проблемы. Большинство методик доводят до «мы поняли клиента» и там заканчиваются. Полки 5–8 существуют ровно для того, чтобы довести до денег.

Инструменты, которые нужны

Инструмент	Роль в методе	Чем заменить
NotebookLM	Сбор и анализ строго по источникам, ярлыки, привязка цитат	Нечем — это единственный массовый инструмент с жёстким grounding
Perplexity	Глубокое исследование: находит страницы с речью реальных людей	Deep Research в ChatGPT или Gemini
Claude Code / Codex / Antigravity	Расчёты, HTML-отчёт, офферы, дашборд	Любая модель с доступом к вашей папке
Яндекс Wordstat	Поток «спрос»: частотность, хвосты, подсказки	Планировщик Google Ads
ГИР БО, DaData, Checko	Поток «деньги»: выручка, прибыль, размер игроков	Открытые данные ФНС

Отдельно про глубину. Голос рынка можно собирать не только из отзывов — кастдев за два часа через AI-промпты даёт ту же сырьевую базу другим путём. А если вы ещё не выбрали нишу и ищете, куда вообще заходить, начните с ниш, где клиент обязан заплатить: сначала рынок, потом уже разбор внутри него.

Частые вопросы

Почему для анализа рынка нельзя обойтись обычным ChatGPT? Можно, но результат будет другого качества. Обычный чат отвечает из того, на чём его обучили, и подстраивается под вас. NotebookLM отвечает только по загруженным источникам и даёт ссылку на конкретный кусок. Поэтому сбор и анализ идут в нём, а расчёты и упаковку делает вторая модель.

Сколько времени занимает такое исследование? Полный разбор ниши в видео уложился в 32 минуты, но это демонстрация метода. На реальный проект закладывайте вечер: час на сбор источников, час-полтора на прогон фреймворков, ещё час на сборку отчёта и офферов. Дольше всего идёт не анализ, а сбор.

Что делать, если сайт с отзывами не открывается в NotebookLM? Открыть страницу в браузере, Cmd+A, Cmd+C и вставить через «Скопированный текст». Если материал не ценный — удалить все недоступные источники одной кнопкой.

Можно ли брать отзывы с сайтов конкурентов? Собирать — да, анализировать вместе с настоящими отзывами — нет. Держите конкурентов в отдельной папке и отключайте, когда ищете реальные боли.

Насколько можно доверять цифрам, которые приносит ИИ? Проверять надо каждую. Два независимых первоисточника на любое число, руками — всё юридическое, медицинское и финансовое.

Этот метод работает только для локального бизнеса? Нет. Стоматология взята наугад — у неё просто много публичных отзывов. Меняются источники, схема из четырёх потоков остаётся.

Итог

Исследование — это не разговор с моделью, а работа с источниками. Качество выводов упирается ровно в качество того, что вы загрузили.
Четыре потока обязательны все. Голос рынка без денег даёт красивую нишу без прибыли, деньги без голоса — прибыльную нишу, в которой вы ничего не понимаете.
Бриллиант лежит в разрыве. Между тем, чего люди боятся, и тем, что им продают. Почти всегда — не в цене.
Каждое число проверяется руками. Полка 8 не для галочки: разброс выдуманных цитат между моделями достигает 80 процентных пунктов.
Фреймворки бесплатны и лежат готовыми. McKinsey и Christensen вырабатывали их десятилетиями — забирайте во вкладке «Гайд», там 42 штуки с промптами.

AI должен зарабатывать, экономить время и повышать эффективность — иначе в чём смысл. Исследование, которое раньше стоило от миллиона, теперь делается за вечер. Вопрос только в том, сядете вы его делать или продолжите конкурировать ценой.

Интерактивный гайд · 9 частей · 57 шагов

Анализ рынка с помощью ИИ: метод 4 потоков и 42 фреймворка

Что внутри

42 фреймворка на восьми полках — от Cynefin и JTBD до 7 Powers и Pre-Mortem, с автором, годом и первоисточником
Готовый промпт к каждому — копируешь и вставляешь в NotebookLM, Claude или ChatGPT, ничего не переписывая
Метод четырёх потоков — как за один вечер собрать голос рынка, спрос, деньги и предложение в одном месте
Полка проверки, которой нет ни в одном курсе: пять правил против выдуманных цитат и отравленных источников
Разбор живого кейса — стоматология, взятая наугад: от первых отзывов до офферов и HTML-дашборда
Где каждый фреймворк ломается — честно, чтобы не натянуть красивую схему на неподходящую задачу

МЕТОД: четыре потока

Инструмент: NotebookLM + Perplexity + Claude Code / Codex

0.1

Шаг 0.1

Что вообще собираем и зачем

Главная идея метода

Бриллиант лежит на стыке спроса и предложения. Люди боятся одного, компании продают другое. Разрыв между страхом клиента и тем, что ему предлагают, и есть точка роста.

Схема метода

Четыре потока сходятся в одно решение

Каждый поток отвечает на свой вопрос. По отдельности это просто данные, вместе — карта, где копать.

Поток 1

Голос рынка — почему уходят

Отзывы на агрегаторах и картах, тематические Telegram-чаты, комментарии под чужими видео, обсуждения на vc.ru. Грабли: капча, геоблок, JS-рендер, чёрный список User-Agent у карт.

Поток 2

Спрос — чего боятся ещё до звонка

Яндекс Wordstat, частотность и хвосты запросов, подсказки поиска. Грабли: капча при частых запросах, лимит с одного IP, для полного доступа нужна авторизация.

Поток 3

Деньги — сколько тут вообще есть

ГИР БО (бухотчётность), DaData, Checko, ЕГРЮЛ, Прозрачный бизнес. Грабли: часть данных платная, ГИР БО обновляется с задержкой на отчётный период, лимиты API.

Поток 4

Предложение — что рынок отвечает

Сайты компаний ниши, их прайсы, первые экраны, реклама. Грабли: сайты на React или Vue без серверного рендера отдают пустой каркас, часть прайсов только по запросу.

Подсказка

Все четыре потока грузятся в NotebookLM: он держится за источники и не выдумывает за их пределами. Сжатая выжимка уходит во вторую модель — Claude Code, Codex или Antigravity — она считает цифры и собирает готовое решение.

0.2

Шаг 0.2

Собираем голос рынка

Действия

Откройте отзывы своей компании и всех конкурентов на агрегаторах и картах, скопируйте адрес страницы именно с отзывами
В NotebookLM нажмите «Добавить источники» → «Ссылка на сайт» и закидывайте по одной. Чем больше накидаете, тем лучше
Особенно ценны негативные отзывы: вслух вам этого никто не скажет — недовольный клиент просто уходит молча и больше не возвращается
Сайт подсветился красным и не подтянулся — откройте его в браузере, Cmd+A, Cmd+C и вставьте через «Скопированный текст»
Ненужное чистится одной кнопкой «Удалить все недоступные источники»

Важно

Если загрузите в NotebookLM мусор — на выходе получите мусор. Он не выдумывает, но и не фильтрует: качество выводов упирается ровно в качество источников.

0.3

Шаг 0.3

Добираем первоисточники через Perplexity

Действия

Откройте Perplexity, включите режим глубокого исследования (в коннекторах уже выбран веб)
Академический поиск включайте только если вам нужны научные публикации — для рынка он лишний
Полученный список ссылок скопируйте целиком и добавьте в NotebookLM
Второй запрос — точечный, про вашу главную боль: почему клиенты уходят думать после того, как услышали цену

Промпт → Perplexity (глубокое исследование)

Найди в русскоязычном интернете страницы, где реальные люди обсуждают выбор [ниша: например, стоматологической клиники].
Мне нужны страницы с развёрнутыми высказываниями людей, а не рекламные тексты компаний и не SEO-статьи.
Верни ответ одним списком голых URL, без описаний и без комментариев.

Промпт → Perplexity (причина отказа)

Собери, что известно о причинах, по которым клиенты отказываются от [услуга] уже ПОСЛЕ консультации — когда им озвучили план работ и его стоимость.
Нужны страницы с реальными высказываниями людей и разборами практиков.
Верни ответ одним списком голых URL.

Подсказка

Когда вы загружаете в NotebookLM то, что говорят живые люди, вы начинаете говорить их словами. От города к городу формулировки отличаются кардинально — а если вы говорите как ваш клиент, он начинает вас понимать.

0.4

Шаг 0.4

Раскладываем источники по ярлыкам

Действия

В панели источников нажмите автоматическую сортировку — NotebookLM сам присвоит ярлыки и сгруппирует материалы
Поправьте руками и добавьте свои папки. Минимум нужны — Отзывы, Конкуренты, Причины отказа, Спрос, Наша компания
Свой сайт держите отдельным источником — вы будете сравнивать себя с конкурентами
Дальше вы играете на этих папках как на пианино: под каждый вопрос включаете только нужные

Важно

Конкурентов отключайте, когда ищете реальные боли. На их сайтах висят отзывы, которые они вполне могли написать себе сами, — модель примет их за голос рынка и отравит всю выборку. Включайте обратно, когда разбираете предложение.

0.5

Шаг 0.5

Первый прогон — общая картина

Промпт → NotebookLM (базовый обзор)

Пройдись по всем загруженным источникам целиком и дай общую картину: о чём источники в сумме говорят.
Выдели 5-7 главных тем.
Отдельно скажи: что повторяется чаще всего, а что упоминается редко, но звучит эмоционально сильно.
Опирайся только на загруженные источники.

Результат

Базовая карта тем. Ценность в ней есть, но это ещё не бриллианты — дальше идут фреймворки с восьми полок, каждый достаёт свой срез.

0.6

Шаг 0.6

Находим разрыв — там и лежит бриллиант

Промпт → NotebookLM (разрыв спрос ↔ предложение)

Проанализируй все отзывы людей и определи, что они хотят на самом деле.
Потом отдельно проанализируй, что предлагают компании из папки «Конкуренты».
Найди разрыв: чего людям не хватает и чего никто на рынке не предлагает.
Скажи, что мне стоило бы добавить в свой бизнес, чтобы стать конкурентоспособнее, привлечь новых клиентов и поднять маржинальность.
Каждый вывод подкрепи ссылкой на конкретный источник.

Промпт → NotebookLM (аудит своего сайта)

В источниках есть сайт нашей компании (источник «Наша компания»), выжимки из проведённого анализа и папка «Конкуренты».
Проанализируй наш сайт, сверь его с выжимками и с сайтами конкурентов.
Скажи, что нужно добавить и что изменить, чтобы сайт стал конверсионнее: какие блоки, какие формулировки, какие слабые места убрать.
В конце дай чек-лист задач для веб-разработчика.

Результат

Список конкретных разрывов с цитатами и чек-лист правок. В разборе так нашлись: письменная смета до начала работ, вариант «сохранить», визуализация результата до оплаты, рассрочка вместо скидки, куратор за клиентом.

0.7

Шаг 0.7

Сборка отчёта и офферов во второй модели

Действия

Выгрузите все сохранённые заметки NotebookLM в документы и сложите их в одну папку на компьютере
Откройте эту папку в Claude Code, Codex или внутри Antigravity — модель будет опираться на ваши материалы, а не на общие знания
Соберите итоговый HTML-отчёт для владельца бизнеса
Отдельным запросом соберите офферы на основе тех же материалов

Промпт → Claude Code / Codex (отчёт)

Собери самодостаточную HTML-страницу для владельца бизнеса по материалам в этой папке.
Структура по принципу пирамиды Минто: сначала ответ, потом обоснование, сверху вниз.
Обязательно включи:
- главный вывод одним абзацем в самом верху;
- пять конкретных действий с объяснением, почему именно они;
- 'калькулятор «было — стало»: я меняю входные цифры, страница пересчитывает результат;'
- под каждой цифрой — ссылку на факт из источника, откуда она взята.
Ничего не выдумывай: если данных для цифры нет, так и напиши.

Промпт → Claude Code / Codex (офферы)

Используй навык нейромаркетинга и предложи 10 офферов, которые мы могли бы разместить на сайте, чтобы конверсия в заявку выросла в несколько раз.
Опирайся только на материалы в этой папке: реальные страхи и формулировки людей из отзывов и разрыв с предложением конкурентов.
Для каждого оффера укажи: на какой страх он отвечает, какой цитатой из источников он подкреплён и есть ли такой оффер у конкурентов.
Отдельно выдели те, которых точно нет ни у кого.

Важно

Цифры в калькуляторе — это модель, а не обещание. Она показывает, как изменится результат при заданных вами допущениях, и ровно так её и нужно показывать владельцу бизнеса.

ПОЛКА 1: Рамка и тип задачи

Инструмент: Cynefin · Двойной алмаз · Дерево вопроса и принцип MECE · SCQA · Принцип пирамиды Минто

1.0

Шаг 1.0

Зачем эта полка

Подсказка

С чего начинается любое исследование: понять, какого типа перед тобой задача, и превратить размытый запрос в проверяемый вопрос. Пять инструментов ниже не решают задачу, они ставят её правильно, до того как ты потратишь часы агента на анализ не того и не так.

1.1

Шаг 1.1

Cynefin · Cynefin Framework

Подсказка

Что делает: сортирует задачу по одному из пяти доменов (простая, сложная-но-понятная, комплексная, хаотичная, неопределённая) в зависимости от того, видна ли причинно-следственная связь заранее, задним числом или не видна вообще. От домена зависит, каким методом вообще можно её решать

Когда брать: в первую же минуту работы над исследованием, до того как выбрал issue tree, интервью или А/Б-тест

Действия

Опиши, что ты знаешь про причину и следствие в этой задаче
Проверь: если повторить те же условия, получится тот же результат? Если да и это очевидно всем, это домен Clear (Simple)
Если результат тот же, но чтобы это увидеть, нужен эксперт, это Complicated
Если причинно-следственная связь видна только задним числом, после эксперимента, это Complex
Если система в кризисе и нет времени разбираться, это Chaotic
Если непонятно, к какому домену вообще отнести задачу, это Disorder, и первым делом нужно выйти из него в один из четырёх
Под домен выбери метод: для Clear это best practice, для Complicated это экспертный анализ и issue tree, для Complex это маленький эксперимент и наблюдение (probe-sense-respond), для Chaotic это сначала стабилизировать, потом разбираться

Промпт → Cynefin

Помоги классифицировать задачу по фреймворку Cynefin (Snowden). Задача: [опиши задачу и что уже известно о причинах и следствиях].
Ответь по пунктам:
1) видна ли причинно-следственная связь заранее, только задним числом, или не видна вообще
2) к какому домену относится задача: Clear, Complicated, Complex, Chaotic или Disorder, и почему
3) какой метод работы подходит для этого домена
4) какие инструменты анализа (issue tree, экспертная оценка, A/Б-тест) НЕ стоит применять здесь и почему
Не сглаживай неопределённость: если задача Complex, скажи это прямо, даже если это неудобно.

Результат

На выходе: ярлык домена задачи плюс список методов, которые в этом домене вообще имеют смысл

Важно

Где ломается: если натянуть Complicated-методы (декомпозиция, экспертный анализ) на Complex-задачу вроде поведения рынка или нового спроса, получишь красивую, но неверную структуру: там причина видна только после эксперимента, а не до него. И наоборот, гонять пробы и эксперименты там, где давно есть готовый экспертный ответ, это трата времени. Ошибка чаще всего в одну сторону: люди почти всегда принимают Complex за Complicated, потому что так спокойнее

Подсказка

Автор: Дэйв Сноуден (Dave Snowden), первая версия в 1999 году, во время работы в IBM Global Services. Широкую известность фреймворк получил после статьи в соавторстве с Мэри Бун (Mary Boone)

Источник: Snowden D., Boone M., «A Leader's Framework for Decision Making», Harvard Business Review, ноябрь 2007. hbr.org/2007/11/a-leaders-framework-for-decision-making

1.2

Шаг 1.2

Двойной алмаз · Double Diamond

Подсказка

Что делает: делит процесс на два цикла «разойтись → сойтись» подряд: сперва разбираешься с проблемой, потом отдельно с решением. Не даёт свернуть в решение раньше, чем понял проблему

Когда брать: когда задача выглядит как «сделать продукт, сервис или контент под аудиторию», а не как «оценить размер рынка». Хорошо ложится сразу после Cynefin, когда домен определён как Complex

Действия

Discover: собери максимум сырых наблюдений про проблему и аудиторию, специально не сужай и не оценивай
Define: сожми всё собранное до одной конкретной формулировки проблемы
Развилка: заново проверь, та ли это проблема, ради которой всё затевалось
Develop: сгенерируй максимум разных вариантов решения именно этой проблемы
Deliver: протестируй кандидатов, отбери один, доведи до готового решения

Промпт → Двойной алмаз

Веди меня через Double Diamond (Design Council) по задаче: [опиши продукт, нишу, аудиторию].
Пройди по фазам явно:
1) Discover: собери максимум наблюдений и данных о проблеме аудитории [ниша], пока без выводов
2) Define: сожми это до одной конкретной формулировки проблемы
3) Develop: предложи 5-7 разных направлений решения именно этой проблемы
4) Deliver: выбери одно направление и опиши, как его быстро проверить
На каждом шаге скажи прямо: ты сейчас расходишься (ищешь варианты) или сходишься (сужаешь и выбираешь).

Результат

На выходе: после первого алмаза, чёткая формулировка проблемы одним предложением. После второго, проверенное решение

Важно

Где ломается: люди с исследовательским складом застревают в первом алмазе и не замечают, что пора сходиться, Discover тянется бесконечно. Сам по себе фреймворк не даёт числа и приоритета, он просто про форму процесса, поэтому сверху всё равно нужны MECE и Opportunity Score, иначе непонятно, какую из найденных проблем выбрать

Подсказка

Автор: Design Council, Великобритания. Модель придумала команда под руководством Ричарда Айзермана (Richard Eisermann) в 2003-2004 годах, разобрав собственные проектные методы Design Council, показала её впервые публично в 2004 году и оформила в отчёте в 2005 году

Источник: Design Council, «Framework for Innovation» (актуальная версия фреймворка, ревизия 2019 года добавила четыре design principles к исходной модели 2005 года). designcouncil.org.uk/resources/framework-for-innovation

1.3

Шаг 1.3

Дерево вопроса и принцип MECE · Issue Tree & MECE

Подсказка

Что делает: разбивает один большой вопрос на подвопросы так, чтобы части не пересекались друг с другом (mutually exclusive) и вместе покрывали всё поле без дыр (collectively exhaustive)

Когда брать: когда исследование расползается и непонятно, что уже покрыто, а что нет. Обязателен перед тем, как запускать несколько параллельных субагентов на разные подтемы

Действия

Сформулируй главный вопрос исследования одним предложением
Разбей его на подвопросы верхнего уровня
Проверь пересечение: не отвечают ли два подвопроса по сути на одно и то же
Проверь полноту: не пропущен ли явный кусок темы
Каждый подвопрос разбей на следующий уровень по тому же правилу
Останови декомпозицию там, где подвопрос закрывается одним источником или одним фактом
Собери дерево обратно снизу вверх в ответ на главный вопрос

Промпт → Дерево вопроса и принцип MECE

Построй issue tree по принципу MECE (Barbara Minto) для главного вопроса: [сформулируй вопрос].
Требования:
1) подвопросы верхнего уровня не должны пересекаться по смыслу
2) вместе они должны покрывать весь вопрос без пробелов
3) для каждого подвопроса укажи, какой источник или метод даст на него ответ: [источники]
4) отдельно покажи, где MECE нарушается: какие ветки пересекаются или что упущено
Ниша: [ниша]. Цель исследования: [цель].

Результат

На выходе: issue tree, схема вопросов без дублей и без пропусков, по которой можно раздать куски параллельным агентам или людям

Важно

Где ломается: MECE честно работает только там, где причинно-следственные связи в задаче известны, то есть в доменах Clear и Complicated по Cynefin. На Complex-задачах (поведение рынка, будущий спрос) дерево создаёт иллюзию полноты там, где реальность не структурирована так аккуратно, ты просто нарисовал красивую сетку поверх хаоса. Вторая частая ошибка: ветки формально не пересекаются по словам, но по сути отвечают на один и тот же вопрос

Подсказка

Автор: принцип MECE придумала Барбара Минто (Barbara Minto), первая консультантка McKinsey с MBA, редактируя чужие отчёты в лондонском офисе (1966–1973). Сам issue tree как техника, атрибуция не подтверждена: это общая практика McKinsey, выросшая из MECE, а не отдельное изобретение с именем автора

Источник: Minto B., «The Pyramid Principle: Logic in Writing and Thinking», 1985 (переиздание 1996 года, «The Minto Pyramid Principle»). Метод и термин MECE (mutually exclusive, collectively exhaustive) закреплены как внутренняя практика McKinsey & Company

1.4

Шаг 1.4

SCQA

Подсказка

Что делает: формула из четырёх шагов (Situation, Complication, Question, Answer), которая переводит размытый запрос заказчика в один конкретный проверяемый вопрос

Когда брать: в самом начале, перед брифом на исследование, когда есть только тема, а вопроса ещё нет

Действия

Situation: опиши стартовую ситуацию, с которой аудитория согласится без спора
Complication: назови, что именно нарушило эту ситуацию, что изменилось
Question: сформулируй вопрос, который прямо вытекает из этого разрыва
Answer: дай гипотезу ответа, это же и есть будущая верхушка пирамиды исследования
Проверь: это правда тот вопрос, который волнует заказчика, а не тот, который просто удобно исследовать

Промпт → SCQA

Переведи мой размытый запрос в проверяемый исследовательский вопрос по формуле SCQA (Barbara Minto).
Сырой запрос как есть: [вставь запрос].
Дай:
Situation: ситуация, с которой согласится любой человек в теме [ниша]
Complication: что конкретно её нарушило или изменилось
Question: вопрос, который отсюда логически вытекает
Answer: гипотеза ответа, которую дальше будем проверять источниками [источники]
Если Complication притянут за уши, скажи это прямо и предложи честную версию.

Результат

На выходе: одно-два предложения, формулирующих проверяемый исследовательский вопрос вместо размытого «изучи нишу X»

Важно

Где ломается: если Complication притянут за уши, придуман для драматизма, а не взят из реальности, вся цепочка приводит к вопросу, который никого не волнует. Ещё частая поломка: пропускают Situation и сразу лепят Question, тогда аудитория не согласна с почвой под вопросом и не принимает даже верный ответ

Подсказка

Автор: Барбара Минто, 1970-1980-е, часть того же метода, что и Pyramid Principle

Источник: Minto B., «The Pyramid Principle: Logic in Writing and Thinking», 1985 (McKinsey & Company, внутренняя практика структурирования отчётов)

1.5

Шаг 1.5

Принцип пирамиды Минто · Minto Pyramid Principle

Подсказка

Что делает: организует любой вывод, текст, презентацию или отчёт сверху вниз: сначала главный ответ, потом аргументы, которые его держат, потом факты под каждым аргументом. Это финальная сборка того, что накопали issue tree и SCQA

Когда брать: когда пишешь финальный отчёт по исследованию или собираешь результат работы issue tree в текст для заказчика

Действия

Сформулируй главный вывод одним предложением, это верхушка пирамиды
Подбери 3-5 аргументов уровнем ниже, которые в сумме доказывают этот вывод, и тоже проверь их на MECE
Под каждый аргумент подставь конкретные факты и данные, которые его подтверждают
Проверь логику снизу вверх: факты правда доказывают аргумент, аргумент правда доказывает вывод
Проверь логику сверху вниз: если убрать любой аргумент, вывод перестаёт быть доказанным
Помести главный вывод в начало документа или речи, а не в конец

Промпт → Принцип пирамиды Минто

Собери мой исследовательский результат в структуру по принципу пирамиды Минто.
Сырые находки и данные: [вставь заметки и факты].
Сделай:
1) сформулируй главный вывод одним предложением, он идёт первым
2) подбери 3-5 аргументов уровнем ниже, которые в сумме доказывают вывод, и проверь их на MECE
3) под каждый аргумент подставь конкретные факты из моих данных
4) проверь логику снизу вверх и сверху вниз, покажи, где аргументации не хватает данных
Не добавляй фактов, которых нет в источниках: [источники].

Результат

На выходе: структура текста или презентации, где вывод идёт первым, а аргументация разворачивается сверху вниз, а не как детектив с разгадкой в конце

Важно

Где ломается: если пирамиду строят раньше, чем есть данные, то есть вывод придуман из головы, а факты под него подгоняются задним числом, получается красиво оформленное вранье самому себе. Ещё пирамида не заменяет анализ: она только про подачу уже готового вывода, а не про то, как этот вывод добыть, спутать эти две вещи легко

Подсказка

Автор: Барбара Минто, метод сложился в McKinsey в конце 1960-х, начале 1970-х годов, оформлен в книге в 1985 году

Источник: Minto B., «The Pyramid Principle: Logic in Writing and Thinking», 1985 (переиздание 1996 года, «The Minto Pyramid Principle: Logic in Writing, Thinking and Problem Solving»)

ПОЛКА 2: Голос клиента

Инструмент: Джобс-теория и Switch-интервью · Четыре силы прогресса · Тест мамы · Карта пути клиента · Карта экосистемы · Сервисный чертёж

2.0

Шаг 2.0

Зачем эта полка

Подсказка

## Полка 2. Голос клиента Люди почти всегда врут не со зла: хвалят из вежливости, объясняют покупку задним числом, вспоминают не то, что было на самом деле. Инструменты этой полки достают настоящую причину, по которой человек купил или не купил, вместо его мнения о продукте.

2.1

Шаг 2.1

Джобс-теория и Switch-интервью · Jobs to Be Done & The Switch Interview

Подсказка

Что делает: вместо вопроса «что вам не нравится в продукте» ищет конкретный момент, когда человек реально принял решение купить или сменить поставщика, и что его к этому подтолкнуло

Когда брать: на входе в разработку оффера, до количественных опросов, когда нужно понять, почему реальные клиенты купили именно у тебя и именно сейчас

Действия

Найди «новобранца»: человека, который купил или сменил решение не больше 60-90 дней назад
Восстанови линию времени от первой мысли о недовольстве до покупки
Найди точку «первая мысль»: когда впервые кольнуло, что текущее решение не годится
Найди точку «пассивный поиск»: когда стал присматриваться, ещё не ища активно
Найди точку «активный поиск» и момент решения: что стало последней каплей
Вытащи, что подталкивало, что притягивало, какие страхи и привычки держали на месте
Сформулируй job story: «когда ___, я хочу ___, чтобы ___»

Промпт → Джобс-теория и Switch-интервью

Ты интервьюер по методу Switch-интервью (Christensen, Moesta). Вот расшифровка разговора с клиентом, который недавно купил [продукт/услугу] в нише [ниша]: [вставить транскрипт].
Восстанови линию времени: первая мысль о недовольстве, пассивный поиск, активный поиск, момент решения, покупка.
Для каждой точки вытащи: что подтолкнуло, что притянуло, какие страхи держали, какую привычку пришлось сломать.
В конце сформулируй job story в формате «когда ___, я хочу ___, чтобы ___».
Если данных для какого-то пункта нет, не додумывай, пиши явно [нет данных].

Результат

На выходе: job story и разобранная по шагам линия времени конкретной покупки, с дословными формулировками клиента, а не пересказом

Важно

Где ломается: люди рационализируют задним числом и забывают эмоции момента, интервьюер без навыка соскальзывает в обычный опрос мнений. На выборке меньше 10-15 интервью легко обмануться одним ярким случаем. Метод не работает, если человек ещё не купил: тогда это гипотезы, а не голос клиента

Подсказка

Автор: заложено в 1990-х, когда Bob Moesta с командой консультировал McDonald's по продажам молочных коктейлей и обратился за помощью к Clayton Christensen. Теория оформлена в статье Christensen, Cook, Hall и в книге Christensen, Hall, Dillon, Duncan, 2016. Метод Switch-интервью и разбор линии времени переключения позже развили и систематизировали Bob Moesta и Chris Spiek

Источник: Clayton Christensen, Scott Cook, Taddy Hall, «Marketing Malpractice: The Cause and the Cure», Harvard Business Review, декабрь 2005 (hbr.org/2005/12/marketing-malpractice-the-cause-and-the-cure); книга Clayton Christensen, Taddy Hall, Karen Dillon, David Duncan, «Competing Against Luck», HarperBusiness, 2016; методика Switch-интервью, Bob Moesta и Chris Spiek, Re-Wired Group, jobstobedone.org

2.2

Шаг 2.2

Четыре силы прогресса · The Four Forces of Progress

Подсказка

Что делает: объясняет формулой, почему человек либо решается на смену, либо остаётся на месте, даже когда новый вариант объективно лучше

Когда брать: когда клиент вроде согласен, но не покупает, и нужно разобраться, что именно его держит. При работе с возражениями и в продающих текстах

Действия

Найди Push: что именно в старой ситуации разонравилось, стало болеть
Найди Pull: что конкретно в новом варианте притягивает, не абстрактная выгода, а образ будущего
Найди Anxiety: конкретные страхи смены, а не общее «страшно»
Найди Habit: что привычного придётся бросить
Сопоставь силы: что сейчас перевешивает у этого конкретного человека
Реши, на какую силу давить в оффере или тексте

Промпт → Четыре силы прогресса

У меня есть данные по клиентам [транскрипты switch-интервью / отзывы / переписка] по продукту [продукт] в нише [ниша]: [вставить источники].
Разбери их по четырём силам прогресса Moesta: Push (что не устраивало в старом), Pull (что притянуло в новом), Anxiety (конкретные страхи смены), Habit (что привычного пришлось бросить).
Под каждую силу дай 2-3 дословные цитаты клиентов, не обобщай своими словами.
В конце ответь: какая сила сейчас доминирует и мешает продаже, и что конкретно в оффере или тексте её ослабит или усилит.

Результат

На выходе: карта из четырёх сил с дословными цитатами клиента под каждой и выводом, какую силу усиливать, а какую снимать

Важно

Где ломается: если карту строят не из реального switch-интервью, а из головы маркетолога, это фантазия, а не инструмент. Anxiety и Habit легко перепутать между собой. Несмотря на вид формулы, это качественная линза, а не число для расчёта конверсии

Подсказка

Автор: Bob Moesta и Chris Spiek, диаграмма разработана в рамках развития джобс-методологии, изложена в книге Christensen, Hall, Dillon, Duncan «Competing Against Luck», 2016, и независимо систематизирована Alan Klement в книге «When Coffee and Kale Compete», 2016

Источник: jobstobedone.org, Re-Wired Group (Bob Moesta, Chris Spiek); «Competing Against Luck», HarperBusiness, 2016; Alan Klement, «When Coffee and Kale Compete», самиздат, 2016

2.3

Шаг 2.3

Тест мамы · The Mom Test

Подсказка

Что делает: даёт правила разговора с клиентом, чтобы люди не врали из вежливости. Метод достаёт факты о прошлом поведении, а не мнения о будущем продукте

Когда брать: на этапе исследования клиента, до того как построил продукт. Когда нужно проверить, купят ли идею на самом деле, а не понравится ли она на словах

Действия

Не спрашивай мнений и оценок вроде «как тебе идея», спрашивай про их жизнь
Спрашивай про конкретное прошлое поведение, а не про гипотетическое будущее
Спрашивай, что уже делали и за что уже платили, а не что «были бы готовы» делать
Слушай больше, чем говоришь про свой продукт
Копай в проблему, а не питчи решение
Фиксируй факты и цифры: сколько времени и денег тратят сейчас
Заканчивай разговор конкретным обязательством, а не вежливым «звучит интересно»

Промпт → Тест мамы

Проверь этот транскрипт разговора с клиентом на соответствие правилам The Mom Test (Fitzpatrick).
Разговор: [вставить транскрипт]. Ниша: [ниша]. Цель разговора была: [цель].
Найди все места, где интервьюер питчил идею вместо того чтобы копать в проблему, спрашивал мнение вместо факта о прошлом поведении, получал вежливый комплимент вместо конкретного обязательства.
Выпиши отдельно: факты о поведении и деньгах, мнения и комплименты (не считать доказательством), полученные или упущенные обязательства.
Дай 3 вопроса, которые нужно было задать вместо тех, что были заданы.

Результат

На выходе: список фактов о поведении и деньгах клиента, отдельно от его мнений и вежливой лжи, плюс список полученных обязательств

Важно

Где ломается: правила легко произнести, но трудно выполнить в моменте, основатель почти всегда сбивается на питч своей идеи. Метод не заменяет количественные данные о размере рынка. Он ловит вежливую ложь, но не ловит человека, который сам себя обманывает про своё будущее поведение. В b2b с длинным циклом закупки одного разговора недостаточно, нужна серия

Подсказка

Автор: Rob Fitzpatrick, 2013 (первое издание, самиздат через CreateSpace), переиздано Simon & Schuster

Источник: Rob Fitzpatrick, «The Mom Test: How to Talk to Customers and Learn If Your Business is a Good Idea When Everyone is Lying to You», 2013

2.4

Шаг 2.4

Карта пути клиента · Customer Journey Map

Подсказка

Что делает: раскладывает весь опыт клиента, от первого касания до отказа или повторной покупки, по этапам, действиям, эмоциям и точкам боли

Когда брать: когда нужно увидеть весь опыт целиком, а не один канал. Когда отвал происходит на стыке отделов и никто целиком не владеет картиной

Действия

Определи персону и конкретный сценарий: не «весь опыт», а один путь, например «новый клиент покупает впервые»
Выпиши этапы пути от начала до конца: осознание, поиск, выбор, покупка, использование, повтор
На каждом этапе распиши действия клиента: что он реально делает
Добавь точки касания: где человек взаимодействует с брендом
Наложи эмоциональную кривую: где радость, где раздражение, где отвал
Отметь моменты истины: точки, которые решают, останется человек или уйдёт
Найди разрывы между тем, что видит клиент, и тем, что происходит внутри компании

Промпт → Карта пути клиента

Собери карту пути клиента для сценария [конкретный сценарий, например «новый клиент впервые покупает [продукт] в нише [ниша]»] на основе этих данных: [источники: интервью, тикеты поддержки, аналитика, отзывы].
Разложи по этапам: осознание, поиск, выбор, покупка, использование, повтор или отказ.
На каждом этапе укажи: действия клиента, точки касания, эмоцию по шкале от раздражения до восторга и цитату из источника, если она есть.
В конце отдельным списком выпиши разрывы между ожиданием клиента и тем, что происходит на самом деле, отсортируй по критичности.

Результат

На выходе: таблица или таймлайн с этапами, действиями, эмоциями и точками боли, плюс список приоритетных разрывов для исправления

Важно

Где ломается: карту часто рисуют по ощущениям команды, а не по реальным данным о клиентах, тогда это красивая фантазия. Без привязки к switch-интервью или реальным данным (аналитика, звонки, тикеты) получается портрет среднего клиента, которого не существует. Слишком общая персона размывает инсайт, а сама карта устаревает быстро, если её не обновлять

Подсказка

Автор: единого автора нет. По распространённой версии, истоки в концепции «моментов истины» Jan Carlzon (Scandinavian Airlines, книга «Moments of Truth», 1987) и в работе Chip Bell и Ron Zemke, которые в 1985 году построили похожую карту для телефонной компании. Как самостоятельный инструмент CX и UX сложился в 1990-2000-е в практике дизайн-агентств, без одного признанного изобретателя

Источник: Jan Carlzon, «Moments of Truth», Ballinger, 1987; систематизация практики в Marc Stickdorn, Markus Hormess, Adam Lawrence, Jakob Schneider, «This Is Service Design Doing», O'Reilly, 2018

2.5

Шаг 2.5

Карта экосистемы · Ecosystem Map

Подсказка

Что делает: показывает не только клиента, а всех вокруг него: партнёров, конкурентов, регуляторов, платформы и других людей, которые влияют на решение купить или продолжить пользоваться

Когда брать: когда решение о покупке принимает не один человек, а несколько, например в b2b, в семье или в закупочном комитете. Когда непонятно, откуда берутся возражения, и дело может быть не в клиенте, а в его окружении

Действия

Помести клиента или организацию в центр
Выпиши живых участников вокруг: партнёров, поставщиков, регуляторов, конкурентов, тех, кто советует
Добавь неживых участников: платформы, каналы, приложения, точки продаж
Проведи связи между участниками и подпиши, чем они обмениваются: деньгами, информацией, доверием, временем
Отметь, у кого сейчас есть реальное влияние на решение клиента, а у кого нет
Найди пустые места: где нет партнёра, который мог бы быть, или разрыв в обмене ценностью

Промпт → Карта экосистемы

Построй карту экосистемы вокруг решения о покупке [продукт/услуга] в нише [ниша]. Клиент в центре: [профиль клиента].
На основе данных [источники] выпиши всех участников, которые влияют на решение: кто советует, кто платит, кто пользуется, какие платформы и каналы задействованы, какие регуляторы или конкуренты присутствуют.
Для каждого участника укажи, чем он обменивается с клиентом (деньги, доверие, информация, время) и уровень влияния на решение: высокий, средний, низкий.
В конце отметь пустые места: каких важных участников в этой экосистеме сейчас не хватает или с кем нет связи.

Результат

На выходе: диаграмма-паутина с клиентом в центре, значимыми участниками вокруг и подписанными потоками ценности между ними

Важно

Где ломается: карта быстро разрастается до нечитаемой паутины, если заранее не ограничить масштаб. Без полевых данных превращается в мозговой штурм команды о том, кто там может быть, а не про реальных участников. Сама по себе карта не даёт приоритетов, нужен отдельный шаг ранжирования влияния

Подсказка

Автор: единого автора нет. Инструмент вырос из практики service design 2000-2010-х годов как расширение карты стейкхолдеров, систематизирован в книге Stickdorn, Hormess, Lawrence, Schneider и в открытом каталоге методов

Источник: Marc Stickdorn, Markus Hormess, Adam Lawrence, Jakob Schneider, «This Is Service Design Doing», O'Reilly, 2018; открытый каталог servicedesigntools.org, раздел Ecosystem Map

2.6

Шаг 2.6

Сервисный чертёж · Service Blueprint

Подсказка

Что делает: раскладывает сервис на два слоя на одной временной шкале: то, что видит клиент (front stage), и то, что происходит внутри компании и клиенту не видно (back stage)

Когда брать: когда проблема не в том, что клиент хочет, а в том, что компания физически не может доставить это стабильно. Перед тем как менять операционный процесс, а не только экран или сообщение

Действия

Возьми один сценарий обслуживания, тот же, что и в карте пути клиента
Наверху распиши действия клиента по шагам
Проведи «линию видимости»
Под линией распиши действия сотрудников на переднем крае, которые клиент видит
Ещё ниже распиши действия сотрудников за кулисами, которые клиент не видит
В самом низу распиши поддерживающие процессы: системы, базы данных, регламенты
Отметь на каждом стыке точки, где чаще всего срывается обещание клиенту

Промпт → Сервисный чертёж

Построй service blueprint для сценария [конкретный сценарий обслуживания] в [компания/ниша].
Данные: [источники: регламенты, интервью с сотрудниками фронта, тикеты].
Раздели на четыре слоя: 1) действия клиента по шагам, 2) действия сотрудников на переднем крае (видны клиенту), 3) действия за кулисами (не видны клиенту), 4) поддерживающие процессы и системы.
Синхронизируй все слои по одной временной шкале.
В конце отметь на каждом стыке слоёв точки, где чаще всего срывается обещание клиенту, и назови конкретную причину, а не общую фразу.

Результат

На выходе: чертёж-таблица с четырьмя горизонтальными слоями (действия клиента, front stage, back stage, поддерживающие процессы), синхронизированными по одной временной шкале

Важно

Где ломается: без вовлечения реальных сотрудников с фронта, а не только менеджеров, чертёж рисует то, как процесс должен работать по регламенту, а не как он работает на самом деле. На сложных многоканальных сервисах чертёж превращается в огромную простыню, которую никто не читает. Он не отвечает на вопрос, зачем клиенту это вообще нужно: это инструмент для операционки, а не для поиска инсайта, за инсайтом идут к JTBD и Switch-интервью

Подсказка

Автор: G. Lynn Shostack, 1984

Источник: G. Lynn Shostack, «Designing Services That Deliver», Harvard Business Review, январь 1984, том 62, стр. 133-139 (hbr.org/1984/01/designing-services-that-deliver)

ПОЛКА 3: Приоритет

Инструмент: Opportunity Score и Outcome-Driven Innovation · RICE · ICE · Модель Кано · Аффинити-карта

3.0

Шаг 3.0

Зачем эта полка

Подсказка

## Полка 3. Приоритет К этому моменту у тебя на столе куча находок: инсайты из интервью, идеи фичей, баг-репорты, гипотезы роста. Полка 3 отвечает на один вопрос: что из этого бить первым, а что подождёт. Без неё команда либо делает всё подряд по громкости голоса в переговорке, либо тонет в бэклоге на 200 строк.

3.1

Шаг 3.1

Opportunity Score и Outcome-Driven Innovation · Opportunity Score, Outcome-Driven Innovation (ODI)

Подсказка

Что делает: превращает список «результатов, которых хочет добиться клиент» (desired outcomes, не фичи и не мнения) в числовой рейтинг по формуле важность плюс разрыв между важностью и удовлетворённостью. Показывает не «что клиент просит», а где рынок реально недообслужен

Когда брать: когда сырьё уже собрано (JTBD-интервью дали 20-50 outcomes) и нужно решить, куда в первую очередь идёт бюджет разработки, особенно в B2B и enterprise, где реально набрать статистически значимую выборку

Действия

Собери desired outcomes через JTBD-интервью: не «что вам нужно», а «по какой метрике вы меряете успех, когда делаете эту работу»
Сформулируй каждый outcome в стандартной форме: направление изменения плюс метрика плюс объект плюс контекст («сократить время, которое уходит на проверку черновика перед отправкой клиенту»)
Проведи количественный опрос на выборке: каждый outcome оценивается по важности от 1 до 10 и по текущей удовлетворённости от 1 до 10
Посчитай Opportunity Score по формуле ниже для каждого outcome
Отсортируй список по убыванию score
Всё что выше 15, это недообслуженная зона и кандидат в приоритет разработки. Ниже 10, это переобслуженная зона, кандидат на упрощение и удешевление
Если данных достаточно, сегментируй выборку не по демографии, а по паттернам outcomes, и ищи сегмент с уникально высокими баллами

Промпт → Opportunity Score и Outcome-Driven Innovation

У меня есть транскрипты JTBD-интервью по нише [ниша]: [вставь текст или ссылку на файлы].
Извлеки из них desired outcomes в формате: направление изменения + метрика + объект + контекст.
Не путай outcomes с фичами и решениями, которые предлагали респонденты.
Для каждого outcome дай два вопроса для количественного опроса: про важность и про текущую удовлетворённость (шкала 1-10).
Собери результат в таблицу и посчитай Opportunity Score = Важность + max(Важность − Удовлетворённость, 0).
Отметь топ-5 недообслуженных outcomes (score выше 15) как кандидатов на приоритет [цель].

Результат

На выходе: таблица outcomes с числовым рейтингом и карта недо- и переобслуженных зон рынка

Важно

Где ломается: на выборке меньше 60-100 респондентов на сегмент цифры это шум, а не сигнал, Улвик сам настаивает на количественном опросе, не на 10-15 интервью. Если outcomes сформулированы как фичи, а не как результаты, опрос меряет отношение к готовому решению, а не реальную потребность, и весь расчёт превращается в красивую профанацию точности. Метод дорогой и медленный, для быстрой прикидки на коленке не подходит, для этого есть RICE и ICE

Подсказка

Автор: Энтони Улвик (Anthony W. Ulwick). Методологию развивал с конца 1990-х в своей фирме Strategyn, ключевая статья вышла в январе 2002 года

Источник: Anthony W. Ulwick, «Turn Customer Input into Innovation», Harvard Business Review, январь 2002 (HBR в том же году включил ODI в список семи прорывных идей года). Развёрнуто метод описан в книге Ulwick «What Customers Want: Using Outcome-Driven Innovation to Create Breakthrough Products and Services», McGraw-Hill, 2005

3.2

Шаг 3.2

RICE

Подсказка

Что делает: даёт одно число для сравнения разнородных идей в бэклоге по формуле охват умножить на влияние умножить на уверенность, поделить на трудозатраты

Когда брать: когда в очереди больше десяти разных по масштабу задач конкурируют за один спринт или квартал, и нужно снять эмоциональный спор продакта с командой через общую метрику

Действия

Reach (охват): сколько людей это затронет за период, обычно число пользователей в квартал
Impact (влияние): насколько сильно повлияет на каждого затронутого, шкала 3 огромное, 2 высокое, 1 среднее, 0.5 низкое, 0.25 минимальное
Confidence (уверенность): насколько ты доверяешь своим оценкам Reach и Impact, 100% высокая, 80% средняя, 50% низкая, ниже 50% не считать вообще
Effort (трудозатраты): сколько человеко-месяцев требует реализация, включая все команды
Посчитай RICE по формуле ниже
Отсортируй бэклог по убыванию RICE
Пересчитывай регулярно: это оценки, а не факты, они устаревают

Промпт → RICE

Вот список идей и фичей для бэклога [проект]: [вставь список].
Для каждой оцени по методу RICE: Reach (число пользователей за квартал, обоснуй цифру), Impact (шкала 3/2/1/0.5/0.25), Confidence (100/80/50%), Effort (человеко-месяцы).
Посчитай RICE = (Reach × Impact × Confidence) / Effort.
Собери таблицу, отсортируй по убыванию RICE, отдельно укажи, где Confidence ниже 80% и почему.
Не завышай Reach и Impact без обоснования по данным [источники].

Результат

На выходе: отранжированный бэклог, у каждой инициативы одно сравнимое число

Важно

Где ломается: Reach и Impact это оценки на глаз, их легко подогнать под желаемый результат, это классический game the score. Формула не видит зависимости между задачами: инфраструктурная фича с низким RICE может быть обязательным условием для фичи с высоким. На ранней стадии, когда пользователей ещё нет, Reach считать не из чего, метод в этот момент бесполезен

Подсказка

Автор: Шон Макбрайд (Sean McBride), продакт-менеджер команды роста в Intercom, 2016 год

Источник: блог Intercom, «RICE: Simple prioritization for product managers» (intercom.com/blog/rice-simple-prioritization-for-product-managers)

3.3

Шаг 3.3

ICE

Подсказка

Что делает: быстрая прикидка приоритета гипотез роста по трём осям от 1 до 10 без сложных расчётов охвата, специально для команд с высоким темпом тестирования

Когда брать: growth-команда с десятками гипотез в месяц, нужен инструмент на пять минут в переговорке, а не день аналитики

Действия

Выпиши список гипотез экспериментов на ближайший цикл
Impact: оцени от 1 до 10, насколько сильно повлияет на целевую метрику
Confidence: оцени от 1 до 10, насколько уверен, что сработает, опираясь на данные и прецеденты, а не на вкус
Ease: оцени от 1 до 10, насколько легко реализовать, 10 это один день работы, 1 это месяцы
Посчитай ICE по формуле ниже
Возьми в спринт эксперименты с максимальным ICE
После теста верни в команду фактический результат, чтобы в следующий раз Confidence ставили точнее, а не по привычке

Промпт → ICE

Вот список гипотез роста для [продукт/канал]: [вставь список].
Оцени каждую по методу ICE: Impact (1-10, влияние на метрику [цель]), Confidence (1-10, на основе каких данных или прецедентов), Ease (1-10, сколько дней/недель на реализацию).
Посчитай ICE = Impact × Confidence × Ease.
Отсортируй по убыванию, топ-5 оформи как план спринта.
Отдельно выпиши гипотезы, где Confidence ты поставил на глаз, без опоры на данные [источники].

Результат

На выходе: короткий приоритизированный список экспериментов на ближайший цикл, обычно одна-две недели

Важно

Где ломается: три числа от 1 до 10 это чистая вкусовщина без калибровки, если не вести историю прогноз/факт. Быстро вырождается в «каждый ставит 8 своей любимой идее». Нет оси охвата, поэтому маленький локальный тест и эксперимент на весь трафик легко получают одинаковый score. Метод для коротких циклов, для решений на годы вперёд не годится, там нужен RICE или Opportunity Score

Подсказка

Автор: Шон Эллис (Sean Ellis), автор термина «growth hacking» (2010), основатель Qualaroo и GrowthHackers. Метод сложился в конце 2000-х, начале 2010-х в его практике роста в Dropbox, LogMeIn и Eventbrite, письменно описан позже

Источник: Sean Ellis, Morgan Brown, «Hacking Growth: How Today's Fastest-Growing Companies Drive Breakout Success», Crown Business, 2017

3.4

Шаг 3.4

Модель Кано · Kano model

Подсказка

Что делает: делит фичи продукта на категории по нелинейной связи между качеством реализации и удовлетворённостью: must-be (базовое, отсутствие бесит, наличие не радует), performance (чем больше, тем лучше, линейно), attractive (delighter, отсутствие не замечают, наличие восхищает), indifferent (всё равно) и reverse (часть аудитории от этого раздражается)

Когда брать: когда нужно понять не «важно или нет», а какого рода ценность несёт фича, особенно при выборе между «закрыть дыру» и «удивить». Хорошо работает на зрелом продукте, где у рынка уже сложились базовые ожидания

Действия

Составь список фич-кандидатов
Для каждой сформулируй пару вопросов: функциональный, «как вы отнесётесь, если эта фича ЕСТЬ», и дисфункциональный, «как вы отнесётесь, если её НЕТ»
Дай 5 вариантов ответа на каждый вопрос: нравится / так и должно быть / всё равно / могу смириться / не нравится
Опроси выборку целевых пользователей, для устойчивого паттерна нужно от 20-30 ответов на сегмент
Сведи пары ответов в таблицу категоризации Кано (сетка функционального на дисфункциональный вопрос), получи категорию для каждой фичи
Посчитай долю ответов по категориям на фичу, отметь доминирующую
Собери карту приоритетов: must-be закрываешь без права на ошибку, performance инвестируешь пропорционально ценности, из attractive выбираешь одну-две штуки как дифференциатор

Промпт → Модель Кано

Вот список фич-кандидатов для [продукт]: [вставь список].
Для каждой сформулируй пару вопросов в формате Кано: функциональный («как вы отнесётесь, если фича есть») и дисфункциональный («как вы отнесётесь, если фичи нет»), с 5 вариантами ответа каждый.
Собери из этого опросник для рассылки на выборку [сегмент аудитории].
После того как я вставлю сырые ответы, сведи их в таблицу категоризации Кано и покажи долю must-be, performance, attractive, indifferent, reverse по каждой фиче.

Результат

На выходе: карта фич по 5 категориям с понятным правилом инвестиций под каждую

Важно

Где ломается: категории смещаются со временем, вчерашний delighter быстро становится must-be (Touch ID был восторгом, теперь его отсутствие раздражает), поэтому опрос устаревает за год-два и его нужно повторять. Двойной вопрос путает респондентов, которые не сталкивались с таким форматом, нужна выборка побольше и объяснение на берегу. На новом рынке без сложившихся ожиданий модель почти бесполезна, не с чем сравнивать «как должно быть»

Подсказка

Автор: Нориаки Кано (Noriaki Kano), профессор Токийского университета науки (Tokyo University of Science), 1984

Источник: Noriaki Kano, Nobuhiko Seraku, Fumio Takahashi, Shinichi Tsuji, «Attractive Quality and Must-Be Quality», Journal of the Japanese Society for Quality Control (Hinshitsu), апрель 1984

3.5

Шаг 3.5

Аффинити-карта · Affinity mapping (KJ method)

Подсказка

Что делает: группирует россыпь разрозненных находок (цитаты из интервью, стикеры с идеями, баг-репорты) в смысловые кластеры снизу вверх, без заранее заданных категорий

Когда брать: сразу после сбора качественных данных (десятки интервью, открытые ответы опроса, баг-репорты), когда паттерн ещё не виден и нужно дать данным заговорить снизу вверх, а не подгонять их под готовую гипотезу

Действия

Выпиши каждую находку на отдельный стикер: одна мысль, один факт на стикер
Разложи все стикеры на одной поверхности (стена, доска, Miro или FigJam) без сортировки
Молча, не обсуждая вслух, двигай стикеры, группируя похожие рядом. Каждый участник команды делает это независимо от остальных
Когда движение стабилизировалось, обсуди вслух спорные стикеры и те, что легли на границе кластеров
Дай каждому кластеру название одной фразой, которая описывает суть, а не пересказывает содержимое
Если кластер разросся больше 7-8 стикеров, раздели его на подкластеры
Зафиксируй итоговую структуру фото или цифровой доской, кластеры идут дальше как темы для ранжирования

Промпт → Аффинити-карта

Вот сырые находки из исследования [ниша/продукт]: [вставь цитаты, инсайты или баг-репорты, каждый с новой строки].
Сгруппируй их в смысловые кластеры снизу вверх, как в аффинити-карте: не подгоняй под заранее заданные категории.
Для каждого кластера дай название одной фразой, которая описывает суть, а не пересказывает содержимое.
Если кластер получился больше 8 находок, раздели его на подкластеры.
Отдельно выпиши находки, которые не влезли ни в один кластер (outliers), не выбрасывай их.

Результат

На выходе: набор именованных тематических кластеров, обычно 5-9 штук, из десятков или сотен сырых находок

Важно

Где ломается: результат сильно зависит от того, кто в комнате, другая команда на тех же стикерах соберёт другие кластеры, это не воспроизводимый количественный метод. На объёме больше 300 стикеров физически не работает без предварительной черновой сортировки. Молчаливая фаза плохо переносится в онлайн: в Miro люди начинают спорить сразу, теряется весь смысл независимой группировки. Метод даёт структуру, но не ранжирование, после него всё равно нужен Opportunity Score, RICE или ICE, чтобы решить, что делать первым

Подсказка

Автор: Дзиро Кавакита (Jiro Kawakita), японский антрополог, метод известен как KJ Method по его инициалам, оформлен в 1960-х, впервые системно описан в книге «発想法» («Метод генерации идей»), 1967

Источник: Jiro Kawakita, «発想法» (Hasso-hō), Chuokoron-sha, 1967. В деловой оборот метод вошёл через American Society for Quality (один из семи инструментов управления качеством), позже стал стандартным приёмом design thinking у IDEO и Stanford d.school. Заметь: IDEO и d.school метод популяризировали, а не изобрели

ПОЛКА 4: Размер и деньги

Инструмент: TAM SAM SOM снизу вверх · Карманы роста · Оценка Ферми · Юнит-экономика

4.0

Шаг 4.0

Зачем эта полка

Подсказка

## Полка 4. Размер и деньги Как посчитать, сколько денег реально лежит в нише, и не соврать себе. Все инсайты и позиционирование с прошлых полок ничего не стоят, если рынок под ними на самом деле маленький, а посчитан он был на глаз.

4.1

Шаг 4.1

TAM SAM SOM снизу вверх · TAM SAM SOM Bottom-Up

Подсказка

Что делает: считает не «сколько вообще стоит весь рынок», а «сколько денег реально можно забрать через конкретный канал продаж». TAM это весь теоретический рынок, SAM это доступная часть с учётом продукта, гео и канала, SOM это то, что заберём за обозримый срок

Когда брать: перед тем как защищать нишу инвестору, партнёру или самому себе, перед выбором первого сегмента для запуска

Действия

Выбрать один узкий сегмент (нишу), а не рынок целиком
Найти реальное число потенциальных клиентов в этом сегменте через конкретный канал продаж, не по данным Росстата, а по количеству компаний/людей, до которых физически можно достучаться
Умножить это число на реальную цену продукта или средний чек
Так получаем SAM: сколько денег в сегменте, до которого можно дотянуться этим каналом и этим продуктом
Оценить реальный процент захвата за 1–3 года с учётом ресурсов команды и конкурентов: это SOM
Отдельно посчитать TAM сверху для порядка величины и свериться, не разошлись ли числа в разы

Промпт → TAM SAM SOM снизу вверх

Посчитай TAM/SAM/SOM снизу вверх для ниши [ниша].
Не бери процент от рынка сверху, это запрещённый приём.
Шаг 1: оцени реальное число потенциальных клиентов в сегменте [описание сегмента], доступных через канал [канал продаж]. Дай источник числа.
Шаг 2: умножь на цену [цена продукта или средний чек].
Шаг 3: это SAM. Из него оцени SOM как реалистичный процент захвата за [срок] с учётом ресурсов команды: [размер команды/бюджет].
Покажи расчёт по шагам, не только итоговое число. Отдельно посчитай TAM сверху из открытых источников [источники] и сравни с SAM, объясни расхождение, если оно больше чем в 5 раз.

Результат

На выходе: три числа в рублях с явно расписанным множителем каждого (сколько клиентов, по какой цене, какой процент захвата), а не один процент от абстрактного рынка

Важно

Где ломается: главная ошибка это посчитать сверху и «взять один процент рынка». Один процент звучит скромно и потому кажется безопасным, но он никак не привязан к тому, сколько у команды реально каналов продаж, менеджеров и бюджета на маркетинг. Рынок в миллиард рублей и рынок в сто миллиардов дают одинаково «скромный» один процент, но это разная физика продаж. Bottom-up тоже ломается, если нет данных о реальном числе клиентов в канале, тогда цифры на входе берутся с потолка и результат врёт с той же уверенностью, что и top-down

Подсказка

Автор: сама аббревиатура TAM/SAM/SOM разошлась по венчурной индустрии без одного явного изобретателя, атрибуция первого автора не подтверждена. Строгую методику расчёта именно снизу вверх, через понятие «плацдармного рынка», систематизировал Билл Олет (Bill Aulet), Массачусетский технологический институт, 2013 год

Источник: книга Bill Aulet, «Disciplined Entrepreneurship: 24 Steps to a Successful Startup», Wiley, 2013 (MIT Sloan), концепция beachhead market и bottom-up TAM

4.2

Шаг 4.2

Карманы роста · Granularity of Growth

Подсказка

Что делает: разбивает общий рынок компании на десятки узких «гранул» (пересечение сегмент × география × продуктовая линия) и показывает, что рост почти никогда не размазан по рынку равномерно. Он концентрируется в нескольких узких карманах, а остальной рынок в это время стоит на месте или падает

Когда брать: когда общий рынок в отчётах выглядит зрелым и медленным (условные 5–7 процентов в год), но внутри он явно неоднородный и нужно найти, где именно ускорение

Действия

Разбить бизнес не на «рынок в целом», а на пересечения: сегмент клиентов × продуктовая линия × география
Для каждой такой ячейки посчитать её собственный темп роста отдельно от среднего по рынку
Найти ячейки, которые растут заметно быстрее среднего: это и есть карманы роста
Проверить, насколько компания уже присутствует именно в этих ячейках, а не в тех, где исторически сложился бизнес
Учесть три отдельных источника роста: попадание в правильные растущие сегменты (portfolio momentum), сделки M&A, и прирост доли внутри сегмента. McKinsey отдельно показали, что рост доли рынка почти никогда не главный драйвер
Перераспределить ресурсы и внимание туда, где рынок растёт сам, а не туда, где компания просто привыкла работать

Промпт → Карманы роста

Разбей рынок ниши [ниша] на карманы роста по методу Granularity of Growth.
Раздели рынок на пересечения: сегмент клиента × продукт или услуга × регион.
Для каждой ячейки, где есть данные по [источники], оцени отдельный темп роста за последние 2–3 года, а не средний по рынку.
Найди 3–5 ячеек, которые растут заметно быстрее среднего.
Для каждой такой ячейки: почему она растёт быстрее (новый спрос, регуляторика, технология, демография), и присутствует ли там сейчас [ниша/продукт] или нет.
Не используй среднюю цифру по всему рынку как вывод, покажи разброс между ячейками явно.

Результат

На выходе: карта ячеек рынка с темпом роста каждой и текущей позицией компании в ней, приоритетный список карманов для инвестиций ресурсов

Важно

Где ломается: инструмент требует гранулярных данных по сегментам и географиям, которых у малого бизнеса и стартапа чаще всего просто нет, авторы строили его на 400 крупнейших компаниях мира с доступом к детальной статистике. На маленьком рынке или в узкой нише дробление на десятки ячеек превращается в фикцию, где в каждой ячейке по три клиента и «темп роста» это шум, а не сигнал. Сам McKinsey приводит пример: у десяти крупных европейских телеком-компаний средний рост был 9.5 процента в год с 1999 по 2005, но у отдельных компаний рост колебался от 1 до 25 процентов, потому что портфель сегментов у каждой был разный. Средняя цифра в таком случае обманывает сильнее всего

Подсказка

Автор: Мехрдад Багаи (Mehrdad Baghai), Свен Смит (Sven Smit), Патрик Вигери (Patrick Viguerie), McKinsey & Company, 2008

Источник: книга «The Granularity of Growth: How to Identify the Sources of Growth and Drive Enduring Company Performance», Wiley, 2008. В основе трёхлетний анализ 400 крупнейших компаний мира, который делала команда McKinsey

4.3

Шаг 4.3

Оценка Ферми · Fermi Estimation

Подсказка

Что делает: раскладывает одно непонятное большое число на цепочку из нескольких маленьких чисел, каждое из которых прикинуть легко, и перемножает их, чтобы получить порядок величины ответа за минуты, а не за недели исследования

Когда брать: на самой ранней стадии, до того как тратить деньги и время на полноценный TAM/SAM/SOM, чтобы понять, стоит ли вообще копать дальше. Или как быстрая проверка на правдоподобие чужой цифры, которую принёс агент или партнёр

Действия

Сформулировать вопрос как одно конкретное число, которое нужно узнать
Разложить это число на 3–6 множителей, каждый из которых можно прикинуть по памяти или логике, не гуглить точное значение
Оценить каждый множитель отдельно, честно фиксируя, что это прикидка, а не факт
Перемножить все множители
Сверить получившийся порядок величины с любым независимым ориентиром, если он есть под рукой
Явно назвать погрешность в разах («от Х до трёх Х»), а не в процентах, оценка Ферми никогда не даёт точность до процента

Промпт → Оценка Ферми

Сделай оценку Ферми для вопроса: [конкретный вопрос про размер ниши или число клиентов].
Разложи ответ на 3–6 множителей, которые можно прикинуть без поиска точных данных, назови каждый вслух с коротким обоснованием.
Перемножь и дай итоговое число как диапазон (нижняя и верхняя граница), а не одну точную цифру.
Явно укажи, какой из множителей самый ненадёжный и на сколько раз может ошибаться именно он.
Не используй эту оценку как финальную, пометь её как быструю прикидку для решения "копать дальше или нет".

Результат

На выходе: число с явно названным порядком величины и диапазоном погрешности, полученное за 10-15 минут вместо недель полноценного исследования рынка

Важно

Где ломается: если один из множителей в цепочке ошибся на порядок, весь итоговый ответ ошибается на порядок, а внешне аккуратное число создаёт ложное чувство точности у того, кто его услышал. Оценку Ферми нельзя нести инвестору или в финальное решение как основной расчёт, это инструмент разведки боем, а не защиты бюджета. Она также ломается, когда множители не независимы друг от друга, тогда ошибки не усредняются, а складываются в одну сторону

Подсказка

Автор: Энрико Ферми, физик, Университет Чикаго, 1940-е годы. Классический пример задачи, которую он давал студентам: «сколько настройщиков роялей работает в Чикаго», имея на руках только население города

Источник: не формальная публикация, а педагогическая традиция физики, которая закрепилась именно за именем Ферми. Он был известен способностью на салфетке прикинуть порядок величины сложных вещей, в том числе по легенде оценил мощность взрыва на испытании «Тринити» по тому, как далеко разлетелись обрывки бумаги, которые он бросил в воздух

4.4

Шаг 4.4

Юнит-экономика · Unit Economics

Подсказка

Что делает: считает экономику одного клиента отдельно от бизнеса в целом: сколько стоит его привлечь, сколько денег он принесёт за всё время и когда эти вложения отобьются

Когда брать: перед тем как заливать бюджет в масштабирование канала продаж, при выборе между несколькими каналами привлечения, при защите юнит-экономики перед инвестором

Действия

Посчитать CAC (Customer Acquisition Cost) = все затраты на маркетинг и продажи за период, включая зарплаты продавцов, делённые на число новых клиентов за этот период
Посчитать LTV (Lifetime Value) = средний чек × частота покупок × средняя продолжительность жизни клиента × валовая маржинальность
Посчитать срок окупаемости (payback period) = за сколько месяцев валовая маржа от клиента полностью покрывает CAC
Свести отношение LTV к CAC, ориентир для устойчивого роста от 3 к 1 и выше
Проверить, что срок окупаемости укладывается в разумные месяцы (для SaaS обычно называют ориентир до 12), иначе бизнес съедает кэш быстрее, чем зарабатывает
Пересчитать всё по когортам (месяц привлечения, канал, сегмент), а не по всей базе усреднённо, усреднение прячет провальные и прибыльные сегменты друг за другом

Промпт → Юнит-экономика

Посчитай юнит-экономику для ниши [ниша] и канала привлечения [канал].
CAC: назови все статьи затрат, которые должны войти в расчёт (реклама, зарплаты продаж и маркетинга, инструменты), и оцени по данным [источники].
LTV: разложи на средний чек, частоту покупок, среднюю продолжительность жизни клиента и валовую маржу, для каждого элемента укажи, это факт или предположение.
Посчитай срок окупаемости в месяцах.
Дай отношение LTV к CAC и явно скажи, укладывается ли оно в ориентир 3 к 1.
Отдельно предупреди, какие из введённых чисел это неподтверждённые предположения, а не факт, и на сколько может исказиться итог, если каждое из них окажется на 30 процентов хуже.

Результат

На выходе: три числа (CAC, LTV, payback period) и их отношение, которое прямо отвечает на вопрос «можно ли масштабировать этот канал привлечения, не разоряясь»

Важно

Где ломается: на самом раннем этапе, когда ещё нет данных по оттоку клиентов и повторным покупкам, LTV считается по оптимистичным предположениям, а не по факту, и легко завышается в разы. CAC часто считают только по рекламному бюджету, забывая зарплаты продавцов и маркетологов, тем самым занижая реальную цифру. Усреднение по всей клиентской базе прячет то, что один сегмент или канал прибыльный, а другой убыточный, решение принимается по среднему, которое не описывает ни один реальный сегмент

Подсказка

Автор: отдельные метрики (стоимость привлечения клиента, пожизненная ценность) применялись в директ-маркетинге ещё с 1980-х, атрибуция первого автора этой связки не подтверждена. Стандарт, который сегодня используют стартапы и SaaS-компании (LTV, CAC, срок окупаемости и их целевое соотношение), сформулировал Дэвид Скок (David Skok), партнёр венчурного фонда Matrix Partners, в конце 2000-х годов

Источник: блог forEntrepreneurs.com, эссе Дэвида Скока «SaaS Metrics 2.0: A Guide to Measuring and Improving What Matters», в поздних версиях в соавторстве с Ron Gill (CFO NetSuite) и Brad Coffey (VP Strategy, HubSpot)

ПОЛКА 5: Причина проблемы

Инструмент: Дерево проблем · Пять почему · Причинно-следственные петли и системное мышление · Двенадцать точек рычага Медоуз · Противоречия ТРИЗ

5.0

Шаг 5.0

Зачем эта полка

Подсказка

## Полка 5. Причина проблемы Как докопаться до настоящей причины, а не чинить симптом. Пока не найден корень, любое решение это заплатка: она сползёт через месяц, а деньги и время уже потрачены.

5.1

Шаг 5.1

Дерево проблем · Problem Tree Analysis

Подсказка

Что делает: строит схему в виде дерева, где ствол это центральная проблема, корни это причины, которые её порождают, а ветви это последствия, к которым она приводит

Когда брать: проблема сложная, многофакторная, и команда спорит каждый про своё

Действия

Сформулируй центральную проблему одной фразой, без решения внутри формулировки
Собери людей, которые видят проблему с разных сторон, в одиночку дерево кривое
Спроси «почему это происходит» и запиши прямые причины под стволом
К каждой причине снова задай «почему» и уйди на уровень глубже, пока не упрёшься в первопричину
Над стволом разверни последствия: «и что из-за этого происходит»
Проверь каждую связь на логику: должно читаться как «из-за X случается Y»
Обведи 2-3 причины, на которые реально можешь повлиять, это кандидаты на работу

Промпт → Дерево проблем

Построй дерево проблем по ситуации в [ниша/бизнес].
Центральная проблема: [опиши одной фразой, без решения внутри].
Из материалов [источники: интервью, тикеты, метрики] найди 4-5 прямых причин
и разверни каждую на 2 уровня глубже вопросом «почему это происходит».
Отдельно разверни 3-4 последствия, если проблему не решить за [срок].
В конце выдели 2-3 причины, на которые я реально могу повлиять
с ресурсами [бюджет, команда, доступ], и объясни, почему остальные
сейчас вне зоны влияния.

Результат

На выходе: визуальная карта причина → проблема → следствие с выделенными точками, куда бить

Важно

Где ломается: без фасилитатора превращается в мозговой штурм без структуры, причины и симптомы валят в одну кучу. Дерево показывает связи, но не показывает, какая причина сильнее остальных, поэтому без числовой оценки вроде Opportunity Score легко выбрать неглавную причину и потратить бюджет мимо цели

Подсказка

Автор: атрибуция размыта, единого автора нет. Метод вырос из Logical Framework Approach, который в 1969 году разработал консультант Леон Розенберг (Leon Rosenberg) из компании Practical Concepts Incorporated по заказу агентства USAID. В 1980-х немецкое агентство GTZ (сейчас GIZ) встроило дерево проблем в свою методику ZOPP, Ziel Orientierte Projektplanung, целеориентированное планирование проектов

Источник: GTZ, методическое руководство ZOPP; та же логика используется в практике USAID и NORAD в проектах международного развития

5.2

Шаг 5.2

Пять почему · 5 Whys

Подсказка

Что делает: пять раз подряд задаёт вопрос «почему» к предыдущему ответу, пока цепочка не упрётся в причину, до которой реально можно дотянуться

Когда брать: для одного конкретного локального сбоя, не «сорвался KPI за квартал», а «клиент X написал жалобу вчера»

Действия

Опиши симптом максимально конкретно, с фактами и цифрами, а не оценкой
Спроси «почему это случилось» и запиши первый ответ
К этому ответу снова спроси «почему» и запиши следующий
Повтори ещё несколько раз, пять это ориентир, а не жёсткое число
Останови цепочку, когда ответ упирается в причину, которую реально в твоей власти изменить
Прочитай цепочку в обратную сторону: каждый шаг должен логично объяснять предыдущий

Промпт → Пять почему

Разбери причину конкретного случая методом пять почему.
Симптом: [опиши факт с цифрами, дата, что именно произошло].
Задавай «почему» последовательно, каждый ответ опирай на факт
из [источники: логи, переписка, данные], а не на догадку.
Останови цепочку, когда причина попадает в зону моего влияния,
а не в «так исторически сложилось» или «виноват человек X».
После 4-6 шагов покажи цепочку в обратном порядке и проверь,
что каждый шаг логично объясняет предыдущий.

Результат

На выходе: короткая цепочка из 3-6 связанных причин, последнее звено это то, что чинишь

Важно

Где ломается: у сложной проблемы обычно несколько параллельных цепочек причин, а метод в лоб даёт одну линию и создаёт ложное чувство, что причина единственная. Ответы легко скатываются в обвинение конкретного человека вместо системы. Без факта на каждом шаге цепочка превращается в цепочку мнений, где каждое звено подогнано под то, что и так хотели услышать

Подсказка

Автор: родоначальник метода Сакити Тоёда, основатель Toyoda Automatic Loom Works (компания основана в 1926 году), применял технику в 1930-х. Технику закрепил и сделал частью производственной системы Тайити Оно в 1950-х

Источник: Toyota Production System, внутренняя практика Toyota. Позже метод описан в западной литературе по бережливому производству

5.3

Шаг 5.3

Причинно-следственные петли и системное мышление · Causal Loop Diagrams & Systems Thinking

Подсказка

Что делает: рисует не прямую цепочку причин, а замкнутый контур, где следствие само усиливает или гасит причину. Показывает, почему проблема не решается разовым действием, а воспроизводит себя

Когда брать: проблема хроническая, возвращается после каждой попытки её починить, и в ней участвуют больше двух сторон: клиент, продукт, команда, рынок

Действия

Выпиши переменные, которые участвуют в проблеме, это величины, которые растут или падают, а не разовые события
Соедини стрелками, что на что влияет: A растёт → B растёт (знак плюс) или A растёт → B падает (знак минус)
Найди замкнутые контуры, где стрелки возвращаются к началу
Определи тип контура: усиливающий (чётное число минусов, раскручивает сам себя) или балансирующий (нечётное число минусов, тянет к равновесию)
Отметь, где в контуре есть задержка между действием и результатом
Найди контур, который держит проблему в текущем состоянии, это и есть системная причина, а не отдельное звено
Проверь диаграмму с человеком, который варится в системе изнутри: свежий взгляд снаружи часто путает знаки связей

Промпт → Причинно-следственные петли и системное мышление

Построй причинно-следственную диаграмму (causal loop diagram)
для проблемы: [опиши хроническую проблему в бизнесе].
Выпиши 5-8 переменных, которые растут или падают, не события,
а именно величины, опираясь на данные из [источники].
Свяжи переменные стрелками со знаком плюс или минус.
Найди замкнутые контуры и для каждого укажи: усиливающий он
или балансирующий, и есть ли задержка между действием и результатом.
Назови контур, который держит проблему в текущем состоянии,
и объясни, почему разовое решение его не разорвёт.

Результат

На выходе: диаграмма из переменных, стрелок со знаками и минимум одного замкнутого контура, который объясняет самовоспроизводство проблемы

Важно

Где ломается: часто рисуют красиво, но перечисляют факторы стрелками без реальной обратной связи, тогда это не системная диаграмма, а декорация. Без количественной модели (настоящая System Dynamics считается в софте вроде Vensim или Stella) диаграмма это гипотеза, а не доказательство, и её легко перепутать с фактом. Для разовой локальной проблемы это избыточно, дерево проблем или пять почему быстрее и дешевле

Подсказка

Автор: Джей Форрестер (Jay Forrester), MIT, статья «Industrial Dynamics» в Harvard Business Review, 1958, книга «Industrial Dynamics», 1961, основатель направления System Dynamics. Донелла Медоуз (Donella Meadows) развила системное мышление как прикладной язык; книга «Thinking in Systems: A Primer» вышла посмертно в 2008 (Медоуз умерла в 2001), издательство Chelsea Green, редактор Diana Wright

Источник: MIT Sloan School of Management, группа System Dynamics, основанная Форрестером; книга Донеллы Медоуз «Thinking in Systems: A Primer», Chelsea Green Publishing, 2008

5.4

Шаг 5.4

Двенадцать точек рычага Медоуз · Twelve Leverage Points

Подсказка

Что делает: ранжирует 12 точек, куда можно вмешаться в систему, от слабых (числа и параметры) до самых сильных (цели и парадигма). Показывает, что бизнес обычно чинит то, что легче всего поменять, а не то, что реально сдвигает результат

Когда брать: одну и ту же проблему уже «решали» несколько раз разными тактическими мерами, и она возвращается

Действия

Опиши систему, в которой сидит проблема: продукт, отдел продаж, компания целиком
Пройди список рычагов от слабого конца к сильному: константы и параметры (цены, штрафы, KPI-числа), размеры буферов, структура потоков, структура информации (кто что видит), правила системы (кто что может делать), цели системы, и на вершине парадигма, во что система верит про саму себя
Для каждого уровня спроси: если поменять здесь, эффект будет разовый или система сама начнёт вести себя иначе
Отметь, где сейчас пытаются решить проблему, почти всегда это нижние уровни: цифры, бюджеты, дедлайны
Найди один уровень выше по силе рычага, куда реально можешь дотянуться с имеющейся властью и ресурсами
Сформулируй интервенцию на этом уровне, а не на привычном нижнем

Промпт → Двенадцать точек рычага Медоуз

Для системы [опиши бизнес-систему: отдел продаж, воронка, продукт]
пройди 12 точек рычага Донеллы Медоуз от слабых (числа, параметры,
KPI) к сильным (структура информации, правила, цели, парадигма).
Для каждого уровня укажи, пытались ли мы уже что-то менять здесь.
Найди самый высокий уровень рычага, до которого реально дотянуться
с полномочиями [собственник, руководитель отдела и т.д.]
и ресурсами [бюджет, время]. Сформулируй конкретную интервенцию
на этом уровне, а не на привычном нижнем.

Результат

На выходе: короткий список, на каком уровне рычага компания сейчас пытается решить проблему и на каком стоило бы

Важно

Где ломается: сильные рычаги, цель и парадигма, требуют менять то, что менять страшно. Собственнику проще выписать премию отделу продаж (слабый рычаг), чем признать, что цель компании сформулирована неверно (сильный рычаг). Список легко использовать как красивую рамку для презентации, ничего реально не меняя. Сама Медоуз предупреждала, что порядок точек это прикидка на основе опыта, а не строгая формула

Подсказка

Автор: Донелла Медоуз (Donella Meadows), 1999, короткая версия вышла в журнале Whole Earth зимой 1997. Полная работа «Leverage Points: Places to Intervene in a System», Sustainability Institute, Hartland, Vermont, 1999

Источник: Sustainability Institute (сейчас Donella Meadows Institute / Academy for Systems Change); Медоуз также соавтор доклада «Пределы роста», The Limits to Growth, 1972

5.5

Шаг 5.5

Противоречия ТРИЗ · TRIZ Contradictions

Подсказка

Что делает: ищет не компромисс, а противоречие, где улучшение одного параметра системы автоматически ухудшает другой, и снимает это противоречие целиком, а не находит середину

Когда брать: команда уже перебрала очевидные компромиссы и застряла, потому что усиление одной метрики методично портит другую, например скорость обслуживания против качества, цена против маржи

Действия

Сформулируй проблему как противоречие: «если сделать X, параметр A улучшится, но параметр B ухудшится»
Отдели техническое противоречие (два разных параметра системы конфликтуют между собой) от физического (один и тот же параметр должен быть одновременно и большим, и маленьким)
Проверь, не пытаешься ли ты найти компромисс на глаз, частично улучшить оба параметра, это типичная ошибка, откажись от неё
Задай вопрос «как сделать, чтобы оба параметра выполнялись одновременно, а не пятьдесят на пятьдесят»
Примени приёмы снятия противоречия: разделение во времени (по-разному в разные моменты), разделение в пространстве (по-разному в разных местах), разделение по условию (по-разному для разных сегментов клиентов), переход на другой уровень системы
Сформулируй 2-3 конкретных варианта, которые снимают противоречие, а не сглаживают его

Промпт → Противоречия ТРИЗ

Сформулируй противоречие в задаче: если сделать [X], параметр [A]
улучшится, но параметр [B] ухудшится. Не предлагай компромисс на глаз.
Определи, техническое это противоречие (конфликт двух разных
параметров системы) или физическое (один параметр должен быть
одновременно большим и маленьким). Предложи 3 варианта снятия
противоречия целиком: через разделение во времени, разделение
в пространстве, разделение по сегменту клиентов, переход на другой
уровень системы [опиши систему: продукт, процесс, оргструктура].

Результат

На выходе: явно сформулированное противоречие и список решений, которые не жертвуют одной стороной ради другой

Важно

Где ломается: классическая матрица 40 приёмов и 39 параметров построена на инженерных патентах, прямой перенос термина в термин на бизнес без адаптации даёт кривые аналогии. Без честной формулировки противоречия на первом шаге люди сразу перескакивают к решению и упускают саму суть метода, поиск противоречия. Для простых задач, где реального конфликта параметров нет, а есть просто нехватка ресурса, ТРИЗ не даёт ничего, это не тот инструмент

Подсказка

Автор: Генрих Альтшуллер, начал разработку в 1946 году в СССР. В 1969 году опубликовал книгу «Алгоритм изобретения» с ранней версией приёмов устранения противоречий (35 приёмов в первом издании). Итоговый список из 40 приёмов и матрица противоречий оформились к 1971 году. С 1946 по 1985 год его команда разобрала свыше 400 000 патентов

Источник: ТРИЗ, теория решения изобретательских задач, советская школа изобретательства. Перенос в бизнес сделала международная школа Business TRIZ, ключевая фигура Валерий Сушков (Valeri Souchkov) и International Business TRIZ Association; метод анализа противоречий в бизнес-системах называется RCA+, Root Conflict Analysis

ПОЛКА 6: Модель и позиция

Инструмент: Канва бизнес-модели · Канва ценностного предложения · Lean Canvas · Решётка ERRC · Шесть путей · 7 Powers · Каскад из пяти вопросов Playing to Win

6.0

Шаг 6.0

Зачем эта полка

Подсказка

Как превратить находку в бизнес-модель и занять позицию, которую не скопируют за месяц.

6.1

Шаг 6.1

Канва бизнес-модели · Business Model Canvas

Подсказка

Что делает: раскладывает бизнес на 9 блоков на одном листе, чтобы увидеть всю модель разом, а не только продукт или только цену

Когда брать: после того как ниша и инсайт про клиента уже нащупаны, нужно собрать это в целостную модель для обсуждения с командой или инвестором

Действия

Впиши сегменты клиентов, для кого вообще создаётся ценность
Впиши ценностные предложения под каждый сегмент
Опиши каналы, через которые ценность доходит до клиента
Опиши тип отношений с каждым сегментом
Впиши потоки дохода, за что и как платят
Впиши ключевые ресурсы, активности и партнёров, без которых модель не работает
Впиши структуру затрат и сверь её с потоками дохода

Промпт → Канва бизнес-модели

Ты бизнес-стратег. Собери канву бизнес-модели по Остервальдеру для [ниша/продукт]. Вот что известно о клиенте и рынке: [вставь инсайты из JTBD и Opportunity Score]. Заполни все 9 блоков: сегменты клиентов, ценностные предложения, каналы, отношения с клиентами, потоки дохода, ключевые ресурсы, ключевые активности, ключевые партнёрства, структура затрат. По каждому блоку укажи, на каком именно факте он основан, а где это пока гипотеза. Не выдумывай цифры, если их нет в исходных данных.

Результат

На выходе: один лист формата А3 с девятью блоками, видна вся модель бизнеса и её нестыковки

Важно

Где ломается: рисуется один раз и вешается на стену, дальше живёт как красивая картинка без движения. Ещё хуже, когда её заполняют в одиночку из головы, без цитат из JTBD-интервью. Тогда это не модель бизнеса, а фантазия о бизнесе

Подсказка

Автор: Александр Остервальдер и Ив Пинье, 2010

Источник: книга «Business Model Generation», Osterwalder & Pigneur, самиздат при поддержке 470 практиков, позже Wiley, 2010. Инструмент компании Strategyzer

6.2

Шаг 6.2

Канва ценностного предложения · Value Proposition Canvas

Подсказка

Что делает: состыковывает то, что реально нужно клиенту (задачи, боли, выгоды), с тем, что предлагает продукт (товары и услуги, обезболивающие, усилители выгод)

Когда брать: сразу после JTBD-интервью, чтобы перевести сырые цитаты в структуру, до того как рисовать всю бизнес-модель целиком

Действия

Выпиши задачи клиента: функциональные, социальные, эмоциональные
Выпиши его боли при выполнении этих задач
Выпиши выгоды, которые он хочет получить
Впиши продукты и услуги, которые предлагаешь
Впиши, как каждый продукт снимает конкретную боль
Впиши, как каждый продукт создаёт конкретную выгоду
Проверь fit: каждый пункт правой стороны отвечает конкретному пункту левой, а не общим словам

Промпт → Канва ценностного предложения

Ты продуктовый стратег. Построй канву ценностного предложения по Остервальдеру для сегмента [сегмент клиентов] и продукта [продукт]. Вот сырые цитаты и наблюдения из интервью: [вставь цитаты]. Левая часть: выпиши functional/social/emotional jobs, боли, выгоды, каждый пункт с прямой цитатой-подтверждением. Правая часть: products & services, pain relievers, gain creators под каждый пункт левой части. В конце укажи, какие боли и выгоды из левой части ничем не закрыты, и какие элементы правой части не отвечают ни одному пункту слева.

Результат

На выходе: карта соответствия продукт-клиент, видно какие боли и выгоды не закрыты и какие фичи продукта на самом деле никому не нужны

Важно

Где ломается: если боли и задачи придуманы аналитиком, а не взяты дословно из интервью, получается красивая рационализация собственных догадок. И у fit нет числа, как у Opportunity Score, поэтому совпадение проверяется на глаз и легко выдаётся желаемое за действительное

Подсказка

Автор: Александр Остервальдер, Ив Пинье, Грег Бернарда, Алан Смит, 2014

Источник: книга «Value Proposition Design: How to Create Products and Services Customers Want», Osterwalder, Pigneur, Bernarda, Smith, Wiley, 2014. Продолжение Business Model Canvas

6.3

Шаг 6.3

Lean Canvas

Подсказка

Что делает: та же идея одного листа, что у Business Model Canvas, но заточена под стартап на нулевой стадии. Вместо партнёров и ресурсов в неё встроены проблема, решение, метрики и нечестное преимущество

Когда брать: на самой ранней стадии, когда для Business Model Canvas ещё рано, потому что нет ни партнёров, ни ресурсов, есть только гипотеза о проблеме

Действия

Впиши топ-3 проблемы сегмента
Впиши сегмент клиентов и отдельно раннего последователя (early adopter)
Сформулируй уникальное ценностное предложение одной фразой
Впиши решение: топ-3 фичи под топ-3 проблемы
Впиши каналы выхода к клиенту
Впиши потоки дохода: за что и как платит клиент
Впиши структуру затрат: на что уходят деньги при таком решении
Впиши ключевые метрики, по которым поймёшь, что модель работает
Впиши нечестное преимущество: то, что нельзя скопировать или купить

Промпт → Lean Canvas

Ты консультант по ранним стартапам. Собери Lean Canvas по Эшу Маурье для идеи: [краткое описание идеи]. Известные данные о проблеме и клиенте: [вставь то, что уже проверено]. Заполни все 9 блоков: топ-3 проблемы, сегмент клиентов и отдельно early adopter, уникальное ценностное предложение одной фразой, топ-3 фичи решения, каналы, потоки дохода, структуру затрат, ключевые метрики, нечестное преимущество. По блоку «нечестное преимущество» будь жёстким: если то, что я написал, можно скопировать за месяц, прямо скажи об этом и не пропускай как валидное.

Результат

На выходе: лист с 9 блоками, заточенный под стадию «бизнеса ещё нет, есть гипотеза»

Важно

Где ломается: блок «нечестное преимущество» почти всегда заполняют красивыми словами ни о чём, вроде «мы быстрее» или «у нас лучшая команда». Это не преимущество, это желание. Без реального defensible actива этот блок пустой, просто пустота замаскирована текстом

Подсказка

Автор: Эш Маурья, первая версия канвы опубликована в блоге в 2010, книга «Running Lean» вышла в O'Reilly в 2012

Источник: книга «Running Lean: Iterate from Plan A to a Plan That Works», Ash Maurya, O'Reilly Media, 2012

6.4

Шаг 6.4

Решётка ERRC · Eliminate-Reduce-Raise-Create Grid

Подсказка

Что делает: заставляет одновременно резать издержки и поднимать ценность для клиента вместо выбора между «дёшево» или «круто»

Когда брать: после того как модель собрана и нужно понять, чем позиция отличается от конкурентов, а не просто «мы делаем то же самое, но лучше»

Действия

Нарисуй strategy canvas: оси это факторы конкуренции в нише, линия это твоё текущее предложение против конкурентов
Из списка факторов выбери, что убрать полностью
Выбери, что снизить сильно ниже отраслевого стандарта
Выбери, что поднять сильно выше отраслевого стандарта
Придумай, что создать: то, чего в отрасли ещё не было
Перерисуй strategy canvas с новой линией. Она должна визуально не совпадать со старой, иначе решётка не сработала

Промпт → Решётка ERRC

Ты стратег по методологии голубого океана. Для ниши [ниша] и продукта [продукт] построй решётку ERRC. Вот факторы, по которым сейчас конкурируют игроки рынка: [вставь список факторов конкуренции или ссылку на strategy canvas]. Заполни четыре колонки: что убрать полностью, что снизить намного ниже стандарта отрасли, что поднять намного выше стандарта, что создать заново, чего в отрасли ещё нет. В каждой колонке минимум по два пункта. Если колонки «убрать» или «снизить» получаются пустыми, скажи прямо, что это не голубой океан, а косметика.

Результат

На выходе: таблица из четырёх колонок (убрать / снизить / поднять / создать) плюс новая кривая ценности на strategy canvas

Важно

Где ломается: если колонки «убрать» и «снизить» пустые, значит это не голубой океан, а надстройка поверх текущего продукта, издержки не падают и решётка превращается в список фич. Ещё она ломается, когда факторы конкуренции берут из головы, а не из реального strategy canvas конкурентов

Подсказка

Автор: У. Чан Ким и Рене Моборн, 2005

Источник: книга «Blue Ocean Strategy», Kim & Mauborgne, Harvard Business School Press, 2005. Институт Blue Ocean Strategy при бизнес-школе INSEAD

6.5

Шаг 6.5

Шесть путей · Six Paths Framework

Подсказка

Что делает: даёт шесть конкретных направлений, куда смотреть в поиске незанятого рынка, вместо расплывчатого «просто подумай о голубом океане»

Когда брать: когда strategy canvas показал, что все конкуренты стоят плечом к плечу по одним и тем же осям, нужны новые оси для поиска, а не улучшение старых

Действия

Посмотри через альтернативные отрасли: что клиент покупает вместо тебя, чтобы закрыть ту же задачу
Посмотри через стратегические группы внутри отрасли: почему клиент выбирает премиум, а не бюджет, и наоборот
Посмотри через цепочку покупателей: кто на самом деле принимает решение, кто платит и кто пользуется, это часто разные люди
Посмотри через дополняющие продукты и услуги: что происходит до и после использования твоего продукта
Посмотри через функциональную или эмоциональную ориентацию отрасли и попробуй развернуть её в другую сторону
Посмотри через время: какой необратимый тренд меняет отрасль и как рынок будет выглядеть через 3-5 лет

Промпт → Шесть путей

Ты стратег по методологии голубого океана. Для ниши [ниша] пройди шесть путей поиска нового рыночного пространства: альтернативные отрасли, стратегические группы внутри отрасли, цепочка покупателей, дополняющие продукты и услуги, функциональная/эмоциональная ориентация, время. Вот что известно о рынке и клиентах: [вставь инсайты]. По каждому из шести путей дай одну конкретную гипотезу о незанятой нише, а не общие рассуждения. Отметь, какие гипотезы можно проверить существующими данными, а какие требуют нового исследования.

Результат

На выходе: список из шести гипотез о незанятых нишах, каждая сформулирована как конкретное «что если мы посмотрим на рынок вот так»

Важно

Где ломается: путь легко превращается в мозговой штурм без проверки. Гипотеза «через альтернативные отрасли» звучит красиво на слайде, но без данных с расчёта TAM/SAM/SOM это фантазия о размере рынка, а не находка

Подсказка

Автор: У. Чан Ким и Рене Моборн, 2005

Источник: книга «Blue Ocean Strategy», Kim & Mauborgne, Harvard Business School Press, 2005. Институт Blue Ocean Strategy при INSEAD

6.6

Шаг 6.6

7 Powers

Подсказка

Что делает: проверяет, удержится ли твоё преимущество через 3-5 лет или конкурент скопирует его за квартал. Даёт семь источников устойчивого превосходства: масштаб, сетевой эффект, издержки переключения, контрпозиционирование, бренд, захваченный ресурс, процессная сила

Когда брать: после того как позиция через Blue Ocean найдена, чтобы не строить бизнес-модель на преимуществе, которое исчезнет через месяц после копирования конкурентом

Действия

Определи, на какую power из семи ты претендуешь: economies of scale, network economies, switching costs, counter-positioning, branding, cornered resource, process power
Проверь superior: действительно ли это улучшает свободный денежный поток компании
Проверь significant: улучшение материально или это мелочь, которая не видна в цифрах
Проверь sustainable: выдержит ли это конкурентное давление 3-5 лет, а не один квартал
Проверь момент origination: большинство powers закладываются рано, в момент выбора позиции, а не достраиваются в зрелой фазе бизнеса
Если ни одна из семи не подтверждается фактами, вернись к решётке ERRC и позиции: устойчивого преимущества пока нет

Промпт → 7 Powers

Ты стратег-скептик, работаешь по фреймворку 7 Powers Гамильтона Хелмера. Для бизнеса [описание бизнеса/позиции] проверь по очереди все семь powers: масштаб, сетевой эффект, издержки переключения, контрпозиционирование, бренд, захваченный ресурс, процессная сила. По каждой дай вердикт да/нет/пока нет и обоснование через тест superior-significant-sustainable. Не засчитывай power, если у меня нет измеримого факта, только ощущение. В конце скажи прямо, есть ли хоть одна реально защищённая power или бизнес пока уязвим для копирования.

Результат

На выходе: честный вердикт да/нет по каждой из семи powers плюс план, что укрепить в ближайший год, чтобы power действительно появилась

Важно

Где ломается: почти каждый находит у себя «бренд» или «cornered resource» авансом, хотя по факту этого ещё нет. Power либо подтверждается измеримыми цифрами (доля рынка, юнит-экономика, реальные издержки переключения клиента), либо это самообман. Хелмер жёстко разделяет power и просто хороший бизнес, вторая категория ничего не защищает

Подсказка

Автор: Гамильтон Хелмер, 2016

Источник: книга «7 Powers: The Foundations of Business Strategy», Hamilton Helmer, издательство Deep Strategy (бывшая Helmer & Associates), 2016

6.7

Шаг 6.7

Каскад из пяти вопросов Playing to Win · Playing to Win Strategic Choice Cascade

Подсказка

Что делает: собирает все предыдущие решения (нишу, модель, позицию, защиту) в один каскад из пяти вопросов и проверяет, что они не противоречат друг другу

Когда брать: в самом конце, когда уже собраны инсайт, ниша, модель, позиция и защита. Это точка сборки, а не отдельное исследование с нуля

Действия

What is our winning aspiration: какая цель, зачем вообще играть в эту игру
Where will we play: в какой нише, с каким сегментом, через какие каналы
How will we win: за счёт чего именно побеждаем в выбранной нише
What capabilities must be in place: какие способности нужны, чтобы реализовать «как побеждаем»
What management systems are required: какие системы и метрики поддерживают эти способности
Пройди каскад в обратную сторону, от систем к aspiration, и найди, где связка рвётся

Промпт → Каскад из пяти вопросов Playing to Win

Ты стратег-интегратор, работаешь по каскаду Playing to Win Лафли и Мартина. Вот что уже собрано по проекту [название]: инсайт о клиенте [вставь], ниша и размер рынка [вставь], бизнес-модель [вставь], позиция после ERRC [вставь], проверка через 7 Powers [вставь]. Собери из этого пять ответов каскада: winning aspiration, where to play, how to win, what capabilities, what management systems. После каждого ответа укажи, на каком именно из вставленных блоков он основан. В конце явно перечисли, где каскад рвётся: где следующий вопрос не вытекает логически из предыдущего.

Результат

На выходе: одна страница с пятью ответами, где каждый следующий логически вытекает из предыдущего, плюс список нестыковок, если они есть

Важно

Где ломается: если делать это первым шагом, до JTBD и до анализа рынка, вопросы отвечаются мнением, а не данными. «Где играть» и «как побеждать» без цифр из расчёта рынка и без решётки ERRC это красивые лозунги на слайде, а не стратегия

Подсказка

Автор: А. Дж. Лафли и Роджер Мартин, 2013

Источник: книга «Playing to Win: How Strategy Really Works», A.G. Lafley, Roger Martin, Harvard Business Review Press, 2013. Разработан во время работы Лафли CEO Procter & Gamble

ПОЛКА 7: Оффер и его слом

Инструмент: Пресс-релиз будущего продукта и Working Backwards · Карта допущений и тест самого рискованного · Разбор будущего провала · Красная команда и стилмен · Взгляд снаружи и базовые ставки

7.0

Шаг 7.0

Зачем эта полка

Подсказка

Как проверить идею до того, как в неё вложены деньги. Здесь пять инструментов, которые ломают оффер нарочно и заранее: пишут его как будто он уже провалился, ищут в нём самое слабое место и сравнивают его не с мечтами команды, а со статистикой похожих проектов.

7.1

Шаг 7.1

Пресс-релиз будущего продукта и Working Backwards · Working Backwards & PR/FAQ

Подсказка

Что делает: команда пишет пресс-релиз и FAQ на продукт, которого ещё нет, так, будто он уже вышел и его хвалят клиенты. Работаешь назад, от готового результата к плану, а не вперёд от идеи

Когда брать: перед тем как вложить деньги в новый продукт, фичу или направление, особенно когда команда уже загорелась идеей и рвётся сразу делать

Действия

Собери людей, которые реально будут делать продукт
Напиши пресс-релиз на одну страницу: заголовок, подзаголовок, проблема, решение, цитата руководителя, как получить доступ, цитата довольного клиента
Напиши FAQ: сначала вопросы клиента (цена, отличие от аналогов, ограничения), потом внутренние вопросы команды (стоимость, сроки, риски)
Собери команду и зачитай текст вслух целиком. Никаких слайдов, только текст на бумаге
Собери правки в письменном виде и перепиши документ. Обычно уходит десять и больше черновиков, и несколько встреч с руководством для обсуждения
Если после честных правок текст никого не зажигает, продукт останавливают здесь, а не после разработки
Если зажигает, PR/FAQ превращается в техническое задание на разработку

Промпт → Пресс-релиз будущего продукта и Working Backwards

Напиши пресс-релиз продукта [название/идея] так, как будто он уже вышел и им пользуются клиенты из [ниша]. Формат Amazon PR/FAQ: заголовок с выгодой, подзаголовок, абзац проблемы, абзац решения, цитата руководителя компании, как получить доступ, цитата довольного клиента. Ниже добавь FAQ: 5 вопросов от клиента (цена, отличие от аналогов, ограничения) и 5 внутренних вопросов команды (стоимость разработки, сроки, риски, зависимости). Используй данные о нише: [вставить цифры спроса/сегмента]. Пиши на русском, без маркетингового пафоса, конкретно.

Результат

На выходе: документ до шести страниц, пресс-релиз меньше страницы плюс FAQ до пяти страниц с внешними и внутренними вопросами. Это одновременно бриф и фильтр

Важно

Где ломается: превращается в формальность, если текст пишет один человек для галочки и никто не читает его вслух при всей команде. Ломается, когда команда боится писать честно и вместо диагностики рисков получается рекламный текст самим себе. Без реальных данных о нише (спрос, размер рынка, сегмент) это красиво написанная фантазия, а не проверка

Подсказка

Автор: процесс родился внутри Amazon в начале 2000-х при Джеффе Безосе, формализован и описан Колином Брайаром и Биллом Карром в 2021 году

Источник: Colin Bryar, Bill Carr, «Working Backwards: Insights, Stories, and Secrets from Inside Amazon», St. Martin's Press, 2021. По этому процессу в Amazon родились Kindle, Prime и AWS

7.2

Шаг 7.2

Карта допущений и тест самого рискованного · Assumption Mapping & Riskiest Assumption Test

Подсказка

Что делает: раскладывает все допущения бизнес-модели, желательность для клиента, реализуемость и экономику, на матрицу 2х2: важность и сила текущих доказательств. Показывает, что тестировать первым

Когда брать: сразу после того как появилась бизнес-модель (Value Proposition Canvas или Business Model Canvas) и до того, как потрачены деньги на разработку. Хорошо снимает споры внутри команды, с чего начать проверку

Действия

Выпиши все допущения из бизнес-модели: «клиент готов платить X», «мы умеем сделать это за Y», «маржа выдержит Z»
Раздели их на три типа: desirability (хочет ли клиент), feasibility (можем ли сделать), viability (сойдётся ли экономика)
Оцени каждое по важности: что случится с бизнесом, если это допущение окажется ложным
Оцени каждое по силе доказательств: от 0, чистый домысел, до 10, подтверждено экспериментом
Нанеси все допущения на матрицу: важность по вертикали, доказательства по горизонтали
Найди допущения в верхнем левом углу, высокая важность и низкие доказательства. Это критические
Подбери самый дешёвый эксперимент под самое критическое допущение (интервью по Mom Test, лендинг с предзаказом, fake door) и проверь именно его, потом повтори цикл

Промпт → Карта допущений и тест самого рискованного

У меня есть бизнес-модель: [вставить кратко VPC/BMC]. Разложи все допущения на три группы: desirability (хочет ли клиент), feasibility (можем ли сделать), viability (сойдётся ли экономика). Для каждого допущения дай оценку важности (1-10, что случится, если оно окажется ложным) и оценку текущих доказательств (1-10, что уже подтверждено фактами). Собери в таблицу и отдельно выдели три допущения с самой высокой важностью и самыми слабыми доказательствами. Для каждого из трёх предложи самый дешёвый и быстрый эксперимент, который проверит именно его без наводящих вопросов.

Результат

На выходе: визуальная карта 2х2 со всеми допущениями и явно выделенное самое рискованное допущение с планом конкретного эксперимента под него

Важно

Где ломается: если допущения формулируют расплывчато («людям понравится») вместо проверяемого утверждения («70 процентов сегмента X купят по цене Y в течение месяца»), карта превращается в список благих пожеланий. Ломается, если для проверки задают наводящие вопросы вместо теста реального поведения, то есть путают Mom Test с обычным опросом мнений. Ещё одна ловушка: тестируют понятное и лёгкое допущение вместо реально рискованного, потому что так спокойнее

Подсказка

Автор: David J. Bland и Alexander Osterwalder, 2019

Источник: David J. Bland, Alexander Osterwalder, «Testing Business Ideas: A Field Guide for Rapid Experimentation», Wiley, 2019. Развивает Business Model Canvas и Value Proposition Canvas самого Osterwalder и логику Lean Startup

7.3

Шаг 7.3

Разбор будущего провала · Pre-Mortem

Подсказка

Что делает: до старта проекта команда представляет, что прошёл год и проект провалился с треском, и каждый пишет, почему это случилось. Переход из будущего времени («что может пойти не так») в прошедшее («что уже пошло не так») по данным Mitchell, Russo и Pennington повышает точность выявления настоящих причин будущего провала примерно на 30 процентов

Когда брать: за 1-2 недели до финального решения «запускаем или нет», когда команда настроена оптимистично, а деньги ещё не потрачены. Хорошо работает прямо перед распределением бюджета

Действия

Собери людей, которые принимают решение о запуске
Объяви правило игры: «Представьте, прошёл год, наш проект провалился с треском». Именно в прошедшем времени
Каждый участник отдельно и молча пишет все причины провала, которые приходят в голову, 5-10 минут, без обсуждения вслух
По кругу каждый зачитывает по одной причине, пока список не закончится, ведущий фиксирует всё, включая повторы и странные версии
Сгруппируй причины по темам: продукт, деньги, команда, рынок, внешние факторы
По каждой сильной группе причин реши, что можно сделать уже сейчас, чтобы снизить вероятность или ущерб
Через 2-4 недели вернись к списку и проверь, какие ранние сигналы уже появились

Промпт → Разбор будущего провала

Мы запускаем проект: [описание]. Проведи со мной pre-mortem по методу Gary Klein. Представь, что прошёл год и проект провалился с треском. Сгенерируй 15-20 конкретных причин провала: что пошло не так с продуктом, деньгами, командой, рынком, внешними факторами. Не смягчай и не будь оптимистичным, ищи реалистичные и неприятные причины. Сгруппируй причины по темам и для трёх самых вероятных предложи, что можно сделать уже сейчас, чтобы снизить риск.

Результат

На выходе: список конкретных причин провала, сгруппированных по темам, и решение «что делаем уже сейчас» по каждой значимой группе

Важно

Где ломается: если старший по должности высказывается первым или задаёт тон, остальные подстраиваются и упражнение превращается в формальность, это обычный эффект групповой конформности. Ломается, если пропустить этап индивидуального молчаливого письма и сразу перейти к обсуждению вслух, теряется весь эффект от независимости мнений. Не работает как разовая процедура для галочки: если после списка причин план никто не меняет, это театр, а не защита

Подсказка

Автор: Gary Klein, 2007. Психологический механизм, «проспективный хиндсайт», взят из исследования Deborah Mitchell, J. Edward Russo и Nancy Pennington, 1989

Источник: Gary Klein, «Performing a Project Premortem», Harvard Business Review, том 85, номер 9, сентябрь 2007, страницы 18-19

7.4

Шаг 7.4

Красная команда и стилмен · Red Team & Steelman

Подсказка

Что делает: отдельная команда атакует план или продукт так, как это сделал бы реальный конкурент, но перед атакой она обязана сначала сформулировать самую сильную версию этого плана, а не самую слабую

Когда брать: на важных решениях с высокой ценой ошибки, перед запуском, перед крупным вложением денег, перед публичным заявлением. На рутинных мелких решениях не нужен

Действия

Выдели отдельных людей на роль «красной команды», не тех, кто защищает план. Идеально людей без личной заинтересованности в его успехе
Дай красной команде полный доступ к плану: оффер, цифры, допущения
Красная команда сначала делает стилмен: формулирует план в его сильнейшей и самой убедительной версии, как будто сама в него верит
Только после стилмена красная команда атакует: ищет слабые места и придумывает сценарий, в котором конкурент или клиент рвёт план на части
Красная команда оформляет находки письменно и передаёт основной команде
Основная команда письменно отвечает на каждый пункт: согласны и меняем план или не согласны и почему
Финальное решение принимает тот, кто отвечает за деньги, с учётом обоих документов

Промпт → Красная команда и стилмен

Вот план или оффер: [описание]. Сначала сделай стилмен: сформулируй самую сильную и убедительную версию этого плана, как будто ты сам в него веришь и защищаешь перед инвестором. Затем сними эту роль и стань красной командой: атакуй план так, как это сделал бы жёсткий конкурент или скептичный клиент. Найди 7-10 слабых мест, для каждого опиши конкретный сценарий провала. Не смягчай формулировки.

Результат

На выходе: два документа, стилмен плана в его сильнейшей версии и список атак красной команды с письменными ответами основной команды на каждую

Важно

Где ломается: если красную команду набирают из людей, зависимых от успеха проекта (тот же отдел, та же премия), критика получается беззубой. Ломается без стилмена: если сразу критикуют слабую версию идеи, спор выигрывают, а реальный риск не находят. Ещё одна поломка: основная команда воспринимает атаки как личное нападение и защищается эмоционально вместо ответа по существу

Подсказка

Автор: red team, военная традиция, штабные игры XIX века (Kriegsspiel в Пруссии), формализована RAND Corporation и армией США в XX веке. Steelman, точный автор термина атрибуция не подтверждена, термин закрепился в рационалистских онлайн-сообществах (LessWrong и близкие) в начале 2010-х как осознанная противоположность соломенному чучелу (straw man)

Источник: военная и разведывательная практика red teaming (США), для steelman культура рационалистского сообщества LessWrong

7.5

Шаг 7.5

Взгляд снаружи и базовые ставки · Outside View & Base Rates

Подсказка

Что делает: вместо того чтобы оценивать свой проект изнутри («наша команда сильная, у нас получится»), берёшь статистику по классу похожих проектов и сначала спрашиваешь, как обычно заканчиваются такие затеи

Когда брать: при любой оценке сроков, бюджета или вероятности успеха нового проекта, особенно когда команда настроена оптимистично, а она почти всегда настроена оптимистично, это и есть планировочная ошибка (planning fallacy)

Действия

Опиши проект одним предложением так, чтобы его можно было отнести к классу похожих: не «наш особенный стартап», а «SaaS для малого бизнеса на этапе поиска product-market fit»
Найди референсный класс: 10-30 похожих проектов, компаний или запусков с известным исходом
Собери базовую статистику по классу: сколько процентов дожили до года, средний бюджет и срок, типичный перерасход
Сравни свой проект с этим классом: он лучше, хуже или типичный по ключевым параметрам, команда, деньги, ниша
Скорректируй свою внутреннюю оценку базовой ставкой снаружи. Если внутренняя оценка сильно оптимистичнее базовой, найди причину разницы или снизь прогноз
Зафиксируй итоговый прогноз с явным объяснением отклонения от базовой ставки

Промпт → Взгляд снаружи и базовые ставки

Я планирую [описание проекта: срок, бюджет, ожидаемый результат]. Помоги применить взгляд снаружи по методу Kahneman и Flyvbjerg. Предложи 3-5 вариантов референсного класса, к которому можно отнести этот проект. По каждому классу опиши типичную статистику исходов: процент успеха, средний перерасход бюджета, средний перенос сроков, если такие данные существуют или широко известны. Сравни мой план с этой базовой ставкой и укажи, где мой прогноз выглядит переоптимистичным.

Результат

На выходе: скорректированный прогноз (срок, бюджет, вероятность успеха) с явно показанной базовой ставкой и объяснением, почему конкретно этот случай от неё отличается, если отличается

Важно

Где ломается: если референсный класс подбирают нечестно, слишком узко или слишком широко, чтобы получить нужный ответ. Не работает, если данных по похожим случаям физически нет, тогда взгляд снаружи подменяют вкусовщиной под тем же названием. Ломается на задачах, у которых действительно нет аналогов, но таких задач у предпринимателей меньше, чем им обычно кажется

Подсказка

Автор: концепция «взгляда снаружи» описана Daniel Kahneman и Amos Tversky в 1979 году, развита Kahneman и Dan Lovallo в 1993 году, практическое применение к проектам через reference class forecasting разработал Bent Flyvbjerg с середины 2000-х

Источник: Daniel Kahneman, Amos Tversky, «Intuitive Prediction: Biases and Corrective Procedures», 1979; Bent Flyvbjerg, «From Nobel Prize to Project Management: Getting Risks Right», Project Management Journal, 2006

ПОЛКА 8: Проверка

Инструмент: Протокол верификации из пяти правил · Правило двух независимых первоисточников · Трассировка запросов модели · Кросс-модельная проверка · Защита от отравления источника через пользовательский контент

8.0

Шаг 8.0

Зачем эта полка

Подсказка

Как поймать модель на вранье до того, как её вывод попал в решение о деньгах. Все семь предыдущих полок учат агента искать и думать, эта полка учит не верить ему на слово: пять фреймворков ниже ловят выдумку до того, как она превратится в потраченный бюджет, нанятого не того человека или юридическую проблему.

8.1

Шаг 8.1

Протокол верификации из пяти правил · Five-Rule Verification Protocol

Подсказка

Что делает: ставит пять простых фильтров между выводом модели и решением, которое на этом выводе строится

Когда брать: перед любым отчётом deep research, который повлияет на деньги, наём или публичное заявление

Действия

Никогда не верить цитате или факту без перехода по ссылке и чтения оригинального куска текста, а не заголовка или сниппета
На любое число или факт, который пойдёт в решение, требовать минимум два независимых первоисточника
Юридическое, медицинское и финансовое проверять руками отдельно, там цена ошибки модели выше, а склонность к выдумке не ниже
Требовать от модели явно помечать место, где источник не найден, вместо гладкого текста поверх дыры
Сохранять сырую трассировку: что модель искала и что реально открыла. Без этого нечего аудировать, кроме красивого вывода

Промпт → Протокол верификации из пяти правил

Прогони мой черновик отчёта по теме [ниша/тема] через протокол из пяти правил. Для каждого фактического утверждения и каждой цифры отдельно укажи:
1) есть ли прямая ссылка на источник и подтверждается ли она при переходе по ней
2) есть ли второй независимый источник или только один
3) относится ли утверждение к юридической, медицинской или финансовой сфере, тогда пометь "требует ручной проверки"
4) явно ли помечено место, где источник не найден
5) покажи отдельным списком, что ты реально искал и что нашёл
Не сглаживай пробелы красивым текстом, там где подтверждения нет, пиши это прямо.

Результат

На выходе: чек-лист-гейт, который отчёт проходит перед тем, как лечь в основу решения. По каждому пункту либо галочка, либо явная пометка "не проверено"

Важно

Где ломается: на бытовых вопросах без денежной цены ошибки это лишняя бюрократия, которая просто замедляет работу. И главное: пункт "перейти по ссылке и прочитать" ничего не даёт, если сама страница по ссылке заранее отравлена (см. карточку про защиту от отравления источника), протокол ловит выдумку модели, но не ловит выдумку, которую кто-то заранее подложил в интернет

Подсказка

Автор: собственная сборка курса, 2026 год. Готового научного названия у протокола нет, у него нет одного автора, это рабочий чек-лист. Общий тезис, не доверять выводу модели без проверки, перекликается с разделом Mitigation and Recommendations в исследовании GhostCite, но конкретные пять правил ниже это отдельная сборка на основе практики проверки AI-агентов, а не пересказ этого раздела: сам раздел говорит в основном про проверку академических цитат в статьях, а не про деньги, наём или юридические риски. Атрибуция единственному автору не подтверждена и не нужна, это операционное правило, а не академическая модель

Источник: GhostCite: A Large-Scale Analysis of Citation Validity in the Age of Large Language Models, Xu, Qiu, Sun и соавторы, Nankai University и Tsinghua University, 2026, раздел VIII-B. arxiv.org/html/2602.06718v2

8.2

Шаг 8.2

Правило двух независимых первоисточников · Two-Source Rule

Подсказка

Что делает: не даёт числу или факту попасть в текст, пока его не подтвердили два источника, которые реально не зависят друг от друга

Когда брать: перед тем как произнести число публично или положить его в основу стратегии, оффера, цены

Действия

Найди утверждение или цифру, которая ляжет в основу решения
Найди первый источник, который её подтверждает
Проверь происхождение второго кандидата: не пересказ ли это первого источника, не цитирует ли он тот же пресс-релиз
Найди действительно независимый второй источник: другая организация, другая методология, другая дата замера
Если независимого второго нет, помечай факт как непроверенный, а не как подтверждённый факт

Промпт → Правило двух независимых первоисточников

По утверждению [конкретное число или факт] найди два независимых первоисточника.
Проверь для каждого: не растёт ли он из того же самого исходного материала, что и первый (перепечатка, пересказ, взаимное цитирование).
Если независимого второго источника нет, явно напиши: "подтверждено только одним источником, независимого второго не нашёл".
Не подменяй "два разных URL" на "два независимых источника", сначала проследи происхождение каждого.

Результат

На выходе: маркировка каждого ключевого числа в отчёте: "подтверждено двумя независимыми источниками" или "под вопросом, источник один"

Важно

Где ломается: сами авторы GhostCite пишут, что ни одна библиографическая база не даёт полного покрытия в одиночку, поэтому даже автоматическая проверка идёт по нескольким базам сразу. У людей ошибка чаще другая: два разных URL это не два независимых источника, если оба тянутся из одной и той же нарезки на YouTube или одного и того же поста в Reddit. Считать надо не количество ссылок, а независимость происхождения

Подсказка

Автор: Боб Вудворд и Карл Бернстайн, начало 1970-х, Washington Post, во время расследования Уотергейта. Правило описано Вудвордом в книге «Вся президентская рать» (All the President's Men, 1974): обвинение не публиковалось, пока его не подтверждали два независимых источника. Точную формулировку оспаривает как минимум один редактор Post, но стандарт «минимум два независимых источника на факт» с тех пор закреплён как норма редакционных стандартов (AP, Reuters)

Источник: Woodward B., Bernstein C., «All the President's Men», Simon & Schuster, 1974; редакционная практика AP Stylebook

8.3

Шаг 8.3

Трассировка запросов модели · Query Trace / Execution Provenance

Подсказка

Что делает: сохраняет не только финальный текст ответа, а весь путь модели: какие запросы она делала, какие страницы открыла, что из них реально взяла в вывод

Когда брать: для любого отчёта, который потом может оспорить инвестор, юрист или партнёр по сделке

Действия

Включи режим, где видны шаги поиска, у большинства deep research инструментов такая панель уже есть
Сохрани лог отдельно: список запросов и список реально открытых источников
Сверь построчно, действительно ли утверждение в тексте отчёта пришло из источника, который указан рядом как ссылка
Проверь, не срезала ли модель путь: не открывала страницу целиком, а угадала содержимое по заголовку или сниппету в выдаче
Архивируй трассировку рядом с финальным отчётом, без неё процесс нельзя проверить задним числом, можно только поверить красивому тексту

Промпт → Трассировка запросов модели

Прежде чем дать финальный ответ по запросу [цель исследования], покажи полную трассировку: список всех поисковых запросов, которые ты сделал, и список всех страниц, которые реально открыл и прочитал, а не только те, что попали в финальные ссылки.
Отдельно отметь, какие утверждения в ответе подкреплены страницей, которую ты открыл и прочитал целиком, а какие это предположение по заголовку или сниппету без перехода.
Сохрани этот лог отдельным блоком, я архивирую его вместе с отчётом.

Результат

На выходе: файл-лог рядом с отчётом, который можно предъявить как доказательство процесса, а не только результат

Важно

Где ломается: закрытые коммерческие системы показывают не всё. Исследование Cornell Tech по отравлению источников прямо пишет: для закрытых систем вроде OpenAI Deep Research видны только цитаты, попавшие в финальный отчёт, а не полный список того, что агент реально открыл при поиске. Трассировка настолько полна, насколько её вообще отдаёт инструмент, это лучшее доступное, а не гарантия

Подсказка

Автор: индустриальная практика LLM observability, сложилась с 2023-2024 годов вокруг инструментов вроде LangSmith и Langfuse, академически обобщена в обзоре «From Agent Traces to Trust: A Survey of Evidence Tracing and Execution Provenance in LLM Agents», июнь 2026. У практики нет одного автора-основателя, это коллективный стандарт индустрии, атрибуция конкретному человеку не подтверждена

Источник: arxiv.org/html/2606.04990v3, плюс встроенные панели "показать источники" и "шаги поиска" в Perplexity, ChatGPT Deep Research, Gemini Deep Research

8.4

Шаг 8.4

Кросс-модельная проверка · Cross-Model Verification

Подсказка

Что делает: натравливает одну модель на проверку вывода другой. Работает только если проверяющая модель из другой линейки, а не из той же семьи, что и модель-автор, иначе она склонна одобрять похожий на себя текст

Когда брать: когда единственная модель уже выдала вывод, на основе которого сразу планируется тратить деньги, а живого второго эксперта под рукой нет

Действия

Возьми готовый вывод модели А вместе со списком её источников
Передай его модели Б из другой компании или другой линейки, вместе с исходным запросом и источниками
Попроси модель Б явно искать расхождения между текстом и источниками, а не оценивать общее "качество" ответа
Сверь два вердикта: если Б согласна с А, доверие к выводу растёт, если нет, разбираешься руками
Не используй модель той же линейки, что и автора вывода (например GPT проверяет GPT), это воспроизводит self-enhancement bias из исходной статьи

Промпт → Кросс-модельная проверка

Вот вывод другой модели по теме [тема] и список источников, на которые она ссылается: [вставить вывод и источники].
Проверь каждое ключевое утверждение построчно на соответствие приведённым источникам.
Явно укажи расхождения: где вывод не подтверждается источником, где источник искажён, где вывод шире, чем позволяет источник.
Не оценивай качество текста, оценивай только фактическое соответствие источникам.

Результат

На выходе: второй, независимый вердикт по тому же материалу плюс конкретный список расхождений с источниками

Важно

Где ломается: кросс-модельная проверка ловит противоречие между текстом вывода и источниками, но не ловит ситуацию, где отравлен сам источник, тогда обе модели честно согласятся с неправдой, потому что она действительно написана на странице. Она также не заменяет ручную проверку в юридических, медицинских и финансовых вопросах, там нужен человек с профильной квалификацией, а не вторая модель

Подсказка

Автор: Lianmin Zheng и соавторы, июнь 2023, UC Berkeley и команда LMSYS. Статья ввела подход LLM-as-a-Judge и в ней же экспериментально зафиксировала self-enhancement bias: модели систематически выше оценивают собственные ответы, чем ответы других моделей

Источник: Zheng L. et al., «Judging LLM-as-a-Judge with MT-Bench and Chatbot Arena», NeurIPS 2023. arxiv.org/abs/2306.05685

8.5

Шаг 8.5

Защита от отравления источника через пользовательский контент · Protection Against Source Poisoning (WARP)

Подсказка

Что делает: показывает механику атаки WARP (Web Agent Retrieval Poisoning): текст всего из тринадцати слов, добавленный в часто читаемый Reddit-комментарий или вики-страницу, заставляет deep research агента продвигать выдуманную сущность в 38-51 проценте случаев, когда агент вообще натыкается на эту страницу, а при заражении нескольких страниц-источников доля растёт до 42-62 процентов. Полный эксперимент с атакой авторы провели на трёх открытых системах (STORM, Co-STORM, OmniThink), а отдельно, на реальных коммерческих продуктах ChatGPT Deep Research и Gemini Deep Research показали ту же структурную уязвимость: Gemini Deep Research цитирует пользовательский контент в 12.1 проценте случаев из 5157 цитат, OpenAI Deep Research реже, в 0.4 процента. Дальше авторы проверили три вида защиты и прямо пишут: ни одна не сработала без потери качества или надёжности

Когда брать: когда просишь модель порекомендовать конкретный сервис, инструмент, подрядчика, ресторан или продукт, то есть просишь её выбрать одну сущность из множества похожих

Действия

Понимай, что любой источник с Reddit, форума или вики в отчёте модели мог быть отредактирован специально под алгоритм поиска, а не под тебя
Если модель рекомендует конкретный сервис, бренд или продукт со ссылкой на форум, проверь его отдельно, вне контекста отчёта: название плюс "отзывы", "мошенничество", "не существует"
Насторожись, если топ-рекомендация в разных твоих запросах по одной теме опирается на один и тот же источник, это и есть механика атаки, основанная на том, что агенты повторно тянут одни и те же популярные UGC-страницы
Не считай гладкий, правдоподобный текст признаком чистоты отчёта: в исследовании отравленный отчёт был статистически даже больше похож на "образцовый", чем настоящий чистый отчёт, поэтому детектор на основе стиля текста не работает в принципе
Помни, что блокировка пользовательских источников снижает риск атаки, но заметно режет качество отчёта, живая экспертиза с форумов и Reddit туда же и уходит

Промпт → Защита от отравления источника через пользовательский контент

Ты рекомендуешь мне конкретный сервис, бренд или подрядчика по запросу [задача, например "куда сдать iPhone на ремонт в Москве"].
Прежде чем дать финальную рекомендацию, отдельно, вне контекста собранных источников, проверь: существует ли эта компания на самом деле, сайт, юрлицо, отзывы за пределами того форума, откуда взята рекомендация.
Если рекомендация опирается на один и тот же Reddit или форумный источник, который повторяется в нескольких моих запросах подряд, явно предупреди меня об этом как о риске отравленного или проплаченного контента.

Результат

На выходе: правило проверки: любая рекомендация конкретного бренда или сервиса от deep research агента, которая опирается на пользовательский контент, верифицируется отдельно, вне отчёта, руками

Важно

Где ломается: сами авторы честно фиксируют предел собственной защиты. Блокировка UGC-доменов убирает атаку, но заметно снижает полезность отчёта. Фильтрация источников на входе силами самой LLM дорогая (лишний вызов модели на каждый фрагмент) и ненадёжная, требует размеченного датасета отравленного контента, которого просто не существует. Фильтрация на выходе вообще не работает: отравленный отчёт статистически неотличим от чистого по эмбеддингам и стилю. Вывод авторов прямой: рабочей технической защиты без потери качества не существует, единственная реальная защита сейчас, это ручная проверка конкретных рекомендаций человеком

Подсказка

Автор: Tingwei Zhang, Harold Triedman, Vitaly Shmatikov, Cornell Tech, май 2026

Источник: «Deep-Research Agents Can Be Poisoned via User-Generated Content», arXiv:2605.24245, опубликовано 22 мая 2026. arxiv.org/html/2605.24245

Хочешь так же в своём бизнесе?

COMANDOS AI — центр AI-автоматизации: готовые паки промптов, команды цифровых сотрудников под процессы бизнеса, обучение и сообщество практиков. Заходи и собирай свою систему.

Открыть COMANDOS AI →

← Все материалы