Product-market fit

Это определение следует трактовке Дэна Олсена: продукт решает реальные задачи людей лучше других доступных решений. В его книге PMF отделён от прибыльности бизнеса: создать пользу для клиента и заработать на ней — связанные, но разные задачи. ^[1]

Кратко

PMF описывает связь продукта и потребности, а не качество интерфейса само по себе. ^[2]
Инвестиции и рост команды не заменяют свидетельства клиентского спроса. ^[3]
Удержание, то есть возвращение пользователей, помогает изучать поведение, но требует точного определения группы и периода. ^{[5, 6]}
В учебной проверке ниже вывод относится к определённым клиентам, цене и версии продукта; изменение этих условий требует новых наблюдений.

Происхождение и история термина

В эссе от 25 июня 2007 года Марк Андриссен описал PMF как сочетание подходящего рынка и продукта, удовлетворяющего его потребности. Он противопоставил техническое совершенство продукта наличию покупателей: даже хорошая разработка может оказаться невостребованной. Это предпринимательская концепция, а не установленный научный закон успеха. ^[2]

В 2015 году Олсен предложил модель из пяти составляющих соответствия рынку. Она превратила общее представление о востребованности в схему для работы над продуктом. ^[1]

В 2016 году Майкл Сайбел в Y Combinator сделал акцент на наблюдаемом спросе: команда обслуживает растущее число довольных, возвращающихся и желательно платящих клиентов. Его описание подчёркивает интенсивность использования, тогда как модель Олсена объясняет, из чего складывается ценность. ^[3]

Суть и механизм

Поиск соответствия начинается с вопроса, какую проблему и для кого решает продукт. Сайбел связывает этот поиск с запуском раннего решения, разговорами с клиентами и последовательными изменениями продукта. Его минимально жизнеспособный продукт, или MVP, нужен для первых взаимодействий и обратной связи; сам факт выпуска такой версии ещё не означает PMF. ^[3]

Учебный пример: команда делает сервис новостных подборок. Она предполагает, что редакторы небольших районных изданий тратят слишком много времени на поиск местных событий. Сервис автоматически собирает ссылки, но редакторы продолжают искать вручную: подборки приходят после утренней планёрки. Функция работает, однако не помогает в нужный момент.

Команда переносит выпуск подборки на раннее утро и добавляет отбор по району. Теперь важно проверить, используют ли редакторы результат в работе. Похвала на демонстрации отвечает на вопрос о впечатлении, а подготовленный с помощью подборки материал — на вопрос о практической пользе. В этом сценарии исправление расписания проверяет конкретную гипотезу о причине отказа, а не просто добавляет ещё одну функцию.

Подходы и классификации

У Андриссена есть деление жизни стартапа на периоды до и после PMF. Это способ обозначить смену главной задачи бизнеса, а не шкала с численным порогом. ^[2]

Пирамида Олсена классифицирует составляющие соответствия. Её нижние уровни — целевые клиенты и недостаточно удовлетворённые потребности; верхние — обещанная польза, набор функций и опыт взаимодействия с продуктом. Такая модель помогает искать, на каком уровне возникло расхождение между ожиданием и результатом. ^[1]

Для нашего учебного сервиса это разные вопросы: верно ли выбраны редакторы, действительно ли им трудно находить события, полезна ли подборка, хватает ли функций и удобно ли получать результат. Один положительный ответ не подменяет остальные. Например, удобная рассылка бесполезна, если в ней нет событий нужного района.

Как применяется на практике

В учебном сценарии сервис пробуют редакторы и студенты. Первым он нужен для регулярной работы, вторым — для разового задания. Если объединить их, массовая регистрация студентов создаст впечатление спроса, которое мало расскажет о ценности редакционной подписки. Поэтому команда отдельно описывает обе группы и причину использования.

Для проверки редакционной версии она заранее фиксирует условия: пользователи — редакторы районных изданий; полезное действие — использование подборки при подготовке материала; наблюдение — четыре недели после регистрации. Также записывает цену, источник приглашения и версию сервиса. Эти условия — предложенная процедура учебного примера, а не общепринятый сертификат PMF.

Отдельный вопрос — экономика. Учебник OpenStax рассматривает финансовую, рыночную и организационную реализуемость проекта раздельно. ^[4] В нашем примере редакторы могут высоко ценить подборки, но их ручная подготовка может обходиться дороже подписки. Тогда есть основание изучать спрос, однако вывод о прибыльности ещё не сделан. Возможна и обратная ситуация: расходы рассчитаны верно, но подписываться никто не хочет.

Как измерить или проверить

Для наблюдения за возвращением применяют когортный анализ. Когорта — группа людей с общим признаком, например неделей первого посещения. В Google Analytics 4, или GA4, задаются условия попадания в группу и последующего возврата. При построении когорт система использует данные устройства и не учитывает User-ID — пользовательский идентификатор для связывания активности. ^[5]

В России такую задачу можно решать через Retention-отчёты Яндекс Метрики. Их настройки и определения не следует автоматически переносить в GA4. ^{[5, 6]}

Что сравниваем	Google Analytics 4	Яндекс Метрика
Недельный период	Воскресенье–суббота, а не скользящие семь дней. ^[5]	Возможны календарные окна или окна от первого визита; в примере справки использован второй вариант. ^[6]
Возврат в выбранный период	Режим Standard учитывает выполнение условия именно в этом периоде. ^[5]	Retention показывает выбранное окно, без накопления предыдущих. ^[6]

Учебный расчёт вне конкретной системы: в каждой группе по 100 новых редакторов. Для каждого четвёртая неделя — дни с 22-го по 28-й после регистрации включительно. Все участники уже прошли этот срок. В первой группе хотя бы одну подборку использовали 20 человек, во второй — 25.

R = U / N \times 100\%

Здесь N — первоначальное число участников группы, U — число участников с полезным действием в выбранном окне, R — их доля в процентах. Один человек учитывается один раз, даже если использовал несколько подборок. Такой знаменатель соответствует принципу расчёта относительно исходной когорты. ^[6]

Получаем для первой группы 20 / 100 × 100 = 20%, для второй — 25 / 100 × 100 = 25%. Разница составляет 5 процентных пунктов. При N = 0 доля не определена: пустая группа не означает нулевого удержания.

Эти числа описывают поведение, но сами по себе не объясняют его причину. Допустим, вторую группу пригласили непосредственно перед местными выборами. Её активность могла вырасти из-за повышенной потребности в новостях, даже без улучшения сервиса. Чтобы понять результат учебной проверки, нужно сопоставить условия и выяснить, что именно оказалось полезным.

Ошибки, ограничения и спорные вопросы

Одна из подмен — судить о спросе по масштабу организации. Сайбел прямо противопоставляет количество сотрудников и объём финансирования поведению клиентов. ^[3] В учебном примере аналогичная ошибка возникнет, если считать каждую регистрацию доказательством полезности подписки.

Другой риск — выбрать удобный показатель после получения результатов. Если сначала измеряли использование подборки, а затем заменили его открытием письма, рост процента может объясняться более лёгким условием. Это уже иной вопрос к данным. Старый и новый показатели следует различать, иначе читатель графика примет смену определения за улучшение продукта.

Частота возврата тоже нуждается в смысле. В нашем сценарии ежедневный редакторский процесс и одно студенческое задание предполагают разные поводы вернуться. Низкое возвращение студентов через месяц само по себе не показывает, плохо ли сервис решил их разовую задачу. Поэтому порог, выбранный для редакционной подписки, нельзя без объяснения применять к учебному использованию.

Правовой аспект

Если исследование спроса включает обработку персональных данных в России, применяются требования статьи 5 Федерального закона № 152-ФЗ от 27.07.2006, в редакции от 26.07.2026. Части 2 и 5 требуют заранее определённых законных целей и соответствующего им, неизбыточного объёма данных. ^[7] Для нашего сценария это отдельный вопрос организации исследования: полезность аналитики не оправдывает сбор любых сведений о редакторах. Здесь рассмотрены только эти принципы, а не все требования к конкретному сервису.

Зарубежные счётчики и персональные данные. С 1 июля 2025 года часть 5 статьи 18 закона № 152-ФЗ «О персональных данных» (в редакции Федерального закона от 28.02.2025 № 23-ФЗ) не допускает при сборе персональных данных граждан России, в том числе в интернете, их запись, хранение и другие операции с использованием баз данных за пределами России. Счётчики вроде Google Analytics передают на зарубежные серверы IP-адреса и идентификаторы cookie, которые могут относиться к персональным данным; о трансграничной передаче, кроме того, заранее уведомляют Роскомнадзор (статья 12 того же закона). Нарушения влекут ответственность по статье 13.11 КоАП РФ. Использование такого счётчика на российском сайте требует юридической оценки; для сбора данных о посетителях из России применяют системы веб-аналитики с хранением данных в России, например Яндекс Метрику.

Частые вопросы

PMF равен прибыльности?

В трактовке Олсена — нет: польза для клиента отличается от заработка компании. ^[1] Поэтому успешное использование сервиса и расчёт его расходов отвечают на разные вопросы.

Можно судить по одной когорте?

Она показывает поведение одной группы. В учебном примере результат ещё требует объяснить сезонностью, способом привлечения и составом участников; один процент этих различий не раскрывает.

Обязательно ли пользователям платить?

В описании Сайбела платящие клиенты желательны. ^[3] В нашем примере бесплатный тест подтверждает использование при бесплатном доступе; готовность покупать подписку предстоит проверить отдельно.

Есть ли единый процент удержания для PMF?

В приведённых моделях такого порога нет. Они описывают ценность и спрос, а отчёты аналитики — поведение групп. ^{[1, 2, 3, 5, 6]} Критерий учебной проверки связан с задачей продукта и периодом её возникновения.

Связанные термины

Источники

Olsen, D. (2015). The lean product playbook: How to innovate with minimum viable products and rapid customer feedback (Chapter 1, pp. 3–7). Wiley. https://catalogimages.wiley.com/images/db/pdf/9781118960875.excerpt.pdf (дата обращения: 29.10.2026). ↑ а б в г д
Andreessen, M. (2007, June 25). Part 4: The only thing that matters. Pmarchive. https://pmarchive.com/guide_to_startups_part4.html (дата обращения: 29.10.2026). ↑ а б в г
Seibel, M. (2016, June 27). The real product market fit. Y Combinator. https://www.ycombinator.com/blog/the-real-product-market-fit/ (дата обращения: 29.10.2026). ↑ а б в г д е
Laverty, M., & Littel, C. (2020). Entrepreneurship (Section 11.3, Conducting a feasibility analysis). OpenStax. https://openstax.org/books/entrepreneurship/pages/11-3-conducting-a-feasibility-analysis (дата обращения: 29.10.2026). ↑
Google. (n.d.). [GA4] Cohort exploration. Analytics Help. Retrieved October 29, 2026, from https://support.google.com/analytics/answer/9670133?hl=en ↑ а б в г д е
Яндекс. Когортный и Retention отчёты // Метрика : справка. — URL: https://yandex.ru/support/metrica/ru/reports/retention-cohorts (дата обращения: 29.10.2026). ↑ а б в г д е
Российская Федерация. О персональных данных : Федеральный закон от 27.07.2006 № 152-ФЗ : принят Государственной Думой 08.07.2006 : одобрен Советом Федерации 14.07.2006 : в ред. от 26.07.2026. — Ст. 5, ч. 2, 5. — URL: https://www.consultant.ru/document/cons_doc_LAW_61801/96fbc469f91f57235cc842a85e0516a99f23dc85/ (дата обращения: 29.10.2026). ↑