[nevr]
· 9 мин чтения

26 data points × граф = автопилот для продуктового исследования

26 data points × Knowledge Graph

Продуктовое исследование — это всегда гонка с неполнотой данных. Вы знаете, что нужно выяснить: кто клиент, какую работу он нанимает продукт выполнять, что мешает, кто конкурирует. Но собрать это систематично — часы интервью, таблицы, теги, сводки.

AICPO решает это через два механизма: DP Tracker (26 data points из методологии Product DNA) и Knowledge Graph. По отдельности — полезные инструменты. Вместе — система, которая сама говорит, чего не хватает.

Что такое 26 data points

Product DNA определяет: понять клиента значит понять не только работу, которую он нанимает продукт выполнять, но и силы переключения, барьеры adoption, экономику решения и тренды, меняющие контекст. Это структура из нескольких измерений.

26 data points — это чеклист полноты исследования. Каждый пункт представляет критическую категорию знания о клиенте:

Сегмент и контекст:

  • Кто клиент (демография, роль, контекст)
  • Когда возникает потребность (триггер)
  • Какая ситуация предшествует найму (обстоятельства)

Работа и мотивация:

  • Функциональная работа (что нужно сделать)
  • Эмоциональная работа (как хочется себя чувствовать)
  • Социальная работа (как хочется выглядеть)
  • Нежелательные исходы (чего хочется избежать)

Альтернативы и барьеры:

  • Текущее решение (что используется сейчас)
  • Причина неудовлетворённости (почему текущее не устраивает)
  • Барьеры к переключению (что мешает попробовать новое)
  • Критерии успеха (как клиент поймёт, что работа выполнена)

Экономика:

  • Готовность платить
  • Бюджет и процесс покупки
  • Кто влияет на решение (ЛПР, саботёр, чемпион)

Конкурентная среда:

  • Кто конкурирует за ту же работу
  • Слабые зоны конкурентов
  • Уникальные активы вашего предложения

Тренды:

  • Внешние силы, меняющие работу клиента
  • Векторы развития потребности

Adoption и retention (добавлены в Product DNA):

  • Неудачные попытки решить проблему ранее
  • Страхи и сопротивление при переходе
  • Ожидаемый ROI и time-to-value
  • Причины отказа от предыдущих решений (abandonment)
  • Видение идеального результата (vision of success)
  • Когнитивная нагрузка при первом использовании
  • Каталист — конкретное событие, запустившее поиск решения

Каждый из 26 пунктов — булево значение: true (есть данные) или false (нет). AICPO отслеживает заполнение в реальном времени.

Как граф связан с data points

DP Tracker работает через keyword matching: извлечённый факт проверяется против словарного набора для каждого data point. Нашёл ключевые слова — пункт закрыт.

Но keyword matching — это только первый слой. Knowledge Graph добавляет второй.

Когда факт “клиент — менеджер по закупкам в B2B” извлечён из разговора, он попадает в граф как:

Node(segment): "менеджер по закупкам"
  properties: { industry: "B2B", role: "procurement" }
  source_message: #12
  confidence: 87

Когда позже извлекается “сложно согласовать с финансовым директором”:

Node(constraint): "согласование с ФД"
  properties: { type: "organizational" }
  source_message: #24
  
Edge: segment → constraint (тип: faces, confidence: 82)

Теперь DP Tracker не просто проверяет факт — он видит граф. Data point “кто влияет на решение” (ЛПР) закрывается не только если в тексте есть слово “ЛПР”, но и если в графе есть Node(segment) с edge к Node(constraint) типа organizational.

Граф превращает keyword matching в семантическое покрытие.

Автопилот: что происходит без вашего участия

После каждого сообщения пользователя запускается конвейер:

  1. FactExtractorService — LLM извлекает структурированные факты
  2. DpCoverageService — маппит факты на 19 data points
  3. Kg2::EpisodeService — создаёт episode из факта
  4. Kg2::BuilderJob — EntityExtractor + EntityResolver + RelationDiscoverer
  5. BriefUpdaterJob — регенерирует краткое резюме проекта

Весь этот конвейер работает асинхронно, в фоне, пока пользователь продолжает разговор.

Результат: через 20-30 минут интервью система показывает тепловую карту из 26 клеток. Зелёные — закрыто, красные — пробел. Рядом с каждой красной — вопрос, который бот предложит задать.

Это и есть автопилот: не “что мне делать дальше?”, а “вот что ещё не известно, вот вопрос”.

Почему именно 26, а не 10 или 50

10 — слишком мало. Классические чеклисты типа “проблема / решение / рынок” пропускают критические зоны: барьеры переключения, социальную работу, векторы трендов, причины abandonment.

50 — парализует. Исследователь тонет в деталях, теряет фокус, никогда не закрывает всё.

26 — это минимально достаточный набор для принятия продуктовых решений с высокой уверенностью. Первые 19 покрывают классику (от сегмента до трендов). Дополнительные 7 закрывают то, что критично для B2B, retention и onboarding — и что классические фреймворки пропускают.

Например, пропущенный data point “барьеры переключения” ведёт к тому, что продукт выходит с отличным ценностным предложением — но пользователи не переключаются. Инертность. “Мы уже привыкли к Excel”. “У нас контракт до конца года”. “Нужно обучать команду”.

Или пропущенная “эмоциональная работа” — продукт технически решает задачу, но не попадает в нарратив пользователя. Он хочет “чувствовать контроль” или “выглядеть профессионально” — а продукт предлагает “экономию 2 часов в неделю”.

Связь data points с артефактами

Каждый из 46 артефактов AICPO имеет минимальный порог покрытия data points для генерации.

  • Value Proposition Canvas — требует: функциональная работа + эмоциональная + нежелательные исходы + критерии успеха + текущее решение. Минимум 5 из 26.
  • Competitive Analysis — требует: кто конкурирует + слабые зоны + уникальные активы. Минимум 3 специфических data points.
  • Pricing Strategy — требует: готовность платить + бюджет + ЛПР. Без этих трёх — генерировать бессмысленно.

Когда data points не закрыты — артефакт помечается как неполный. Бот спрашивает недостающее, прежде чем генерировать.

Это разрыв с подходом “ChatGPT напишет всё что угодно”. AICPO знает, когда данных мало, и говорит об этом.

Граф как память между сессиями

Ключевая проблема исследования: знание разрозненно. Первое интервью в понедельник, второе в пятницу, третье через три недели. Каждый раз аналитик собирает контекст заново.

Knowledge Graph хранит всё. Когда в третьем интервью появляется новый сегмент — граф проверяет, пересекается ли он с болями из первого. Если да — автоматически устанавливает edge.

26 data points работают аналогично: если в первом интервью закрыты пункты 1-10, а во втором — пункты 11-20, после второго интервью DP Tracker показывает 20/26 без повторного анализа первого.

Исследование накапливается, а не начинается заново каждый раз.

Практический итог

Стандартный продуктовый исследователь после 3-4 интервью садится и вручную кодирует данные: открывает таблицу, расставляет теги, ищет паттерны. 2-3 часа работы.

С AICPO этот процесс происходит в реальном времени. После последнего интервью можно открыть карту покрытия и сразу видеть:

  • Какие data points закрыты с высокой уверенностью
  • Какие закрыты, но граф показывает противоречия (два факта конфликтуют)
  • Какие остаются открытыми и какой вопрос их закроет

Это не замена исследователя. Это его рабочий инструмент, который берёт на себя механическую часть — кодирование, структурирование, трекинг — и оставляет человеку интерпретацию.

Попробуйте собственный цикл из 26 data points в AICPO — или напишите nevr@aicpo.com