Product-market fit: методология поиска через 10 стадий

Product-market fit — это момент, когда продукт, аудитория и положение на рынке совпадают достаточно хорошо, чтобы рост перестал быть мучением. Фраза знаменита, но концепция скользкая: большинство команд не могут сказать, есть ли у них PMF, а большинство попыток его измерить дают числа, которые сдвигаются в зависимости от того, кто спрашивает. Результат — длинный отрезок «ну что, уже?», иногда годами.

Этот гайд описывает структурированный цикл поиска PMF: 10 стадий, 7 dimensions и небольшой набор измерительных инструментов в конце. Он опирается на работы Marty Cagan по продуктовой дискавери, Testing Business Ideas David Bland, 7 Powers Hamilton Helmer, бенчмарк 40% Sean Ellis, фреймворк Levels of PMF от First Round Capital и исследование Bill Gross о тайминге как доминирующем факторе успеха стартапов.

Ключевая мысль

PMF-цикл занимает месяцы и возвращается к одним и тем же вопросам в разных формах: сначала как догадки, потом как находки рисёрча, потом как цитаты пользователей, потом как метрики после запуска. Каждый проход уточняет картину.

Зачем нужен структурированный цикл

Большинство советов про PMF попадают в одну из двух ловушек. Первая — ловушка одной метрики: «вы поймёте, когда он у вас будет» — полезно как фольклор, бесполезно как процесс. Вторая — ловушка опросника: «запустите Sean Ellis и посмотрите на число» — но Sean Ellis на случайной аудитории даёт случайный результат, и 47% на списке дружелюбных пользователей не говорят ни о чём.

Структурированный цикл решает обе проблемы тем, что разделяет работу на стадии, где каждая стадия отвечает на один вопрос, оставляет артефакт и кормит следующую. Артефакты и есть состояние. Если вы остановились на два месяца и вернулись, папка с артефактами говорит вам ровно где вы.

Цикл также сделан так, чтобы confidence мог падать. Если новые данные противоречат гипотезе, скор для этой dimension идёт вниз, и это цикл работает как задумано. Self-driven PMF-работа чаще всего проваливается потому что команды накручивают свои числа, чтобы было приятно. Структура сопротивляется этому через версионирование каждого narrative и явный вопрос «что изменилось с прошлого раза, и почему».

7 dimensions

PMF — это согласованность семи переменных, и все они должны держаться одновременно. Шесть приходят из работы Cagan по продуктовой дискавери; седьмая, Timing, приходит из анализа Bill Gross 200+ стартапов, где тайминг оказался более сильным предиктором исхода, чем команда, идея, бизнес-модель или финансирование.

Dimensions взаимозависимы. Сильные гипотезы показывают как конкретная аудитория имеет конкретную боль, которую конкретный value prop закрывает через канал, который ложится на business model, которая компаундится через одну из семи powers. Слабые гипотезы — это те, где dimensions сидят параллельно и никогда не соединяются.

10-стадийный цикл

Цикл проводит один продукт через десять стадий, от начала до конца. Стадии 6 и 8 происходят вне любого инструмента — это полевая работа пользователя и запуск продукта. Остальные восемь производят артефакты, которые опираются друг на друга.

Каждая стадия читает что написали предыдущие, и добавляет своё. Narrative версионируется в трёх точках — v1 после Stage 1, v2 после Stage 3, v3 после Stage 7 — и каждая версия живёт в своём файле с секцией Version History. Сравнение v1 и v3 часто оказывается самым полезным артефактом всего цикла: оно показывает, чему команда научилась и где исходная идея согнулась под реальностью.

Оценка рисков и риск-dimension

После market research каждая dimension получает численный risk score. Формула простая:

Risk Score = (10 - Evidence Score) × Failure Impact

Evidence Score — насколько сильно данные поддерживают dimension по шкале 1-10. Failure Impact — насколько катастрофично если dimension окажется неверной, по шкале 1-4. Дефолты основаны на том, насколько каждая dimension обратима:

Риск-dimension — это та, у которой самый высокий скор. Она становится фокусом Stage 4. Synthesis также прогоняет две cross-fit проверки: Channel-Model fit (работают ли growth channels с business model?) и Model-Market fit (работает ли business model для target audience?). Cross-fit конфликты часто прячут фатальные проблемы, которые scoring в одиночку пропускает — классический пример: enterprise sales в паре с freemium pricing, где каждая часть смотрится нормально по отдельности, а комбинация невозможна.

DVF: превращение dimension в проверяемые assumptions

Stage 4 берёт риск-dimension и раскладывает её на девять проверяемых assumptions по фреймворку DVF от David Bland: Desirability × Viability × Feasibility, по три assumption на категорию.

• Desirability assumptions — только про user needs. Никаких денег, никаких технологий. «Я считаю, что маленькие e-commerce продавцы тратят 4-6 часов в неделю на ручной перенос заказов».
• Viability assumptions — только про деньги. Pricing, conversion, CAC, LTV, unit economics. «Я считаю, что эти продавцы готовы платить $29/мес за инструмент, который экономит 4 часа».
• Feasibility assumptions — про то, можно ли действительно построить, поддерживать и эксплуатировать продукт. Operational + technical + regulatory.

9 assumptions размещаются на 2×2 матрице Importance × Evidence. Critical quadrant — high importance + weak evidence — это где будет эксперимент. Библиотека Bland содержит 44 стандартных теста, но шесть покрывают большинство ранних случаев: Customer Interview, Smoke Test, Concierge, Survey, Prototype, Landing Page. Каждый experiment brief задаёт конкретные пороги success и failure до запуска, так что результат однозначен.

Ключевая мысль

Терминологический сдвиг важен. В стадиях 1-3 документ — это «hypothesis». В Stage 4 он становится «assumptions». Bland строг к этому различию, потому что hypothesis — большая конструкция (вся dimension), а assumption — единичное проверяемое утверждение, начинающееся с «I believe». Смешение терминов на практике вызывает реальную путаницу.

Полевые интервью и синтез

Stage 5 строит гайд интервью, нацеленный на 2-3 риск-dimension из синтеза. Гайд следует строгим правилам: никаких leading questions, никаких гипотетических будущих, никаких мнений о том что люди могли бы делать — только прошлое поведение в конкретных ситуациях. Каждый вопрос мапится на dimension и assumption через coverage matrix, так что к концу серии интервью каждая assumption из Critical quadrant имеет хотя бы один направленный на неё вопрос.

Рекомендованный минимум — 15 интервью; sweet spot — 20-30. Сатурация — точка, где новые паттерны перестают появляться — обычно наступает между 12 и 20.

Stage 7 читает заметки интервью по одной, в изоляции. Чтение пакетом усредняет паттерны и стирает специфику; изоляция сохраняет и то и другое. На каждую dimension синтез фиксирует: pattern (1-2 предложения), supporting evidence count (N из M респондентов), key verbatim quotes, и confidence change (v2 score → v3 score). Surprises — находки, противоречащие исходной гипотезе — получают отдельную секцию, потому что они часто оказываются самым ценным во всём цикле.

Если confidence упал на dimension между v2 и v3, синтез флагает возможный loop и рекомендует одно из трёх действий: больше валидации, возврат к рисёрчу или pivot.

Пост-launch метрики: три инструмента вместе

Stage 9 настраивает пост-launch измерение через три инструмента, используемых вместе. Ни один из них не достаточен сам по себе.

Sean Ellis 40% Survey. Один вопрос: «Как бы вы себя чувствовали, если бы больше не могли использовать [продукт]?» с четырьмя вариантами ответа (Очень разочарован / Несколько разочарован / Не разочарован / N/A). Порог в 40% «Очень разочарован» эмпирически выведен Ellis из выборки около 100 стартапов, которые он консультировал: компании, перешагнувшие 40%, могли scale через paid marketing с положительной экономикой. Минимум выборки — 40 active users; меньше — статистический шум. Дистрибуция ограничена active users — не newsletter list, не cherry-picked top customers.

Retention cohorts. Когортная таблица, показывающая какой процент каждой когорты регистраций возвращается на неделе 1, 2, 3, 4, 8, 12. Здоровые кривые retention выравниваются на стабильном уровне (>40% для consumer, >60% для B2B, >25% для high-frequency продуктов) и не сваливаются к нулю. Смотреть на общий retention вместо когорт скрывает падение со временем и относится к самым частым ошибкам измерения.

First Round Levels of PMF. Четырёхуровневая лестница — Nascent / Developing / Strong / Extreme — оцениваемая по трём dimensions (Satisfaction, Demand, Efficiency). Общий уровень — это минимум из трёх. Команда не может быть Strong по Satisfaction и Nascent по Efficiency одновременно; этот mismatch и есть bottleneck, и он говорит вам над чем работать дальше.

Типичные ошибки

После прогона этого цикла на нескольких продуктах одни и те же ошибки повторяются:

1. Solution-framed формулировка проблемы. Проблема описывает отсутствие нашего инструмента вместо нижележащего препятствия. Если проблему нельзя сформулировать без упоминания продукта, она не валидирована.

2. Аудитория, определённая через демографию. «Женщины 25-45» — это демографическая категория. Полезное определение аудитории использует 2-3 поведенческих или ситуативных атрибута и явно отделяет «Now» сегмент от «Future» расширений.

3. Features, выданные за benefits. «Real-time sync с marketplace API» — это feature. Benefit — это «заказы появляются автоматически — больше не нужно копировать руками». Value proposition, собранная из features вместо benefits, не тестируется на резонанс.

4. Confidence накручен ради хорошего самочувствия. Когда market research противоречит v1 гипотезе, импульс — переформулировать гипотезу вместо того чтобы понизить скор. Цикл сделан так, чтобы скор мог падать.

5. Sean Ellis на неправильной аудитории. Запуск опросника на newsletter list, на дружелюбных ранних пользователях или на топ-10% по revenue даёт фейково высокий скор, который не предсказывает scale. Active users, random sample, in-context дистрибуция.

6. Прыжок сразу к метрикам. Без ранних стадий метрики измеряют шум. Соблазн настоящий, потому что метрики ощущаются как прогресс.

7. PMF как бинарное состояние. PMF — это лестница из четырёх уровней, и большинство заявлений «у нас PMF» относятся к Level 2 — они ещё не дотянулись до порога Level 3, на котором рост становится масштабируемым. Уровень, на котором вы находитесь, меняет то, что нужно делать дальше.

Когда этот подход подходит и когда нет

Цикл хорошо работает для B2C SaaS, B2B SaaS, marketplaces, DTC продуктов, внутренних инструментов и AI продуктов на application layer. Он предполагает, что вы знаете кто target user и какую проблему пытаетесь решить — если ни то ни другое не ясно, Stage 0 преждевременен и нужно начинать с более широкой дискавери.

Подход не подходит для deep tech или R&D продуктов, где Feasibility — доминирующий риск на годы вперёд (квантовые вычисления, biotech, новые материалы). Для этих случаев правильный фреймворк — Technology Readiness Levels; DVF искажает. Подход также предполагает один продукт на проект — портфолио из пяти продуктов означает пять отдельных циклов, идущих параллельно.

Цикл не проводит эксперименты за вас. Стадии 6 и 8 — полевые интервью и MVP launch — это явные состояния ожидания. Методология производит гайд и dashboard; вы делаете полевую работу и запуск.

Источники методологии

Если хотите прочитать первоисточники, вот откуда приходят части цикла:

• Marty Cagan — Inspired и Empowered. Декомпозиция на 7 dimensions опирается на framing продуктовой дискавери у Cagan, особенно на его настойчивость, что проблема должна быть сформулирована независимо от решения.
• David Bland и Alex Osterwalder — Testing Business Ideas (2019, Strategyzer). DVF фреймворк, структура 9 assumptions, 2×2 матрица importance/evidence и стандартная библиотека экспериментов.
• Hamilton Helmer — 7 Powers: The Foundations of Business Strategy. Семь возможных долгосрочных moats — Scale Economies, Network Economies, Counter-Positioning, Switching Costs, Branding, Cornered Resource, Process Power.
• Sean Ellis — 40% PMF survey. Опубликовано в 2009; порог в 40% — это эмпирическая находка, выведенная из компаний, которые Ellis консультировал, без какого-либо теоретического обоснования за ней.
• First Round Capital — The Levels of Product/Market Fit. Todd Jackson, Brian Rothenberg, Carolyn Stein. Четырёхуровневая лестница и трёхмерная сетка оценки.
• Bill Gross — TED talk про #1 фактор успеха стартапов. Анализ, который ставит timing впереди команды, идеи, бизнес-модели и финансирования.
• Rahul Vohra — How Superhuman Built an Engine to Find Product/Market Fit. Loop сегментирования группы «Очень разочарован», выявления того что они ценят, перестройки вокруг них и повторного запуска survey.

Инструмент для прогона цикла

Цикл, описанный выше, реализован как Claude Code скилл под названием pmf — open-source инструмент, который проводит один продукт через все 10 стадий, держит артефакты в папке проекта и возобновляется между сессиями. Он двуязычный (английский + русский, выбор на первом запуске), бесплатный по MIT и сейчас в бете.

Скилл, с его 23 reference-файлами (логика стадий + методология + шаблоны) на обоих языках, лежит в share-репозитории: github.com/alenazaharovaux/share/tree/main/skills/pmf.

Бета означает, что pipeline держится от начала до конца на реальных продуктах, но острые края ещё не размечены. Фидбек от внешних пользователей — что сработало, что сломалось, что показалось странным — самый ценный input, который проект сейчас может получить. Если попробуете, пожалуйста откройте issue в share-репо или напишите.

Ресурсы

• Скилл на GitHub — инструкции по установке, полный README, все references на EN и RU
• Hamilton Helmer — 7 Powers (книга)
• David Bland и Alex Osterwalder — Testing Business Ideas (книга)
• Sean Ellis — Finding Product-Market Fit
• First Round Review — The Levels of Product/Market Fit
• Rahul Vohra — Superhuman PMF Engine
• Bill Gross — The single biggest reason why startups succeed (TED)