ТЕХНИЧЕСКОЕ ЗАДАНИЕ: Спроектировать onboarding для агента

1. Цель задачи

Разработать и реализовать сценарий онбординга для AI-агента (чат-бота или голосового ассистента), который наглядно демонстрирует ключевые возможности агента, обучает пользователя эффективному взаимодействию и мотивирует к регулярному использованию. Результатом должен стать прототип онбординг-флоу, валидированный через A/B-тест с измеримым приростом метрики user adoption (доля активных пользователей на 7-й день после первого контакта).

Ключевой результат Реализованный онбординг, повышающий adoption на ≥50% (относительно контрольной группы без специального онбординга).

2. Исходные данные

Если нет реального продукта — симулируем:

1. Определяем агента: «Помощник по управлению задачами» (создание, приоритизация, делегирование, подведение итогов)
2. Создаём mock-дашборд с текущими метриками (adoption 20% на 7-й день)
3. Формируем 3 типовых user persona: «Занятый менеджер», «Фрилансер-новичок», «Технический энтузиаст»
4. Разворачиваем простой веб-интерфейс агента (React / Next.js) с минимальным функционалом

3. Технологический стек

4. Этапы выполнения

Этап 1: Исследование и подготовка (2 дня)

Действия

1. Собрать текущие метрики adoption

   • Доля новых пользователей, которые выполнили >3 запросов к агенту в течение 7 дней
   • Воронка: заход → регистрация → первый запрос → повторный запрос → возврат на 7-й день
   • Конверсия на каждом шаге

2. Провести интервью (или симуляцию) с типовыми пользователями

   • Выявить барьеры: непонятные возможности, страх ошибки, непонимание формата ввода
   • Определить мотиваторы: скорость получения ответа, персонализация, примеры из жизни

3. Сформировать список ключевых сценариев для демонстрации

   • Создать задачу голосом / текстом
   • Запросить приоритизацию задач
   • Получить дайджест на день
   • Делегировать задачу коллеге

4. Создать User Flow Map

   • Определить точки входа (лендинг, первое сообщение, пустое состояние)
   • Выбрать момент показа онбординга: сразу после регистрации (forced tour) или по запросу (contextual hints)

Ожидаемый результат этапа

• Документ с текущими метриками и проблемами (2–3 страницы)
• Инсайты из интервью (гипотезы)
• Карта флоу и список из 4–5 демо-сценариев

Этап 2: Дизайн онбординг-сценария (3 дня)

Действия

1. Разработать структуру онбординга

   • Шаг 0 (сплеш-скрин): «Привет, я AI-помощник. Я умею…» — быстрый список (визуальные иконки)
   • Шаг 1 Интерактивный пример «Попробуй создать задачу» (пользователь вводит текст, агент отвечает, сразу видит результат)
   • Шаг 2 «Посмотри свои задачи на сегодня» (агент генерирует демо-список, привязанный к контексту)
   • Шаг 3 «Как я могу помочь ещё?» — меню с 3–4 вариантами (клик — выполнение)
   • Шаг 4 Призыв к действию: «Задай вопрос прямо сейчас!»

2. Создать wireframes в Figma

   • Мобильная и десктопная версии
   • Анимации переходов, микро-взаимодействия (подсветка кнопок, плавное появление)

3. Написать тексты и сценарии диалогов

   • Каждое сообщение агента — не более 2 строк + короткая подсказка
   • Пример: «Напиши /create “купить молоко” — и я добавлю задачу»

4. Собрать первые 3–5 реально работающих примеров на бекенде

   • Настроить предобученные ответы для демо-режима (без LLM-запросов, чтобы работало мгновенно)

Ожидаемый результат этапа

• Figma-прототип с 4–5 экранами онбординга
• JSON-файл с текстами и сценариями
• Бекенд-заглушки для демо-запросов

Этап 3: Реализация прототипа (4 дня)

Действия

1. Разработать React-компоненты онбординга

   • OnboardingOverlay (затемнение + пошаговый тур)
   • ExampleCard (интерактивная карточка с действием)
   • DemoInput (поле ввода с подсказками)

2. Реализовать логику шагов

   • Хранить состояние в localStorage / useState (показ онбординга только для новых пользователей)
   • Каждый шаг может быть пропущен / отложен

3. Интегрировать бекенд-демо

   • Эндпоинт /onboarding/demo принимает тип демо (create_task, prioritize, digest) и возвращает pre-baked ответ
   • Обработка ошибок: если агент не отвечает — показать fallback-сообщение

4. Включить аналитические события

   • Отправлять в PostHog: onboarding_step_seen, onboarding_step_clicked, onboarding_skipped, first_real_query
   • Тегировать пользователей: группа with_onboarding и without_onboarding

5. Развернуть прототип на Vercel

   • Окружение: staging для внутреннего тестирования, production для A/B теста

Ожидаемый результат этапа

• Рабочий прототип онбординга, развёрнутый на двух окружениях (staging, prod)
• Код на TypeScript (компоненты + backend-заглушки)
• Настроенные события в аналитике

Этап 4: A/B-тест и сбор данных (5 дней)

Действия

1. Разделить трафик

   • 50% новых пользователей видят онбординг (test)
   • 50% — без изменений (control)
   • Использовать PostHog Feature Flags (или серверное разделение)

2. Запустить сбор данных

   • Минимальная длительность: 5 дней или до набора 100 пользователей в группе
   • Ежедневно проверять метрики: конверсия первого запроса, возврат на 7-й день, среднее количество запросов за сессию

3. Провести качественную оценку

   • Собрать отзывы от 3–5 пользователей тестовой группы (через интервью или NPS-опрос)
   • Записать экраны сессий (Hotjar / FullStory) для анализа поведения

4. Подготовить дашборд

   • Воронка конверсии по шагам онбординга
   • График adoption по дням (разбивка по группам)

Ожидаемый результат этапа

• Raw данные по метрикам (CSV или таблица в Notion)
• Сравнительный дашборд (control vs test)
• Видеозаписи 3–5 пользовательских сессий

Этап 5: Анализ результатов и итерация (2 дня)

Действия

1. Статистическая проверка

   • Рассчитать p-value (t-test) для метрики adoption на 7-й день
   • Если p < 0.05 и прирост ≥50% — гипотеза подтверждена

2. Сформулировать выводы

   • Какие шаги онбординга были эффективны, какие пропускали
   • Какие сценарии вызвали больше повторных запросов

3. Задокументировать онбординг как стандарт

   • Создать страницу «Onboarding Playbook» с принципами, текстами, ссылками на код

4. Предложить improvements для следующей итерации

   • Например: добавить прогресс-бар, персонализацию под persona, геймификацию

Ожидаемый результат этапа

• Отчёт с результатами A/B теста (таблица + графики)
• Документ «Onboarding Playbook v1.0»
• Roadmap следующих улучшений (2–3 пункта)

5. Критерии приемки (Definition of Done)

• Разработаны и протестированы 4–5 сценариев демонстрации возможностей агента
• Реализован интерактивный онбординг (пошаговый тур + демо-команды)
• Внедрена аналитика всех ключевых событий (шаги онбординга, первый запрос, retention)
• Проведён A/B тест (min 100 пользователей в каждой группе)
• Метрика adoption на 7-й день в тестовой группе выросла минимум на 50% относительно контрольной (статистически значимо)
• Создан дашборд с воронкой онбординга и сравнением групп
• Зафиксирована документация: описание сценариев, код, инсайты

6. Ожидаемый результат

Основной артефакт

• Репозиторий с кодом прототипа (Frontend + Backend) и инструкцией по запуску
• Figma-макеты всех экранов онбординга
• A/B test report (PDF/Notion) с метриками, статистикой и выводами
• Onboarding Playbook v1.0 (Markdown)

Дополнительные результаты (опционально):

• Видео прохождения онбординга (3–5 примеров)
• Код для повторного использования компонентов онбординга в других продуктах

7. Возможные сложности и их решение

8. Бюджет времени (оценка)

Примечание Для первого прохождения задачи допускается увеличение Этапа 2 и 3 на 1–2 дня в связи с необходимостью изучения инструментов (Figma, PostHog). При наличии опыта — срок может быть сокращён до 12 дней.

9. Связанные вопросы из базы знаний

10. Чек-лист самопроверки

• Я чётко сформулировал метрику adoption и способ её измерения
• Все демо-сценарии агента работают без сбоев (проверил на staging)
• Аналитические события отправляются корректно (проверил через PostHog Live Events)
• Онбординг можно пропустить или отложить (уважаю выбор пользователя)
• Прототип покрывает и мобильные, и десктопные разрешения
• Я рассчитал статистическую значимость результата A/B теста
• Задокументировал все решения и инсайты для команды