Дебаты Astra × Fableoriginal-v0.1

Единая модель описания бизнеса, продукта, ценности и изменений

Статус документа: концептуальная отправная точка для обсуждения
Версия: 0.1
Дата: 2026-09-16
Назначение: зафиксировать общую архитектуру знаний о компании и объяснить место VPC, JTBD, OST, Product Canvas, Driver Tree, Metric Tree, KPI Tree, стандартов, процессов, Markdown и базы данных.


0. Зачем нужен этот документ

В ходе обсуждения возникла исходная идея: подобрать правильную последовательность продуктовых и бизнес-методик, с помощью которой можно описать компанию, клиента, продукт и дальнейшие изменения. По мере разбора стало понятно, что проблема поставлена шире.

Нельзя построить полное описание компании как одну линейную цепочку из Canvas'ов:

Методика A → методика B → методика C → готовое описание бизнеса

VPC, JTBD, OST, Product Canvas, Driver Tree и KPI Tree отвечают на разные вопросы, существуют на разных уровнях и выполняют разные функции. Часть из них описывает текущее понимание реальности, часть является способом показать выбранный фрагмент модели, а часть — процессом исследования или изменения этой модели.

Поэтому итоговое решение состоит не в выборе одного «главного Canvas», а в построении:

единой накопительной модели знаний о компании, представленной атомарными сущностями и связями, из которой формируются различные views по заданным viewpoints; исследовательские и управленческие процессы обновляют эту модель на основании evidence.

Краткая формула:

Единая Knowledge Model
    + атомарные Entity
    + типизированные Relation
    + Scope
    + Evidence
    + версии и статусы
    + Viewpoint → View
    + процессы, изменяющие знания

Этот документ фиксирует:

  1. что является моделью, представлением, процессом и носителем данных;
  2. что должно происходить на нулевом этапе;
  3. почему VPC можно использовать как стандарт фиксации, но не как единственное хранилище;
  4. почему JTBD Research и OST не следует смешивать с первоначальным описанием;
  5. где хранить отраслевые стандарты и «то, что должно быть по умолчанию»;
  6. зачем нужен Product Canvas и почему он не является каталогом VPC;
  7. как организовать множество задач, ценностей, сегментов и направлений;
  8. чем отличаются Driver Tree, Metric Tree и KPI Tree;
  9. как связать customer value с физическим производством на примере пшеницы;
  10. как хранить человекочитаемые знания в Markdown и индексировать их в PostgreSQL;
  11. как внедрять систему поэтапно, не пытаясь заранее спроектировать идеальную онтологию.

Часть I. Итоговое решение

1. Главный вывод

Мы пришли к следующему разделению.

Категория Что это Примеры Главный вопрос
Model Entity Атомарная сущность знания Customer Segment, Job, Pain, Gain, Requirement, Driver, Metric, Product, Process Что существует или что мы считаем истинным?
Relation / Edge Типизированная связь между сущностями has_job, has_pain, constrains, measured_by, supports Как одно связано с другим?
Evidence Основание для утверждения интервью, аналитика, контракт, стандарт, эксперимент Почему мы в это верим?
Viewpoint Правила и угол рассмотрения Customer, Value, Economics, Process, Risk На какой класс вопросов мы хотим отвечать?
View Конкретная проекция модели в определённом scope VPC главного агронома, Driver Tree производства пшеницы Что видно с выбранной точки зрения здесь и сейчас?
Research / Change Process Процесс получения, проверки или изменения знания JTBD Research, OST, интервью, эксперимент, RCA Как мы уточняем или меняем модель?
Representation Человекочитаемая форма Markdown, таблица, Canvas, диаграмма Как человек редактирует или читает знание?
Storage / Index Машинное хранение и поиск PostgreSQL, полнотекстовый индекс, граф рёбер Как система хранит, связывает и извлекает знания?

Отсюда следуют ключевые формулировки:

  • VPC, Driver Tree, Metric Tree, KPI Tree, Process Map и Product Canvas — это views или шаблоны views.
  • JTBD Research, Customer Discovery, OST, эксперименты и Process Analysis — это процессы, которые создают или обновляют знания.
  • Job, Pain, Gain, Driver, Metric, Requirement, Standard, Product и Process — это сущности модели.
  • Markdown — формат авторинга и человекочитаемое представление, но не сама семантическая модель.
  • PostgreSQL — индекс и операционное хранилище узлов, связей, областей действия, версий и evidence.
  • Canvas не должен быть главным объектом хранения, если его можно собрать как проекцию атомарных знаний.

2. Почему нельзя использовать один универсальный Canvas

Один Canvas неизбежно начинает смешивать разные типы вопросов:

  • кто клиент;
  • какую работу он выполняет;
  • какую ценность получает;
  • как компания зарабатывает;
  • от чего зависит экономический результат;
  • как выполняется процесс;
  • какие возможности нужны организации;
  • какие стандарты и ограничения действуют;
  • какие изменения исследуются;
  • почему утверждение считается верным.

Это разные измерения одной реальности. Если пытаться хранить их в одном Canvas, возникают четыре проблемы:

  1. Перегрузка. Canvas превращается в нечитабельную стену заметок.
  2. Дублирование. Один Pain, Requirement или Metric приходится копировать в несколько документов.
  3. Расхождение версий. Одинаковая сущность изменена в одном Canvas и забыта в другом.
  4. Потеря причинности. Видны списки, но не видно, почему требование появилось, чем подтверждено и на что влияет.

Поэтому правильнее хранить единое знание и строить несколько согласованных представлений.

flowchart TD
    KG["Единая Knowledge Model"]
    CV["Customer / Value View"]
    EV["Economic / Metric View"]
    OV["Process / Capability View"]
    RV["Risk / Constraint View"]
    KG --> CV
    KG --> EV
    KG --> OV
    KG --> RV

Views не являются разными версиями реальности. Это разные проекции одной модели.


Часть II. Как мы пришли к этому решению

3. Исходная гипотеза и её корректировка

Первоначально методики можно было представить как последовательность:

Customer / JTBD → VPC → OST → Solution → Product Canvas → Delivery

Такая схема полезна как очень грубая иллюстрация, но недостаточна по следующим причинам.

3.1. JTBD отсутствует на нулевом этапе как полноценный процесс

На самом первом этапе ещё может не быть:

  • подтверждённого сегмента;
  • достаточного количества респондентов;
  • сформулированного решения или поведения, вокруг которого можно проводить switching interview;
  • ясного контекста использования;
  • истории фактического выбора;
  • бюджета на полноценное исследование.

Тем не менее уже нужно зафиксировать черновое понимание Jobs, Pains и Gains. Следовательно, нужно различать:

  • Job как сущность и гипотезу;
  • JTBD Research как специальный процесс исследования.

3.2. OST требует входных данных и outcome

OST не является универсальным способом первичного описания неизвестной компании. Для его осмысленного использования уже нужны:

  • теория целевого клиента;
  • теория value proposition;
  • определённый outcome;
  • материал customer research;
  • возможность отделять opportunities от solutions.

В официальном описании Product Talk OST начинается с desired outcome, затем содержит opportunity space, solution space и assumption tests. Там же прямо указаны предварительные условия: теория target customer и value proposition, определённый outcome и несколько story-based interviews. Поэтому OST относится к continuous discovery и управлению изменением, а не к нулевой инвентаризации бизнеса: Product Talk — Opportunity Solution Trees.

3.3. Product Canvas обслуживает delivery и product shaping

Product Canvas Романа Пихлера объединяет Agile- и UX-артефакты, включая personas, scenarios, storyboards, design sketches и user stories, и может использоваться вместо традиционного product backlog. Это инструмент продуктовой команды, а не универсальная онтология компании: Roman Pichler — The Product Canvas.

3.4. Физическое производство нельзя адекватно описать только продуктовым discovery

Фраза «мы производим пшеницу» требует не только customer value, но и модели:

  • экономики гектара;
  • урожайности;
  • качества;
  • производственных факторов;
  • агрономических решений;
  • операций;
  • рисков;
  • ограничений;
  • логистики и netback.

Поэтому в систему был добавлен Driver Tree и отдельный production/economic контур.

3.5. Множество сегментов, задач и ценностей разрушает плоскую структуру Canvas

У одного сегмента может быть несколько Job Families, у одной Job — несколько Pains и Gains, один Pain Reliever может закрывать несколько Pains, одна Solution может работать на несколько Opportunities, а один Product — обслуживать несколько VPC.

Такая структура является не деревом и не набором документов, а графом.


4. Терминология Viewpoint → View

Для описания разных проекций удобно использовать терминологию архитектурных описаний:

  • Viewpoint задаёт правила, интересы, типы элементов и способ построения представления.
  • View — конкретное представление конкретной системы, построенное согласно выбранному viewpoint и scope.

Например:

Viewpoint: Customer Value
View: VPC главного агронома для мониторинга пшеницы в Украине
Viewpoint: Economics
View: Driver Tree EBITDA/ha для озимой пшеницы сезона 2026/27
Viewpoint: Process
View: процесс обследования проблемного участка поля

Этот подход концептуально соответствует ISO/IEC/IEEE 42010:2022, который различает архитектуру сущности и архитектурное описание, а также формализует viewpoints и model kinds. Стандарт применим не только к ПО, но и к системам, предприятиям, продуктам, продуктовым линиям, технологиям и business domains: ISO/IEC/IEEE 42010:2022.

Важно: мы не утверждаем, что вся бизнес-система обязана формально соответствовать ISO 42010. Мы используем полезную концепцию viewpoint → view, чтобы избежать смешения модели и способов её показа.


Часть III. Нулевой этап и жизненный цикл знаний

5. Что такое этап 0

Этап 0 — это не попытка доказать все утверждения. Его задача — создать минимально целостный черновой контур компании или инициативы, чтобы:

  • определить, что именно мы описываем;
  • увидеть основные неизвестные;
  • не начинать исследования «в пустоту»;
  • сформировать язык обсуждения;
  • определить потенциальных клиентов и заинтересованных лиц;
  • зафиксировать первоначальные гипотезы;
  • понять, какие исследования действительно нужны;
  • не потерять отраслевые ограничения и объективные требования;
  • создать первую карту причинности и измерения.

5.1. Минимальный состав этапа 0

  1. Scope — компания, business unit, продукт, рынок, география, сегмент, value stream и период.
  2. Context — рынок, экосистема, ключевые участники и внешние зависимости.
  3. Черновые Customer Segments / Stakeholders.
  4. Черновые Jobs / Pains / Gains со статусом hypothesis.
  5. Draft VPC как компактное представление исходных предположений.
  6. Business Model на достаточном для обсуждения уровне.
  7. Outcome / Goal hypotheses.
  8. Standards, Baselines и Constraints.
  9. Первичный Economic / Driver View, если речь идёт о действующем бизнесе или физическом производстве.
  10. Unknowns, assumptions и contradictions.
  11. Research backlog / plan.
  12. Первичные Evidence links, даже если evidence слабое.

5.2. Правильная последовательность этапа 0

flowchart TD
    S["Определить scope"] --> C["Черновой context и segments"]
    C --> H["Гипотезы Jobs / Pains / Gains"]
    H --> V["Draft VPC и другие базовые views"]
    V --> U["Unknowns / assumptions / contradictions"]
    U --> R["Research plan"]

5.3. Почему гипотезы допустимы

Без гипотез невозможно определить:

  • кого приглашать на интервью;
  • какие ситуации исследовать;
  • какие события и выборы анализировать;
  • какие данные собирать;
  • какие стандарты проверять;
  • какие ветки Driver Tree требуют уточнения.

Ошибка не в наличии гипотезы. Ошибка — хранить гипотезу как подтверждённый факт без статуса, источника, confidence и даты актуальности.


6. Жизненный цикл утверждения

Каждая значимая сущность или связь должна иметь состояние.

Рекомендуемый базовый lifecycle:

draft
  ↓
hypothesis
  ↓
under_research
  ↓
supported / validated
  ↓
accepted
  ↓
superseded / deprecated / rejected

Статусы не обязательно должны быть полностью линейными. Например, утверждение может перейти из supported обратно в under_research, если рынок изменился или обнаружилось противоречащее evidence.

6.1. Минимальные поля качества знания

Поле Назначение
status Текущее состояние утверждения
confidence Уверенность, например от 0 до 1
evidence_level Сила основания: assumption, anecdotal, qualitative, quantitative, contractual, regulatory
valid_from / valid_to Период применимости
review_at Дата следующего пересмотра
owner Кто отвечает за актуальность
source Откуда появилось утверждение
scope Где оно применимо
version Версия сущности или документа

6.2. Важное правило

Уверенность должна принадлежать не всему документу целиком, а конкретному утверждению или связи.

Например, существование сегмента может быть подтверждено, Job — поддержано несколькими интервью, а предполагаемый Pain Reliever — оставаться гипотезой.


Часть IV. VPC, JTBD и OST

7. VPC как стандарт представления и фиксации

Value Proposition Canvas состоит из двух логических частей.

Customer Profile

  • Customer Jobs;
  • Pains;
  • Gains.

Value Map

  • Products & Services;
  • Pain Relievers;
  • Gain Creators.

Strategyzer описывает VPC как инструмент для одного customer segment: определить, что клиент пытается сделать, что ему мешает и чего он хочет достичь, а затем связать это с предложением компании. Strategyzer отдельно подчёркивает, что fit остаётся предположением, пока не подтверждён клиентами и evidence: Strategyzer — The Value Proposition Canvas.

7.1. Что VPC делает хорошо

  • заставляет отделить клиента от продукта;
  • фиксирует Jobs, Pains и Gains;
  • связывает ценность с конкретными Pain Relievers и Gain Creators;
  • помогает обсудить fit;
  • даёт понятный формат для workshop;
  • хорошо работает как snapshot определённого segment/context/job domain.

7.2. Чего VPC не делает

VPC не описывает полноценно:

  • бизнес-модель компании;
  • unit economics;
  • причинность финансового результата;
  • процесс производства;
  • организационные capability;
  • нормы и законы;
  • архитектуру продукта;
  • roadmap;
  • delivery;
  • доказательную базу;
  • историю изменения решений;
  • несколько сегментов и несколько направлений одновременно.

7.3. Итоговая роль VPC

VPC — канонический Value View для конкретного customer segment, context и job scope.

На раннем этапе это может быть snapshot гипотез. После исследований он становится более доказательным представлением, но не перестаёт быть view.


8. Почему VPC не должен быть главным объектом хранения

Если хранить VPC как один монолитный документ, появляются дубли и расхождения. Вместо этого предлагается хранить атомарные сущности:

CustomerSegment
Context
JobFamily
Job
Pain
Gain
ValueProposition
ProductOrService
PainReliever
GainCreator
Evidence

И связи:

CustomerSegment --has_job--> Job
Job --has_pain--> Pain
Job --expects_gain--> Gain
PainReliever --relieves--> Pain
GainCreator --creates--> Gain
ProductOrService --delivers--> PainReliever
ProductOrService --delivers--> GainCreator
Evidence --supports/challenges--> Entity or Relation

Тогда VPC генерируется фильтром, например:

company = Ontrack
product = FMS
market = Ukraine
customer_segment = chief-agronomist
job_domain = crop-monitoring
date = current
status != rejected

Один и тот же Pain может входить в несколько VPC. Один Pain Reliever может закрывать несколько Pains. Один Product может обслуживать несколько сегментов. При этом сущность хранится один раз.


9. Job как сущность и JTBD Research как процесс

9.1. Job как сущность

На этапе 0 допустимо записать:

Покупатель пшеницы хочет получить необходимый объём сырья
с нужной спецификацией в нужное время и по приемлемой цене.

Но такая запись должна иметь:

type: job
status: hypothesis
confidence: 0.35
source: internal-workshop

9.2. JTBD Research как процесс

Полноценное JTBD-исследование может включать:

  • определение ситуации и контекста;
  • story-based или switching interviews;
  • фактическую хронологию выбора;
  • pushes и pulls;
  • anxieties и habits;
  • конкурирующие альтернативы, включая «ничего не делать»;
  • functional, emotional и social dimensions;
  • desired outcomes;
  • силы прогресса;
  • паттерны между интервью;
  • сегментацию не только по профилю, но и по ситуации/прогрессу.

JTBD Research не следует запускать как ритуал без чернового контура. Сначала нужно понимать хотя бы предположительно:

  • кого исследовать;
  • какое поведение или прогресс нас интересует;
  • в каком контексте;
  • относительно какого решения, выбора или альтернативы.

9.3. Связь результата JTBD с моделью

flowchart TD
    JR["JTBD Research"] --> F["Findings"]
    F --> E["Evidence"]
    E --> J["Job"]
    E --> P["Pain"]
    E --> G["Gain"]
    J --> V["Обновлённый VPC View"]
    P --> V
    G --> V

Следовательно, итог JTBD должен быть связан не только с VPC-документом, но прежде всего с конкретными сущностями и связями, которые он подтверждает, уточняет или опровергает.


10. OST как процесс следующего уровня

Opportunity Solution Tree не является первичным описанием бизнеса. Это структура continuous discovery, связывающая:

Desired Outcome
    ↓
Opportunity Space
    ↓
Solutions
    ↓
Assumption Tests

10.1. Почему OST не подходит для этапа 0

Без outcome и исследовательского материала команда начинает придумывать opportunities из головы. Тогда OST превращается в красивое дерево внутренних предположений, а не средство customer-centric discovery.

10.2. Когда OST уместен

OST следует запускать, когда:

  • определён scope команды или инициативы;
  • есть целевой outcome;
  • есть хотя бы черновая теория клиента и value proposition;
  • собраны реальные customer stories или иное достаточное evidence;
  • команда готова выбирать opportunity, а не сразу защищать любимую solution;
  • возможны assumption tests.

10.3. Накопительный эффект OST

OST полезен как накопительная история пространства возможностей и решений. Старые ветви не стоит физически удалять только потому, что они больше не активны.

Рекомендуемые статусы Opportunity:

candidate
active
validated
rejected
superseded
parked

Рекомендуемые статусы Solution:

idea
exploring
testing
selected
implemented
rejected
deprecated

Рекомендуемые статусы Assumption/Test:

unidentified
untested
testing
supported
falsified
inconclusive

10.4. OST как view и как процесс

Здесь есть важная тонкость:

  • сам визуальный tree — View;
  • регулярная работа по наполнению, синтезу, выбору opportunity, генерации solution и тестированию assumptions — Discovery Process.

Иначе говоря, OST имеет двойное употребление: название метода работы и название визуального артефакта. В нашей системе эти два смысла нужно разделять.


Часть V. Стандарты, нормы и «должно быть по умолчанию»

11. Почему стандарты нельзя смешивать с Pain и Gain

Требование может существовать независимо от того, считает ли клиент его ценностью.

Например:

  • обязательная влажность партии;
  • требования к маркировке;
  • законодательное хранение журналов;
  • KYC;
  • технический лимит API;
  • корпоративная политика безопасности;
  • физическое ограничение оборудования.

Это не обязательно Pain или Gain. Часто это constraint, baseline или requirement.

11.1. Каноническая классификация Requirements

Тип Смысл Пример
regulatory Требование закона или регулятора обязательная отчётность
industry_standard Отраслевой стандарт метод лабораторного анализа
contractual Условие контракта влажность ≤ согласованного порога
market_baseline Рыночное ожидание / table stake партия сопровождается документами
customer_baseline Гигиенический фактор для клиента пользователь видит остаток в банке
internal_policy Внутренняя политика компании двойное согласование платежа
technical_constraint Техническое ограничение максимальный размер пакета
physical_constraint Физический/биологический предел агрономическое окно операции
ethical_constraint Этическая граница запрет тёмных паттернов
strategic_constraint Осознанное ограничение стратегии поддержка только B2B сегмента

11.2. Constraint, Baseline и Differentiator

Эти понятия нельзя смешивать.

Constraint
    обязательное ограничение или граница допустимого

Baseline
    минимально ожидаемый уровень; отсутствие разрушает предложение,
    наличие редко дифференцирует

Differentiator
    характеристика, из-за которой предложение выбирают среди альтернатив

Одна и та же характеристика может менять роль в зависимости от рынка и времени. То, что было differentiator три года назад, может стать baseline сегодня.

11.3. Связи стандартов

Requirement --constrains--> Product
Requirement --constrains--> Process
Requirement --constrains--> Operation
Requirement --constrains--> ValueProposition
Requirement --verified_by--> Control
Requirement --measured_by--> Metric
Requirement --derived_from--> SourceDocument

11.4. Что хранить у стандарта

  • точную формулировку;
  • тип;
  • источник;
  • юрисдикцию;
  • scope;
  • дату вступления и окончания действия;
  • обязательность;
  • контролируемый параметр;
  • единицу измерения;
  • допустимый диапазон;
  • метод проверки;
  • последствия нарушения;
  • владельца контроля;
  • связанные продукты, процессы и операции;
  • версию исходного документа.

Часть VI. Product Canvas и модель продукта

12. Кто является потребителем Product Canvas

Потребителем Product Canvas является прежде всего product team, а не конечный покупатель:

  • Product Manager / Product Owner;
  • UX/UI;
  • разработчики;
  • аналитики;
  • архитекторы;
  • stakeholders, участвующие в формировании и delivery продукта.

Он помогает соединить пользовательское понимание с формированием продукта и delivery.

12.1. Product Canvas — не каталог

Он может содержать каталогоподобные элементы — features, stories, scenarios, UX artefacts, — но его смысл не в инвентаризации всего подряд. Его смысл в том, чтобы дать команде связанное рабочее представление продукта.

12.2. Product Canvas — не набор VPC

Несколько VPC могут вести к одному продукту:

VPC собственника хозяйства ─┐
VPC директора производства ├──► FMS
VPC главного агронома       ┤
VPC диспетчера              ┘

Product View описывает уже сам FMS:

FMS
├── users and roles
├── scenarios
├── UX
├── capabilities
├── features
├── policies
├── interfaces
└── delivery state

12.3. Итоговая роль Product Canvas

Для предлагаемой архитектуры Product Canvas не является фундаментальным уровнем хранения. Это:

  • Product Shaping View;
  • Delivery View;
  • при необходимости — командный рабочий артефакт, собранный из более общей модели.

В системе может существовать Product Entity и связанные Capabilities, Features, Scenarios и Requirements. Product Canvas показывает их выбранную комбинацию для команды и текущей цели.


12A. Business Model Canvas и Lean Canvas в этой архитектуре

В обсуждении Canvas'ов легко смешать три разных объекта:

  • Value Proposition Canvas — соответствие Customer Profile и Value Map;
  • Business Model Canvas — логика создания, доставки и захвата ценности организацией;
  • Lean Canvas — problem/solution-oriented представление рискованных предположений раннего бизнеса или инициативы.

Business Model Canvas

BMC полезен как Business Model View. Он связывает:

  • customer segments;
  • value propositions;
  • channels;
  • customer relationships;
  • revenue streams;
  • key resources;
  • key activities;
  • key partners;
  • cost structure.

BMC отвечает не на вопрос «какую работу делает конкретный пользователь», а на вопрос:

Как в выбранном scope устроен механизм создания, доставки и присвоения ценности?

Один BMC может ссылаться на несколько VPC. Например, бизнес-модель Ontrack содержит разные сегменты, а для каждого сегмента и job domain существуют свои VPC Views.

Lean Canvas

Lean Canvas делает акцент на:

  • problems;
  • customer segments;
  • unique value proposition;
  • solutions;
  • channels;
  • revenue streams;
  • cost structure;
  • key metrics;
  • unfair advantage.

Он особенно удобен как ранний snapshot гипотез новой инициативы. Но он не должен становиться постоянным хранилищем всех знаний: Problem, Segment, Solution, Metric и Advantage лучше хранить как отдельные сущности с evidence и статусами.

Почему они не заменяют Knowledge Model

Оба Canvas'а полезны как компактные views для разговора и принятия решений. Они неизбежно упрощают реальность и не показывают полноценно:

  • историю версий;
  • противоречащее evidence;
  • many-to-many relations;
  • причинные деревья;
  • нормативные ограничения;
  • детальные процессы;
  • несколько конкурирующих гипотез;
  • правила применимости по scope.

Поэтому:

BMC = Business Model View
Lean Canvas = Early Venture / Initiative Hypothesis View
VPC = Customer Value View

Все три могут быть построены на одном наборе сущностей, но с разными правилами отбора и композиции.


12B. Strategy, Product Vision и Roadmap

Чтобы не использовать Product Canvas как контейнер для всей продуктовой стратегии, нужно отдельно различать:

Vision
    какое желаемое будущее мы хотим создать

Strategy
    где играем, как выигрываем и какие выборы сознательно не делаем

Outcomes
    какие наблюдаемые изменения должны произойти

Roadmap
    последовательность outcomes / проблемных областей / обязательств во времени

Discovery
    какие opportunities и solutions могут привести к outcome

Delivery
    как выбранное решение будет реализовано и выпущено

Эти уровни связаны, но не являются одним документом. В частности:

  • roadmap не должен подменять стратегию списком features;
  • OST не должен становиться корпоративной стратегией;
  • VPC не определяет экономическую жизнеспособность бизнеса;
  • Product Canvas не заменяет Vision и Business Model.

12C. Что является «каталогом»

Каталог — это отдельный тип представления, обычно отвечающий на вопрос «что у нас существует?».

Примеры:

  • Product Catalog;
  • Capability Catalog;
  • Process Catalog;
  • Metric Catalog;
  • Requirement Catalog;
  • Research Repository.

Каталог обычно показывает сущности, их классификацию, владельцев и статусы. Он не обязан объяснять соответствие клиентской ценности, причинность или delivery.

Следовательно:

Product Canvas — не каталог. Product Catalog может быть ещё одним View, построенным из Product entities.

Это различие важно, потому что инвентаризация и моделирование взаимосвязей — разные задачи.


Часть VII. Множество задач, ценностей и направлений

13. Если у сегмента больше одной задачи

Это нормальная ситуация. Например:

Customer Segment: Главный агроном
│
├── Планирование сезона
├── Посев
├── Мониторинг состояния
├── Защита растений
├── Питание
├── Уборка
└── Отчётность

Каждое направление можно представить как Job Family или Job Domain.

Пример декомпозиции:

Job Family: Мониторинг состояния
│
├── Job: обнаружить отклонение
│   ├── Pain: отклонение обнаруживается слишком поздно
│   └── Gain: увидеть проблемную зону до потери урожайности
│
├── Job: определить причину
│   ├── Pain: данные разрознены
│   └── Gain: быстро сузить набор вероятных причин
│
└── Job: определить необходимое действие
    ├── Pain: нет связи диагностики с регламентом
    └── Gain: получить обоснованный следующий шаг

13.1. Почему одного дерева недостаточно

Один и тот же Job может:

  • выполняться несколькими ролями;
  • входить в несколько процессов;
  • возникать в нескольких культурах;
  • иметь разные Pains по географии;
  • обслуживаться несколькими продуктами;
  • регулироваться разными стандартами;
  • измеряться общими метриками.

Поэтому строгая иерархия ломается. Нужен граф и несколько классификаторов.


14. Scope вместо абстрактного «направления»

Термин Direction слишком расплывчат. Он может означать продукт, рынок, департамент, процесс или стратегическую инициативу. Поэтому лучше использовать составной scope.

Рекомендуемые измерения scope:

scope:
  company: ontrack
  business_unit: fms
  product: crop-monitoring
  market: b2b-agriculture
  geography: ua
  customer_segment: chief-agronomist
  business_domain: crop-production
  value_stream: wheat-production
  job_domain: crop-monitoring
  lifecycle_stage: in-season
  period: 2026

Не все поля обязательны. Важен принцип: конкретный View должен явно показывать границы применимости.

14.1. Ортогональные классификаторы

  • Company;
  • Business Unit;
  • Business Domain;
  • Market;
  • Geography;
  • Customer Segment;
  • Stakeholder Role;
  • Job Domain / Job Family;
  • Value Stream;
  • Product / Service;
  • Lifecycle Stage;
  • Crop / Asset / Object Type;
  • Period / Season;
  • Strategic Initiative.

14.2. Почему это лучше одного поля Direction

Одно поле создаёт взаимоисключающую классификацию там, где реальность многомерна. Scope позволяет построить:

  • VPC для главного агронома в Казахстане;
  • VPC для главного агронома в Украине;
  • Driver Tree для пшеницы;
  • Driver Tree для логистики;
  • Product View FMS для мониторинга;
  • Process View обследования поля;
  • KPI View сезона 2026.

Часть VIII. Driver Tree, Metric Tree и KPI Tree

15. Driver Tree

Driver Tree отвечает на вопрос:

От чего зависит результат и через какие причинные или расчётные зависимости он формируется?

Пример:

Profit
├── Revenue
│   ├── Volume sold
│   └── Realized price
└── Cost
    ├── Seed
    ├── Fertilizer
    ├── Crop protection
    ├── Fuel
    ├── Labor
    └── Logistics

Driver может быть:

  • математическим компонентом результата;
  • управляемым фактором;
  • внешним фактором;
  • ведущим индикатором;
  • качественной причинной переменной;
  • промежуточным outcome.

15.1. Типы связей Driver Tree

Нужно различать:

  • calculated_from — строгая формула;
  • causally_influences — причинное влияние;
  • correlates_with — наблюдаемая корреляция без доказанной причинности;
  • constrains — ограничивает;
  • enables — создаёт возможность;
  • moderates — усиливает/ослабляет влияние;
  • indicates — является индикатором, но не причиной.

Это защищает от распространённой ошибки: рисовать любое дерево показателей как доказанную причинную модель.


16. Metric Tree

Metric Tree отвечает на вопрос:

Как количественно наблюдать систему и из каких измеряемых компонентов складываются показатели?

Пример:

Revenue
├── tonnes sold
├── average realized price
├── quality premium
├── quality discount
└── returns / claims

Metric Tree является measurement-centric. Он не обязан утверждать, что каждая нижняя метрика причинно управляет верхней. Он может показывать:

  • формулы;
  • агрегации;
  • разрезы;
  • единицы измерения;
  • источники данных;
  • частоту обновления;
  • качество данных.

17. KPI Tree

KPI Tree отвечает на вопрос:

Какими из всех доступных метрик мы реально управляем и какие из них требуют регулярного внимания и ответственности?

Из сотен metrics компания может выбрать ограниченный набор KPI. KPI должен иметь:

  • управленческий смысл;
  • владельца;
  • целевое значение или диапазон;
  • период;
  • частоту контроля;
  • правило реакции;
  • связь с outcome;
  • понятную формулу;
  • доверенный источник данных.

17.1. Driver, Metric и KPI — разные сущности

Пример:

Driver:
    дефицит доступной влаги

Metric:
    volumetric soil moisture, %

KPI:
    доля площади с влагой ниже порога на критической фазе, %

Другой пример:

Driver:
    время реакции на отклонение

Metric:
    часы от регистрации сигнала до назначения обследования

KPI:
    90-й перцентиль времени реакции ≤ 12 часов

17.2. Связь трёх деревьев

flowchart TD
    R["Реальность и causal model"] --> D["Driver Tree"]
    D --> M["Metrics"]
    M --> MT["Metric Tree"]
    MT --> S["Управленческий отбор"]
    S --> K["KPI Tree"]

Driver Tree, Metric Tree и KPI Tree не конкурируют. Они отвечают на последовательные, но разные вопросы.

17.3. Важное ограничение

KPI не должен автоматически становиться целью без защиты от gaming и локальной оптимизации. Для каждого KPI желательно фиксировать:

  • counter-metric;
  • возможное нежелательное поведение;
  • допустимые границы;
  • контекст интерпретации;
  • показатели качества результата.

17A. North Star, Outcome Tree и Driver Tree

North Star Metric и Driver Tree могут визуально быть похожи, но имеют разный смысл.

North Star

North Star задаёт один главный индикатор устойчиво создаваемой customer value, который связан с долгосрочным business value. Это не просто самый важный финансовый KPI и не сумма всех метрик компании.

Outcome Tree

Outcome Tree декомпозирует желаемое изменение на более управляемые результаты. Оно может использоваться для согласования команд и целей.

Driver Tree

Driver Tree объясняет, какие факторы и зависимости формируют outcome. Он может существовать и без North Star — например, Driver Tree себестоимости, protein или времени реакции.

Связь можно представить так:

Strategy
    ↓
Desired Outcomes
    ↓
North Star / strategic measures
    ↓
Outcome decomposition
    ↓
Driver Tree
    ↓
Metrics
    ↓
Selected KPIs and guardrails

Это не означает, что любое дерево обязано быть строго линейным или что North Star всегда существует. Главное — не использовать названия как синонимы.


Часть IX. Пример физического бизнеса: производство пшеницы

18. Почему фраза «мы производим пшеницу» недостаточна

Она описывает activity, но не определяет:

  • для кого производится продукт;
  • какую спецификацию ожидает рынок;
  • как создаётся и захватывается ценность;
  • какая стратегия продажи используется;
  • какие экономические цели стоят;
  • какие производственные drivers влияют на результат.

Нужно как минимум разделить customer/business контур и production/economics контур.


19. Customer / Business контур

Возможные каналы или сегменты:

Wheat Buyers
├── Traders
├── Exporters
├── Mills
├── Feed producers
├── Processors
└── Internal consumption

Для каждого типа покупателя требования и ценность отличаются.

19.1. Пример: мукомольное предприятие

Jobs:

  • получать сырьё для производства муки;
  • обеспечивать стабильную загрузку мельницы;
  • производить муку заданного качества;
  • снижать риск остановки и несоответствия конечного продукта.

Pains:

  • нестабильный протеин;
  • нестабильная клейковина;
  • слишком высокая влажность;
  • заражённость;
  • несоответствие партии спецификации;
  • задержка поставки;
  • недостаточный объём партии;
  • неоднородность внутри партии;
  • недостоверные документы или анализы.

Gains:

  • предсказуемое качество;
  • стабильная спецификация;
  • стабильный график поставок;
  • большие однородные партии;
  • подтверждённые лабораторные показатели;
  • прослеживаемость происхождения;
  • снижение входного контроля и операционного риска.

Возможная Value Proposition:

Пшеница класса X
+ protein ≥ 12.5%
+ moisture ≤ 14%
+ однородная партия до 2 000 т
+ лабораторный анализ каждой партии
+ traceability
+ поставка по согласованному графику

Это уже нормальный VPC, поскольку определены конкретный сегмент, jobs, pains, gains и предложение.


20. Философия «продаём тому, кто больше даст»

Это не отсутствие стратегии само по себе. Это может быть осознанная commodity strategy:

сохранять максимальную рыночную опциональность и продать товар по лучшему risk-adjusted netback в доступный момент.

Компания не обязана выбирать единственный «любимый» сегмент. Её Customer/Market Model может включать несколько классов покупателей, а продуктовая спецификация — сохранять допустимость для нескольких каналов.

20.1. Что именно оптимизируется

Не максимальная номинальная цена, а, как правило:

Risk-adjusted Netback
= Sale price
- logistics
- storage
- handling
- drying
- financing
- quality penalties
- transaction costs
- probability-weighted default/claim risk
- timing/opportunity cost

20.2. Market Options View

flowchart TD
    O["Market options"] --> B["Eligible buyers"]
    B --> S["Specifications and constraints"]
    S --> N["Netback by option"]
    N --> D["Best sale decision"]

20.3. Какая тогда Value Proposition

Не обязательно обещание одному типу покупателя. Это может быть Commodity Offer:

  • предсказуемая партия;
  • подтверждённые характеристики;
  • достаточный объём;
  • готовность к отгрузке;
  • корректные документы;
  • гибкая логистика;
  • прозрачное происхождение;
  • понятные условия сделки.

Buyer Job при этом остаётся конкретным:

Купить нужный объём commodity с нужной спецификацией по приемлемой полной стоимости, в нужное время и с приемлемым риском исполнения.

20.4. Риск такой философии

«Кто больше даст» становится плохой стратегией, если:

  • игнорируется netback;
  • производство не знает, какую спецификацию целиться;
  • максимальная опциональность слишком дорога;
  • качество получается случайным;
  • решения принимаются слишком поздно;
  • нет данных о будущих каналах;
  • компания теряет премию за долгосрочную надёжность;
  • риск контрагента не учитывается.

Поэтому нужна связь Market Options с Product Specification и Production Target.


21. Production / Economics контур

Базовый economic driver:

EBITDA / ha
= Revenue / ha
- Variable costs / ha
- Allocated fixed costs / ha

Revenue:

Revenue / ha
= Yield sold, t/ha × Realized net price, currency/t

Realized net price:

Base market price
+ quality premium
- quality discount
- logistics
- drying
- storage losses
- handling
- financing
- transaction costs

Yield Driver Tree:

Yield
├── genetic potential
├── establishment
│   ├── seeding quality
│   ├── plant density
│   └── emergence uniformity
├── nutrition
├── water availability
├── diseases
├── pests
├── weeds
├── weather stress
├── lodging
└── harvest losses

Quality Driver Tree:

Quality / specification compliance
├── variety potential
├── nitrogen uptake
├── timing of nutrition
├── disease pressure
├── weather during grain filling
├── harvest timing
├── drying
├── storage
└── segregation and blending

Cost Driver Tree:

Cost / ha
├── seed
├── fertilizer
├── crop protection products
├── fuel
├── machinery
├── labor
├── irrigation
├── services
├── storage
└── financing

22. Связь customer value и производства

Главная сквозная цепочка:

CUSTOMER / MARKET VALUE
        ↓
PRODUCT SPECIFICATION
        ↓
BUSINESS / PRODUCTION OUTCOME
        ↓
ECONOMIC DRIVER TREE
        ↓
PRODUCTION DRIVER TREE
        ↓
AGRONOMIC DECISIONS
        ↓
PROCESSES / OPERATIONS
        ↓
CONTROLS / METRICS / KPIs

Пример:

Мельница хочет стабильный protein ≥ 12.5%
        ↓
Спецификация партии: protein ≥ 12.5%
        ↓
Production target: обеспечить требуемое накопление белка
        ↓
Drivers: сорт, N uptake, влажность, заболевание, срок уборки
        ↓
Decisions: сорт, стратегия N, сроки, анализ почвы, прогноз погоды
        ↓
Operations: внесение, мониторинг, sampling, harvest, segregation
        ↓
Metrics: N status, protein forecast, фактический protein по партиям

Так VPC формирует верхнеуровневые требования к продукту и процессам, но не подменяет Driver Tree и Process Model.


Часть X. Пример цифрового продукта Ontrack / FMS

23. Customer и Value Views

Для одного FMS могут существовать отдельные VPC:

  • собственник хозяйства;
  • директор производства;
  • главный агроном;
  • агроном участка;
  • диспетчер;
  • инженер;
  • аналитик;
  • внешний консультант.

И для каждого сегмента — несколько Job Domains:

  • планирование;
  • телематика;
  • контроль работ;
  • мониторинг культур;
  • погода;
  • scouting;
  • защита растений;
  • питание;
  • уборка;
  • отчётность.

Вместо одного огромного VPC нужны динамические VPC Views по scope.

24. Product View

Один продукт FMS связывает потребности разных ролей:

Product: FMS
├── Capability: Field monitoring
├── Capability: Work planning
├── Capability: Work execution control
├── Capability: Telematics
├── Capability: Weather intelligence
├── Capability: Crop analytics
└── Capability: Reporting

Каждая capability может:

  • address несколько Jobs/Pains/Gains;
  • быть реализована несколькими Features;
  • участвовать в нескольких Scenarios;
  • иметь Requirements и Constraints;
  • измеряться Metrics;
  • изменяться через OST/experiments;
  • зависеть от Technical Capabilities.

25. Почему граф особенно нужен для FMS

Например, Pain отклонение обнаружено слишком поздно может адресоваться одновременно:

  • NDVI alerts;
  • scouting tasks;
  • weather alerts;
  • telemetry anomalies;
  • photo analysis;
  • регламентом обходов.

А Feature уведомления может участвовать в десятках job domains. Дублировать её описание в каждом Canvas нельзя. Нужно хранить сущность один раз и строить связи.


Часть XI. Канонические Viewpoints

26. Рекомендуемый стартовый набор

Список не является закрытым, но задаёт разумные семейства.

Viewpoint Главный вопрос Типичные Views / техники
Context Где существует система? ecosystem map, market map, stakeholder map
Customer Для кого? segments, personas, stakeholder views
Job / Situation Какой прогресс или работу выполняют? job map, journey, context map
Value Почему это кому-то нужно? VPC, value map
Business Model Как создаём, доставляем и захватываем value? BMC, revenue model, channel model
Strategy Где играем и как выигрываем? strategic choices, positioning, portfolio view
Outcome Какого изменения хотим достичь? goal tree, North Star, OKR view
Economics Откуда берётся экономический результат? Driver Tree, unit economics, netback model
Measurement Как наблюдаем состояние и результат? Metric Tree, KPI Tree, scorecard
Product Что предоставляем? product model, capability/feature map, Product Canvas
Experience Как пользователь взаимодействует? journey, service blueprint, scenarios
Process Как выполняется работа? process map, BPMN, value-stream map
Capability Что организация должна уметь? capability map, maturity view
Organisation Кто отвечает и принимает решения? responsibility map, RACI, team topology
Constraint Что ограничивает решения? standards, regulatory map, policies
Risk Что может пойти не так? risk model, controls map
Evidence Почему мы считаем это правдой? evidence map, research repository
Change / Discovery Что исследуем или меняем? OST, experiment portfolio, change map
Architecture Из чего состоит решение и как части взаимодействуют? system/context/container views, data flow
Data / Information Какие данные существуют и что они означают? ontology, domain model, lineage, data contracts

27. Viewpoints не бесконечны, но закрытого списка нет

Невозможно установить универсальные «официальные 12 описаний» для любой компании. Новый Viewpoint оправдан, если существует устойчивый класс вопросов, на который текущие Views отвечают плохо.

Примеры появления:

Вопрос: почему падает прибыль с гектара?
→ Economic Driver View

Вопрос: что контролировать ежедневно?
→ KPI View

Вопрос: кто принимает решение и кто исполняет?
→ Organisation / Responsibility View

Вопрос: какие нормы ограничивают решение?
→ Constraint / Compliance View

View не следует создавать только потому, что существует популярный шаблон. У него должен быть:

  • пользователь;
  • класс вопросов;
  • scope;
  • правила построения;
  • входные сущности;
  • ожидаемое решение или действие.

Часть XII. Онтология Knowledge Graph

28. Базовые группы сущностей

28.1. Контекст и организация

  • Company;
  • BusinessUnit;
  • BusinessDomain;
  • Market;
  • Geography;
  • Stakeholder;
  • Role;
  • CustomerSegment;
  • Partner;
  • Competitor;
  • EcosystemActor.

28.2. Работа, ценность и потребности

  • Context;
  • Situation;
  • JobFamily;
  • Job;
  • Pain;
  • Gain;
  • DesiredOutcome;
  • Opportunity;
  • ValueProposition;
  • PainReliever;
  • GainCreator.

28.3. Предложение и delivery

  • Product;
  • Service;
  • Capability;
  • Feature;
  • Scenario;
  • JourneyStep;
  • Process;
  • Operation;
  • Decision;
  • Rule;
  • Control.

28.4. Экономика и измерение

  • Outcome;
  • Driver;
  • Metric;
  • KPI;
  • Formula;
  • Target;
  • Threshold;
  • Unit;
  • DataSource.

28.5. Ограничения и управление

  • Requirement;
  • Standard;
  • Baseline;
  • Constraint;
  • Policy;
  • Contract;
  • Regulation;
  • Risk;
  • Assumption;
  • Dependency.

28.6. Исследование и доказательства

  • ResearchProject;
  • Interview;
  • Observation;
  • Finding;
  • Evidence;
  • SourceDocument;
  • Experiment;
  • Test;
  • DecisionRecord;
  • Contradiction;

28.7. Представления

  • ViewpointDefinition;
  • ViewDefinition;
  • Scope;
  • Query;
  • Template;
  • SavedView;

29. Базовые типы связей

Relation Пример смысла
has_job сегмент выполняет job
part_of job входит в job family
occurs_in job возникает в context
has_pain job связан с pain
expects_gain job связан с gain
relieves pain reliever уменьшает pain
creates gain creator создаёт gain
addresses solution/capability адресует opportunity
implements feature реализует capability/solution
supports evidence поддерживает утверждение
challenges evidence противоречит утверждению
derived_from сущность выведена из источника
constrains requirement ограничивает объект
requires объект требует capability/process/data
enables capability позволяет выполнять процесс/job
drives фактор влияет на outcome
calculated_from metric рассчитывается из других metrics
measured_by driver/outcome наблюдается metric
selected_as_kpi metric выбран как KPI
owned_by сущность имеет владельца
applies_to стандарт применим к scope/object
tests experiment проверяет assumption
resulted_in исследование привело к finding/decision
supersedes новая сущность/версия заменяет старую
conflicts_with знания находятся в противоречии

29.1. Связь тоже является утверждением

Нельзя считать edge безусловным техническим фактом. Например:

Feature X --relieves--> Pain Y

может быть гипотезой. Поэтому relation должна поддерживать:

  • status;
  • confidence;
  • evidence;
  • valid period;
  • scope;
  • source;
  • author;
  • version.

Часть XIII. Markdown как authoring format

30. Почему Markdown подходит

Преимущества:

  • читается человеком без специального интерфейса;
  • удобно хранить подробный контекст;
  • поддерживает version control и diff;
  • переносим между системами;
  • позволяет front matter;
  • допускает таблицы, диаграммы, ссылки и код;
  • подходит для ручного редактирования и AI-assisted authoring;
  • не привязывает знания к одному UI.

Но Markdown сам по себе плохо решает:

  • referential integrity;
  • обратные связи;
  • быстрые графовые запросы;
  • уникальность идентификаторов;
  • проверку схемы;
  • массовое изменение связей;
  • права доступа на атомарном уровне;
  • вычисление Views;
  • контроль конфликтов версий.

Поэтому Markdown — человекочитаемый слой, а PostgreSQL — индекс и модель связей.


31. Пример атомарного Markdown-документа

---
id: job.crop-monitoring.detect-anomaly
type: job
title: Обнаружить отклонение в развитии культуры
status: hypothesis
confidence: 0.45
version: 1

scope:
  company:
    - ontrack
  business_domain:
    - crop-production
  job_family:
    - crop-monitoring
  customer_segments:
    - chief-agronomist
    - agronomist
  geography:
    - ua

relations:
  parent:
    - job-family.crop-monitoring
  has_pain:
    - pain.anomaly-detected-too-late
    - pain.too-many-data-sources
  expects_gain:
    - gain.early-detection

evidence:
  supports:
    - evidence.interview-2026-0042
  challenges: []

owners:
  - role.product-manager-fms

valid_from: 2026-09-01
review_at: 2026-12-01

tags:
  - wheat
  - sunflower
---

# Обнаружить отклонение в развитии культуры

## Формулировка

Определить участок поля, развитие которого существенно отличается от
ожидаемого, достаточно рано, чтобы провести диагностику и сохранить
возможность экономически оправданного вмешательства.

## Контекст

Job возникает во время вегетации, когда площадь не может быть постоянно
осмотрена вручную, а данные поступают из нескольких источников.

## Критерий выполнения

Пользователь видит приоритетный участок, понимает причину сигнала и может
назначить следующий диагностический шаг.

## Неизвестные

- Что означает «достаточно рано» для разных культур и фаз?
- Какая допустимая доля ложных сигналов?
- Кто фактически принимает решение о выезде?

## История изменений

- 2026-09-01 — создано как гипотеза после внутреннего workshop.

32. Пример View Definition в Markdown

---
id: view.vpc.chief-agronomist.crop-monitoring.ua
type: view_definition
viewpoint: value-proposition
title: VPC главного агронома — мониторинг культур — Украина

scope:
  company: ontrack
  product: fms
  geography: ua
  customer_segment: chief-agronomist
  job_domain: crop-monitoring

filters:
  excluded_statuses:
    - rejected
    - deprecated
  valid_at: current

sections:
  customer_profile:
    - jobs
    - pains
    - gains
  value_map:
    - products_and_services
    - pain_relievers
    - gain_creators
---

# Назначение

Показывает актуальную гипотезу соответствия FMS потребностям главного
агронома в процессе мониторинга культур.

33. Правила идентификаторов

Рекомендуется:

<type>.<domain>.<stable-slug>

Примеры:

job.crop-monitoring.detect-anomaly
pain.crop-monitoring.detected-too-late
metric.production.realized-yield
requirement.wheat.moisture-max
product.ontrack.fms

Правила:

  1. ID стабилен и не меняется при переименовании title.
  2. ID не должен включать временный статус.
  3. Человекочитаемый slug предпочтительнее случайного UUID в файле.
  4. В БД можно использовать UUID как внутренний PK, сохраняя canonical textual ID как уникальный business key.
  5. Удалённый или deprecated ID нельзя повторно использовать для другой сущности.

Часть XIV. PostgreSQL как индекс и граф связей

34. Принцип хранения

Не нужно пытаться извлечь всю семантику из свободного Markdown при каждом запросе. При импорте front matter и управляемые связи индексируются в БД, а полный Markdown остаётся authoritative human-readable content либо одной из его версий.

Минимальная модель:

knowledge_node
knowledge_edge
knowledge_evidence_link
knowledge_scope
knowledge_version
knowledge_view_definition

35. Полный пример DDL для PostgreSQL

Ниже — не окончательная production-схема, а целостная стартовая реализация, пригодная для обсуждения и прототипа.

CREATE EXTENSION IF NOT EXISTS pgcrypto;

CREATE TYPE knowledge_status AS ENUM (
    'draft',
    'hypothesis',
    'under_research',
    'supported',
    'validated',
    'accepted',
    'parked',
    'rejected',
    'superseded',
    'deprecated'
);

CREATE TYPE evidence_polarity AS ENUM (
    'supports',
    'challenges',
    'neutral'
);

CREATE TABLE knowledge_node (
    id uuid PRIMARY KEY DEFAULT gen_random_uuid(),
    canonical_id text NOT NULL UNIQUE,
    node_type text NOT NULL,
    title text NOT NULL,
    summary text,
    status knowledge_status NOT NULL DEFAULT 'draft',
    confidence numeric(4, 3),
    evidence_level text,
    content_md text NOT NULL DEFAULT '',
    metadata jsonb NOT NULL DEFAULT '{}'::jsonb,
    valid_from timestamptz,
    valid_to timestamptz,
    review_at timestamptz,
    owner_canonical_id text,
    source_path text,
    source_hash text,
    current_version integer NOT NULL DEFAULT 1,
    created_at timestamptz NOT NULL DEFAULT now(),
    updated_at timestamptz NOT NULL DEFAULT now(),
    archived_at timestamptz,
    CONSTRAINT knowledge_node_confidence_check
        CHECK (confidence IS NULL OR (confidence >= 0 AND confidence <= 1)),
    CONSTRAINT knowledge_node_validity_check
        CHECK (valid_to IS NULL OR valid_from IS NULL OR valid_to >= valid_from)
);

CREATE INDEX knowledge_node_type_idx
    ON knowledge_node (node_type);

CREATE INDEX knowledge_node_status_idx
    ON knowledge_node (status);

CREATE INDEX knowledge_node_review_at_idx
    ON knowledge_node (review_at)
    WHERE archived_at IS NULL;

CREATE INDEX knowledge_node_metadata_gin_idx
    ON knowledge_node USING gin (metadata jsonb_path_ops);

CREATE INDEX knowledge_node_search_idx
    ON knowledge_node USING gin (
        to_tsvector(
            'simple',
            coalesce(title, '') || ' ' ||
            coalesce(summary, '') || ' ' ||
            coalesce(content_md, '')
        )
    );

CREATE TABLE knowledge_edge (
    id uuid PRIMARY KEY DEFAULT gen_random_uuid(),
    source_node_id uuid NOT NULL
        REFERENCES knowledge_node (id) ON DELETE CASCADE,
    relation_type text NOT NULL,
    target_node_id uuid NOT NULL
        REFERENCES knowledge_node (id) ON DELETE CASCADE,
    status knowledge_status NOT NULL DEFAULT 'hypothesis',
    confidence numeric(4, 3),
    metadata jsonb NOT NULL DEFAULT '{}'::jsonb,
    valid_from timestamptz,
    valid_to timestamptz,
    created_at timestamptz NOT NULL DEFAULT now(),
    updated_at timestamptz NOT NULL DEFAULT now(),
    archived_at timestamptz,
    CONSTRAINT knowledge_edge_not_self_check
        CHECK (source_node_id <> target_node_id),
    CONSTRAINT knowledge_edge_confidence_check
        CHECK (confidence IS NULL OR (confidence >= 0 AND confidence <= 1)),
    CONSTRAINT knowledge_edge_validity_check
        CHECK (valid_to IS NULL OR valid_from IS NULL OR valid_to >= valid_from),
    CONSTRAINT knowledge_edge_unique_active
        UNIQUE NULLS NOT DISTINCT (
            source_node_id,
            relation_type,
            target_node_id,
            archived_at
        )
);

CREATE INDEX knowledge_edge_source_idx
    ON knowledge_edge (source_node_id, relation_type)
    WHERE archived_at IS NULL;

CREATE INDEX knowledge_edge_target_idx
    ON knowledge_edge (target_node_id, relation_type)
    WHERE archived_at IS NULL;

CREATE INDEX knowledge_edge_metadata_gin_idx
    ON knowledge_edge USING gin (metadata jsonb_path_ops);

CREATE TABLE knowledge_scope (
    id uuid PRIMARY KEY DEFAULT gen_random_uuid(),
    canonical_id text NOT NULL UNIQUE,
    title text NOT NULL,
    dimensions jsonb NOT NULL DEFAULT '{}'::jsonb,
    parent_scope_id uuid
        REFERENCES knowledge_scope (id) ON DELETE SET NULL,
    created_at timestamptz NOT NULL DEFAULT now(),
    updated_at timestamptz NOT NULL DEFAULT now()
);

CREATE INDEX knowledge_scope_dimensions_gin_idx
    ON knowledge_scope USING gin (dimensions jsonb_path_ops);

CREATE TABLE knowledge_node_scope (
    node_id uuid NOT NULL
        REFERENCES knowledge_node (id) ON DELETE CASCADE,
    scope_id uuid NOT NULL
        REFERENCES knowledge_scope (id) ON DELETE CASCADE,
    metadata jsonb NOT NULL DEFAULT '{}'::jsonb,
    PRIMARY KEY (node_id, scope_id)
);

CREATE INDEX knowledge_node_scope_scope_idx
    ON knowledge_node_scope (scope_id, node_id);

CREATE TABLE knowledge_edge_scope (
    edge_id uuid NOT NULL
        REFERENCES knowledge_edge (id) ON DELETE CASCADE,
    scope_id uuid NOT NULL
        REFERENCES knowledge_scope (id) ON DELETE CASCADE,
    metadata jsonb NOT NULL DEFAULT '{}'::jsonb,
    PRIMARY KEY (edge_id, scope_id)
);

CREATE INDEX knowledge_edge_scope_scope_idx
    ON knowledge_edge_scope (scope_id, edge_id);

CREATE TABLE knowledge_evidence_link (
    id uuid PRIMARY KEY DEFAULT gen_random_uuid(),
    evidence_node_id uuid NOT NULL
        REFERENCES knowledge_node (id) ON DELETE CASCADE,
    subject_node_id uuid
        REFERENCES knowledge_node (id) ON DELETE CASCADE,
    subject_edge_id uuid
        REFERENCES knowledge_edge (id) ON DELETE CASCADE,
    polarity evidence_polarity NOT NULL,
    strength numeric(4, 3),
    excerpt text,
    locator jsonb NOT NULL DEFAULT '{}'::jsonb,
    created_at timestamptz NOT NULL DEFAULT now(),
    CONSTRAINT knowledge_evidence_one_subject_check
        CHECK (
            (subject_node_id IS NOT NULL AND subject_edge_id IS NULL)
            OR
            (subject_node_id IS NULL AND subject_edge_id IS NOT NULL)
        ),
    CONSTRAINT knowledge_evidence_strength_check
        CHECK (strength IS NULL OR (strength >= 0 AND strength <= 1))
);

CREATE INDEX knowledge_evidence_node_subject_idx
    ON knowledge_evidence_link (subject_node_id)
    WHERE subject_node_id IS NOT NULL;

CREATE INDEX knowledge_evidence_edge_subject_idx
    ON knowledge_evidence_link (subject_edge_id)
    WHERE subject_edge_id IS NOT NULL;

CREATE INDEX knowledge_evidence_source_idx
    ON knowledge_evidence_link (evidence_node_id);

CREATE TABLE knowledge_node_version (
    id uuid PRIMARY KEY DEFAULT gen_random_uuid(),
    node_id uuid NOT NULL
        REFERENCES knowledge_node (id) ON DELETE CASCADE,
    version_number integer NOT NULL,
    title text NOT NULL,
    summary text,
    status knowledge_status NOT NULL,
    confidence numeric(4, 3),
    content_md text NOT NULL,
    metadata jsonb NOT NULL DEFAULT '{}'::jsonb,
    change_reason text,
    changed_by text,
    created_at timestamptz NOT NULL DEFAULT now(),
    UNIQUE (node_id, version_number)
);

CREATE INDEX knowledge_node_version_node_idx
    ON knowledge_node_version (node_id, version_number DESC);

CREATE TABLE knowledge_view_definition (
    id uuid PRIMARY KEY DEFAULT gen_random_uuid(),
    canonical_id text NOT NULL UNIQUE,
    title text NOT NULL,
    viewpoint_type text NOT NULL,
    scope_id uuid
        REFERENCES knowledge_scope (id) ON DELETE SET NULL,
    query_definition jsonb NOT NULL DEFAULT '{}'::jsonb,
    layout_definition jsonb NOT NULL DEFAULT '{}'::jsonb,
    content_md text NOT NULL DEFAULT '',
    status knowledge_status NOT NULL DEFAULT 'draft',
    created_at timestamptz NOT NULL DEFAULT now(),
    updated_at timestamptz NOT NULL DEFAULT now()
);

CREATE INDEX knowledge_view_definition_type_idx
    ON knowledge_view_definition (viewpoint_type, status);

CREATE INDEX knowledge_view_definition_query_gin_idx
    ON knowledge_view_definition USING gin (query_definition jsonb_path_ops);

35.1. Что ещё понадобится в production

  • таблицы пользователей, ролей и прав;
  • row-level security или прикладная модель tenant isolation;
  • optimistic locking;
  • audit log;
  • правила допустимых node/edge types;
  • schema registry для metadata;
  • очереди индексации;
  • транзакционный импорт Markdown;
  • хранение исходных файлов и вложений;
  • embeddings/vector search как дополнительный, но не основной механизм;
  • дедупликация;
  • локализация;
  • soft delete и retention policy;
  • контроль циклов для отдельных relation types;
  • вычисляемые поля и materialized views;
  • provenance для AI-generated content.

36. Пример SQL-проекции для VPC

Концептуальный запрос должен выбирать сущности не по тому, в каком Canvas они записаны, а по типам связей и scope.

WITH selected_scope AS (
    SELECT id
    FROM knowledge_scope
    WHERE canonical_id = 'scope.ontrack.fms.ua.chief-agronomist.crop-monitoring'
),
scoped_nodes AS (
    SELECT n.*
    FROM knowledge_node AS n
    INNER JOIN knowledge_node_scope AS ns
        ON ns.node_id = n.id
    INNER JOIN selected_scope AS ss
        ON ss.id = ns.scope_id
    WHERE n.archived_at IS NULL
      AND n.status NOT IN ('rejected', 'deprecated', 'superseded')
),
scoped_edges AS (
    SELECT e.*
    FROM knowledge_edge AS e
    INNER JOIN knowledge_edge_scope AS es
        ON es.edge_id = e.id
    INNER JOIN selected_scope AS ss
        ON ss.id = es.scope_id
    WHERE e.archived_at IS NULL
      AND e.status NOT IN ('rejected', 'deprecated', 'superseded')
)
SELECT
    source.canonical_id AS source_id,
    source.node_type AS source_type,
    source.title AS source_title,
    edge.relation_type,
    target.canonical_id AS target_id,
    target.node_type AS target_type,
    target.title AS target_title,
    edge.status AS relation_status,
    edge.confidence AS relation_confidence
FROM scoped_edges AS edge
INNER JOIN scoped_nodes AS source
    ON source.id = edge.source_node_id
INNER JOIN scoped_nodes AS target
    ON target.id = edge.target_node_id
WHERE source.node_type IN (
        'customer_segment',
        'job',
        'pain',
        'gain',
        'product',
        'service',
        'pain_reliever',
        'gain_creator'
    )
   OR target.node_type IN (
        'customer_segment',
        'job',
        'pain',
        'gain',
        'product',
        'service',
        'pain_reliever',
        'gain_creator'
    )
ORDER BY
    source.node_type,
    source.title,
    edge.relation_type,
    target.node_type,
    target.title;

Это стартовый пример. В production scope, скорее всего, должен поддерживать наследование и пересечение измерений, а не только точное совпадение с одной записью.


Часть XV. Синхронизация Markdown и БД

37. Возможные модели источника истины

Вариант A. Markdown authoritative

Markdown-файлы являются источником истины, БД — производным индексом.

Плюсы:

  • прозрачный diff;
  • переносимость;
  • удобство экспертного редактирования;
  • простое резервное копирование;
  • независимость от интерфейса.

Минусы:

  • сложнее транзакционно менять множество связей;
  • конфликтное параллельное редактирование;
  • сложнее granular permissions;
  • нужен надёжный importer/validator.

Вариант B. БД authoritative

БД является источником истины, Markdown генерируется для чтения/экспорта.

Плюсы:

  • целостность;
  • транзакции;
  • права;
  • быстрые графовые операции;
  • удобный UI.

Минусы:

  • риск привязки к приложению;
  • менее удобный diff;
  • экспорт может потерять авторскую структуру;
  • сложнее ручная работа вне системы.

Вариант C. Управляемая двусторонняя модель

Возможна, но самая сложная. Потребуются:

  • version tokens;
  • conflict detection;
  • deterministic serialization;
  • stable IDs;
  • правила слияния;
  • audit trail;
  • запрет бесконтрольного редактирования одних и тех же полей с двух сторон.

37.1. Рекомендация для старта

Начать с варианта A:

Markdown как authoritative authoring source, PostgreSQL как пересобираемый индекс и runtime query layer.

После появления полноценного UI можно перейти к модели, где БД хранит атомарные поля, но Markdown остаётся гарантированным экспортным и импортным форматом.


38. Pipeline индексации

flowchart TD
    M["Markdown + YAML front matter"] --> P["Parser"]
    P --> V["Schema and reference validation"]
    V --> N["Upsert nodes"]
    N --> E["Upsert edges and evidence"]
    E --> I["Search / graph indexes"]
    I --> W["Generated Views"]

Рекомендуемые проверки:

  1. уникальность id;
  2. допустимость type;
  3. существование target IDs;
  4. допустимость relation type для пары типов;
  5. отсутствие запрещённых циклов;
  6. валидность status и confidence;
  7. согласованность scope;
  8. валидность дат;
  9. наличие owner для критичных сущностей;
  10. наличие source/evidence для accepted statements;
  11. отсутствие двух активных сущностей с одним смыслом и разными IDs;
  12. сохранение history перед обновлением.

Часть XVI. Evidence, исследования и решения

39. Evidence должно быть самостоятельным слоем

Если evidence хранить только внутри prose, система не сможет ответить:

  • какие утверждения не подтверждены;
  • на каких интервью основан конкретный Pain;
  • какие findings противоречат друг другу;
  • какие решения опираются на устаревшие данные;
  • что изменится, если источник признан ненадёжным;
  • какие assumptions никогда не тестировались.

39.1. Типы evidence

  • customer interview;
  • observation;
  • support ticket;
  • sales conversation;
  • behavioral analytics;
  • financial data;
  • operational data;
  • experiment result;
  • market research;
  • competitor evidence;
  • contract;
  • regulation;
  • industry standard;
  • expert judgment;
  • internal workshop;
  • AI-generated hypothesis.

Последние два типа допустимы, но не должны автоматически повышать статус до validated.

39.2. Evidence может поддерживать и опровергать

Нельзя хранить только подтверждение. Нужны:

supports
challenges
neutral/contextual

39.3. Decision Record

Каждое существенное решение желательно фиксировать отдельно:

  • контекст;
  • проблема;
  • рассмотренные варианты;
  • выбранный вариант;
  • причины;
  • связанные evidence;
  • последствия;
  • риски;
  • дата пересмотра;
  • superseded decision.

Это позволяет объяснить не только текущее состояние модели, но и почему мы к нему пришли.


Часть XVII. Управление изменениями

40. Процессы, которые изменяют Knowledge Model

Процесс Что обновляет
JTBD Research Jobs, contexts, alternatives, pains, gains
Customer Interview Evidence, findings, opportunities
Market Research segments, market constraints, competitors, prices
Competitive Research alternatives, differentiators, baselines
OST / Continuous Discovery outcome, opportunities, solutions, assumptions, tests
Experimentation assumptions, confidence, solution state
Process Analysis processes, operations, bottlenecks, controls
Root Cause Analysis causal relations, drivers, risks, corrective actions
Financial Analysis drivers, formulas, metrics, targets
Compliance Review requirements, standards, controls
Architecture Review capabilities, components, dependencies, constraints
Strategy Review scope, choices, outcomes, portfolio priorities

40.1. Обязательный результат процесса

Процесс не должен завершаться только отдельным отчётом. Его результат должен:

  1. создать или обновить Evidence;
  2. создать/обновить/опровергнуть сущности;
  3. изменить статусы или confidence;
  4. зафиксировать contradictions;
  5. при необходимости создать Decision Record;
  6. обновить соответствующие Views.

Часть XVIII. Антипаттерны

41. Один огромный VPC

Симптом: в одном Canvas смешаны разные роли, этапы, культуры и продукты.

Почему плохо: теряется scope, связи становятся неясными, заметки конфликтуют.

Решение: один VPC View на конкретный segment + context/job domain + scope.

42. JTBD как обязательный ритуал до любой гипотезы

Симптом: команда не понимает, кого и о чём исследовать, но пытается «сделать JTBD».

Решение: сначала draft model, затем research plan и целевой JTBD process.

43. OST из выдуманных opportunities

Симптом: opportunity space создаётся на внутреннем workshop без customer stories и помечается как факт.

Решение: хранить идеи как hypotheses; строить рабочую OST после достаточного входного research.

44. Всё обязательное записывать как customer Pain

Симптом: законодательное или техническое ограничение искусственно превращается в Pain.

Решение: отдельные Requirement / Constraint / Standard / Baseline entities.

45. Feature как Job

Симптом: «пользователь хочет дашборд» записывается как Job.

Решение: спросить, какой прогресс и результат нужен пользователю; дашборд оставить solution/feature.

46. Metric считается Driver только потому, что измеряется

Симптом: любая доступная метрика помещается в причинное дерево.

Решение: различать causal influence, formula decomposition, correlation и indication.

47. Все metrics становятся KPI

Симптом: scorecard из десятков показателей без владельцев и правил реакции.

Решение: KPI — управленческий выбор, а не синоним метрики.

48. Копирование сущностей между документами

Симптом: один Pain существует в пяти версиях.

Решение: стабильный ID, одна сущность, несколько scopes/relations/views.

49. Удаление отвергнутых решений

Симптом: через полгода команда повторяет старый эксперимент, потому что история исчезла.

Решение: статусы rejected, superseded, deprecated, сохранение evidence и Decision Records.

50. Попытка заранее создать идеальную онтологию

Симптом: месяцы проектирования типов без реального использования.

Решение: минимальное ядро, реальные кейсы, schema evolution, controlled vocabularies и migrations.


Часть XIX. Практический процесс внедрения

51. Этап 1 — зафиксировать язык и минимальное ядро

Начать с типов:

Scope
CustomerSegment
Job
Pain
Gain
ValueProposition
Requirement
Product
Capability
Driver
Metric
Process
Evidence
DecisionRecord

И связей:

has_job
has_pain
expects_gain
addresses
constrains
drives
measured_by
supports
challenges
part_of
applies_to

52. Этап 2 — выбрать два сквозных пилота

Рекомендуется взять два разных кейса:

  1. цифровой продукт, например FMS / мониторинг культур;
  2. физический бизнес, например производство и продажа пшеницы.

Это заставит модель поддержать одновременно customer value, product delivery, economics и operations.

53. Этап 3 — создать draft knowledge

Для каждого пилота:

  • определить scope;
  • создать сегменты;
  • записать гипотезы Jobs/Pains/Gains;
  • создать Requirements/Standards;
  • собрать Draft VPC;
  • создать первичный Driver Tree;
  • зафиксировать unknowns;
  • привязать имеющееся evidence.

54. Этап 4 — запустить targeted research

Не «делать JTBD вообще», а выбрать конкретные неизвестные:

  • кто реально принимает решение;
  • в какой ситуации возникает Job;
  • что сегодня является альтернативой;
  • какой Pain действительно влияет на выбор;
  • какие требования baseline;
  • где product value не превращается в business value.

55. Этап 5 — начать generating views

Минимальные views:

  • VPC;
  • Evidence Map;
  • Driver Tree;
  • Metric/KPI View;
  • Product Capability View;
  • Process Map;
  • Constraint View.

56. Этап 6 — подключить OST к конкретному outcome

После появления достаточных входных данных:

  • выбрать outcome;
  • собрать opportunity space;
  • выбрать target opportunity;
  • рассмотреть несколько solutions;
  • выделить assumptions;
  • провести tests;
  • обновить основную модель.

57. Этап 7 — ввести governance

  • владельцы сущностей;
  • review cadence;
  • definition of evidence levels;
  • правила статусов;
  • схема прав;
  • правила изменения типов;
  • audit trail;
  • правила принятия/отклонения;
  • quality checks;
  • процесс разрешения semantic duplicates.

Часть XX. Рекомендуемые правила работы

58. Правила для любого нового утверждения

  1. Что это за тип сущности?
  2. Каков её scope?
  3. Это факт, гипотеза, требование или решение?
  4. Какой у неё статус?
  5. На каком evidence она основана?
  6. С чем она связана?
  7. Кто отвечает за актуальность?
  8. Когда её пересматривать?
  9. Какой View должен её показывать?
  10. Что изменится, если она окажется неверной?

59. Правила для нового View

  1. Какой viewpoint?
  2. Кто пользователь View?
  3. На какой вопрос он отвечает?
  4. Какое решение помогает принять?
  5. Какой scope?
  6. Какие типы сущностей и связей показывает?
  7. Какие фильтры статуса/evidence применяет?
  8. Является ли View live-проекцией или зафиксированным snapshot?
  9. Нужна ли история версий?
  10. Почему существующие Views недостаточны?

60. Правила для исследовательского процесса

  1. Какое неизвестное исследуется?
  2. Какие assumptions проверяются?
  3. Какой метод подходит именно для этого неизвестного?
  4. Какие данные считаются достаточными?
  5. Какие сущности и связи будут обновлены?
  6. Как будет храниться raw evidence?
  7. Как обрабатываются противоречия?
  8. Кто принимает итоговое решение?
  9. Как результат попадёт обратно в модель?
  10. Когда исследование нужно повторить?

Часть XXI. Открытые архитектурные решения

61. Что ещё нужно определить совместно

Документ фиксирует концепцию, но сознательно не закрывает следующие вопросы.

61.1. Гранулярность

  • Когда Job является отдельной сущностью, а когда частью описания другого Job?
  • Насколько мелкими должны быть Pain и Gain?
  • Когда Feature становится Capability?

61.2. Scope inheritance

  • Наследует ли сущность scope родителя?
  • Как представлять исключения?
  • Что делать при пересечении рынка, географии и продукта?

61.3. Canonical types

  • Какие типы входят в обязательное ядро?
  • Какие типы могут создавать команды?
  • Как мигрировать типы без потери ссылок?

61.4. Evidence scoring

  • Нужен ли единый числовой confidence?
  • Как сравнивать интервью, аналитику и нормативный документ?
  • Может ли система автоматически пересчитывать confidence?

Рекомендация: не пытаться свести все evidence к одной псевдоточной цифре. Число может быть полезно для сортировки, но рядом должны оставаться тип, качество, количество и контекст evidence.

61.5. Source of truth

  • Markdown authoritative или БД authoritative?
  • Кто может редактировать front matter?
  • Как разрешаются конфликты?

61.6. Snapshot vs live View

  • Какие Views всегда показывают текущее состояние?
  • Какие нужно фиксировать на дату решения?
  • Как воспроизвести картину знаний, существовавшую на момент решения?

61.7. Права доступа

  • доступ по компании;
  • доступ по business unit;
  • доступ к raw interviews;
  • доступ к финансовым drivers;
  • экспорт;
  • audit;
  • ограничения для AI indexing.

61.8. Противоречия и альтернативные модели

  • Может ли одновременно существовать две конкурирующие гипотезы?
  • Кто решает, какая становится accepted?
  • Как Views показывают disagreement?

Ответ должен быть «да»: Knowledge Model обязана поддерживать конкурирующие гипотезы, иначе она будет преждевременно превращать неопределённость в ложный консенсус.


Часть XXII. Финальная архитектура

62. Логическая схема

flowchart TD
    R["Реальный бизнес и среда"] --> KM["Knowledge Model"]
    EV["Evidence"] --> KM
    PR["Research / Change Processes"] --> EV
    PR --> KM
    KM --> VP["Viewpoints"]
    VP --> V["Views: VPC, Trees, Maps, Canvas"]
    V --> DEC["Решения и действия"]
    DEC --> R

63. Состав Knowledge Model

KNOWLEDGE MODEL
│
├── Nodes
│   ├── CustomerSegment
│   ├── Job / Pain / Gain
│   ├── Value / Requirement
│   ├── Product / Capability / Feature
│   ├── Driver / Metric / KPI
│   ├── Process / Operation
│   ├── Standard / Risk / Constraint
│   └── Evidence / Decision / Experiment
│
├── Edges
│   ├── has_job / has_pain / expects_gain
│   ├── addresses / implements
│   ├── constrains / requires
│   ├── drives / measured_by
│   ├── supports / challenges
│   └── supersedes / conflicts_with
│
├── Scope
│   ├── company / business unit
│   ├── product / market / segment
│   ├── geography / value stream
│   └── period / lifecycle stage
│
├── Governance
│   ├── status / confidence
│   ├── owner / review date
│   ├── version / validity
│   └── permissions / audit
│
└── Views
    ├── Customer / Value
    ├── Economics / Measurement
    ├── Product / Process
    ├── Constraint / Risk
    └── Evidence / Change

64. Процессы отдельно от модели

PROCESSES THAT MODIFY KNOWLEDGE

JTBD Research
Customer Discovery
Customer Interviews
Market Research
Competitive Research
OST / Continuous Discovery
Experimentation
Process Analysis
Root Cause Analysis
Financial Analysis
Compliance Review
Strategy Review
Architecture Review

Часть XXIII. Краткие ответы на исходные вопросы

65. Нужен ли JTBD на нулевом этапе?

Полноценный JTBD Research — не обязательно. Job как гипотеза — обязательно или как минимум очень желательно. Сначала создаётся черновой сценарий и VPC, затем формируется целевой research process.

66. Где фиксировать отраслевые стандарты и «должно быть по умолчанию»?

В отдельных сущностях Requirement, Standard, Baseline, Constraint, связанных с продуктами, процессами, операциями, метриками и контролями. Не маскировать всё под Pain/Gain.

67. Является ли OST методом нулевого этапа?

Нет. Это метод continuous discovery, которому нужны outcome, теория клиента/value proposition и исследовательские входы. Его визуальная форма является View, а работа с ним — Process.

68. Правильно ли считать VPC стандартом фиксации, а JTBD и OST процессами?

Да, с уточнением: VPC — стандарт Value View; JTBD Research — процесс получения знания; OST — процесс discovery плюс визуальный View. Job/Pain/Gain хранятся как самостоятельные сущности.

69. Должен ли JTBD быть связан с VPC?

Да, но не только на уровне документа. Findings и Evidence должны быть связаны с конкретными Jobs, Pains, Gains и relations, из которых VPC строится.

70. Кто потребитель Product Canvas?

Продуктовая команда и заинтересованные участники delivery. Это Product Shaping/Delivery View, а не потребительское описание и не каталог VPC.

71. Что делать, если задач и ценностей много?

Использовать Job Families/Job Domains, scopes и граф. Генерировать несколько VPC по контексту, а не растягивать один Canvas на всё.

72. Можно ли описывать граф в Markdown с индексацией в БД?

Да. Markdown хранит подробное человекочитаемое содержание и front matter; PostgreSQL индексирует nodes, edges, scopes, evidence и versions.

73. Как работать с «продадим пшеницу тому, кто больше даст»?

Описать это как market optionality strategy, сравнивать risk-adjusted netback, поддерживать несколько buyer segments и связать требования доступных каналов с product specification и production drivers.

74. Driver Tree конкурирует с Metric/KPI Tree?

Нет. Driver Tree моделирует зависимости результата, Metric Tree — измерение, KPI Tree — управленческий выбор ключевых метрик.

75. Как называются описания такого уровня?

Удобная терминология: Viewpoint как правила рассмотрения и View как конкретная проекция модели в определённом scope.

76. Их бесконечное количество?

Закрытого универсального списка нет, но есть устойчивые семейства: Context, Customer, Value, Strategy, Economics, Measurement, Product, Process, Capability, Constraint, Risk, Evidence, Change, Architecture, Data. Новый viewpoint вводится под устойчивый класс вопросов, а не ради шаблона.

77. Может ли в компании быть несколько вариантов одного описания?

Да. Несколько экземпляров одного Viewpoint разделяются scope, датой, статусом и иногда конкурирующей гипотезой. Например, Value Views по рынкам и сегментам или Driver Trees по культурам и бизнес-юнитам.


Часть XXIV. Решения, принятые в этом документе, и причины

78. Таблица решений

Решение Почему принято Что отвергнуто
Единая Knowledge Model вместо цепочки Canvas'ов устраняет дубли, поддерживает связи, evidence и версии один универсальный Canvas
VPC как View хорошо стандартизирует customer profile/value map, но не покрывает всю компанию VPC как главное хранилище всей модели
Job как entity, JTBD как process позволяет начать с гипотез и позднее валидировать их обязательный полный JTBD до любого описания
OST после первичного понимания и outcome соответствует назначению continuous discovery и требует входных данных OST как метод инвентаризации этапа 0
Standards/Baselines/Constraints отдельно обязательность и baseline не равны customer pain/value запись всех требований в Pains/Gains
Product Canvas как Product/Delivery View его пользователь — product team, содержание связано с shaping/delivery Product Canvas как набор VPC или онтология компании
Граф вместо единственного дерева реальные связи many-to-many жёсткая иерархия всех знаний
Scope как многомерная сущность направления пересекаются по продукту, рынку, сегменту, географии и процессу одно расплывчатое поле Direction
Разделение Driver/Metric/KPI причинность, измерение и управление — разные задачи использование терминов как синонимов
Markdown + PostgreSQL сочетает удобство человека и машинные связи/поиск только документы или только непрозрачная БД
Evidence как first-class entity позволяет объяснять и пересматривать утверждения ссылки, спрятанные только в prose
Сохранение rejected/superseded создаёт историю решений и предотвращает повтор ошибок физическое удаление неудачных веток
Viewpoint → View даёт системный язык для множества описаний поиск фиксированного списка «главных Canvas'ов»

Часть XXV. Источники и методологические опоры

  1. Strategyzer — The Value Proposition Canvas — структура Customer Profile/Value Map, фокус на одном сегменте и необходимость подтверждать fit evidence.
  2. Product Talk — Opportunity Solution Trees — desired outcome, opportunity space, solution space, assumption tests, prerequisites и continuous discovery.
  3. Roman Pichler — The Product Canvas — объединение Agile и UX artefacts, продуктовый backlog/shaping context.
  4. ISO/IEC/IEEE 42010:2022 — концепции архитектурного описания, viewpoints и model kinds для систем, предприятий, продуктов и business domains.

Заключение

Итоговая конструкция не пытается объявить одну методику главной. Она задаёт архитектуру, в которой каждая методика занимает своё место.

VPC показывает выбранный срез ценности.
JTBD Research помогает уточнить Jobs и контекст.
OST управляет поиском opportunities и solutions для outcome.
Product Canvas помогает продуктовой команде сформировать и доставить продукт.
Driver Tree объясняет, от чего зависит результат.
Metric Tree описывает измерение.
KPI Tree выделяет показатели управления.
Standards и Constraints задают границы допустимого.
Evidence объясняет, почему мы верим утверждениям.
Markdown делает знание читаемым, PostgreSQL — связанным и вычислимым.

Главная единица системы — не Canvas и не документ, а утверждение об объекте или связи, находящееся в явном scope, имеющее статус, evidence, владельца и историю.

Именно это превращает набор разрозненных методик в накопительную систему знаний, пригодную одновременно для стратегии, customer discovery, продуктовой работы, производства, аналитики и управления компанией.