Стратегия кратного роста DAU
в условиях стагнации рынка
3 фазы · 2 дня очной работы · 5 ИИ-аналитиков · 1 год доступа к платформе
Сформулированы и верифицированы 5–10 гипотез, способных удвоить DAU (Daily Active Users) за счет выхода за пределы привычного сценария пользователей и захвата ежедневного внимания автовладельцев
Систематический поиск и верификация гипотез роста пользователей за счет аудитории, которая сегодня не пользуется Авито Авто или пользуется редко
ТОП-10 проработанных гипотез с проверкой на объем DAU и дорожная карта пилотов на 30 дней и первые 72 часа
В качестве подарка участникам предоставляется годовой доступ к платформе с ИИ-аналитиками для генерации и проверки новых идей в любой момент.
Отличие программы от других сессий
Алгоритм, основанный на методологии «Голубого Океана» и глубокой проработки CJM
Стратегия «отсечения», а не «наслоения»
Проводим аудит и отказываемся от тех отраслевых стандартов и фич, которые потребляют ресурсы, но не приносят результат
Работа с «не-клиентами»
Вместо детальной проработки текущей ЦА фокусируемся на 3 категориях, которые сейчас не пользуются платформой или делают это крайне редко. Ищем точки роста в «голубом океане» нового спроса, а не в конкуренции за текущего пользователя
Доказательная валидация вместо мнений
Каждая гипотеза проходит через специализированных ИИ-аналитиков и валидацию данных
Жёсткий методологический фрейм
Глубокое исследование CJM (Customer Journey Map), где гипотезы формулируются по чёткому алгоритму на основе выявленных барьеров, а не интуиции
Это система создания и верификации гипотез, где каждый шаг подтверждён данными и направлен на кратное увеличение частотности использования продукта
Структура программы
Дорожная карта проекта
Ваш путь в программе — от точки НОЛЬ до РЕЗУЛЬТАТА
ИИ-воркшоп
- Находим фичи-«стандарты отрасли», которые не нужны вашему клиенту
- Отсекаем лишнее и высвобождаем ресурсы команды
Картирование 3 ярусов спроса
- Оцифровка аудитории, которая не пользуется платформой или делает это крайне редко
- Глубокое CJM и карта барьеров: почему не заходят каждый день
Реконструкция ценности
- Работа по алгоритму и поиск сценариев удержания
- 20+ гипотез на основе исследований и чёткого фрейма
Валидация и Стресс-тест
- ИИ-проверка каждой гипотезы на реальный объём DAU и барьеры внедрения
- ТОП-5 выверенных гипотез с дорожной картой пилотов
План «72 часа»
- Формирование плана первых шагов (MVP) для запуска тестов в ближайшие 3 дня
- Готовая стратегия роста + доступ к 5 ИИ-аналитикам на год
ИИ-воркшоп · 2 часа
Находим фичи-«стандарты», отсекаем лишнее, высвобождаем ресурсы
Картирование 3 ярусов спроса
Оцифровка аудитории и глубокое исследование CJM
Реконструкция ценности
20+ гипотез по алгоритму на основе исследований
Валидация и Стресс-тест
ТОП-5 гипотез с ИИ-проверкой и дорожной картой пилотов
План «72 часа»
MVP-план для запуска + доступ к 5 ИИ-аналитикам на год
Детали каждого этапа
Фаза 1. Аудит (Онлайн, 2 часа)
Задача: Перераспределить ресурсы и убрать активности, которые не работают на частотность использования платформы
ИИ-скрининг: Выявление проектов с низким вкладом в DAU, понимание, какие ресурсы можно высвободить прямо сейчас под задачи роста
Результат: Список «стратегических издержек» (предварительный) и чек-лист для проверки по внутренней аналитике. Список команд, готовых к перераспределению на задачи роста
Фаза 2. Самостоятельная подготовка к воркшопу: картирование ежедневного спроса
Формат: самостоятельная работа команды, 10–15 часов, 5–10 дней, 2 поддерживающих сессии онлайн-трекинга по 30 минут
Задача: найти точки контакта с владельцем авто вне момента сделки
Что делаем
- Оцифровка 3 ярусов потенциальных ежедневных пользователей: поиск и замер объема аудитории, которая владеет авто, но не решает ежедневные задачи вне Авито
- Поиск и нахождение барьеров: почему эти люди не открывают Авито каждый день? Что им мешает видеть ежедневного помощника?
- Проверка «карты подозрений» Фазы 1: команда благодаря внутренней аналитике собирает реальные метрики по фичам, которые ИИ-аналитик отметил как кандидатов на сокращение. ИИ-аналитик обновляет матрицу — теперь на реальных данных, а не на гипотезах
Результат: Карта барьеров полезности для пользователей и оцифрованный потенциал роста DAU по каждому новому сценарию. Выверенная матрица фич (на реальных данных). Данные для генерации гипотез на воркшопе
Фаза 3. Воркшоп (Очно, 2 дня)
День 1. Реконструкция ценности (10:00–18:00)
- Определение, что нужно убирать из продукта, чтобы создать ресурс для новых сервисов — на основе выверенной матрицы фич из Фазы 2
- Проектирование сценариев удержания пользователей для увеличения частотности заходов на платформу
Результат: 15–20 гипотез роста DAU, каждая привязана к группе не-пользователей и конкретному барьеру. Прототипы сценариев с высоким Retention.
День 2. Верификация и запуск (10:00–18:00)
- Стресс-тест: проверка гипотез на исключительную полезность для пользователя и легкость внедрения в текущую архитектуру
- Финальная валидация гипотез: сколько DAU может принести каждая гипотеза при масштабировании.
- Правило 72 часов: формирование плана первых шагов (MVP) для запуска тестов в ближайшие 3 дня
Результат: ТОП-5 валидированных гипотез с планом реализации, проверкой на объём DAU и дорожной картой пилотов
Что остаётся у команды
Артефакты программы
- Карта «нового спроса» с оценкой объемов аудитории, которая сегодня владеет машиной, но не использует Авито Авто
- 15–20 проработанных гипотез, что сделать, чтобы потенциальные пользователи начали приходить каждый день, а текущие — возвращаться
- ТОП-5 приоритетных гипотез с планом: что создать, от чего отказаться, за счет чего высвободить ресурсы
- Проверка каждой гипотезы: достаточно ли потенциальных пользователей для значимого роста DAU
- Дорожная карта пилотов: 3–5 гипотез, готовых к запуску MVP в ближайшие 30 дней
Логистика
Формат
| ЭТАП | ФОРМАТ | ВРЕМЯ | РЕЗУЛЬТАТ ДЛЯ DAU |
|---|---|---|---|
| Запуск | Онлайн | 2 часа | Понимание, где теряются потенциальные постоянные пользователи. «Карта подозрений» и чек-лист для проверки |
| Исследование | Самостоятельная подготовка к воркшопу: картирование ежедневного спроса | 10–15 часов 5–10 дней | Данные по 3 группам не-пользователей: кто они, сколько их, почему не приходят, куда уходят, а также выверенная матрица фич |
| Фаза 3 День 1 | Очно, 8 часов | 10:00–18:00 | 15–20 гипотез роста DAU, каждая привязана к группе не-пользователей и конкретному барьеру |
| Фаза 3 День 2 | Очно, 8 часов | 10:00–18:00 | ТОП-5 валидированных гипотез с планом реализации, проверкой на объем DAU и дорожной картой пилотов. |
Понимание, где теряются потенциальные постоянные пользователи. «Карта подозрений» и чек-лист для проверки
Данные по 3 группам не-пользователей: кто они, сколько их, почему не приходят, куда уходят, а также выверенная матрица фич
15–20 гипотез роста DAU, каждая привязана к группе не-пользователей и конкретному барьеру
ТОП-5 валидированных гипотез с планом реализации, проверкой на объем DAU и дорожной картой пилотов.
Инвестиции в программу
за всю программу
Инструменты программы
Сопровождение и инструменты
Команда получает годовой доступ к платформе с инструментами и ИИ-аналитиками, которые встроены в каждый этап, и решают задачу, на которую у команды ушли бы часы ручной работы. Все ИИ-аналитики доступны участникам во время программы и год после нее
Зачем нужен доступ к инструментам в течение года
- Проверить новую идею: «Мы придумали [X] — есть ли достаточно пользователей в этой категории?» Оценщик объёма DAU дает ответ за 10 минут.
- Найти аналогию: «Кто уже решал похожую задачу в другой отрасли?» Генератор аналогий подбирает кейсы
- Провести экспресс-анализ: «Мы хотим перераспределить ресурсы — что можно сократить без потери DAU?»
- Онбордить новых людей: Новый член команды может за 2 часа пройти тот же путь и включиться в работу с гипотезами.
5 ИИ-аналитиков
ИИ-аналитики встроены в каждый этап программы. Каждый решает конкретную задачу, которая экономит часы ручной работы.
Что делает
По запросу выдает карту сервисов, куда уходят автовладельцы помимо классифайдов. Для каждого сервиса: ценностное предложение, за что его любят (анализ отзывов), оценка аудитории.
Выявляет барьеры — почему пользователи решают задачу в других источниках, а не на Авито. Формирует заготовки гипотез: «этот сценарий с такой-то аудиторией можно встроить в платформу»
Как работает
Курируемая база 60–80 автомобильных сервисов и приложений, собранная из открытых источников: данные App Store/Google Play (рейтинги, отзывы, скачивания), поисковый спрос (Wordstat, Google Trends), оценки трафика. LLM анализирует паттерны в отзывах и синтезирует выводы. База обновляется раз в квартал
Чего НЕ делает
Не имеет доступа к внутренним данным Авито. Оценки аудитории конкурентов — приблизительные (порядок величин, не точные цифры). Не заменяет конкурентную разведку — работает только с публичной информацией
Пример запроса
«Куда уходят автовладельцы, которым нужно подобрать запчасти?»
Пример ответа
Карта из 8–12 сервисов (Exist, Autodoc, Emex, Дром Запчасти и др.) с разбивкой: за что ценят, какие барьеры есть у Авито для этого сценария, потенциальная аудитория ~2–4 млн активных пользователей в месяц
Заготовка гипотезы: «Каталог запчастей по VIN с проверкой совместимости — сценарий, который может привести X тыс. ежедневных пользователей»
Что делает
Помогает классифицировать текущие фичи и проекты по матрице «влияние на возврат пользователя × ресурсоемкость». На Фазе 1 — создаёт «карту подозрений» на основе внешних данных (что копирует рынок, что не уникально)
На Фазе 2 — формирует чек-лист для проверки по внутренней аналитике и обновляет матрицу по реальным метрикам
Как работает
LLM с фреймворком приоритизации. Команда вносит данные в структурированную форму (название фичи, размер команды, частота использования). Аналитик сравнивает с открытыми данными конкурентов и выдаёт приоритизированный список
Чего НЕ делает
На Фазе 1 работает без внутренних метрик — выводы предварительные, требуют проверки. Не заменяет продуктовую аналитику, а создает правильные вопросы к ней. Не принимает решений — помогает структурировать дискуссию
Пример запроса
«Вот список из 20 фич Авито Авто. Какие из них предположительно копируют рынок и не влияют на возврат?»
Пример ответа
Матрица из 20 фич с оценкой по двум осям. 5–7 фич отмечены как «кандидаты на проверку» с обоснованием. Чек-лист: какие метрики вытащить из Amplitude за 2 недели, чтобы подтвердить или опровергнуть
Что делает
По описанию барьера подбирает 5–7 кейсов из других индустрий, где похожая проблема была решена. Финтех, ритейл, соцсети, подписочные сервисы — как компании превращали «редкое использование» в «ежедневную привычку»
Как работает
Курируемая база 200–300 кейсов с тегами по типу барьера (низкая частотность, отсутствие привычки, конкуренция с мессенджерами и т.д.) + LLM для поиска аналогий и адаптации под контекст авто. Дополняется веб-поиском для свежих примеров.
Чего НЕ делает
Подбирает аналогии, а не готовые решения. Кейс из финтеха не копируется один в один — команда адаптирует под специфику авторынка. Качество зависит от курируемой базы кейсов.
Пример запроса
«Пользователи заходят только когда хотят купить или продать. Как другие сервисы решали проблему редкого использования?»
Пример ответа
5 кейсов: 1) Тинькофф — от «банк = раз в месяц» к ежедневному суперприложению (кэшбэк, инвестиции, лайфстайл). 2) Самокат — создание привычки ежедневных мелких заказов. 3) Auto1/Carvana — мониторинг стоимости как якорь для возврата. 4) Strava — сообщество как причина открывать каждый день. 5) WeChat — экосистема сервисов вокруг одного приложения. Для каждого: что именно сработало, какой механизм удержания, как адаптировать для Авито Авто.
Что делает
Для любой гипотезы оценивает потенциальную аудиторию. Агрегирует данные поисковых запросов, трафик смежных площадок, статистику автовладельцев. Выдает диапазон: «в этой категории потенциально [X–Y] тыс. ежедневных пользователей» с прозрачной методологией расчета
Как работает
LLM с доступом к поиску + шаблон расчета TAM → SAM → реалистичный DAU. Каждый шаг расчета показывает: откуда данные, какие допущения, какой диапазон. Команда видит логику и может скорректировать допущения
Чего НЕ делает
Выдает обоснованную оценку, не точный прогноз. Точность — порядок величин (десятки vs сотни тысяч), не конкретная цифра. Для финальной валидации нужны внутренние данные Авито по конверсиям
Пример запроса
«Оцени DAU для гипотезы: мониторинг рыночной стоимости своего авто в реальном времени»
Пример ответа
Расчёт: ~45 млн автовладельцев в РФ → ~30% интересуются стоимостью (опросы) → ~15% готовы использовать приложение для этого → при конверсии в DAU 5–10% = 200–450 тыс. потенциальных ежедневных пользователей. Допущения: [список]. Источники: [список]. Вывод: гипотеза имеет значимый потенциал для роста DAU
Что делает
Проверяет сформулированную гипотезу с планом действий на внутренние противоречия, конфликты между гипотезами, реалистичность сроков. Генерирует pre-mortem: «если через 3 месяца это провалилось — какие самые вероятные причины?» Подбирает кейсы неудачных запусков с похожей механикой.
Как работает
LLM с системным промптом «критического аналитика». Входные данные — структурированное описание гипотезы (проблема, решение, метрика, ресурсы, сроки). Проверяет логическую согласованность и ищет конфликты между гипотезами.
Чего НЕ делает
Находит логические нестыковки, но не предсказывает рыночный результат. Работает тем лучше, чем четче структурирован вход. Не заменяет экспертную оценку, но усиливает ее.
Пример запроса
«Гипотеза: убираем сравнение комплектаций и запускаем мониторинг цены. План: MVP за 2 недели, команда 3 человека»
Пример ответа
Противоречия: 1) Сравнение комплектаций может влиять на SEO-трафик — проверьте долю органики через эту страницу. 2) Мониторинг цены требует данных о сделках — есть ли у вас достаточная выборка для точной оценки? 3) 2 недели на MVP реалистично только если есть готовый API оценки. Pre-mortem: основная причина провала — пользователь получает неточную оценку и теряет доверие к сервису навсегда.
Итог
Результат программы
Верифицированный план действий, освобожденные ресурсы и инструменты для того, чтобы превратить Авито Авто в ежедневный сервис для каждого владельца автомобиля
Принципы работы
Наш подход
Максимальная плотность работы
Мы не тратим время на лекции, вся теория предоставляется за пределами обучения, а 100% времени сессий инвестируется в совместный поиск решений и «докрутку» ваших гипотез.
Математическая верификация гипотез
Каждая идея проходит через «Калькулятор потенциала». Мы математически определяем точки, где объем потенциальных сессий подтверждает возможность кратного роста.
5 ИИ-аналитиков, встроенных в каждый этап программы
Не универсальный чат-бот, а 5 специализированных инструментов, каждый решает конкретную задачу на своем этапе: сканирование конкурентов, аудит ресурсов, оценка объема DAU, подбор решений из других индустрий, стресс-тест гипотез на противоречия. Это в 3–5 раз ускоряет проверку гипотез и на ранних этапах отсеивает неперспективные идеи, экономя месяцы разработки. Команда сохраняет доступ ко всем ИИ-аналитикам в течение года после программы.
От «карты подозрений» к выверенным решениям
Программа построена в 3 такта. На старте ИИ-аналитики формируют предварительные выводы на открытых данных — куда уходят пользователи, какие фичи предположительно не работают на удержание пользователей. Затем команда за 2 недели проверяет эти «подозрения» по внутренней аналитике. К воркшопу участники приходят не с догадками, а с выверенными данными — и генерируют гипотезы на твердом основании
Математическая верификация каждой гипотезы
Каждая идея проходит через Оценщик DAU-потенциала: поисковый спрос, трафик смежных площадок, статистика автовладельцев. Результат — не абстрактное «это перспективно», а конкретный диапазон: «в этой категории потенциально [X–Y] тыс. ежедневных пользователей» с прозрачной методологией расчета. Цель: отсеять на предварительном этапе гипотезы, которые могут привести 5 тысяч пользователей на платформу вместо 500 тысяч.