Подготовка гипотезы начинается с анализа данных и пользовательских проблем. Использую фреймворк **Problem → Solution → Metric**: - **Problem**: Выявляю боль через метрики (например, низкий retention), опросы или юзер-ресеч. - **Solution**: Формулирую предположение, как решить проблему. Например: *"Упрощение onboarding увеличит Day-1 retention"*. - **Metric**: Определяю KPI для проверки (например, +15% к Day-1 retention) и индикаторы-маяки (клики по CTA, время до первого действия). **Пример для фичи поиска**: ``` # Гипотеза: Автодополнение поиска снизит процент пустых результатов hypothesis = { "problem": "30% поисковых запросов возвращают 0 результатов", "solution": "Добавить подсказки при вводе запроса", "metric": "Уменьшение пустых выдач на 20% за 2 недели" } ``` Перед тестом оцениваю effort/impact и приоритезирую через ICE-скоринг (Impact, Confidence, Ease).