code-ai-installer 4.0.0 → 4.0.1-a

package/domains/product/.agents/skills/opportunity-solution-tree/SKILL.md

@@ -1,456 +1,472 @@
----
-name: opportunity-solution-tree
-description: Дерево возможностей-решений по Терезе Торрес — desired outcome → opportunities → solutions → experiments
----
-# Opportunity-Solution Tree (OST)
-
-> **Категория:** Discovery  ·  **Slug:** `opportunity-solution-tree`
-
-## Когда использовать
-
-- Когда у тебя есть desired outcome (из стратегии или OKR), но неясно **как** его достичь.
-- При continuous discovery — как артефакт, который эволюционирует со временем.
-- Когда команда прыгает в solution mode без понимания opportunity space.
-- При передаче discovery в engineering — OST показывает rationale за solutions.
-
-## Вход
-
-| Поле | Обязательно | Описание |
-|------|:-----------:|----------|
-| Desired outcome | ✅ | Бизнес- или продуктовый outcome (из NSM/OKR) |
-| Customer research | ✅ | Interviews, JTBD, problems |
-| Текущие assumptions | ⬚ | Какие гипотезы существуют |
-| Time box | ⬚ | Обычно 1-2 недели для MVP tree |
-
-## Источники данных
-
-1. `$user-interview-script` transcripts — opportunities из pain points.
-2. `$jtbd-canvas` — opportunity jobs.
-3. Support tickets, NPS comments — evidence для opportunities.
-4. Product analytics — quantitative signal.
-
-### Связь с другими скилами
-
-| Скил | Что берём | Когда вызывать |
-|------|-----------|----------------|
-| `jtbd-canvas` | Underserved jobs → opportunities | На ветвлении opportunities |
-| `problem-statement` | Specific problem → opportunity node | Для articulating конкретной opportunity |
-| `assumption-mapping` | Assumptions underlying solutions | Для каждой solution node |
-| `hypothesis-template` | Solution → testable hypothesis | Для experiment nodes |
-
-## Структура дерева
-
-```
-Desired Outcome (top)
-  │
-  ├── Opportunity 1 (customer problem / unmet job)
-  │     ├── Solution 1a (product idea)
-  │     │     └── Experiment 1a-i (test)
-  │     └── Solution 1b
-  │
-  ├── Opportunity 2
-  │     └── Solution 2a
-  │           └── Experiment 2a-i
-  │
-  └── Opportunity 3
-```
-
-## Протокол
-
-### Шаг 0 — Desired Outcome
-
-Сформулировать **один** outcome. Должен быть measurable, связан с business metric.
-
-✅ Good: «Increase weekly active teams by 30% in 2 quarters»  
-❌ Bad: «Improve engagement»
-
-### Шаг 1 — Opportunities
-
-Opportunities — это customer problems или unmet jobs. Из JTBD + interviews.
-
-Правила:
-- Сформулированы как **customer** statement, не solution
-- Evidence-backed (evidence ≥ 2 sources или mark 🔮 assumed)
-- Mutually exclusive (нет overlap)
-
-Ограничение: 3-7 opportunities верхнего уровня. Больше — split в sub-branches.
-
-| # | Opportunity | Подтверждение | Предполагаемый impact |
-|---|-------------|----------|-------------------|
-| O1 | [боль клиента / незакрытый job] | JTBD F3, Interview 4-7 | Высокий / Средний / Низкий |
-
-### Шаг 2 — Opportunity Assessment
-
-Для каждой — importance × reach × gap (где current solution слабее).
-
-Отсечь opportunities с low impact — фокус на top 3.
-
-### Шаг 3 — Solutions
-
-Для каждой **top** opportunity — 2-5 solution candidates. Это product ideas, features, process changes.
-
-Правила:
-- Specific (не «improve onboarding», а «in-app checklist for first 3 tasks»)
-- Одна opportunity может иметь несколько solutions — не выбирать сразу
-- Solutions могут быть «non-product» (docs, training, pricing change)
-
-### Шаг 4 — Experiments
-
-Для каждой solution — experiment (или несколько) для validation.
-
-| Solution | Эксперимент | Предсказание | Измерение | Time box |
-|----------|------------|------------|-------------|-----------|
-| In-app checklist | A/B test с 50% новых пользователей | +20% активация за первую неделю | Funnel metric | 4 недели |
-
-Experiments — через `$hypothesis-template` + `$ab-test-design`.
-
-### Шаг 5 — Prioritization
-
-Приоритизировать experiments, не solutions. Иногда quick experiments раскрывают, что opportunity слабее, чем казалось.
-
-Use `$rice-scoring` на experiment level.
-
-### Шаг 6 — Iteration
-
-OST — living document. После каждой experiment:
-- Обновить evidence
-- Отсечь опровергнутые ветки
-- Добавить new opportunities из findings
-
-## Валидация (Quality Gate)
-
-- [ ] Desired outcome — measurable, связан с metric
-- [ ] 3-7 opportunities на top level
-- [ ] Каждая opportunity — customer-framed, не solution
-- [ ] Evidence (≥ 2 sources) или mark 🔮
-- [ ] Top 3 opportunities имеют ≥ 2 solutions
-- [ ] Каждая solution имеет ≥ 1 experiment
-- [ ] Experiments приоритизированы (RICE)
-
-## Handoff
-
-Результат является входом для:
-- **`rice-scoring`** — приоритизация experiments
-- **`hypothesis-template`** — formalize experiments
-- **PM**: solutions → feature candidates для roadmap
-- **`assumption-mapping`** — assumptions behind solutions
-
-Формат: OST as markdown tree или Miro-style diagram (exported). Через `$handoff`.
-
-## Anti-patterns
-
-| Ошибка | Почему плохо | Как правильно |
-|--------|-------------|---------------|
-| Solution-first tree | Пропуск opportunity space | Начни с outcome → opportunities |
-| Opportunities = features | Просто переименованный backlog | Opportunity = customer problem |
-| No experiments | Solutions не validated | Каждая solution имеет experiment |
-| Tree никогда не обновляется | OST frozen = мёртвый | Еженедельное/двухнедельное обновление |
-| Выбор solution до validation | Заморожены в первой идее | Хранить альтернативы до experiment data |
-
-## Worked Example — TeamFlow OST (AI 1:1 Summarization инициатива)
-
-**Контекст:** TeamFlow (B2B SaaS HR-tech, $8M ARR, NRR 105%). После Discovery (8 interviews + JTBD canvas) команда строит OST для выбранного desired outcome. Вопрос: «Should we build AI summarization?» — OST должен показать opportunity space и альтернативы, не прыгать к conclusion.
-
-### Desired Outcome
-
-```
-Grow Net Revenue Retention from 105% to 115% within 4 quarters
-```
-
-**Почему эта метрика:** NRR — ключевая SaaS метрика для Board и investors. Growth в NRR драйвит ARR, моат, margin. 10pp lift связан с expansion + churn reduction, оба достижимы если увеличить manager engagement с продуктом.
-
-**Почему не другая метрика:**
-- «Activation rate» — слишком leading, не prove business outcome.
-- «Weekly active teams» — vanity если не linked с revenue.
-- «ARR growth» — слишком lagging, NRR = leading indicator.
-
-### Opportunity Layer (из JTBD canvas + Discovery Brief)
-
-```
-Desired: Grow NRR 105% → 115%
-  │
-  ├── O1: Менеджеры тратят 3-4 часа/неделю на 1:1 admin overhead
-  │   (боль buyer и end-user)
-  │   Подтверждение: 6 из 8 интервью, internal analytics показывает prep время
-  │   Предполагаемый охват: 3,000 активных менеджеров по customer base
-  │   Impact: retention + expansion (см. оценку Opportunity)
-  │
-  ├── O2: VP HR лишён видимости 1:1 practice/quality менеджеров по организации
-  │   (боль buyer)
-  │   Подтверждение: 4 из 4 buyer interviews
-  │   Предполагаемый охват: 200 buyer аккаунтов
-  │   Impact: expansion opportunity (enterprise tier)
-  │
-  ├── O3: 40% action items из 1:1 брошено / забыто
-  │   (боль end-user)
-  │   Подтверждение: 5 из 8 end-user interviews, internal product data (completed/total)
-  │   Предполагаемый охват: 3,000 менеджеров × 8 reports × 40% = значительный
-  │   Impact: user retention + NPS
-  │
-  ├── O4: Onboarding нового менеджера занимает 6+ месяцев до «effective 1:1»
-  │   (боль buyer F4)
-  │   Подтверждение: 3 из 4 buyer interviews
-  │   Предполагаемый охват: ~1,000 новых менеджеров/год по customer base
-  │   Impact: меньше, но высокая ценность для enterprise segment
-  │
-  └── O5: Непоследовательность 1:1 experience между менеджерами
-      (боль buyer + skip-level + employee)
-      Подтверждение: 2 из 4 buyer interviews, 1 end-user взаимосвязь
-      Предполагаемый охват: Широкий, но размытый — сложно количественно оценить
-      Impact: employee NPS / retention, но косвенно
-```
-
-### Opportunity Assessment
-
-| # | Opportunity | Важность (1-10) | Охват (пользователи) | Разрыв (текущий vs желаемый) | Приоритетный балл |
-|---|-------------|:-----------------:|:-------------:|:------------------------:|:--------------:|
-| O1 | Admin overhead | 10 | ~3,000 | Большой (инструмента нет) | 52,000 |
-| O3 | Action items dropped | 9 | ~3,000 | Большой | 46,800 |
-| O2 | Buyer visibility | 9 | ~200 (но $$$) | Большой | 1,800 (абсолютный) — но high deal size |
-| O4 | New-mgr onboarding | 7 | ~1,000/год | Средний | 7,000 |
-| O5 | Cross-mgr consistency | 6 | Размытый | Средний | Сложно оценить |
-
-**Pruning:** фокус на top 3: **O1 (admin overhead), O3 (action items), O2 (buyer visibility)** — все interconnected и one feature может address multiple.
-
-### Solutions Layer (для top 3 opportunities)
-
-```
-O1: Admin overhead
-  ├── S1.1: AI-powered real-time transcription + summarization during 1:1
-  │         (hypothesis: address capture-during-meeting pain + action items extraction)
-  ├── S1.2: Template library + auto-population from previous 1:1s
-  │         (lighter: не AI, но reduces prep time)
-  ├── S1.3: 1:1 duration reduction through structured agendas + time-boxing UI
-  │         (behavioral, не AI)
-  └── S1.4: Async 1:1s (structured written async для some updates)
-            (radical: reduce live meeting count)
-
-O3: Action items dropped
-  ├── S3.1: AI-extracted action items with automated reminders в следующей 1:1
-  │         (ties to S1.1 — AI summarization output)
-  ├── S3.2: Calendar / Slack integration — reminders 2 days before 1:1
-  │         (lighter: rules-based)
-  └── S3.3: Weekly digest email «here's what you committed to» с status checkboxes
-
-O2: Buyer visibility
-  ├── S2.1: Aggregate dashboard: 1:1 frequency, duration, action items velocity per team
-  │         (rule-based analytics, no AI needed for basic version)
-  ├── S2.2: AI-inferred 1:1 health score (combining multiple signals)
-  │         (более advanced, needs S1.1 infrastructure)
-  └── S2.3: Quarterly People Ops report generator (auto-composed for Board)
-```
-
-### Experiments Layer (для top solutions)
-
-| Solution | Эксперимент | Предсказание | Измерение | Time box | RICE score |
-|----------|------------|------------|-------------|----------|:----------:|
-| S1.1: AI summarization | Concierge MVP: «AI» вручную помогает 10 beta-клиентам в течение 2 недель | Менеджеры экономят 30 мин/неделю; хотят продолжить | Опрос + retention | 3 недели | 35 |
-| S1.1: AI summarization | Wizard-of-Oz: реальная интеграция OpenAI API с 20 beta-менеджерами, под строгим контролем | 20% drop-off приемлемо; качество summarization > 70% приемлемо | Опрос менеджеров + usage data | 4 недели | 48 |
-| S1.2: Template library | Выкатить feature flag для 50% пользователей, измерить prep time через опросы | -30% prep time по самооценке | Опрос + funnel | 4 недели | 28 |
-| S3.1: AI action items | Строится на S1.1 — отдельная оценка: после генерации AI summary, opt-in система напоминаний | +20% завершённых action items | Product analytics | 6 недель | 30 |
-| S3.2: Rule-based reminders | Выкатить для всех пользователей, измерить completion rate | +10% завершённых action items | Product analytics | 2 недели | 25 |
-| S2.1: Aggregate dashboard | Beta 5 enterprise customers, qualitative интервью через 30 дней | 4 из 5 скажут «использовали бы еженедельно» | Интервью | 6 недель | 22 |
-
-### Приоритизация экспериментов
-
-1. **S1.2 (Template library)** — низкий риск, быстро, независимо. **Выкатить первым** (4 недели).
-2. **S3.2 (Rule-based reminders)** — quick win, дополняет S1.2.
-3. **S1.1 (AI summarization) — сначала Concierge MVP, затем Wizard-of-Oz** — подтверждает ценность до инженерных инвестиций.
-4. **S2.1 (Dashboard)** — параллельный трек, другой customer (enterprise), другой eng workstream.
-5. **S3.1 (AI action items)** — отложен до результатов S1.1.
-
-### Заметки по итерации (как этот OST эволюционирует)
-
-**Обновление на неделе 4 (гипотетически):** S1.2 Template library выпущена — опрос показывает только -12% prep time (не -30%). Вывод: шаблоны помогают новым менеджерам, но опытные их не принимают. → Обновить OST: разделить opportunity O1 по стажу менеджера. Новая sub-opportunity: «Новые менеджеры сталкиваются с самой крутой кривой обучения» (O4 перекомбинирована сюда).
-
-**Обновление на неделе 6:** Результаты S1.1 Concierge MVP положительные (9 из 10 хотят функцию). Одобрить Wizard-of-Oz + инженерные инвестиции. Ветка расширена: добавить «privacy architecture» как необходимую sub-solution.
-
-**Обновление на неделе 10:** Wizard-of-Oz показывает 72% качество summarization приемлемо, но privacy concerns от enterprise beta. Добавлена новая ветка для compliance architecture.
-
-> **Урок OST:** Tree — living document. Initial focus на «build AI» был верен, но через experiments выявилось что **template library + rule-based reminders** закрывают 40-50% value с 20% effort. OST заставил рассмотреть **альтернативы** (S1.2, S3.2) которые иначе пропустили бы в favor лучшей AI story.
-
-> **Ссылка на `$assumption-mapping`:** Каждая solution стоит на assumptions. Для S1.1 top assumptions (privacy, LLM quality, willingness to pay) — tracked в assumption map, validated через experiments.
-
-## Experiment Card Templates (per branch)
-
-Каждая solution в OST имеет prescribed experiment design. Используйте эти шаблоны.
-
-### Шаблон A: Concierge MVP (подтверждает Ценность)
-
-```markdown
-# Experiment: S1.1 Concierge MVP — AI Summarization
-
-**Ветка дерева:** Desired Outcome → O1 Admin Overhead → S1.1 AI Summarization
-**Статус:** Активен Неделя 2-5 (4-недельный эксперимент)
-
-## Что тестируем
-Ценность AI-summarized 1:1s — готовы ли менеджеры изменить свой workflow?
-
-## Метод
-Concierge (человек-«AI»): 10 beta customer-менеджеров присылают нам аудио встречи; PM + Designer вручную создают summary + action items в течение 24 часов, доставляют обратно в TeamFlow UI с пометкой «AI-generated» (на самом деле человек).
-
-## Предсказание
-- ≥ 7 из 10 менеджеров хотят продолжить после 2 недель
-- Самооценка экономии времени ≥ 2 часа / неделю
-- Action items completion rate растёт ≥ 10pp
-
-## Измерение
-- Еженедельный опрос (5 мин)
-- Exit interview на неделе 4
-- Дневник времени (самооценка)
-- Action items completion отслеживается в продукте
-
-## Порог успеха
-≥ 7 из 10 говорят «хочу продолжить» → одобрить Wizard-of-Oz
-
-## Правила принятия решений
-- 9+ положительных → Сильный сигнал, инвестировать агрессивно
-- 7-8 положительных → Переходить к Wizard-of-Oz со стандартными инвестициями
-- 5-6 положительных → Итерировать concierge, ретестировать
-- <5 положительных → Закрыть ветку или существенно переосмыслить
-
-## Связь с assumption map
-Подтверждает V1 (willingness to pay — косвенно через willingness to use), V2 (adoption intent)
-```
-
-### Шаблон B: Wizard-of-Oz (подтверждает Осуществимость + Юзабилити)
-
-```markdown
-# Experiment: S1.1 Wizard-of-Oz — AI Summarization (Real LLM)
-
-**Ветка дерева:** Та же, что у Concierge, следующий шаг
-**Статус:** Запланирован Неделя 6-9 (после валидации Concierge)
-
-## Что тестируем
-(a) Качество LLM — может ли реальный AI производить приемлемый output?
-(b) Доверие пользователей — будут ли менеджеры редактировать или бросать?
-
-## Метод
-Реальная интеграция OpenAI GPT-4 с 20 beta-менеджерами. Полный pipeline: запись встречи → транскрипция → LLM summarization → UI ревью менеджера. Интенсивная телеметрия + обратная связь.
-
-## Предсказание
-- Качество summary ≥ 4 из 5 в среднем (слепая оценка)
-- Edit rate 30-50% (не 0% = слепое одобрение; не 100% = AI бесполезен)
-- P95 latency ≤ 60s
-- Менеджеры продолжают использовать через 4 недели (≥ 80%)
-
-## Измерение
-- Рейтинг summary (1-5) на встречу через in-product prompt
-- Edit телеметрия (какой % summary был изменён)
-- Generation latency (server metrics)
-- Drop-off tracking (weekly active managers в beta)
-
-## Пороги успеха
-- Качество: ≥ 85% summaries с рейтингом ≥ 4
-- Edit rate: 25-55% (sweet spot)
-- Continuation: ≥ 80% всё ещё используют на неделе 4
-
-## Правила принятия решений
-- Все пороги выполнены → Одобрить GA investment
-- 2/3 выполнены → Итерировать prompt + ретестировать неделя 10-11
-- 1/3 выполнен → Рассмотреть feature gate (human-review layer)
-- 0/3 выполнены → Закрыть ветку
-
-## Связь с assumption map
-Основная валидация для F1 (LLM quality) + U1 (manager trust)
-```
-
-### Шаблон C: A/B Test (подтверждает Масштаб)
-
-```markdown
-# Experiment: S3.2 Rule-Based Reminders — A/B Test
-
-**Ветка дерева:** Desired Outcome → O3 Action Items Dropped → S3.2 Rule-Based Reminders
-**Статус:** Запланирован Неделя 12-16 (post-MVP, итерация)
-
-## Что тестируем
-Реально ли простые reminders (без AI) улучшают action items completion rate?
-
-## Метод
-Классический A/B. 50% пользователей получают auto-reminder за 2 дня до следующей 1:1 с открытыми action items. Контроль: без reminder.
-
-## Предсказание
-- Action items completion растёт с 60% (baseline) до 68%+ (+8pp)
-- Нет роста «reminder fatigue» (измеряется через opt-out rate)
-
-## Измерение
-- Ratio завершённых action items / созданных (еженедельно)
-- Opt-out rate для reminders
-- NPS impact (отдельный опрос)
-
-## Выборка и длительность
-- Допустимых пользователей / неделю: ~500
-- Выборка на вариант: 3200 (рассчитано через `$ab-test-design`)
-- Длительность: 13 недель
-
-## Guardrails
-- Opt-out rate < 15%
-- NPS не снижается
-
-## Правила принятия решений
-- +8pp И guardrails ok → Выкатить для всех
-- +4 до +8pp → Выкатить с доработанным копирайтом
-- <+4pp → Закрыть, перейти на S3.1 AI reminders
-
-## Связь с assumption map
-Подтверждает U2 (usability — раздражают ли reminders?) + V4 (ценность простого решения)
-```
-
-### Шаблон D: Сессии Design Partner (подтверждает Enterprise Ценность)
-
-```markdown
-# Experiment: S2.1 Aggregate Dashboard — Enterprise Design Partner
-
-**Ветка дерева:** Desired Outcome → O2 Buyer Visibility → S2.1 Aggregate Dashboard
-**Статус:** Неделя 6-12
-
-## Что тестируем
-Будут ли VP HR / CPO в enterprise customers делать upgrade tier на основе ценности dashboard?
-
-## Метод
-Concierge dashboard для 5 enterprise prospects. Ручная компиляция данных еженедельно, доставляемая как «beta dashboard preview» в Google Sheet. Отслеживать:
-- Частоту использования (проверяют ли?)
-- Реакции («заплатили бы за это?»)
-- Upgrade conversion (заявленное намерение → реальный upgrade)
-
-## Предсказание
-- 4 из 5 prospects скажут «использовали бы еженедельно»
-- 3 из 5 выразят намерение сделать upgrade
-- 2 из 5 реально делают upgrade в течение 30 дней
-
-## Измерение
-- Заметки qualitative интервью
-- Статус upgrade в CRM
-- Частота доступа к dashboard (даже если вручную — отслеживаем запросы)
-
-## Пороги успеха
-- Намерение использовать: 4 из 5
-- Upgrade conversion: ≥ 2 из 5
-
-## Правила принятия решений
-- 2+ upgrade → Одобрить productization
-- 0-1 upgrade → Пересмотреть scope dashboard на основе обратной связи
-- Застрял на «нравится, но не upgrade» → Исследовать pricing / packaging
-
-## Связь с assumption map
-Основная валидация для V3 (buyer tier upgrade) + V4 (expansion driver)
-```
-
-### Обзор портфеля экспериментов
-
-| # | Эксперимент | Метод | Длительность | Тип сигнала | Инвестиции |
-|---|-----------|--------|:--------:|-------------|:----------:|
-| EXP-010 | S1.1 Concierge MVP | Вручную | 4 недели | Качественный | Низкие ($2K) |
-| EXP-011 | S1.1 Wizard-of-Oz | Real LLM + интенсивная телеметрия | 4 недели | Кол + Кач | Средние ($15K) |
-| EXP-012 | S3.2 Rule-based reminders A/B | Production A/B | 13 недель | Количественный | Низкие ($5K — только eng time) |
-| EXP-013 | S2.1 Enterprise dashboard | Design partners | 6 недель | Смешанный | Средние ($10K) |
-| EXP-014 | S1.2 Template library A/B | Production A/B | 4 недели | Количественный | Низкие ($3K) |
-
-### Баланс портфеля
-
-- **Смесь методов:** качественные (Concierge, Design Partner) + количественные (A/B) + engineering-heavy (Wizard-of-Oz)
-- **Смесь скорости:** быстрые (Concierge 4нед, reminders A/B ранние результаты 6нед) + медленные (full A/B 13нед)
-- **Смесь инвестиций:** низкий риск ($2-5K) + средние ($10-15K)
-- **Зависимости решений:** Concierge → Wizard → Full AI investment (поэтапные обязательства)
-
-> **Урок experiment portfolio:** Смешивание методов + длительностей предотвращает аналитический паралич. Быстрые низкобюджетные эксперименты (Concierge) открывают уверенность для более высоких инвестиций (Wizard-of-Oz). Чёткие **правила принятия решений на каждый эксперимент** — если threshold не достигнут, действие заранее определено (закрыть / итерировать / развернуть). Без заранее согласованных правил принятия решений «посмотрим» становится хроническим откладыванием.
+---
+name: opportunity-solution-tree
+description: Дерево возможностей-решений по Терезе Торрес — desired outcome → opportunities → solutions → experiments
+type: triggered
+domain: product
+owners:
+  - discovery
+gates:
+  - DISCOVERY
+tech: []
+topic: []
+triggers:
+  - opportunity-solution-tree
+  - OST
+  - дерево возможностей
+  - Teresa Torres
+related: []
+budget_lines: 472
+schema_version: 1
+---
+# Opportunity-Solution Tree (OST)
+
+> **Категория:** Discovery  ·  **Slug:** `opportunity-solution-tree`
+
+## Когда использовать
+
+- Когда у тебя есть desired outcome (из стратегии или OKR), но неясно **как** его достичь.
+- При continuous discovery — как артефакт, который эволюционирует со временем.
+- Когда команда прыгает в solution mode без понимания opportunity space.
+- При передаче discovery в engineering — OST показывает rationale за solutions.
+
+## Вход
+
+| Поле | Обязательно | Описание |
+|------|:-----------:|----------|
+| Desired outcome | ✅ | Бизнес- или продуктовый outcome (из NSM/OKR) |
+| Customer research | ✅ | Interviews, JTBD, problems |
+| Текущие assumptions | ⬚ | Какие гипотезы существуют |
+| Time box | ⬚ | Обычно 1-2 недели для MVP tree |
+
+## Источники данных
+
+1. `$user-interview-script` transcripts — opportunities из pain points.
+2. `$jtbd-canvas` — opportunity jobs.
+3. Support tickets, NPS comments — evidence для opportunities.
+4. Product analytics — quantitative signal.
+
+### Связь с другими скилами
+
+| Скил | Что берём | Когда вызывать |
+|------|-----------|----------------|
+| `jtbd-canvas` | Underserved jobs → opportunities | На ветвлении opportunities |
+| `problem-statement` | Specific problem → opportunity node | Для articulating конкретной opportunity |
+| `assumption-mapping` | Assumptions underlying solutions | Для каждой solution node |
+| `hypothesis-template` | Solution → testable hypothesis | Для experiment nodes |
+
+## Структура дерева
+
+```
+Desired Outcome (top)
+  │
+  ├── Opportunity 1 (customer problem / unmet job)
+  │     ├── Solution 1a (product idea)
+  │     │     └── Experiment 1a-i (test)
+  │     └── Solution 1b
+  │
+  ├── Opportunity 2
+  │     └── Solution 2a
+  │           └── Experiment 2a-i
+  │
+  └── Opportunity 3
+```
+
+## Протокол
+
+### Шаг 0 — Desired Outcome
+
+Сформулировать **один** outcome. Должен быть measurable, связан с business metric.
+
+✅ Good: «Increase weekly active teams by 30% in 2 quarters»  
+❌ Bad: «Improve engagement»
+
+### Шаг 1 — Opportunities
+
+Opportunities — это customer problems или unmet jobs. Из JTBD + interviews.
+
+Правила:
+- Сформулированы как **customer** statement, не solution
+- Evidence-backed (evidence ≥ 2 sources или mark 🔮 assumed)
+- Mutually exclusive (нет overlap)
+
+Ограничение: 3-7 opportunities верхнего уровня. Больше — split в sub-branches.
+
+| # | Opportunity | Подтверждение | Предполагаемый impact |
+|---|-------------|----------|-------------------|
+| O1 | [боль клиента / незакрытый job] | JTBD F3, Interview 4-7 | Высокий / Средний / Низкий |
+
+### Шаг 2 — Opportunity Assessment
+
+Для каждой — importance × reach × gap (где current solution слабее).
+
+Отсечь opportunities с low impact — фокус на top 3.
+
+### Шаг 3 — Solutions
+
+Для каждой **top** opportunity — 2-5 solution candidates. Это product ideas, features, process changes.
+
+Правила:
+- Specific (не «improve onboarding», а «in-app checklist for first 3 tasks»)
+- Одна opportunity может иметь несколько solutions — не выбирать сразу
+- Solutions могут быть «non-product» (docs, training, pricing change)
+
+### Шаг 4 — Experiments
+
+Для каждой solution — experiment (или несколько) для validation.
+
+| Solution | Эксперимент | Предсказание | Измерение | Time box |
+|----------|------------|------------|-------------|-----------|
+| In-app checklist | A/B test с 50% новых пользователей | +20% активация за первую неделю | Funnel metric | 4 недели |
+
+Experiments — через `$hypothesis-template` + `$ab-test-design`.
+
+### Шаг 5 — Prioritization
+
+Приоритизировать experiments, не solutions. Иногда quick experiments раскрывают, что opportunity слабее, чем казалось.
+
+Use `$rice-scoring` на experiment level.
+
+### Шаг 6 — Iteration
+
+OST — living document. После каждой experiment:
+- Обновить evidence
+- Отсечь опровергнутые ветки
+- Добавить new opportunities из findings
+
+## Валидация (Quality Gate)
+
+- [ ] Desired outcome — measurable, связан с metric
+- [ ] 3-7 opportunities на top level
+- [ ] Каждая opportunity — customer-framed, не solution
+- [ ] Evidence (≥ 2 sources) или mark 🔮
+- [ ] Top 3 opportunities имеют ≥ 2 solutions
+- [ ] Каждая solution имеет ≥ 1 experiment
+- [ ] Experiments приоритизированы (RICE)
+
+## Handoff
+
+Результат является входом для:
+- **`rice-scoring`** — приоритизация experiments
+- **`hypothesis-template`** — formalize experiments
+- **PM**: solutions → feature candidates для roadmap
+- **`assumption-mapping`** — assumptions behind solutions
+
+Формат: OST as markdown tree или Miro-style diagram (exported). Через `$handoff`.
+
+## Anti-patterns
+
+| Ошибка | Почему плохо | Как правильно |
+|--------|-------------|---------------|
+| Solution-first tree | Пропуск opportunity space | Начни с outcome → opportunities |
+| Opportunities = features | Просто переименованный backlog | Opportunity = customer problem |
+| No experiments | Solutions не validated | Каждая solution имеет experiment |
+| Tree никогда не обновляется | OST frozen = мёртвый | Еженедельное/двухнедельное обновление |
+| Выбор solution до validation | Заморожены в первой идее | Хранить альтернативы до experiment data |
+
+## Worked Example — TeamFlow OST (AI 1:1 Summarization инициатива)
+
+**Контекст:** TeamFlow (B2B SaaS HR-tech, $8M ARR, NRR 105%). После Discovery (8 interviews + JTBD canvas) команда строит OST для выбранного desired outcome. Вопрос: «Should we build AI summarization?» — OST должен показать opportunity space и альтернативы, не прыгать к conclusion.
+
+### Desired Outcome
+
+```
+Grow Net Revenue Retention from 105% to 115% within 4 quarters
+```
+
+**Почему эта метрика:** NRR — ключевая SaaS метрика для Board и investors. Growth в NRR драйвит ARR, моат, margin. 10pp lift связан с expansion + churn reduction, оба достижимы если увеличить manager engagement с продуктом.
+
+**Почему не другая метрика:**
+- «Activation rate» — слишком leading, не prove business outcome.
+- «Weekly active teams» — vanity если не linked с revenue.
+- «ARR growth» — слишком lagging, NRR = leading indicator.
+
+### Opportunity Layer (из JTBD canvas + Discovery Brief)
+
+```
+Desired: Grow NRR 105% → 115%
+  │
+  ├── O1: Менеджеры тратят 3-4 часа/неделю на 1:1 admin overhead
+  │   (боль buyer и end-user)
+  │   Подтверждение: 6 из 8 интервью, internal analytics показывает prep время
+  │   Предполагаемый охват: 3,000 активных менеджеров по customer base
+  │   Impact: retention + expansion (см. оценку Opportunity)
+  │
+  ├── O2: VP HR лишён видимости 1:1 practice/quality менеджеров по организации
+  │   (боль buyer)
+  │   Подтверждение: 4 из 4 buyer interviews
+  │   Предполагаемый охват: 200 buyer аккаунтов
+  │   Impact: expansion opportunity (enterprise tier)
+  │
+  ├── O3: 40% action items из 1:1 брошено / забыто
+  │   (боль end-user)
+  │   Подтверждение: 5 из 8 end-user interviews, internal product data (completed/total)
+  │   Предполагаемый охват: 3,000 менеджеров × 8 reports × 40% = значительный
+  │   Impact: user retention + NPS
+  │
+  ├── O4: Onboarding нового менеджера занимает 6+ месяцев до «effective 1:1»
+  │   (боль buyer F4)
+  │   Подтверждение: 3 из 4 buyer interviews
+  │   Предполагаемый охват: ~1,000 новых менеджеров/год по customer base
+  │   Impact: меньше, но высокая ценность для enterprise segment
+  │
+  └── O5: Непоследовательность 1:1 experience между менеджерами
+      (боль buyer + skip-level + employee)
+      Подтверждение: 2 из 4 buyer interviews, 1 end-user взаимосвязь
+      Предполагаемый охват: Широкий, но размытый — сложно количественно оценить
+      Impact: employee NPS / retention, но косвенно
+```
+
+### Opportunity Assessment
+
+| # | Opportunity | Важность (1-10) | Охват (пользователи) | Разрыв (текущий vs желаемый) | Приоритетный балл |
+|---|-------------|:-----------------:|:-------------:|:------------------------:|:--------------:|
+| O1 | Admin overhead | 10 | ~3,000 | Большой (инструмента нет) | 52,000 |
+| O3 | Action items dropped | 9 | ~3,000 | Большой | 46,800 |
+| O2 | Buyer visibility | 9 | ~200 (но $$$) | Большой | 1,800 (абсолютный) — но high deal size |
+| O4 | New-mgr onboarding | 7 | ~1,000/год | Средний | 7,000 |
+| O5 | Cross-mgr consistency | 6 | Размытый | Средний | Сложно оценить |
+
+**Pruning:** фокус на top 3: **O1 (admin overhead), O3 (action items), O2 (buyer visibility)** — все interconnected и one feature может address multiple.
+
+### Solutions Layer (для top 3 opportunities)
+
+```
+O1: Admin overhead
+  ├── S1.1: AI-powered real-time transcription + summarization during 1:1
+  │         (hypothesis: address capture-during-meeting pain + action items extraction)
+  ├── S1.2: Template library + auto-population from previous 1:1s
+  │         (lighter: не AI, но reduces prep time)
+  ├── S1.3: 1:1 duration reduction through structured agendas + time-boxing UI
+  │         (behavioral, не AI)
+  └── S1.4: Async 1:1s (structured written async для some updates)
+            (radical: reduce live meeting count)
+
+O3: Action items dropped
+  ├── S3.1: AI-extracted action items with automated reminders в следующей 1:1
+  │         (ties to S1.1 — AI summarization output)
+  ├── S3.2: Calendar / Slack integration — reminders 2 days before 1:1
+  │         (lighter: rules-based)
+  └── S3.3: Weekly digest email «here's what you committed to» с status checkboxes
+
+O2: Buyer visibility
+  ├── S2.1: Aggregate dashboard: 1:1 frequency, duration, action items velocity per team
+  │         (rule-based analytics, no AI needed for basic version)
+  ├── S2.2: AI-inferred 1:1 health score (combining multiple signals)
+  │         (более advanced, needs S1.1 infrastructure)
+  └── S2.3: Quarterly People Ops report generator (auto-composed for Board)
+```
+
+### Experiments Layer (для top solutions)
+
+| Solution | Эксперимент | Предсказание | Измерение | Time box | RICE score |
+|----------|------------|------------|-------------|----------|:----------:|
+| S1.1: AI summarization | Concierge MVP: «AI» вручную помогает 10 beta-клиентам в течение 2 недель | Менеджеры экономят 30 мин/неделю; хотят продолжить | Опрос + retention | 3 недели | 35 |
+| S1.1: AI summarization | Wizard-of-Oz: реальная интеграция OpenAI API с 20 beta-менеджерами, под строгим контролем | 20% drop-off приемлемо; качество summarization > 70% приемлемо | Опрос менеджеров + usage data | 4 недели | 48 |
+| S1.2: Template library | Выкатить feature flag для 50% пользователей, измерить prep time через опросы | -30% prep time по самооценке | Опрос + funnel | 4 недели | 28 |
+| S3.1: AI action items | Строится на S1.1 — отдельная оценка: после генерации AI summary, opt-in система напоминаний | +20% завершённых action items | Product analytics | 6 недель | 30 |
+| S3.2: Rule-based reminders | Выкатить для всех пользователей, измерить completion rate | +10% завершённых action items | Product analytics | 2 недели | 25 |
+| S2.1: Aggregate dashboard | Beta 5 enterprise customers, qualitative интервью через 30 дней | 4 из 5 скажут «использовали бы еженедельно» | Интервью | 6 недель | 22 |
+
+### Приоритизация экспериментов
+
+1. **S1.2 (Template library)** — низкий риск, быстро, независимо. **Выкатить первым** (4 недели).
+2. **S3.2 (Rule-based reminders)** — quick win, дополняет S1.2.
+3. **S1.1 (AI summarization) — сначала Concierge MVP, затем Wizard-of-Oz** — подтверждает ценность до инженерных инвестиций.
+4. **S2.1 (Dashboard)** — параллельный трек, другой customer (enterprise), другой eng workstream.
+5. **S3.1 (AI action items)** — отложен до результатов S1.1.
+
+### Заметки по итерации (как этот OST эволюционирует)
+
+**Обновление на неделе 4 (гипотетически):** S1.2 Template library выпущена — опрос показывает только -12% prep time (не -30%). Вывод: шаблоны помогают новым менеджерам, но опытные их не принимают. → Обновить OST: разделить opportunity O1 по стажу менеджера. Новая sub-opportunity: «Новые менеджеры сталкиваются с самой крутой кривой обучения» (O4 перекомбинирована сюда).
+
+**Обновление на неделе 6:** Результаты S1.1 Concierge MVP положительные (9 из 10 хотят функцию). Одобрить Wizard-of-Oz + инженерные инвестиции. Ветка расширена: добавить «privacy architecture» как необходимую sub-solution.
+
+**Обновление на неделе 10:** Wizard-of-Oz показывает 72% качество summarization приемлемо, но privacy concerns от enterprise beta. Добавлена новая ветка для compliance architecture.
+
+> **Урок OST:** Tree — living document. Initial focus на «build AI» был верен, но через experiments выявилось что **template library + rule-based reminders** закрывают 40-50% value с 20% effort. OST заставил рассмотреть **альтернативы** (S1.2, S3.2) которые иначе пропустили бы в favor лучшей AI story.
+
+> **Ссылка на `$assumption-mapping`:** Каждая solution стоит на assumptions. Для S1.1 top assumptions (privacy, LLM quality, willingness to pay) — tracked в assumption map, validated через experiments.
+
+## Experiment Card Templates (per branch)
+
+Каждая solution в OST имеет prescribed experiment design. Используйте эти шаблоны.
+
+### Шаблон A: Concierge MVP (подтверждает Ценность)
+
+```markdown
+# Experiment: S1.1 Concierge MVP — AI Summarization
+
+**Ветка дерева:** Desired Outcome → O1 Admin Overhead → S1.1 AI Summarization
+**Статус:** Активен Неделя 2-5 (4-недельный эксперимент)
+
+## Что тестируем
+Ценность AI-summarized 1:1s — готовы ли менеджеры изменить свой workflow?
+
+## Метод
+Concierge (человек-«AI»): 10 beta customer-менеджеров присылают нам аудио встречи; PM + Designer вручную создают summary + action items в течение 24 часов, доставляют обратно в TeamFlow UI с пометкой «AI-generated» (на самом деле человек).
+
+## Предсказание
+- ≥ 7 из 10 менеджеров хотят продолжить после 2 недель
+- Самооценка экономии времени ≥ 2 часа / неделю
+- Action items completion rate растёт ≥ 10pp
+
+## Измерение
+- Еженедельный опрос (5 мин)
+- Exit interview на неделе 4
+- Дневник времени (самооценка)
+- Action items completion отслеживается в продукте
+
+## Порог успеха
+≥ 7 из 10 говорят «хочу продолжить» → одобрить Wizard-of-Oz
+
+## Правила принятия решений
+- 9+ положительных → Сильный сигнал, инвестировать агрессивно
+- 7-8 положительных → Переходить к Wizard-of-Oz со стандартными инвестициями
+- 5-6 положительных → Итерировать concierge, ретестировать
+- <5 положительных → Закрыть ветку или существенно переосмыслить
+
+## Связь с assumption map
+Подтверждает V1 (willingness to pay — косвенно через willingness to use), V2 (adoption intent)
+```
+
+### Шаблон B: Wizard-of-Oz (подтверждает Осуществимость + Юзабилити)
+
+```markdown
+# Experiment: S1.1 Wizard-of-Oz — AI Summarization (Real LLM)
+
+**Ветка дерева:** Та же, что у Concierge, следующий шаг
+**Статус:** Запланирован Неделя 6-9 (после валидации Concierge)
+
+## Что тестируем
+(a) Качество LLM — может ли реальный AI производить приемлемый output?
+(b) Доверие пользователей — будут ли менеджеры редактировать или бросать?
+
+## Метод
+Реальная интеграция OpenAI GPT-4 с 20 beta-менеджерами. Полный pipeline: запись встречи → транскрипция → LLM summarization → UI ревью менеджера. Интенсивная телеметрия + обратная связь.
+
+## Предсказание
+- Качество summary ≥ 4 из 5 в среднем (слепая оценка)
+- Edit rate 30-50% (не 0% = слепое одобрение; не 100% = AI бесполезен)
+- P95 latency ≤ 60s
+- Менеджеры продолжают использовать через 4 недели (≥ 80%)
+
+## Измерение
+- Рейтинг summary (1-5) на встречу через in-product prompt
+- Edit телеметрия (какой % summary был изменён)
+- Generation latency (server metrics)
+- Drop-off tracking (weekly active managers в beta)
+
+## Пороги успеха
+- Качество: ≥ 85% summaries с рейтингом ≥ 4
+- Edit rate: 25-55% (sweet spot)
+- Continuation: ≥ 80% всё ещё используют на неделе 4
+
+## Правила принятия решений
+- Все пороги выполнены → Одобрить GA investment
+- 2/3 выполнены → Итерировать prompt + ретестировать неделя 10-11
+- 1/3 выполнен → Рассмотреть feature gate (human-review layer)
+- 0/3 выполнены → Закрыть ветку
+
+## Связь с assumption map
+Основная валидация для F1 (LLM quality) + U1 (manager trust)
+```
+
+### Шаблон C: A/B Test (подтверждает Масштаб)
+
+```markdown
+# Experiment: S3.2 Rule-Based Reminders — A/B Test
+
+**Ветка дерева:** Desired Outcome → O3 Action Items Dropped → S3.2 Rule-Based Reminders
+**Статус:** Запланирован Неделя 12-16 (post-MVP, итерация)
+
+## Что тестируем
+Реально ли простые reminders (без AI) улучшают action items completion rate?
+
+## Метод
+Классический A/B. 50% пользователей получают auto-reminder за 2 дня до следующей 1:1 с открытыми action items. Контроль: без reminder.
+
+## Предсказание
+- Action items completion растёт с 60% (baseline) до 68%+ (+8pp)
+- Нет роста «reminder fatigue» (измеряется через opt-out rate)
+
+## Измерение
+- Ratio завершённых action items / созданных (еженедельно)
+- Opt-out rate для reminders
+- NPS impact (отдельный опрос)
+
+## Выборка и длительность
+- Допустимых пользователей / неделю: ~500
+- Выборка на вариант: 3200 (рассчитано через `$ab-test-design`)
+- Длительность: 13 недель
+
+## Guardrails
+- Opt-out rate < 15%
+- NPS не снижается
+
+## Правила принятия решений
+- +8pp И guardrails ok → Выкатить для всех
+- +4 до +8pp → Выкатить с доработанным копирайтом
+- <+4pp → Закрыть, перейти на S3.1 AI reminders
+
+## Связь с assumption map
+Подтверждает U2 (usability — раздражают ли reminders?) + V4 (ценность простого решения)
+```
+
+### Шаблон D: Сессии Design Partner (подтверждает Enterprise Ценность)
+
+```markdown
+# Experiment: S2.1 Aggregate Dashboard — Enterprise Design Partner
+
+**Ветка дерева:** Desired Outcome → O2 Buyer Visibility → S2.1 Aggregate Dashboard
+**Статус:** Неделя 6-12
+
+## Что тестируем
+Будут ли VP HR / CPO в enterprise customers делать upgrade tier на основе ценности dashboard?
+
+## Метод
+Concierge dashboard для 5 enterprise prospects. Ручная компиляция данных еженедельно, доставляемая как «beta dashboard preview» в Google Sheet. Отслеживать:
+- Частоту использования (проверяют ли?)
+- Реакции («заплатили бы за это?»)
+- Upgrade conversion (заявленное намерение → реальный upgrade)
+
+## Предсказание
+- 4 из 5 prospects скажут «использовали бы еженедельно»
+- 3 из 5 выразят намерение сделать upgrade
+- 2 из 5 реально делают upgrade в течение 30 дней
+
+## Измерение
+- Заметки qualitative интервью
+- Статус upgrade в CRM
+- Частота доступа к dashboard (даже если вручную — отслеживаем запросы)
+
+## Пороги успеха
+- Намерение использовать: 4 из 5
+- Upgrade conversion: ≥ 2 из 5
+
+## Правила принятия решений
+- 2+ upgrade → Одобрить productization
+- 0-1 upgrade → Пересмотреть scope dashboard на основе обратной связи
+- Застрял на «нравится, но не upgrade» → Исследовать pricing / packaging
+
+## Связь с assumption map
+Основная валидация для V3 (buyer tier upgrade) + V4 (expansion driver)
+```
+
+### Обзор портфеля экспериментов
+
+| # | Эксперимент | Метод | Длительность | Тип сигнала | Инвестиции |
+|---|-----------|--------|:--------:|-------------|:----------:|
+| EXP-010 | S1.1 Concierge MVP | Вручную | 4 недели | Качественный | Низкие ($2K) |
+| EXP-011 | S1.1 Wizard-of-Oz | Real LLM + интенсивная телеметрия | 4 недели | Кол + Кач | Средние ($15K) |
+| EXP-012 | S3.2 Rule-based reminders A/B | Production A/B | 13 недель | Количественный | Низкие ($5K — только eng time) |
+| EXP-013 | S2.1 Enterprise dashboard | Design partners | 6 недель | Смешанный | Средние ($10K) |
+| EXP-014 | S1.2 Template library A/B | Production A/B | 4 недели | Количественный | Низкие ($3K) |
+
+### Баланс портфеля
+
+- **Смесь методов:** качественные (Concierge, Design Partner) + количественные (A/B) + engineering-heavy (Wizard-of-Oz)
+- **Смесь скорости:** быстрые (Concierge 4нед, reminders A/B ранние результаты 6нед) + медленные (full A/B 13нед)
+- **Смесь инвестиций:** низкий риск ($2-5K) + средние ($10-15K)
+- **Зависимости решений:** Concierge → Wizard → Full AI investment (поэтапные обязательства)
+
+> **Урок experiment portfolio:** Смешивание методов + длительностей предотвращает аналитический паралич. Быстрые низкобюджетные эксперименты (Concierge) открывают уверенность для более высоких инвестиций (Wizard-of-Oz). Чёткие **правила принятия решений на каждый эксперимент** — если threshold не достигнут, действие заранее определено (закрыть / итерировать / развернуть). Без заранее согласованных правил принятия решений «посмотрим» становится хроническим откладыванием.