انسخ أسئلة استبيان ملاءمة المنتج للسوق الأربعة التي استخدمتها Superhuman، وأرسلها إلى المستخدمين المناسبين، وقيّم الإجابات حسب الشريحة. يتضمن قالبًا وجدولًا لحجم العينة ومثالًا محلولًا.
يطرح استبيان ملاءمة المنتج للسوق (product-market fit) على من يستخدمون منتجك فعليًا سؤالًا محوريًا واحدًا: "كيف ستشعر لو لم تعد قادرًا على استخدام [المنتج]؟" إذا أجاب 40% أو أكثر بـ "محبط جدًا"، فإن معيار Sean Ellis يشير إلى أن لديك ملاءمة منتج للسوق. وتخبرك ثلاثة أسئلة متابعة من هؤلاء الأشخاص، وما الذي يقدّرونه، وما الذي يعوق الجميع.
أبرز النقاط
ينبع معيار الـ 40% من Sean Ellis الذي قارن قرابة مئة شركة ناشئة: فتلك التي كافحت سجّلت دائمًا تقريبًا أقل من 40%، وتلك ذات الزخم القوي سجّلت دائمًا تقريبًا أعلى منه (First Round Review، 2018).
استطلع فقط المستخدمين الذين استخدموا المنتج الأساسي مرتين على الأقل خلال آخر أسبوعين. فالمسجّلون الجدد تمامًا يشوّهون النتيجة.
نحو 40 إجابة تعطي قراءة تقريبية للاتجاه. عند هذا الحجم، يحمل تقييم 40% هامش خطأ يقارب ±15 نقطة.
انتقلت Superhuman من 22% إلى 58% في نحو ثلاثة أرباع سنوية عبر تقسيم الإجابات إلى شرائح وتقسيم الـ roadmap.
يتكوّن استبيان ملاءمة المنتج للسوق القياسي من أربعة أسئلة. هذه هي المجموعة الدقيقة التي استخدمها Rahul Vohra في Superhuman، مبنيةً على سؤال Sean Ellis الأصلي (First Round Review، 2018):
كيف ستشعر لو لم تعد قادرًا على استخدام [المنتج]؟ محبط جدًا / محبط إلى حد ما / غير محبط.
ما نوع الأشخاص الذين تعتقد أنهم سيستفيدون أكثر من [المنتج]؟
ما الفائدة الرئيسية التي تحصل عليها من [المنتج]؟
كيف يمكننا تحسين [المنتج] من أجلك؟
لماذا يستحق كل سؤال مكانه
السؤال 1 يقيس الفقدان لا الرضا. الناس مهذّبون تجاه المنتجات التي يحبونها. أما سؤالهم عن شعورهم لو اختفى المنتج فيُصفّي المستخدمين الذين يعتمدون عليه.
السؤال 2 يترك المعجبين يصفون أفضل عملائك. كثيرًا ما تصف إجابات المستخدمين "المحبطين جدًا" شريحةً بدقة أكبر من تموضعك أنت. حوّلت Superhuman هذه الإجابات إلى ملف تعريف لعميلها ذي التوقعات العالية.
السؤال 3 يُظهر ما تبيعه فعلًا. احتفظ بكلمات المشاركين كما هي. ستصبح نص عناوينك.
السؤال 4 يكشف العائق. وتزداد أهميته لدى المستخدمين "المحبطين إلى حد ما" الذين يشاركون الفائدة الرئيسية التي يذكرها معجبوك.
قالب استبيان ملاءمة المنتج للسوق الجاهز للنسخ
الصقه في أي أداة نماذج. حافظ على الترتيب: يجب أن يأتي سؤال التقييم أولًا، قبل أن تلوّن أسئلة المتابعة الإجابة.
الموضوع: دقيقتان لمساعدتنا على تحسين [المنتج]؟
مرحبًا [الاسم الأول]،
لقد استخدمت [المنتج] عدة مرات مؤخرًا، لذلك فإن رأيك مهم.
أربعة أسئلة، في نحو دقيقتين. لا توجد إجابات صحيحة أو خاطئة.
1. كيف ستشعر لو لم تعد قادرًا على استخدام [المنتج]؟
( ) محبط جدًا
( ) محبط إلى حد ما
( ) غير محبط
( ) N/A: لم أعد أستخدم [المنتج]
2. ما نوع الأشخاص الذين تعتقد أنهم سيستفيدون أكثر من [المنتج]؟
[نص مفتوح]
3. ما الفائدة الرئيسية التي تحصل عليها من [المنتج]؟
[نص مفتوح]
4. كيف يمكننا تحسين [المنتج] من أجلك؟
[نص مفتوح]
اختياري (فقط إذا كان يغيّر قرارًا):
5. ماذا ستستخدم بدلًا منه لو لم يعد [المنتج] متاحًا؟
[نص مفتوح]
6. ما دورك الوظيفي، وكم عدد الأشخاص تقريبًا في شركتك؟
[الدور] [حجم الشركة]
شكرًا لك. نقرأ كل إجابة.
خيار N/A إضافة عملية وليس جزءًا من الإجابات الثلاث في Superhuman. فهو يتيح للمستخدمين الذين انقطعوا أن يعرّفوا أنفسهم، فتستبعدهم من التقييم بدل احتسابهم "غير محبطين".
أسئلة اختيارية لمنتجات الذكاء الاصطناعي
إذا كان الذكاء الاصطناعي يؤدي العمل الأساسي، فأضف سؤالًا بعد السؤال 3: "في آخر مرة استخدمت فيها [المنتج]، ماذا فعلت بالنتيجة؟" وقدّم الخيارات: استخدمتها كما هي / عدّلتها قليلًا / أعدت كتابة معظمها / تخلّصت منها. يفصل هذا بين من يحبون فكرة المنتج ومن يثقون بمخرجاته.
من أين جاءت قاعدة الـ 40% لملاءمة المنتج للسوق؟
استخدم Sean Ellis سؤال "محبط جدًا" أول مرة في Xobni، واستمر في استخدامه في Dropbox والشركات اللاحقة، بحسب مقابلته في سبتمبر 2024 في بودكاست Lenny (Lenny's Newsletter، 2024). وكان الهدف هو أداة تصفية للمستخدمين المهتمين فعلًا بالمنتج.
أما خط الـ 40% فجاء لاحقًا. وبحسب رواية Vohra، قارن Ellis قرابة مئة شركة ناشئة بهذا الاستبيان ووجد أن الشركات التي تعاني في النمو سجّلت دائمًا تقريبًا أقل من 40%، بينما سجّلت تلك ذات الزخم القوي دائمًا تقريبًا أعلى منه (First Round Review، 2018).
ثلاث تحفظات من Ellis نفسه في مقابلة 2024:
يصف الاستبيان بأنه مؤشر استباقي. فهو يعطي قراءة منذ اليوم الأول، بينما تحتاج بيانات الاحتفاظ إلى أشهر.
لا يعامل الـ 40% كقانون ثابت. وتكمن قيمته الرئيسية في منح الفريق هدفًا مشتركًا قبل أن ينفق على النمو.
قد ترفع تكاليف التحوّل العالية الدرجات. فقد يكون الناس "محبطين جدًا" لفقدان أداة لمجرد أن الانتقال عنها مؤلم.
وكنقطة مرجعية، وجد استبيان Hiten Shah عام 2015 على 731 مستخدمًا لـ Slack أن 51% سيكونون محبطين جدًا لو فقدوه، وذلك حين كان لدى Slack نحو نصف مليون مستخدم مدفوع (First Round Review، 2018).
لمن ينبغي أن ترسل استبيان PMF؟
استطلع من اختبروا القيمة الأساسية مؤخرًا. كانت قاعدة Superhuman: المستخدمون الذين استخدموا المنتج مرتين على الأقل في آخر أسبوعين، من مجموعة تتراوح بين 100 و200 مستخدم حينها (First Round Review، 2018). ويصف Ellis القاعدة نفسها: عينة عشوائية ممن استخدموا المنتج فعلًا أكثر من مرتين في آخر أسبوع أو أسبوعين (Lenny's Newsletter، 2024).
لا تستطلع:
من سجّلوا لكنهم لم يصلوا قط إلى سير العمل الأساسي.
من شاهدوا عرضًا تجريبيًا أو الصفحة الرئيسية فقط.
أصدقاءك أو مستثمريك أو العملاء الخمسة الذين تتحدث معهم كل أسبوع.
اضبط النافذة الزمنية على إيقاع المهمة
يناسب "مرتين في أسبوعين" أداة يومية أو أسبوعية. أما للمهام الشهرية مثل الرواتب أو إعداد التقارير، فاستخدم "أنجز المهمة الأساسية في كل من الدورتين الأخيرتين". دوّن القاعدة قبل إرسال الاستبيان وثبّتها بين الجولات. وإلا فقد يعكس التقييم الأعلى عينة مختلفة لا منتجًا أفضل.
استطلع كل شخص مرة واحدة فقط
استطلعت Superhuman لاحقًا المستخدمين الجدد حين أصبحوا مؤهلين، ولم تستطلع أحدًا مرتين. فالمشاركون المتكررون يتعلمون ما تريد سماعه وينجرفون نحوه.
كم إجابة يحتاج استبيان PMF؟
نحو 40 إجابة تكفي لإصابة الاتجاه، بحسب الإرشاد الذي ينقله Vohra عن Ellis. وهذا ما يعنيه ذلك من حيث الدقة. يعرض الجدول هامش الخطأ بمستوى ثقة 95% لتقييم قريب من 40%، باستخدام التقريب الطبيعي المعتاد:
الإجابات
هامش الخطأ عند تقييم 40%
القراءة الصادقة لـ "40%"
20
±21 نقطة
في مكان ما بين 19% و61%
40
±15 نقطة
في مكان ما بين 25% و55%
100
±10 نقاط
في مكان ما بين 30% و50%
200
±7 نقاط
في مكان ما بين 33% و47%
400
±5 نقاط
في مكان ما بين 35% و45%
نتيجتان:
الشرائح أصغر من الإجمالي. تقييم 55% من شريحة تضم 25 شخصًا خيطٌ يستحق المتابعة، لا حقيقة.
تقلبات من 5 إلى 10 نقاط من أسبوع لآخر هي عادةً ضجيج عند أحجام العينات في المراحل المبكرة. ابحث عن اتجاه عبر ثلاث جولات أو أكثر.
خطأ أخذ العينات هو المشكلة الأصغر. فمن اختار أن يجيب أهم. اذكر معدل الاستجابة إلى جانب التقييم.
كيف تقيّم النتائج وتحللها؟
التقييم نفسه بسيط:
تقييم PMF = إجابات "محبط جدًا" ÷ جميع الإجابات التي ليست N/A
اجمع الإجابات حسب إجابة السؤال 1. محبط جدًا، ومحبط إلى حد ما، وغير محبط.
ارسم ملف تعريف مجموعة "محبط جدًا". استخدم إجاباتهم عن السؤال 2 مع بيانات الدور والشركة. وجدت Superhuman أن معجبيها مؤسسون ومديرون وتنفيذيون وعاملون في تطوير الأعمال.
أعد حساب التقييم لتلك الشريحة وحدها. تحوّلت نسبة 22% في Superhuman إلى 33% قبل أن تغيّر سطرًا واحدًا من الكود.
اقرأ إجابات المعجبين عن السؤال 3. ما الفائدة الواحدة التي يذكرونها؟ في Superhuman كانت السرعة.
قسّم مجموعة "محبط إلى حد ما". احتفظ فقط بمن يذكرون الفائدة الرئيسية نفسها. إجاباتهم عن السؤال 4 هي خارطة طريقك لتحويلهم. واترك الباقين جانبًا، مع إجابات "غير محبط".
قسّم الـ roadmap إلى نصفين. نصف يضاعف ما يحبه المعجبون، ونصف يزيل ما يعيق شبه المعجبين.
أعد استطلاع المستخدمين الجدد المؤهلين وفق جدول. تابعت Superhuman التقييم أسبوعيًا وشهريًا وربع سنويًا وبلغت 58% خلال ثلاثة أرباع سنوية.
مثال محلول: أداة تحوّل ملاحظات المكالمات إلى CRM (توضيحي)
لنفترض أن فريقًا من ستة أشخاص يبيع أداة ذكاء اصطناعي تحوّل مكالمات المبيعات إلى تحديثات في CRM. يدعون 310 مستخدمين استوفوا قاعدة الاستخدام مرتين في أسبوعين. يستجيب 92 (معدل استجابة 30%)؛ ويختار 6 خيار N/A، فيتبقى 86 إجابة محتسبة.
الإجابة
العدد
النسبة
محبط جدًا
26
30%
محبط إلى حد ما
41
48%
غير محبط
19
22%
نسبة 30% دون الخط. لكن التقسيم حسب الدور يروي قصة مختلفة:
الشريحة
محبط جدًا
المشاركون
التقييم
مسؤولو الحسابات (Account executives)، شركات من 20 إلى 200 موظف
18
34
53%
مديرو المبيعات
5
27
19%
مؤسسون يتولون مبيعاتهم بأنفسهم
3
25
12%
ثلاثة عشر من المعجبين الـ 18 يذكرون الفائدة نفسها: لا مزيد من كتابة ملاحظات المكالمات يدويًا في CRM. وتسعة من مسؤولي الحسابات الـ 12 "المحبطين إلى حد ما" يذكرونها أيضًا، وستة من هؤلاء التسعة يشيرون إلى عائق واحد: حقول CRM المخصصة التي لا تُربط.
القرار: التموضع لمسؤولي الحسابات، وتخصيص نصف الدورة القادمة لسرعة المزامنة والنصف الآخر لربط الحقول المخصصة، ثم إعادة استطلاع المستخدمين المؤهلين حديثًا بعد ستة أسابيع. ومع 34 مشاركًا، يحمل الـ 53% خطأً يقارب ±17 نقطة، فتؤكد الجولة القادمة قرار الشريحة أو تلغيه.
ماذا لو كان تقييمك أقل من 40%؟
التقييم المنخفض معلومة لا حكم. ثلاثة أنماط، وثلاث خطوات مختلفة:
شريحة واحدة فوق 40% والإجمالي ليس كذلك. ضيّق تموضعك وتهيئتك للمستخدمين (onboarding) على تلك الشريحة، كما فعلت Superhuman.
لا شريحة تتجاوز 40%، لكن المعجبين يتفقون على فائدة واحدة. أعد بناء تجربة الاستخدام الأولى حول تلك الفائدة. يصف Ellis كيف بدأت Lookout عند 7%، ووجدت أن معظم هؤلاء الـ 7% يقدّرون برنامج مكافحة الفيروسات، فجعلت إعداده أول خطوة في التهيئة، وبلغت 40% في نحو أسبوعين و60% بعد ستة أشهر (Lenny's Newsletter، 2024).
التقييمات منخفضة والفوائد مشتتة. على الأرجح لديك فجوة في اكتشاف المشكلة لا فجوة في المنتج. عد إلى المقابلات قبل أن تبني أكثر. دليلنا عن أسئلة مقابلات العملاء نقطة بداية جيدة، ورسم خريطة الافتراضات يساعدك على اختيار أي اعتقاد تختبره أولًا.
اختبار Sean Ellis مقابل NPS مقابل الاحتفاظ: أيها تستخدم؟
تجيب عن أسئلة مختلفة. استخدم استبيان Ellis مبكرًا، وNPS حين تصبح لديك قاعدة عملاء مستقرة، والاحتفاظ طوال الوقت.
استبيان Sean Ellis
Net Promoter Score
الاحتفاظ بالفوج (Cohort)
السؤال
كيف ستشعر لو لم تعد قادرًا على استخدامه؟
ما احتمال أن توصي بنا لصديق أو زميل؟ (0-10)
هل يعود المستخدمون؟
يقيس
الاعتماد على المنتج
الاستعداد للتوصية
السلوك المتكرر الفعلي
المعيار
40%+ "محبط جدًا"
المروّجون (9-10) ناقص المنتقدين (0-6)
ينبسط المنحنى مع الوقت
أنسب مرحلة
قبل التوسع، وقبل الإنفاق على النمو
بعد تحقق الملاءمة، لتتبع الولاء
دائمًا
الأصل
Sean Ellis، وأشهرته Superhuman
Frederick Reichheld، HBR، ديسمبر 2003
تحليل الأفواج
تأتي تعريفات NPS من Bain & Company التي تشارك في ملكية العلامة التجارية (Bain، Net Promoter System). وقدّم Reichheld هذا المقياس في Harvard Business Review في ديسمبر 2003 (HBR، 2003).
كيف ينبغي لمنتجات الذكاء الاصطناعي تكييف الاستبيان؟
يستخدم دليل Bessemer لمؤسسي شركات الذكاء الاصطناعي العتبة نفسها فوق 40%، لكنه يوصي بالحكم على النتائج لكل حالة استخدام بدل الحكم على قاعدة المستخدمين كلها (Bessemer، 2025). وإذا كنت لا تزال في مرحلة النموذج الأولي، فاقرأ أولًا من نموذج أولي مبني بـ vibe coding إلى منتج قابل للتمويل؛ فأنت بحاجة إلى مستخدمين متكررين حقيقيين قبل أن يعني الاستبيان شيئًا. وتساعد ثلاثة تعديلات:
انتظر مرور العابرين. تشير a16z إلى أن منتجات الذكاء الاصطناعي تجذب مستخدمين يسجّلون ثم ينقطعون خلال شهرين تقريبًا، وأن منحنيات الاحتفاظ كثيرًا ما تنبسط حول الشهر 3 (a16z، 2025). استطلع من لا يزالون نشطين بعد شهرهم الأول، أو اعرض الأفواج المبكرة واللاحقة كلًّا على حدة.
قسّم حسب حالة الاستخدام. أداة كتابة بالذكاء الاصطناعي تُستخدم لرسائل المبيعات ولملخصات قانونية هي منتجان بتقييمين.
اسأل عن المخرجات. أضف سؤال "ماذا فعلت بالنتيجة؟" من القالب. المعجبون الذين يعيدون كتابة معظم المخرجات يخبرونك أن القيمة في سير العمل لا في النموذج.
ما أكثر أخطاء استبيانات PMF شيوعًا؟
استطلاع كل المسجّلين. أنت تقيس التهيئة لا الملاءمة.
تغيير قاعدة الأهلية بين الجولات. يفقد الاتجاه معناه.
ذكر التقييم دون حجم العينة. "45%" من 11 شخصًا ومن 400 شخص ادعاءان مختلفان.
الصياغة الإيحائية. "كم تحب ميزة الذكاء الاصطناعي الجديدة لدينا؟" ليس سؤال Ellis.
تنفيذ كل طلب في السؤال 4. يجب ألا يشكّل الـ roadmap إلا شبه المعجبين الذين يشاركون فائدتك الأساسية.
تجاهل تكاليف التحوّل. قد يعكس التقييم المرتفع لأداة يصعب تركها قيدًا لا حبًّا.
اعتبار الـ 40% خط النهاية. إنه إشارة للتحقق من الاحتفاظ واقتصاديات الوحدة، لا للتوقف عن التعلم.
أين يندرج Specky
لا يفيد استبيان ملاءمة المنتج للسوق إلا إذا بقيت الإجابات مرتبطة بالقرارات التي توجّهها. يقرأ Specky إجابات الاستبيانات وملاحظات المقابلات وتذاكر الدعم وبيانات الاستخدام في Product Graph واحد، فترى أي شريحة قالت "محبط جدًا" وماذا طلبت. ويمكن لـ Alex، وكيل البحث بالذكاء الاصطناعي في Specky، أن يجري بعد ذلك مقابلات متابعة مع معجبيك عبر رابط قابل للمشاركة.
الأسئلة الشائعة
ما اختبار Sean Ellis؟
اختبار Sean Ellis استبيان بسؤال واحد: "كيف ستشعر لو لم تعد قادرًا على استخدام [المنتج]؟" إذا أجاب 40% على الأقل من المستخدمين النشطين بـ "محبط جدًا"، فمن المرجح أن لديك ملاءمة منتج للسوق. وضع Ellis هذا المعيار بعد مقارنة قرابة مئة شركة ناشئة بهذا الاستبيان. ثم أضافت Superhuman لاحقًا ثلاثة أسئلة متابعة لتحويل التقييم إلى roadmap.
كم سؤالًا ينبغي أن يتضمن استبيان ملاءمة المنتج للسوق؟
أربعة. سؤال Ellis، ثم من يستفيد أكثر، والفائدة الرئيسية، وكيفية التحسين. أضف سؤالًا أو اثنين فقط إذا كانت كل إجابة ستغيّر قرارًا، مثل دور المشارك لأغراض التقسيم. كل سؤال إضافي يخفض معدلات الإكمال ويدفعك إلى استطلاع مستخدميك الأكثر صبرًا فقط.
متى ينبغي للشركة الناشئة إجراء استبيان PMF؟
أرسله حين يكون لديك عدد كافٍ من المستخدمين الذين استخدموا سير العمل الأساسي مرتين على الأقل في أسبوعين لجمع نحو 40 إجابة. قبل ذلك، استخدم مقابلات العملاء. وبعده، أعد استطلاع المستخدمين المؤهلين حديثًا بوتيرة منتظمة، كل شهر مثلًا، ولا تستطلع الشخص نفسه مرتين أبدًا.
هل تضمن نسبة 40% "محبط جدًا" ملاءمة المنتج للسوق؟
لا. إنه ارتباط لاحظه Ellis عبر الشركات الناشئة، ويسميه مؤشرًا استباقيًا لا دليلًا. العينات الصغيرة تتأرجح كثيرًا، وتكاليف التحوّل العالية قد ترفع التقييم. أكّد نتيجة 40% أو أكثر باحتفاظ بالأفواج ينبسط منحناه وبعملاء يدفعون ويجددون.
ما معدل الاستجابة الجيد للاستبيان؟
لا يوجد معيار منشور. المهم أن يشبه المشاركون مستخدميك المؤهلين. اذكر معدل الاستجابة إلى جانب التقييم، وقارن استخدام المشاركين باستخدام من لم يشاركوا، واحذر إذا لم يرد سوى أكثر مستخدميك نشاطًا، فهذا يرفع نسبة "محبط جدًا".
GDPR-aligned. EU workspace data is stored in Frankfurt, Germany. GDPR and EU data Built in Vienna, Austria. A product of influence solutions fm GmbH (FN 675374y). Imprint 14-day trial. Card required, and nothing is charged until day 14. 30-day refund after subscribing. See pricing