Product market fit (PMF): что это и как увидеть его в данных

Коротко

Product market fit (PMF, продукт маркет фит) — состояние, в котором продукт решает задачу конкретного рынка настолько хорошо, что люди продолжают им пользоваться и платить без постоянного подталкивания.

• Главный количественный признак — кривая удержания когорты перестаёт падать и идёт ровно. Если она уходит к нулю, рост держится только на притоке новых пользователей.
• Опрос Шона Эллиса дополняет поведение: доля ответивших «очень расстроюсь», если продукт исчезнет. Ориентир — 40%, и это эмпирическое правило, а не статистический порог.
• Рост регистраций сам по себе о PMF не говорит: его можно купить рекламой.
• PMF бывает у сегмента, а не у продукта целиком. Считайте удержание по каналам и типам клиентов, а не одно среднее.
• Смотрите только на зрелые когорты — те, у которых окно наблюдения уже закрыто.

Что такое product market fit простыми словами

Термин разошёлся после заметки Марка Андриссена «The only thing that matters» (июнь 2007 года). В ней PMF описан как ситуация, когда команда находится на хорошем рынке с продуктом, способным этот рынок удовлетворить. Саму формулировку Андриссен приписывает инвестору Энди Рэклеффу из Benchmark Capital и называет его именем правило: для стартапа важно только одно — дойти до PMF.

У Андриссена признаки PMF описаны как ощущения: без него клиенты не понимают ценности, сарафанное радио молчит, сделки не закрываются; с ним продукт покупают быстрее, чем команда успевает нанимать поддержку. Описание узнаваемое, но аналитику с ним работать нельзя: «чувствуется» не положишь в отчёт и не сравнишь между кварталами.

Рабочий перевод на язык данных такой: PMF есть, если заметная и стабильная доля привлечённых пользователей остаётся с продуктом надолго. «Остаётся» — значит совершает действие, ради которого продукт существует, и продолжает платить, если продукт платный. Всё остальное — рост, выручка, отзывы — следствия, и по отдельности их можно получить и без PMF.

PMF часто путают с результатом MVP. MVP отвечает на вопрос, нужна ли вещь хоть кому-то; PMF — на вопрос, нужна ли она достаточному числу людей настолько, что они не уходят.

Как понять, что есть product market fit: кривая удержания

Возьмите людей, которые пришли в один период, и для каждой недели после регистрации посчитайте, какая доля из них была активна. Получится кривая удержания когорты. В первые недели она падает у любого продукта: часть людей зашла из любопытства. Вопрос в том, что происходит дальше.

Вариантов два. Кривая выполаживается: начиная с какой-то недели доля активных почти не меняется. Значит, в когорте есть ядро, которому продукт нужен постоянно. Либо кривая продолжает снижаться к нулю — тогда каждая когорта со временем уходит целиком, и база живёт только за счёт новых регистраций. Брайан Балфур в заметке 2013 года формулирует это осторожно: если кривая в какой-то момент становится плоской, PMF, вероятно, найден для какого-то рынка или аудитории. Оговорка «для какого-то» важна, к ней вернёмся ниже.

Важна не только форма, но и высота плато. Плато на 5% и плато на 45% — оба формально «ровные», но во втором случае из ста привлечённых остаются сорок пять, и на этом можно строить экономику. Универсальной нормы высоты нет: у ежедневного мессенджера и у сервиса годовой отчётности естественная частота использования разная. Поэтому и шаг кривой выбирают под продукт — день, неделя или месяц.

Второе решение — что считать активностью. Открытие приложения — слабый сигнал: человек мог зайти и ничего не сделать. Надёжнее удержание по ключевому действию — тому, что стоит в основе вашей North Star: созданный отчёт, заказ, отправленное сообщение.

Пример: кривая удержания на учебной базе

Посчитаем кривую на учебной базе «Маяк» — это данные SaaS-сервиса отчётов: регистрации с 1 июня по 29 августа 2026 года, выгрузка закрыта 30 августа в 13:00. Активность — событие app_open. Ключевые действия в этой базе записаны один раз на пользователя (только первый отчёт), поэтому возвраты по ним не построить; для продакшена это был бы первый пункт в списке доработок трекинга.

Берём июньские когорты и недели с 0 по 7, то есть дни 0–55 после регистрации. У пользователя, пришедшего 30 июня, 55-й день — 24 августа, так что окно закрыто у всей когорты. Июльские регистрации в этот расчёт брать нельзя: у них последние недели ещё не наступили.

WITH cohort AS (
  SELECT user_id, signup_date
  FROM users
  WHERE signup_date BETWEEN DATE '2026-06-01' AND DATE '2026-06-30'
),
activity AS (
  -- одна строка = пользователь был активен на неделе week_n
  SELECT DISTINCT
    c.user_id,
    CAST(FLOOR((CAST(e.event_time AS date) - c.signup_date) / 7.0) AS integer) AS week_n
  FROM cohort AS c
  JOIN events AS e ON e.user_id = c.user_id
  WHERE e.event_name = 'app_open'
    AND CAST(e.event_time AS date) - c.signup_date BETWEEN 0 AND 55
)
SELECT
  week_n,
  COUNT(*) AS active_users,
  (SELECT COUNT(*) FROM cohort) AS cohort_size,
  ROUND(CAST(100.0 * COUNT(*) / (SELECT COUNT(*) FROM cohort) AS numeric(18, 6)), 1) AS retention_pct
FROM activity
GROUP BY week_n
ORDER BY week_n;

Что видно в этих данных и чего не видно

Кривая замедляется. За первую неделю когорта теряет 25,1 процентного пункта, за следующие три — по 7–9, а с четвёртой недели по седьмую суммарно 6,4: с 51,2% до 44,8%. До нуля далеко: на восьмой неделе жизни приложение открывают 467 человек из 1042.

Но утверждать, что плато достигнуто, по этим данным нельзя. Между пятой и шестой неделями кривая ещё потеряла 5,2 пункта, и только последний шаг — 1,1 пункта — похож на ровный участок. Одна точка — не плато. Честный вывод для отчёта: «снижение замедляется, на восьмой неделе активны 45% когорты; чтобы подтвердить плато, нужны ещё 4–8 недель наблюдения». В учебной базе этих недель нет: события записаны только за первые два месяца жизни пользователя.

Есть и вторая оговорка. Открытие приложения раз в неделю — мягкий критерий. Если бы «активность» означала созданный отчёт, кривая легла бы ниже, и уровень 45% нельзя сравнивать с чужими цифрами, посчитанными по другому действию.

PMF у сегмента: удержание по каналам

Среднее по когорте скрывает, из кого она состоит. В июне в «Маяке» не было платного поиска, в июле он появился. Посмотрим на регистрации 1–26 июля по каналам: у них закрыты недели с 0 по 4 (34-й день последней когорты — 29 августа, последний полный день выгрузки).

WITH cohort AS (
  SELECT user_id, signup_date, channel
  FROM users
  WHERE signup_date BETWEEN DATE '2026-07-01' AND DATE '2026-07-26'
),
flags AS (
  SELECT
    c.user_id,
    c.channel,
    MAX(CASE WHEN CAST(e.event_time AS date) - c.signup_date BETWEEN 7 AND 13 THEN 1 ELSE 0 END) AS w1,
    MAX(CASE WHEN CAST(e.event_time AS date) - c.signup_date BETWEEN 14 AND 20 THEN 1 ELSE 0 END) AS w2,
    MAX(CASE WHEN CAST(e.event_time AS date) - c.signup_date BETWEEN 21 AND 27 THEN 1 ELSE 0 END) AS w3,
    MAX(CASE WHEN CAST(e.event_time AS date) - c.signup_date BETWEEN 28 AND 34 THEN 1 ELSE 0 END) AS w4
  FROM cohort AS c
  LEFT JOIN events AS e ON e.user_id = c.user_id AND e.event_name = 'app_open'
  GROUP BY c.user_id, c.channel
)
SELECT
  COALESCE(channel, 'все каналы') AS channel,
  COUNT(*) AS cohort_size,
  ROUND(CAST(100.0 * SUM(w1) / COUNT(*) AS numeric(18, 6)), 1) AS w1_pct,
  ROUND(CAST(100.0 * SUM(w2) / COUNT(*) AS numeric(18, 6)), 1) AS w2_pct,
  ROUND(CAST(100.0 * SUM(w3) / COUNT(*) AS numeric(18, 6)), 1) AS w3_pct,
  ROUND(CAST(100.0 * SUM(w4) / COUNT(*) AS numeric(18, 6)), 1) AS w4_pct
FROM flags
GROUP BY ROLLUP (channel)
ORDER BY w4_pct DESC;

Как читать разбивку по каналам

Средние 47,1% на четвёртой неделе складываются из очень разных кривых. У пришедших по рекомендации удержание 65,3%, и между третьей и четвёртой неделями оно не упало (64,2% и 65,3%) — это единственный канал, где уже просматривается ровный участок. У платного поиска 33,0%, и каждая неделя ниже предыдущей.

Отсюда две вещи. Первая: PMF описывают для сегмента. Фраза «у нас есть PMF» без уточнения, у кого, почти всегда слишком широка; точнее сказать «у пользователей, пришедших по рекомендации, удержание выходит на плато около 65%». Вторая: канал — это ещё и состав аудитории. Реклама могла привести людей с другой задачей, и низкое удержание платного поиска говорит не «продукт плохой», а «этой аудитории он подходит хуже». Проверять стоит и другие разрезы: размер компании, тариф, устройство, первое ключевое действие.

Не забывайте про размер сегментов: 288 пользователей в referral дают для доли 65% погрешность около ±5,5 пункта. Разрыв с платным поиском в 32 пункта за неё далеко выходит, а различие между partner и organic — нет.

Опрос Шона Эллиса: правило 40%

Кривой удержания нужно время. Опрос, который Шон Эллис описал в своём блоге в мае 2009 года, даёт сигнал раньше. Вопрос один: что вы почувствуете, если больше не сможете пользоваться продуктом? Вариантов четыре: очень расстроюсь; немного расстроюсь; не расстроюсь; уже не пользуюсь.

Ориентир Эллиса: если «очень расстроюсь» выбирают больше 40% пользователей, продукт для них необходим, и на этом можно строить бизнес. Если большинство отвечает «немного расстроюсь», продукт приятен, но без него обойдутся. Число 40% — наблюдение практика: по пересказу Рахула Вохры из Superhuman, Эллис пришёл к нему, сравнив почти сотню стартапов. Исходные данные не опубликованы, так что 39% и 41% — один и тот же результат.

Кого спрашивать. Эллис советует случайную выборку из тех, кто дошёл до основного сценария продукта, пользовался им минимум дважды и заходил в последние две недели. Новичок ещё не видел ценности, а ушедший уже проголосовал ногами. Из этого следует главное ограничение: опрос задаётся выжившим. Продукт, из которого уходит 95% регистраций, может набрать 60% «очень расстроюсь» среди оставшихся. Поэтому опрос читают вместе с удержанием, а не вместо него. Балфур называет его опережающим индикатором, но не доказательством.

Сколько нужно ответов. Вохра пишет, что направление видно примерно с 40 ответов. Точность при этом невелика. Допустим, из 40 ответивших 16 выбрали «очень расстроюсь»: это 40%, а 95-процентный интервал — от 25% до 55%. При 200 ответах и той же доле интервал сужается до 33–47%. На 40 ответах можно отличить 15% от 50%, но нельзя — 35% от 45%.

Опрос полезен ещё и тем, что показывает, для кого продукт необходим. Superhuman начал с 22% «очень расстроюсь», а когда оставил в расчёте только типы пользователей, похожих на эту группу, получил 33% — и дальше строил продукт под них.

Другие метрики product market fit: органика, рекомендации, повторные платежи

Удержание отвечает на вопрос, остаются ли люди. Ещё два вопроса — откуда они приходят и платят ли повторно.

Источник роста. Посчитаем по месяцам, сколько регистраций дали бесплатные каналы и какая доля новых пользователей отправила приглашение коллеге. Август в базе неполный (до 29-го числа), но для долей это не мешает.

WITH inviters AS (
  SELECT DISTINCT user_id
  FROM events
  WHERE event_name = 'invite_sent'
)
SELECT
  CAST(date_trunc('month', u.signup_date) AS date) AS signup_month,
  COUNT(*) AS signups,
  SUM(CASE WHEN u.channel = 'paid_search' THEN 1 ELSE 0 END) AS paid_search,
  SUM(CASE WHEN u.channel IN ('organic', 'referral') THEN 1 ELSE 0 END) AS organic_referral,
  ROUND(CAST(100.0 * SUM(CASE WHEN u.channel IN ('organic', 'referral') THEN 1 ELSE 0 END) / COUNT(*) AS numeric(18, 6)), 1) AS organic_referral_pct,
  ROUND(CAST(100.0 * COUNT(i.user_id) / COUNT(*) AS numeric(18, 6)), 1) AS invited_pct
FROM users AS u
LEFT JOIN inviters AS i ON i.user_id = u.user_id
GROUP BY 1
ORDER BY 1;

Что эти сигналы говорят о росте

Регистраций в июле на 634 больше, чем в июне, и 482 из них, то есть 76%, пришли из платного поиска. Доля органики и рекомендаций упала с 73,9% до 56,6%. При этом бесплатные каналы тоже выросли — с 770 до 949 регистраций, и доля новичков, отправивших приглашение, держится около 24–25%. Картина смешанная: продукт рекомендуют с прежней частотой, но основную часть заголовка «+60%» купили, и купленная аудитория удерживается хуже всех.

Повторные платежи. Из июньских когорт первый платёж сделали 282 человека, последний из них — 20 июля, так что срок первого продления у всех наступил до конца выгрузки. Продлили хотя бы раз 170, это 60,3%. Для подписки продление — тот же вопрос об удержании, заданный деньгами, и обмануть его труднее, чем открытие приложения.

WITH first_pay AS (
  SELECT p.user_id, p.paid_at AS first_paid_at
  FROM payments AS p
  JOIN users AS u ON u.user_id = p.user_id
  WHERE p.payment_type = 'first'
    AND u.signup_date BETWEEN DATE '2026-06-01' AND DATE '2026-06-30'
),
renewed AS (
  SELECT DISTINCT user_id
  FROM payments
  WHERE payment_type = 'renewal'
)
SELECT
  COUNT(*) AS payers,
  MAX(f.first_paid_at) AS last_first_payment,
  COUNT(r.user_id) AS renewed_once,
  ROUND(CAST(100.0 * COUNT(r.user_id) / COUNT(*) AS numeric(18, 6)), 1) AS renewed_pct
FROM first_pay AS f
LEFT JOIN renewed AS r ON r.user_id = f.user_id;

Ошибки при оценке PMF

Ошибки здесь стоят дорого: по выводу «PMF есть» начинают масштабировать рекламу и нанимать отдел продаж.

• Рост за счёт платного трафика принимают за PMF. Регистрации и даже выручка растут, пока растёт бюджет. Проверка простая: что останется от графика, если убрать платные каналы, и как удерживается купленная аудитория.
• Смотрят на среднее по всем когортам. Общий retention смешивает старых и новых пользователей, каналы и сегменты. Когда меняется состав притока, среднее движется без всякого изменения в продукте.
• Берут незрелые когорты. Если посчитать «седьмую неделю» по всем 4613 пользователям «Маяка», получится 13,5% вместо 44,8%: у большинства эта неделя ещё не наступила, а в знаменатель они попали. Обратная ошибка — оборвать кривую на третьей неделе и назвать последнюю точку плато.
• Путают PMF сегмента и PMF рынка. Плато у пользователей по рекомендации не обещает того же у аудитории из рекламы. Масштабировать стоит привлечение тех, у кого плато уже есть.
• Меряют удержание по слабому действию. Открытие приложения, вход, просмотр страницы завышают кривую. Нужен признак полученной ценности.
• Читают опрос без удержания. 50% «очень расстроюсь» среди сорока самых активных пользователей не отменяют кривую, уходящую к нулю.
• Считают PMF достигнутым навсегда. Рынок, конкуренты и состав аудитории меняются; кривые новых когорт нужно сравнивать со старыми регулярно.

Частые вопросы

Итог

Product market fit — не ощущение и не одна цифра, а несколько согласованных наблюдений: кривая удержания зрелых когорт перестаёт падать, это видно хотя бы в одном понятном сегменте, недавно активные пользователи говорят, что без продукта им будет плохо, а рост идёт не только из купленного трафика. На учебных данных «Маяка» вывод получился сдержанным: снижение замедляется, у пользователей по рекомендации намечается плато около 65%, а платный поиск раздувает регистрации и удерживается вдвое хуже. Такой вывод полезнее громкого «PMF найден»: из него понятно, что проверять дальше и куда не стоит нести бюджет.

Все запросы из статьи выполняются на продуктовой базе: подставьте другой месяц, другой разрез или другое событие и посмотрите, как меняется кривая. В Симуляторе SQL-аналитика удержание, активацию и воронку считают на этой же базе продукта.