«Кажется» или «доказано»: как собрать и верифицировать сигналы рынка из открытых источников
Иногда кажется, что продуктовые решения принимаются «на ощущениях»: конкурент что-то выкатил, рынок «пошел в AI», стейкхолдеры требуют «сделайте нам также, как у них». И вот вы уже спорите про фичи, не проверив дотошно все факты.
OSINT (open-source intelligence) помогает вернуть разговор в самое начало. Это метод и дисциплина, где из открытой и легально доступной информации (документы, публичные реестры, соцсети, отчеты и т.п.) целенаправленно собирают данные, проверяют их, сопоставляют и превращают в применимые выводы под конкретный запрос. В основном OSINT используется в разведке, кибербезопасности и журналистских расследованиях, но также может применяться и в бизнесе (конкурентная аналитика, консалтинговая проверка перед сделкой по инвестированию в компанию, управление рисками и т.д).
Разберем на примере, как можно применять данную дисциплину в задачах менеджера продуктов.
Представьте: вы работаете над SaaS-продуктом в B2B. Ваша задача — определить, куда инвестировать ресурсы команды в следующем квартале:
1. AI-саммари встреч.
2. Глубокие интеграции (Jira / Slack / Teams).
3. Enterprise-блок (аудит, роли).
Что из этого реально монетизируется на рынке и какие боли у клиентов прямо сейчас?
Чтобы ответить на этот вопрос, воспользуемся методом OSINT.
Шаг 1. Сформулируйте intelligence-вопрос
Не «что делают конкуренты», а, например:
— Какие 3 сценария продаются в тарифных планах / доп.товарах у лидеров отрасли?
— Что вышло у ваших конкурентов за последние 6–12 месяцев, а что осталось на бумаге или в презентациях?
— Какие 3-5 болей чаще всего повторяются у пользователей, и какие пути решения они для них используют?
Шаг 2. Соберите сигналы из открытых источников
Минимальный набор:
— Ценовая политика + релизные заметки + открытые документы конкурентов (что получает клиент и сходится ли экономика).
— Страницы интеграций и маркетплейсы (какие сценарии ключевые).
— Отзывы в публичных каталогах и комьюнити (с какими запросами приходят клиенты, что ищут и какие боли повторяются).
— Вакансии конкурентов (куда инвестируют: машинное обучение, безопасность, интеграции с сервисами).
— Вебинары / демо / кейсы (что показывают сотрудники конкурентов на конференциях, открытых и закрытых мероприятиях и встречах).
Шаг 3. Заведите «журнал сигналов»
Фиксируйте в нем:
— ссылки на материалы и даты публикаций;
— найденные утверждения, которые подтверждают или опровергают ваше предполагаемое решение;
— тип найденной информации: цены / фичи / вакансии / партнерства / боли пользователей.
— подтверждения вторым источником (если есть).
Отметим: важные выводы можно делать только после так называемой триангуляции. Если вы видите фразу: «без AI теперь не обходится ни один продукт на рынке у конкурентов», проверьте, подтверждается ли это в их ценах и релизах, а не только в одном посте или демо.
Шаг 4. Преобразуйте найденную информацию в артефакт
На выходе у вас могут получиться три артефакта, которые буду двигать дальнейшее обсуждение:
1. Матрица: фича x конкурент x статус x монетизация.
2. Топ-3 болей: частотность, формулировки клиентов, текущие способы решения.
3. Карта ставок: что ускоряется (по 2–3 подтвержденных сигнала), что становится базовыми требованиями к услуге или продукту.
После проведенного исследования вы можете принимать решение: какую «ставку» берем в работу, как будет выглядеть MVP, какие видим риски / зависимости, какие метрики докажут ценность уже через 4–6 недель.
Чтобы попробовать проделать это упражнение на практике, подумайте для себя: какая продуктовая дилемма сейчас у вас есть, где не хватает фактуры, чтобы принять решение? По каким критериям вы приняли решение, что данных не хватает? Точно ли их нельзя найти?
И дальше пройдите по алгоритму выше.
@productmindset
Как ставить задачи так, чтобы их не приходилось переделывать → почему сотрудники делают «не так» и как выстроить делегирование, которое работает с первого раза
