Алгоритм для кейса на внедрение фичи
- Уточняющие вопросы:
- Цели фичи: какие метрики она должна улучшить?
- Таймлайн и стадия продукта.
- Сбор данных:
- Качественные исследования: обратная связь от пользователей, юзабилити-тесты.
- Конкурентный анализ: есть ли у конкурентов такая фича, каков её эффект?
- Гипотезы:
- Как фича повлияет на метрики: вовлеченность, ретеншн и др.?
- Какие варианты реализации возможны?
- Оценка:
- Сложность и стоимость реализации.
- Возможность протестировать через MVP.
- Рекомендация:
Дайте четкий ответ: делаем или нет, подкрепив его выводами.
Алгоритм для кейса на падение метрик
Пример кейса: “Аналитик пришел с инфой, что у нас упала метрика на 30%”
- Уточняющие вопросы:
- Падение метрики — это всегда плохо? Может, это ожидаемый результат теста?
- Когда началось падение, какие данные есть по датам?
- На каких платформах?
- Анализ факторов:
- Внутренние:
- Есть ли технические проблемы (ошибки в данных, релизы)?
- Существуют ли закономерности в данных? Например, что метрика упала у юзеров из одной страны
- Внешние:
- Сезонность.
- Конкуренты запустили вау-фичу или крутой оффер, который переманил наших клиентов
- Макроэкономика и геополитика.
- Анализ связанных метрик:
Посмотрите, какие метрики могут быть коррелирующими, что упало помимо метрик
- Формулировка гипотез:
На этом этапе уже причина должна будет быть ясна — определите гипотезы, которые принесут наибольший эффект от решения проблемы в кратчайшие сроки.
- Приоритизация:
Используйте фреймворк RICE (Reach, Impact, Confidence, Effort) или любой другой, чтобы обосновать почему выбрали именно это решение
Часть 3: Алгоритм решения market-size кейсов
Пример: “Какой оборот был у рынка детских игрушек в России за 2023 год?