{
    "version": "https:\/\/jsonfeed.org\/version\/1.1",
    "title": "Artöm Mazurchak: заметки с тегом segmantation",
    "_rss_description": "Заметки о продукте: JTBD-интервью, сегментация клиентов, стратегические сессии и AI. Артём Мазурчак — основатель Biz-cen.ru и Lashoestring.com, пишу из Берлина.",
    "_rss_language": "ru",
    "_itunes_email": "",
    "_itunes_categories_xml": "",
    "_itunes_image": "",
    "_itunes_explicit": "",
    "home_page_url": "https:\/\/ru.mazurchak.com\/?go=tags\/segmantation\/",
    "feed_url": "https:\/\/ru.mazurchak.com\/?go=tags%2Fsegmantation%2Fjson%2F",
    "icon": "https:\/\/ru.mazurchak.com\/pictures\/userpic\/userpic@2x.jpg?1770832365",
    "authors": [
        {
            "name": "Artöm Mazurchak",
            "url": "https:\/\/ru.mazurchak.com\/",
            "avatar": "https:\/\/ru.mazurchak.com\/pictures\/userpic\/userpic@2x.jpg?1770832365"
        }
    ],
    "items": [
        {
            "id": "101",
            "url": "https:\/\/ru.mazurchak.com\/?go=all\/jtbd-interview\/",
            "title": "JTBD-интервью в международном B2C-продукте: от догадок, кто клиент, к понятным сегментам и решениям",
            "content_html": "<p>Когда продукт растет, внутри команды почти неизбежно появляются разные версии реальности. Маркетинг видит одну аудиторию, продукт — другую, саппорт — третью. В итоге сегменты обсуждают на ощущениях, роадмап определяют по тому, кто громче доказывает свою позицию, а исследования красиво лежат в папке и мало на что влияют.<\/p>\n<p>В этом кейсе покажу, как я собрал общую картину через связку данных по LTV, ABCD-сегментации и глубинных JTBD-интервью, а затем перевел результаты в сегментацию, язык клиента и понятные решения для продукта и коммуникаций. Также расскажу, как я использовал AI для перевода в режиме реального времени — чтобы общаться с клиентами на их родном языке, которого я не знаю.<\/p>\n<p>Название компании и точные данные намеренно не раскрываю. На скриншотах — вымышленная информация, которая тем не менее точно передает нужные смыслы.<\/p>\n<h2>В чем заключалась суть проекта<\/h2>\n<p>Вот что мне предстояло сделать:<\/p>\n<ul>\n<li>Понять, на каких клиентах реально держится экономика.<\/li>\n<li>Перестать воображать сегменты аудитории, а собрать их из реальных фактов и голосов пользователей.<\/li>\n<li>Договориться о фокусе: кому и какую ценность клиент дает лучше конкурентов.<\/li>\n<li>Получить артефакты, которые помогут действовать, а не просто сложить знания в папку на компьютере.<\/li>\n<\/ul>\n<div class=\"e2-text-picture\">\n<img src=\"https:\/\/ru.mazurchak.com\/pictures\/1x2-1.jpg\" width=\"2098\" height=\"595\" alt=\"\" \/>\n<div class=\"e2-text-caption\">На старте я сразу обозначил ключевой принцип работы: качественно вырастить бизнес-показатели и обогнать конкурентов можно с помощью сегментации<\/div>\n<\/div>\n<h2>Как я выстроил работу<\/h2>\n<p>Для организации подобных исследований я с нуля выстраиваю процессы: сначала выравниваю термины и ожидания → затем собираю факты → после этого формулирую проверяемые выводы, которые превращаю в конкретные решения с расставленными приоритетами. Это убирает субъективность и позволяет передавать результат между командами.<\/p>\n<p>Проект шел в четыре шага:<\/p>\n<ol start=\"1\">\n<li>Выравнивание взглядов внутри компании.<\/li>\n<li>Количественная сегментация по LTV и ABCD-сегментация.<\/li>\n<li>Глубинные интервью в JTBD-логике.<\/li>\n<li>Формулировка конкретных jobs клиентов.<\/li>\n<\/ol>\n<h2>Шаг 1. Выравнивание: что мы считаем сегментом и что хотим доказать<\/h2>\n<p>На старте я провел воркшоп, на котором задал рамку JTBD:<\/p>\n<p><i>Продукт выбирают как инструмент, чтобы решить конкретную задачу. Важно увидеть контекст, триггеры, критерии успеха, компромиссы и альтернативы, а не список желаемых фич.<\/i><\/p>\n<p>Затем команда описала свое текущее представление о сегментах: кого считают ключевыми, что им обещают, где магия продукта, какие jobs закрывают. Мы сравнили карты, зафиксировали расхождения и договорились: дальше проверяем гипотезы через данные и интервью, а не через личные убеждения.<\/p>\n<h2>Шаг 2. Экономика: LTV и ABCD-сегментация<\/h2>\n<p>Чтобы интервью не превратились в разговоры со случайными людьми, я начал с клиентской базы. На данных за семь месяцев разбил пользователей по диапазонам LTV, посчитал размер групп, среднее число покупок, выручку, средний LTV и картину концентрации дохода.<\/p>\n<div class=\"e2-text-picture\">\n<img src=\"https:\/\/ru.mazurchak.com\/pictures\/2x2-1.jpg\" width=\"2098\" height=\"497\" alt=\"\" \/>\n<div class=\"e2-text-caption\">Анализ показал, что 56% выручки дают клиенты с LTV 200—500. Цель исследования — понять, почему они выбирают продукт и для каких задач\/работ его используют, чтобы научиться привлекать и удерживать эту группу клиентов.<\/div>\n<\/div>\n<div class=\"e2-text-picture\">\n<img src=\"https:\/\/ru.mazurchak.com\/pictures\/3x2-1.jpg\" width=\"2098\" height=\"651\" alt=\"\" \/>\n<div class=\"e2-text-caption\">На полученные данные наложил ABCD-рамку<\/div>\n<\/div>\n<p>Здесь появился первый «холодный душ», который сразу структурировал дискуссию: конкретно определенная доля клиентов с высоким LTV давала основную часть выручки. Это задало честный фокус исследования. Мы хотели понять:<\/p>\n<ul>\n<li>кто эти люди;<\/li>\n<li>почему они выбирают нас;<\/li>\n<li>как масштабировать этот успех, не растворяясь в бесконечном обслуживании низкой ценности.<\/li>\n<\/ul>\n<h2>Шаг 3. Глубинные JTBD-интервью: как я добывал язык и паттерны<\/h2>\n<p>Цель интервью была не собрать хотелки, а восстановить историю выбора:<\/p>\n<ul>\n<li>что произошло до покупки;<\/li>\n<li>что стало триггером;<\/li>\n<li>какие варианты сравнивали;<\/li>\n<li>где сомневались;<\/li>\n<li>в какой момент появилось ощущение «ага, это работает»;<\/li>\n<li>как клиент определяет успех.<\/li>\n<\/ul>\n<p>В каждой сессии я фиксировал профиль, триггер, aha-момент, критерии выбора, jobs клиента и сигналы разочарования. Параллельно собирал живой язык: формулировки, которыми человек описывает свою цель и прогресс. Дальше этот язык классно работает в маркетинге, онбординге и в продуктовых сообщениях.<\/p>\n<p>Интервью я проводил в Google Meet, запись и транскрибацию делал через Loom. Часть разговоров была на испанском: я подключал новый сервис от <a href=\"https:\/\/support.google.com\/meet\/answer\/16221730?hl=en\">Google AI<\/a>, который делает синхронный перевод в реальном времени с испанского на английский и обратно.<\/p>\n<div class=\"e2-text-video\">\n<iframe src=\"https:\/\/www.youtube.com\/embed\/JWE_7pGwxBc?enablejsapi=1\" allow=\"autoplay\" frameborder=\"0\" allowfullscreen><\/iframe>\n<div class=\"e2-text-caption\">Пример одного из интервью, где я общаюсь с клиентом из Испании — не зная при этом испанского языка. На видео можно посмотреть, как работает умный двусторонний переводчик на основе AI<\/div>\n<\/div>\n<p>По таймингу быстро стало ясно, что полтора часа дают лучшее качество, чем час: люди успевают выйти из общих фраз и доходят до настоящих причин и компромиссов.<\/p>\n<p>Я планировал провести 25 интервью, но к 20-му увидел, что ключевые мотивы и конфликты начали повторяться — поэтому закончил раньше.<\/p>\n<div class=\"e2-text-picture\">\n<img src=\"https:\/\/ru.mazurchak.com\/pictures\/4x2-1.jpg\" width=\"2098\" height=\"651\" alt=\"\" \/>\n<div class=\"e2-text-caption\">Всего я провел 23 интервью: 16 на английском и 7 на испанском языке. Мысли и выводы по каждой встрече фиксировал на онлайн-доске — в итоге получилась целая база знаний<\/div>\n<\/div>\n<div class=\"e2-text-picture\">\n<img src=\"https:\/\/ru.mazurchak.com\/pictures\/5x2-1.jpg\" width=\"2098\" height=\"651\" alt=\"\" \/>\n<div class=\"e2-text-caption\">По каждому собеседнику собирал живой профиль. В него вошли данные по работе, образованию, хобби и пр.<\/div>\n<\/div>\n<h2>Шаг 4. Синтез: три сегмента и операционные критерии, а не персоны из головы<\/h2>\n<p>После анализа интервью я собрал сегментацию так, чтобы она работала на практике. Не абстрактные портреты, а критерии, по которым команда может уверенно отнести клиента к группе и понять, как с ним работать. Учитывал:<\/p>\n<ul>\n<li>цели и мотивацию;<\/li>\n<li>отношение к риску;<\/li>\n<li>опыт;<\/li>\n<li>дисциплину;<\/li>\n<li>рутину и ритуалы;<\/li>\n<li>способы обучения и принятия решений.<\/li>\n<\/ul>\n<div class=\"e2-text-picture\">\n<img src=\"https:\/\/ru.mazurchak.com\/pictures\/6x2-1.jpg\" width=\"2098\" height=\"651\" alt=\"\" \/>\n<div class=\"e2-text-caption\">Так появились три сегмента с разными мотивами и логикой прогресса. У каждого — свои триггеры входа, свой aha-момент и свои критерии того, что ценно. PS, реальную сегментацию не могу показать, она под NDA.<\/div>\n<\/div>\n<p>Внутри сегментов я видел повторяющиеся паттерны: как люди формулируют цель, как измеряют результат, чему доверяют, какие ограничения считают критичными. Собрал их отдельным блоком, чтобы люди из соседних отделов могли лучше понять, на каком языке разговаривают наши клиенты.<\/p>\n<p>Отдельным артефактом стала матрица критериев выбора и причин, почему часть клиентов предпочитает конкурентов. Это связало голос клиента с рыночной картиной и помогло обсуждать не вкусы, а конкретные точки сравнения.<\/p>\n<h2>Как я сделал результаты доступными для всей компании<\/h2>\n<p>Один из типовых рисков исследований — знание остается у исследователя и умирает при смене контекста. Чтобы этого не произошло, я собрал внутреннего AI-агента на базе материалов проекта: транскрипты, разметку, выводы, а также внешние источники. Команды могли задавать вопросы и получать ответы с опорой на реальные интервью и цитаты, в том числе на разных языках.<\/p>\n<p>Это резко повысило видимость портфеля знаний: продукт, маркетинг и саппорт начали говорить на одном языке и быстрее возвращаться к исходным данным, когда возникали спорные решения.<\/p>\n<div class=\"e2-text-picture\">\n<img src=\"https:\/\/ru.mazurchak.com\/pictures\/7x2-1.jpg\" width=\"2098\" height=\"767\" alt=\"\" \/>\n<div class=\"e2-text-caption\">AI-агент — это бот, который мониторит базу знаний, созданную по мотивам исследования. И уже через пару секунд собирает ответ на запрос<\/div>\n<\/div>\n<h2>Что в итоге<\/h2>\n<p>Я сознательно балансировал скорость и глубину исследования. С одной стороны, я остановился на насыщении и не раздувал выборку ради количества. С другой, стоило добавить проверку нюансов перевода, ведь даже хороший перевод иногда сглаживает культурные и эмоциональные оттенки, а они в JTBD важны.<\/p>\n<p>Второе улучшение на будущее — еще жестче заранее определить, какие выводы считать достаточными для решения go\/no-go по гипотезам, чтобы синтез быстрее превращался в боевые эксперименты.<\/p>\n<p><i>По итогам исследования я провел отдельные встречи с каждым департаментом, чтобы распространить новые данные внутри команды. Также мы организовали воркшопы, где разобрали, как jobs клиентов могут влиять на деятельность отделов.<\/i><\/p>\n<p><i>Но главное, что вся компания переняла язык и jobs клиентов. Благодаря этому появилась базовая логика, на которую можно опереться, когда ты обсуждаешь любое решение — от презентации для отдела продаж до новой фичи.<\/i><\/p>\n",
            "summary": "Когда продукт растет, внутри команды почти неизбежно появляются разные версии реальности. Маркетинг видит одну аудиторию, продукт — другую, саппорт — третью",
            "date_published": "2025-12-30T23:21:02+02:00",
            "date_modified": "2026-07-21T12:21:50+02:00",
            "tags": [
                "JBTD",
                "product",
                "segmantation"
            ],
            "image": "https:\/\/ru.mazurchak.com\/pictures\/1x2-1.jpg",
            "_date_published_rfc2822": "Tue, 30 Dec 2025 23:21:02 +0200",
            "_rss_guid_is_permalink": "false",
            "_rss_guid": "101",
            "_e2_data": {
                "is_favourite": false,
                "links_required": [],
                "og_images": [
                    "https:\/\/ru.mazurchak.com\/pictures\/1x2-1.jpg",
                    "https:\/\/ru.mazurchak.com\/pictures\/2x2-1.jpg",
                    "https:\/\/ru.mazurchak.com\/pictures\/3x2-1.jpg",
                    "https:\/\/ru.mazurchak.com\/pictures\/remote\/youtube-JWE_7pGwxBc-cover.jpg",
                    "https:\/\/ru.mazurchak.com\/pictures\/4x2-1.jpg",
                    "https:\/\/ru.mazurchak.com\/pictures\/5x2-1.jpg",
                    "https:\/\/ru.mazurchak.com\/pictures\/6x2-1.jpg",
                    "https:\/\/ru.mazurchak.com\/pictures\/7x2-1.jpg"
                ]
            }
        }
    ],
    "_e2_version": 4199,
    "_e2_ua_string": "Aegea 11.5 (v4199)"
}