Почему управление продуктами SaaS — лучшая сфера деятельности для специалистов, работающих с данными, в 2026 году

Как я использую аналитику, автоматизацию и ИИ для создания более качественных SaaS-продуктов

Делиться

На недавнем технологическом мероприятии в Париже у меня состоялся обмен мнениями с профессионалами в области данных. Наша дискуссия была посвящена тому, какая область лучше всего подходит для специалистов, работающих с данными, и как наилучшим образом использовать данные в современном мире больших данных .

На мой взгляд, исходя из более чем 7-летнего опыта в управлении продуктами, это управление продуктами SaaS .

Моя цель не в том, чтобы убедить вас; эта область не для всех, но я собираюсь показать вам важность данных в управлении продуктом.

Возвращение к основам

Прежде всего, что такое управление продуктом?

IBM определяет это как «стратегическую практику, которая направляет жизненный цикл продукта на этапах исследований, планирования, разработки, запуска продукта, поддержки и оптимизации для создания продуктов, отвечающих бизнес-целям и удовлетворяющих потребности клиентов».

Короче говоря, это создание продукта с нуля и сопровождение его на протяжении всего жизненного цикла, чтобы он удовлетворял потребности клиента и одновременно достигал целей компании. Все это контролируется данными и ключевыми показателями эффективности (KPI).

Теперь давайте рассмотрим определение SaaS .

Компания IBM определяет это как «Программное обеспечение как услуга (SaaS) — облачную модель предоставления программного обеспечения, в которой поставщики размещают приложения и предоставляют к ним доступ пользователям через Интернет. Пользователи SaaS обычно получают доступ к приложениям с помощью веб-браузера или приложения».

SaaS — это онлайн-продукт, доступный пользователям, и его модели часто работают по подписке. Вот несколько известных примеров SaaS: Netflix (BtoC), Salesforce, Atlassian, Notion. Инструменты искусственного интеллекта и автоматизации также работают в рамках системы SaaS. Да, даже ChatGPT, Gemini, n8n и Zapier используют эту модель.

Сегодня нас буквально окружают SaaS-сервисы!

Теперь давайте разберемся, как управление продуктом и данные взаимосвязаны.

В чём уникальность SaaS?

Можно выделить 4 уровня аналитики : описательный, прогностический, предписывающий и диагностический.

1. Описательный

Большинство команд, работающих в сфере SaaS, тонут в данных, но не знают, как их использовать. Описательный анализ вносит ясность благодаря панелям мониторинга и метрикам.

Пример из практики №1: Кризис внедрения новых функций

Контекст: B2B SaaS-продукт, 50 000 пользователей. Запуск важной функции состоялся после 6 месяцев разработки. Ожидалось 30% внедрение в первый месяц, но в реальности этот показатель составил 8% через 2 месяца.

• Проблема: Команда разработчиков была разочарована: «Мы создали то, что просили пользователи, почему они этим не пользуются?».
• Что я сделал:
  • 1. Создал панель мониторинга в Notion для отслеживания следующих показателей: частота обнаружения функции (сколько человек ее увидели?), частота пробного использования (сколько человек перешли по ссылке?), частота внедрения (сколько человек использовали ее 3 и более раз?).
  • 2. Сегментация по роли пользователя (администратор или конечный пользователь), размеру компании и каналу привлечения клиентов.
• Вывод: Функция была скрыта на трёх уровнях вложенности в навигации. Её обнаруживали только администраторы, но конечные пользователи нуждались в ней больше всего. Показатель обнаружения составил 12% (против ожидаемых 80%), а показатель использования в пробном режиме (среди тех, кто её обнаружил) — 67% (хорошо!). Показатель внедрения (среди тех, кто тестировал) достиг 89% (отлично). Проблема была не в самой функции, а в её доступности.
• Результат: Функция перемещена в основное меню навигации, добавлена всплывающая подсказка для ознакомления. За 2 недели охват аудитории достиг 78%, а общий уровень использования вырос до 52%.
• Используемые инструменты: Mixpanel для отслеживания прогресса, Notion для создания дашбордов и документации, Figma для итерации дизайна.
• Главный вывод: никогда не предполагайте, что пользователи найдут вашу функцию. Обеспечьте инструментальное сопровождение всего процесса взаимодействия с пользователем.

2. Диагностика

Когда показатели падают, команды паникуют и делают предположения. Диагностическая аналитика использует данные для выявления истинной причины.

Пример из практики №2: Загадочный всплеск активности на рынке.

• Контекст: SaaS-продукт, средний ежемесячный доход составляет 50 долларов. Исторически ежемесячный отток клиентов составлял 5%. В октябре он внезапно подскочил до 12%.

• Паника: Генеральный директор сказал мне: «Конкурент запустил продукт. Мы проигрываем. Может, нам стоит снизить цены?».
• Что я сделал:
  • 1. Когортный анализ по дате регистрации.
  • 2. Анализ причин оттока клиентов (опросы при выходе).
  • 3. Использование функций до оттока клиентов.
  • 4. Анализ заявок в службу поддержки.
• Вывод: это не было соревнованием. Это был сезонный фактор. Компании, регистрировавшиеся в сентябре-октябре (ажиотаж перед началом учебного года), имели в 3 раза более высокий отток клиентов, чем в другие месяцы. Это объясняется тем, что они регистрировались для временных проектов, а не для удовлетворения постоянных потребностей. Модели использования были следующими: 80% использовали сервис менее 10 раз, 60% никогда не приглашали команду, 90% отказались от него через 30 дней (окончание пробного периода).

• Истинная причина: кампании по приобретению активов были направлены на «новые проекты» без учета долгосрочной необходимости.
• Решение реализовано:
  • 1. Изменена стратегия привлечения клиентов (долгосрочная ценность против быстрых результатов).
  • 2. Добавлен вопрос для адаптации новых сотрудников: «Какова продолжительность вашего проекта?».
  • 3. Различный процесс регистрации для временных и постоянных пользователей.
  • 4. Ранняя оценка вовлеченности для прогнозирования риска оттока клиентов.
• Результат: Сезонная текучесть кадров по-прежнему имеет место, но мы больше не паникуем. Благодаря более качественной оценке потенциальных клиентов на этапе привлечения новых, общая текучесть кадров снизилась до 6,5%.
• Использованные инструменты: Amplitude для когортного анализа, Typeform для опросов при выходе из исследования, n8n для автоматизации сбора данных, Google Sheets для окончательного анализа.
• Главный вывод: не боритесь с симптомами. Используйте данные, чтобы выявить первопричины, прежде чем предпринимать какие-либо действия.

3. Прогностический

Используйте исторические данные для прогнозирования будущих событий. Машинное обучение может в этом помочь.

Пример из практики №3: Прогнозирование оттока клиентов до его возникновения

• Контекст: SaaS-компания B2B со средним ежемесячным доходом в 100 долларов и уровнем оттока клиентов в 8% в месяц теряет клиентов без предупреждения. Опросы при увольнении показывают: «Мы перестали пользоваться им несколько недель назад».
• Проблема: Мы реагировали на отток клиентов, вместо того чтобы предотвращать его. К тому времени, когда пользователи отказывались от услуг, было уже слишком поздно, чтобы их спасти.
• Что я разработал: показатель прогнозирования оттока клиентов на основе исторических данных (за последние 30 дней), включая:
  • Снижение частоты входа в систему (30%).
  • Глубина использования функций (30%).
  • Командное взаимодействие (20%).
  • Резкий рост числа обращений в службу поддержки (15%).
  • Тенденция NPS (индекс лояльности клиентов) (10%): Уровни риска: 0–30 (зеленый), 31–60 (желтый), 61–100 (красный).

• Выполнение :
  • 1. Созданы SQL-запросы в Metabase.
  • 2. Автоматизированная ежедневная оценка в n8n.
  • 3. Хранится в базе данных Notion.
  • 4. Были отправлены оповещения команде по работе с клиентами.

• Пример прогноза : В компании XYZ количество входов в систему снижается, использование функций уменьшается более чем в 2 раза, а количество обращений в службу поддержки резко возрастает. Все это приводит к показателю риска в 72%.

• Результат (за 6 месяцев) : Выявление клиентов, подверженных риску, на 3-4 недели раньше, что позволило сохранить 40% помеченных аккаунтов. Общий отток клиентов снизился с 8% до 5,2% благодаря проактивному взаимодействию, а не реактивному решению проблем.

• Используемые инструменты : Mixpanel для анализа поведенческих данных, SQL для логики оценки, n8n для автоматизации и Notion для панели мониторинга успеха клиентов.

• Главный вывод : «Отток пользователей не происходит мгновенно. Пользователи теряют интерес постепенно, и данные показывают эту закономерность за несколько недель до того, как они отменяют подписку».

4. Нормативный

Превращаем выводы в действия. Данные показывают, что произошло, почему и что нужно делать дальше.

Пример из практики №4: Кошмар при определении приоритетов дорожной карты

• Контекст: Мы получили более 50 запросов на добавление новых функций от 3 инженеров. Мнения заинтересованных сторон расходились (отдел продаж хотел корпоративных функций, пользователи хотели улучшений пользовательского опыта, генеральный директор хотел интеграции ИИ).
• Хаос: у каждого заинтересованного лица были «данные», подтверждающие его приоритеты. Для отдела продаж это были 5 корпоративных сделок, заблокированных из-за отсутствия единого входа (SSO), для службы поддержки — 200 заявок о медленной загрузке, а для генерального директора — все конкуренты теперь используют ИИ.

• Что я сделал:
  • Шаг 1: Единая система оценки (RICE): Охват: Сколько пользователей затронуто? Влияние: Какова ценность для каждого пользователя? (шкала от 1 до 3), Уверенность: Насколько мы уверены? (%) и Трудозатраты: Количество инженерных дней, необходимых для реализации проекта.
  • Шаг 2: Добавлены бизнес-ограничения (влияние на ежемесячный доход (оценка), потенциал снижения оттока клиентов, стратегическое соответствие (ИИ = приоритет)).
  • Шаг 3: Создайте модель в Notion.

• Сюрприз! Оптимизация скорости показала лучшие результаты, но все были одержимы ИИ. Данные показывают, что скорость затронула в 10 раз больше пользователей, чем SSO, 40% обращений в службу поддержки были связаны с производительностью, а по результатам опросов пользователей скорость была первой жалобой. Но ИИ имел стратегическое значение (для конкурентного преимущества).
• Окончательное решение: План действий выглядит следующим образом: в первом квартале приоритет будет отдан скорости (максимальный RICE, повышение морального духа), во втором квартале — единому входу (разблокировка сделок), а в третьем квартале — искусственному интеллекту для стратегического позиционирования.

• Результаты: продукт Speed был выпущен за 6 недель (ниже прогноза!), отток клиентов снизился на 4% за 2 месяца, заключены сделки с корпоративными клиентами, ИИ запустил продукт в 3 квартале, и он демонстрирует хорошие результаты.
• Главный вывод: данные позволяют вести диалог о компромиссах, а не просто принимать решения «да/нет».
• Используемые инструменты: Notion для анализа структуры RICE и плана развития, Amplitude для сбора данных о охвате/влиянии, Sales CRM для прогнозирования ежемесячного дохода и опросы пользователей для оценки уровня уверенности.

5. Автоматизация и ИИ: уровень 2026 года (как масштабируются менеджеры проектов)

Благодаря новым технологиям, менеджеры по продуктам могут исключить ручной труд за счет использования новых инструментов.

Мир изменился, и менеджерам по продуктам приходится адаптироваться. Автоматизация и искусственный интеллект помогут вам сократить объем ручной работы и трудоемких задач.

Пример из практики №5: Анализ 10 000 отзывов пользователей.

• Контекст: Развитие SaaS-бизнеса с 200 до 2000 пользователей за 6 месяцев. Отзывы пользователей стремительно растут (50 обращений в службу поддержки в день; 20 ответов NPS в день; 30 запросов на добавление функций в неделю; случайные отзывы в Slack, по электронной почте, в Twitter).
• Проблема: я тратил 10 часов в неделю на ручное чтение и классификацию отзывов. Я упускал из виду закономерности и буквально тонул в них.
• Что я создал: рабочий процесс автоматизации n8n:
  • 1. Собирайте отзывы из различных источников: Intercom, Typeform, Linear, Slack.
  • 2. Отправить в API Клода для анализа (анализ настроения; категория, приоритет, извлечение ключевых тем).
  • 3. Сохранить в базе данных Notion с тегами.
  • 4. Еженедельная сводная панель.

Пример входных данных для анализа с помощью ИИ: «Приложение работает медленно, и я не могу найти кнопку экспорта».

• Результаты работы ИИ: Настроение: Негативное; Категории: Производительность, UX, Приоритет: Важно, Темы: Скорость, Навигация, Экспорт.

• Результаты: время анализа сократилось с 10 часов в неделю до 30 минут в неделю, улучшилось обнаружение закономерностей (ИИ выявляет темы, которые я упустил), появились автоматически генерируемые еженедельные отчеты, и тренды отображаются на панели управления Notion.
• ИИ обнаружил важную закономерность: спустя 3 недели ИИ выявил, что 40% жалоб на «медленную работу» были связаны с «большими наборами данных». Люди (я) классифицировали их как «проблемы с производительностью» в общем виде. Но ИИ обнаружил закономерность: конкретный сценарий использования с большими данными. Затем мы оптимизировали этот сценарий, и количество жалоб быстро сократилось на 60%.
• Инструменты и настройка: n8n, Claude API (20 долларов в месяц за этот объем), Notion API (бесплатно). При общей стоимости около 20 долларов в месяц я сэкономил 40 часов в месяц. Рентабельность инвестиций (ROI) потрясающая.
• Главный вывод: ИИ не заменяет анализ. Он расширяет ваши возможности по обработке информации и выявлению закономерностей.

Современный стек инструментов управления проектами SaaS

Для эффективной работы менеджеру по продукту необходим надежный набор инструментов:

• Инструменты аналитики:
  • Mixpanel или Amplitude используются для отслеживания поведения пользователей.
  • Google Analytics для отслеживания трафика и привлечения клиентов.
  • Метабаза для пользовательских запросов и панель мониторинга.
  • Power BI/Looker/Tableau для создания дашбордов.
• Документация и план развития:
  • Понятие (или Слияние): единственный источник Истины.
  • Jira для пользовательских историй
• Инструменты автоматизации для сбора отзывов, система оповещений, еженедельные отчеты: N8n, Zapier, Make.
• Инструменты искусственного интеллекта: Claude, ChatGPT, Gemini (анализ обратной связи, корректировка, быстрый поиск).
  • Обратите внимание : ИИ не должен вас заменять. Всегда нужно всё перепроверять. Не полагайтесь на ИИ; это инструмент, призванный повысить вашу эффективность, а не выполнять работу за вас. Если вы чего-то не знаете, сначала научитесь.
• Для общения используются: Slack для координации работы команды, Loom для асинхронных обновлений, Lovable или Figma для дизайна и Jira для координации работы команды.
• Навыки работы с данными (желательно), понимание структуры данных и умение самостоятельно проводить поиск информации без помощи аналитика данных сэкономят вам время. Это отличный навык, который стоит развивать. Я рекомендую сначала освоить SQL, а затем Python.

Используя эти инструменты, вы увеличите свою рентабельность инвестиций на неопределенное число!

Как мой опыт в маркетинге помогает: мое несправедливое преимущество

Я работаю в сфере управления продуктами уже 7 лет, а до этого получила степень магистра маркетинга. Это стало неожиданным преимуществом, поскольку я уже была знакома с тем, как создание продукта должно отвечать и удовлетворять уже существующие потребности, используя многие из следующих концепций:

• Психология пользователя с помощью исследования и создания портретов целевой аудитории. Отслеживания метрик недостаточно. Важно понимать, ПОЧЕМУ пользователь ведет себя именно так. Маркетинг научил меня мыслить как пользователь. Пользователь — прежде всего, всегда.
• Позиционирование имеет значение: оно может стать причиной проблем с приобретением компании.
• Мышление, охватывающее весь цикл разработки: мой подход не ограничивается только доставкой продукта. Я думаю так: осведомленность, знакомство, пробное использование, внедрение, удержание, обновление.
• Рассказывание историй на основе данных: как превратить данные в повествование.

С чего начать?

Исходя из моего опыта и общения со многими менеджерами проектов, первая проблема, которую я заметил, — это недостаток понимания психологии пользователей и бизнес-стратегии. Наличие метрик — это одно, а их понимание — совсем другое.

Это приводит к дефициту доверия.

Для успешного управления продуктами на основе данных необходимо продуктовое мышление.

Не обязательно становиться экспертом в своей области за одну ночь. Но необходимо достаточное понимание, чтобы эффективно общаться с различными заинтересованными сторонами, формулировать проблемы с точки зрения пользователя и разрабатывать решения, которые действительно приносят пользу.

Первый шаг — изучение основ : как создаются продукты, как пользователи принимают решения, как компании измеряют успех и как команды эффективно сотрудничают.

Как это сделать?

1. Изучите основы управления продуктом.

• Стратегия продукта : определение видения, постановка целей и создание планов развития.
• Исследование пользователей : сбор информации, проведение интервью и проверка предположений.
• Аналитика и метрики : выбор и понимание правильных KPI, настройка панелей мониторинга и измерение результатов.
• Управление заинтересованными сторонами : умение общаться с инженерами, дизайнерами, маркетологами и руководством, адаптируя свою речь к собеседнику.
• Инструменты и рабочие процессы : использование Notion для документирования, n8n для автоматизации и инструмента для совместной работы.

2. Создайте свой набор технологий для управления проектами, чтобы добиться лучших результатов.

В управлении продуктами мы стремимся создавать решения, которые приносят пользу пользователям и обеспечивают бизнес-результаты. Для этого мы предпринимаем небольшие, но эффективные шаги:

• Сформулируйте свою идею.
• Узнайте, как использовать ИИ.
• Узнайте, как использовать автоматизацию.

Есть ли у меня какие-нибудь рекомендации по книгам?

Да!

Если вы хотите углубить свои знания, вот книги, которые повлияли на мой подход:

• Вдохновлено работами Марти Кагана — основы управления продуктом.
• «Бережливая аналитика» Алистера Кролла и Бенджамина Йосковица – показатели, которые имеют значение.
• «Привычки непрерывного поиска информации» Терезы Торрес – Исследование пользователей в масштабах предприятия.
• «Бережливый стартап» Эрика Риса – экспериментирование и проверка.

Если вам нравятся фреймворки и вы хотите применять их в реальных сценариях разработки продуктов, эти книги для вас.

3. Будьте владельцем своих данных.

Как я уже упоминал ранее, наличие KPI — это хорошо; понимание их — крайне важно.

«Какой KPI является наилучшим/Какой KPI вы используете?»

Вы когда-нибудь слышали этот вопрос?

Это плохой вопрос! И если вы на него ответили, вы неправы.

Необходимо понимать, что не существует идеального KPI . KPI, работающий в одной среде, не обязательно будет работать в другой. Для настройки KPI сначала нужно определить, что именно вы хотите понимать и отслеживать.

Знание основ анализа данных очень полезно; вы сможете проводить анализ самостоятельно.

Второе преимущество заключается в том, что это позволит вам вести более глубокие дискуссии с техническими командами при работе с SaaS-решениями, обрабатывающими большие объемы данных.

4. Понимание процесса доставки

Разница между управлением проектами и управлением продуктом.

Хотя обе роли могут показаться похожими, по своей сути они различны. Менеджер продукта создает продукт и владеет им. Он отвечает за весь жизненный цикл продукта.

Менеджер проекта отвечает за реализацию, планирование, ресурсы, бюджет, сроки и объем работ. В SaaS-индустрии проект часто представляет собой разработку новой функции или самого продукта.

Если вы являетесь менеджером по продукту и обладаете навыками управления проектами, вы отвечаете за весь цикл.

Если вы — менеджер по продуктам, ориентированный на данные и отвечающий за полный цикл разработки, то вы достигли совершенства.

5. В первую очередь следует сосредоточиться на практических и действенных методах.

Я уже некоторое время использую и создаю автоматизированные рабочие процессы, и это сэкономило мне массу времени. Если вы посмотрите мои шаблоны на n8n, вы найдете основу того, что возможно (с видео на YouTube, объясняющим это). Вы можете взять шаблон и адаптировать его под свои нужды. Я настоятельно рекомендую адаптировать эти фреймворки к специфическим условиям вашей компании. Например, автоматизированная обработка обратной связи используется при проведении пользовательского приемочного тестирования (UAT).

Вам также придётся экспериментировать с различными критериями приоритезации, тестировать разные настройки аналитики и создавать индивидуальные рабочие процессы, отвечающие потребностям вашей команды.

Помните, что цель состоит в развитии как вашей интуиции в отношении продукта, так и навыков анализа данных.

Что дальше?

Надеюсь, теперь вы убедились в важности того, чтобы быть менеджером по продукту, ориентированным на данные, чьи навыки ценятся за их влияние на пользователей и бизнес.

Как человек, ежедневно работающий с кросс-функциональными командами и занимающийся разработкой продуктов, могу подтвердить растущую потребность в менеджерах проектов, способных преодолеть разрыв между данными и принятием решений.

В чём заключается ваша главная трудность на пути к тому, чтобы стать менеджером по продукту, ориентированным на данные?

Кто я?

Меня зовут Яссин, я менеджер по продуктам, который расширил свою деятельность в область анализа данных, чтобы преодолеть разрыв между бизнес-решениями и техническими системами. Изучение Python, SQL и аналитики позволило мне разрабатывать аналитические данные о продукте и автоматизированные рабочие процессы, которые связывают потребности команд с особенностями работы данных. Давайте свяжемся в LinkedIn.

Источник: towardsdatascience.com