4 listopada 2026Zaktualizowano Fathy Shalaby13 min czytania
Ankieta product-market fit: 4 pytania, szablon i punktacja
Skopiuj cztery pytania ankiety product-market fit, których użył Superhuman, wyślij je właściwym użytkownikom i oceń odpowiedzi według segmentów. Zawiera szablon, tabelę wielkości próby i przykład krok po kroku.
Udostępnij
Ten artykuł został przetłumaczony z języka angielskiego. Przeczytaj oryginał
Ankieta product-market fit zadaje osobom, które aktywnie korzystają z Twojego produktu, jedno kluczowe pytanie: „Jak byś się czuł(a), gdybyś nie mógł (mogła) już korzystać z [produktu]?”. Jeśli 40% lub więcej odpowie „bardzo rozczarowany(a)”, benchmark Seana Ellisa sugeruje, że masz product-market fit. Trzy pytania uzupełniające mówią, kim są ci ludzie, co cenią i co powstrzymuje wszystkich pozostałych.
Najważniejsze wnioski
Benchmark 40% pochodzi od Seana Ellisa, który porównał prawie sto startupów: te, które miały trudności, niemal zawsze miały wynik poniżej 40%, a te z silną trakcją niemal zawsze powyżej (First Round Review, 2018).
Badaj tylko użytkowników, którzy w ciągu ostatnich dwóch tygodni skorzystali z głównego produktu co najmniej dwa razy. Zupełnie nowe rejestracje zniekształcają wynik.
Około 40 odpowiedzi daje orientacyjny obraz. Przy takiej próbie wynik 40% ma margines błędu rzędu ±15 punktów.
Superhuman przeszedł z 22% do 58% w około trzy kwartały, segmentując odpowiedzi i dzieląc roadmapę.
Ankieta to wskaźnik wyprzedzający. Potwierdź ją retencją, płatnościami i wzrostem organicznym.
Jakie są pytania ankiety product-market fit?
Standardowa ankieta product-market fit ma cztery pytania. To dokładnie ten zestaw, którego użył Rahul Vohra w Superhumanie, zbudowany na pierwotnym pytaniu Seana Ellisa (First Round Review, 2018):
Jak byś się czuł(a), gdybyś nie mógł (mogła) już korzystać z [produktu]? Bardzo rozczarowany(a) / Trochę rozczarowany(a) / Nierozczarowany(a).
Jakim ludziom, Twoim zdaniem, [produkt] przyniósłby najwięcej korzyści?
Jaka jest główna korzyść, jaką czerpiesz z [produktu]?
Jak możemy ulepszyć [produkt] dla Ciebie?
Dlaczego każde pytanie zasługuje na swoje miejsce
P1 mierzy stratę, a nie satysfakcję. Ludzie są uprzejmi wobec produktów, które lubią. Pytanie, jak by się czuli, gdyby zniknął, odsiewa użytkowników, którzy od niego zależą.
P2 pozwala fanom opisać Twojego najlepszego klienta. Odpowiedzi użytkowników „bardzo rozczarowanych” często opisują segment dokładniej niż Twoje własne pozycjonowanie. Superhuman zamienił te odpowiedzi w profil swojego klienta o wysokich oczekiwaniach.
P3 pokazuje, co naprawdę sprzedajesz. Zachowaj dokładne słowa respondentów. Staną się treścią Twoich nagłówków.
P4 znajduje blokadę. Ma największe znaczenie dla użytkowników „trochę rozczarowanych”, którzy podzielają główną korzyść wskazywaną przez Twoich fanów.
Szablon ankiety product-market fit do skopiowania
Wklej go do dowolnego narzędzia do formularzy. Zachowaj kolejność: pytanie punktowane musi być pierwsze, zanim pytania uzupełniające zdążą zabarwić odpowiedź.
Temat: 2 minuty, żeby pomóc nam ulepszyć [produkt]?
Cześć [imię],
Korzystałeś(-aś) z [produktu] kilka razy w ostatnim czasie, więc Twoje zdanie się liczy.
Cztery pytania, około dwóch minut. Nie ma dobrych ani złych odpowiedzi.
1. Jak byś się czuł(a), gdybyś nie mógł (mogła) już korzystać z [produktu]?
( ) Bardzo rozczarowany(a)
( ) Trochę rozczarowany(a)
( ) Nierozczarowany(a)
( ) N/A: nie korzystam już z [produktu]
2. Jakim ludziom, Twoim zdaniem, [produkt] przyniósłby najwięcej korzyści?
[tekst otwarty]
3. Jaka jest główna korzyść, jaką czerpiesz z [produktu]?
[tekst otwarty]
4. Jak możemy ulepszyć [produkt] dla Ciebie?
[tekst otwarty]
Opcjonalnie (tylko jeśli zmienia to jakąś decyzję):
5. Z czego byś korzystał(a) zamiast [produktu], gdyby przestał być dostępny?
[tekst otwarty]
6. Jaka jest Twoja rola i mniej więcej ile osób pracuje w Twojej firmie?
[rola] [wielkość firmy]
Dziękujemy. Czytamy każdą odpowiedź.
Opcja N/A to praktyczny dodatek, a nie część trzech odpowiedzi Superhumana. Pozwala użytkownikom, którzy przestali korzystać z produktu, samodzielnie się oznaczyć, dzięki czemu możesz wyłączyć ich z wyniku, zamiast liczyć ich jako „nierozczarowanych”.
Opcjonalne pytania dla produktów AI
Jeśli główną pracę wykonuje AI, dodaj po P3 jedno pytanie: „Gdy ostatnio korzystałeś(-aś) z [produktu], co zrobiłeś(-aś) z wynikiem?” Zaproponuj: użyłem(-am) bez zmian / lekko poprawiłem(-am) / przepisałem(-am) większość / odrzuciłem(-am). To oddziela osoby, które kochają ideę produktu, od tych, które ufają jego wynikom.
Skąd wzięła się reguła 40% dla product-market fit?
Sean Ellis po raz pierwszy użył pytania o „bardzo rozczarowany(a)” w Xobni i stosował je dalej w Dropboksie i późniejszych firmach, jak mówił we wrześniowym wywiadzie z 2024 roku w podcaście Lenny'ego (Lenny's Newsletter, 2024). Celem był filtr dla użytkowników, którym naprawdę zależało na produkcie.
Próg 40% pojawił się później. Według relacji Vohry Ellis zbadał tą ankietą prawie sto startupów i stwierdził, że firmy mające trudności ze wzrostem niemal zawsze miały wynik poniżej 40%, a te z silną trakcją niemal zawsze powyżej (First Round Review, 2018).
Trzy zastrzeżenia samego Ellisa z tego wywiadu z 2024 roku:
Nazywa ankietę wskaźnikiem wyprzedzającym. Daje odczyt już pierwszego dnia, podczas gdy dane o retencji potrzebują miesięcy.
Nie traktuje 40% jak niezmiennego prawa. Jego główna wartość polega na tym, że daje zespołowi wspólny cel, zanim wyda pieniądze na wzrost.
Wysokie koszty zmiany mogą zawyżać wyniki. Ludzie mogą być „bardzo rozczarowani” utratą narzędzia po prostu dlatego, że odejście od niego jest bolesne.
Dla punktu odniesienia: ankieta Hitena Shaha z 2015 roku wśród 731 użytkowników Slacka wykazała, że 51% byłoby bardzo rozczarowanych jego brakiem, w czasie gdy Slack miał około pół miliona płacących użytkowników (First Round Review, 2018).
Do kogo wysłać ankietę PMF?
Badaj osoby, które niedawno doświadczyły głównej wartości. Reguła Superhumana to użytkownicy, którzy w ciągu ostatnich dwóch tygodni skorzystali z produktu co najmniej dwa razy, wybrani z ówczesnej puli 100–200 użytkowników (First Round Review, 2018). Ellis opisuje tę samą regułę: losowa próba osób, które naprawdę użyły produktu ponad dwa razy w ciągu ostatniego tygodnia lub dwóch (Lenny's Newsletter, 2024).
Nie badaj:
Osób, które się zarejestrowały, ale nigdy nie dotarły do głównego workflow.
Osób, które widziały tylko demo lub stronę główną.
Swoich znajomych, inwestorów ani pięciu klientów, z którymi rozmawiasz co tydzień.
Dopasuj okno do rytmu zadania
„Dwa razy w ciągu dwóch tygodni” pasuje do narzędzia używanego codziennie lub co tydzień. Przy zadaniu miesięcznym, takim jak lista płac czy raportowanie, użyj „wykonał(a) główne zadanie w każdym z dwóch ostatnich cykli”. Zapisz regułę, zanim wyślesz ankietę, i utrzymuj ją stałą między rundami. W przeciwnym razie wyższy wynik może odzwierciedlać inną próbę, a nie lepszy produkt.
Badaj każdą osobę tylko raz
Superhuman później badał nowych użytkowników w miarę, jak spełniali kryteria, i nigdy nie badał nikogo dwukrotnie. Powtarzający się respondenci uczą się, co chcesz usłyszeć, i dryfują w tę stronę.
Ile odpowiedzi potrzebuje ankieta PMF?
Około 40 odpowiedzi wystarcza, by trafić z kierunkiem, według wskazówki, którą Vohra przekazuje od Ellisa. Oto, co to oznacza dla precyzji. Tabela pokazuje 95-procentowy margines błędu dla wyniku bliskiego 40%, przy standardowym przybliżeniu normalnym:
Odpowiedzi
Margines błędu przy wyniku 40%
Uczciwy odczyt „40%”
20
±21 punktów
Gdzieś między 19% a 61%
40
±15 punktów
Gdzieś między 25% a 55%
100
±10 punktów
Gdzieś między 30% a 50%
200
±7 punktów
Gdzieś między 33% a 47%
400
±5 punktów
Gdzieś między 35% a 45%
Dwa wnioski:
Segmenty są mniejsze niż całość. Wynik 55% z 25-osobowego segmentu to trop wart zbadania, a nie fakt.
Wahania o 5–10 punktów z tygodnia na tydzień to zwykle szum przy wielkościach prób typowych dla wczesnego etapu. Szukaj trendu na przestrzeni trzech lub więcej rund.
Błąd próby jest mniejszym problemem. Ważniejsze jest, kto zdecydował się odpowiedzieć. Podawaj odsetek odpowiedzi obok wyniku.
Jak punktować i analizować wyniki?
Sam wynik jest prosty:
Wynik PMF = odpowiedzi „bardzo rozczarowany(a)” ÷ wszystkie odpowiedzi, które nie są N/A
Pogrupuj odpowiedzi według odpowiedzi na P1. Bardzo, trochę i nierozczarowany(a).
Stwórz profil grupy „bardzo rozczarowani”. Użyj ich odpowiedzi na P2 oraz danych o roli i firmie. Superhuman odkrył, że jego fanami są założyciele, menedżerowie, dyrektorzy i osoby z rozwoju biznesu.
Przelicz wynik tylko dla tego segmentu. 22% Superhumana zamieniło się w 33%, zanim zmieniono choćby linijkę kodu.
Przeczytaj odpowiedzi fanów na P3. Jaką jedną korzyść wskazują? W Superhumanie była to szybkość.
Podziel grupę „trochę rozczarowani”. Zostaw tylko tych, którzy wskazują tę samą główną korzyść. Ich odpowiedzi na P4 to Twoja roadmapa przekonywania ich. Odłóż resztę, razem z odpowiedziami „nierozczarowany(a)”.
Podziel roadmapę na pół. Jedna połowa podwaja to, co kochają fani. Druga usuwa to, co blokuje prawie-fanów.
Regularnie badaj ponownie nowych kwalifikujących się użytkowników. Superhuman śledził wynik co tydzień, co miesiąc i co kwartał i osiągnął 58% w trzy kwartały.
Przykład krok po kroku: narzędzie od notatek z rozmów do CRM (ilustracyjny)
Załóżmy, że sześcioosobowy zespół sprzedaje narzędzie AI, które zamienia rozmowy sprzedażowe w aktualizacje CRM. Zapraszają 310 użytkowników, którzy spełniają regułę dwóch użyć w dwa tygodnie. Odpowiada 92 (odsetek odpowiedzi 30%); 6 wybiera N/A, co zostawia 86 ocenianych odpowiedzi.
Odpowiedź
Liczba
Udział
Bardzo rozczarowany(a)
26
30%
Trochę rozczarowany(a)
41
48%
Nierozczarowany(a)
19
22%
30% to poniżej progu. Segmentacja według roli opowiada inną historię:
Segment
Bardzo rozczarowani
Respondenci
Wynik
Account executive, firmy z 20–200 osobami
18
34
53%
Sales managerowie
5
27
19%
Założyciele, którzy sami sprzedają
3
25
12%
Trzynastu z 18 fanów wskazuje tę samą korzyść: koniec z ręcznym wpisywaniem notatek z rozmów do CRM. Dziewięciu z 12 „trochę rozczarowanych” account executive również ją wskazuje, a sześciu z tych dziewięciu podaje jedną blokadę: niestandardowe pola CRM, które się nie mapują.
Decyzja: pozycjonować produkt pod account executive, połowę następnego cyklu poświęcić szybkości synchronizacji, a połowę mapowaniu pól niestandardowych, po czym za sześć tygodni ponownie zbadać nowo kwalifikujących się użytkowników. Przy 34 respondentach wynik 53% ma błąd rzędu ±17 punktów, więc następna runda potwierdzi lub obali wybór segmentu.
Co, jeśli Twój wynik jest poniżej 40%?
Niski wynik to informacja, a nie wyrok. Trzy wzorce, trzy różne ruchy:
Jeden segment jest powyżej 40%, całość nie. Zawęź pozycjonowanie i onboarding do tego segmentu, tak jak zrobił Superhuman.
Żaden segment nie przekracza 40%, ale fani zgadzają się co do jednej korzyści. Przebuduj pierwsze doświadczenie wokół tej korzyści. Ellis opisuje, jak Lookout zaczął od 7%, odkrył, że większość z tych 7% ceniła antywirusa, uczynił konfigurację antywirusa pierwszym krokiem onboardingu i osiągnął 40% w około dwa tygodnie, a 60% sześć miesięcy później (Lenny's Newsletter, 2024).
Wyniki są niskie, a korzyści rozproszone. Prawdopodobnie masz lukę w odkrywaniu problemu, a nie lukę produktową. Wróć do wywiadów, zanim zbudujesz więcej. Nasz przewodnik po pytaniach do wywiadów z klientami to dobry punkt wyjścia, a mapowanie założeń pomaga wybrać, które przekonanie przetestować najpierw.
Odpowiadają na różne pytania. Używaj ankiety Ellisa wcześnie, NPS, gdy masz stabilną bazę klientów, a retencji przez cały czas.
Ankieta Seana Ellisa
Net Promoter Score
Retencja kohortowa
Pytanie
Jak byś się czuł(a), gdybyś nie mógł (mogła) już z tego korzystać?
Jak bardzo prawdopodobne jest, że polecisz nas znajomemu lub współpracownikowi? (0–10)
Czy użytkownicy wracają?
Mierzy
Zależność od produktu
Gotowość do polecania
Faktyczne powtarzalne zachowanie
Benchmark
40%+ „bardzo rozczarowanych”
Promotorzy (9–10) minus krytycy (0–6)
Krzywa z czasem się spłaszcza
Najlepszy etap
Przed skalowaniem, przed wydatkami na wzrost
Po osiągnięciu fit, do śledzenia lojalności
Zawsze
Pochodzenie
Sean Ellis, spopularyzowany przez Superhumana
Frederick Reichheld, HBR, grudzień 2003
Analiza kohortowa
Definicje NPS pochodzą od Bain & Company, które jest współwłaścicielem znaku towarowego (Bain, Net Promoter System). Reichheld przedstawił ten wynik w Harvard Business Review w grudniu 2003 roku (HBR, 2003).
Retencja jest potwierdzeniem z opóźnieniem. Test Briana Balfoura, cytowany przez Lenny'ego Rachitsky'ego, to pytanie, czy krzywa retencji kohorty się spłaszcza, zamiast opadać w stronę zera (Lenny's Newsletter, 2020). Pełną pętlę pomiarową znajdziesz w naszym przewodniku po product-market fit dla AI.
Jak produkty AI powinny dostosować ankietę?
Playbook Bessemer dla założycieli AI stosuje ten sam próg powyżej 40%, ale zaleca oceniać wyniki według przypadku użycia, a nie w całej bazie użytkowników (Bessemer, 2025). Jeśli jesteś jeszcze na etapie prototypu, przeczytaj najpierw od prototypu z vibe codingu do produktu wartego finansowania; potrzebujesz prawdziwych powracających użytkowników, zanim ankieta cokolwiek znaczy. Pomagają trzy dostosowania:
Przeczekaj turystów. a16z zauważa, że produkty AI przyciągają użytkowników, którzy rejestrują się i odchodzą w ciągu kilku miesięcy, a krzywe retencji często spłaszczają się około 3. miesiąca (a16z, 2025). Badaj osoby, które są nadal aktywne po pierwszym miesiącu, albo raportuj osobno wcześniejsze i późniejsze kohorty.
Segmentuj według przypadku użycia. Narzędzie AI do pisania używane do e-maili sprzedażowych i do streszczeń prawnych to dwa produkty z dwoma wynikami.
Pytaj o wynik. Dodaj z szablonu pytanie „co zrobiłeś(-aś) z wynikiem?”. Fani, którzy przepisują większość wyników, mówią Ci, że wartość tkwi w workflow, a nie w modelu.
Jakie są najczęstsze błędy w ankietach PMF?
Badanie wszystkich rejestracji. Mierzysz onboarding, a nie fit.
Zmiana reguły kwalifikacji między rundami. Trend traci sens.
Podawanie wyniku bez wielkości próby. „45%” z 11 osób i z 400 osób to dwa różne twierdzenia.
Sugerujące sformułowanie. „Jak bardzo kochasz naszą nową funkcję AI?” to nie jest pytanie Ellisa.
Budowanie każdej prośby z P4. Tylko prawie-fani, którzy podzielają Twoją główną korzyść, powinni kształtować roadmapę.
Ignorowanie kosztów zmiany. Wysoki wynik dla narzędzia, które trudno opuścić, może odzwierciedlać uzależnienie, a nie miłość.
Traktowanie 40% jak mety. To sygnał, by sprawdzić retencję i unit economics, a nie by przestać się uczyć.
Gdzie pasuje Specky
Ankieta product-market fit jest użyteczna tylko wtedy, gdy odpowiedzi pozostają powiązane z decyzjami, które napędzają. Specky wczytuje odpowiedzi z ankiet, notatki z wywiadów, zgłoszenia do supportu i dane o użyciu do jednego Product Graph, więc widzisz, który segment powiedział „bardzo rozczarowany(a)” i o co prosił. Alex, agent badawczy AI w Specky, może następnie prowadzić z Twoimi fanami wywiady uzupełniające z udostępnialnego linku.
Najczęściej zadawane pytania
Czym jest test Seana Ellisa?
Test Seana Ellisa to ankieta z jednym pytaniem: „Jak byś się czuł(a), gdybyś nie mógł (mogła) już korzystać z [produktu]?”. Jeśli co najmniej 40% aktywnych użytkowników odpowie „bardzo rozczarowany(a)”, prawdopodobnie masz product-market fit. Ellis ustalił ten benchmark po porównaniu prawie stu startupów za pomocą tej ankiety. Superhuman dodał później trzy pytania uzupełniające, by zamienić wynik w roadmapę.
Ile pytań powinna mieć ankieta product-market fit?
Cztery. Pytanie Ellisa, potem kto korzysta najbardziej, główna korzyść i jak ulepszyć. Dodaj jedno lub dwa kolejne tylko wtedy, gdy każda odpowiedź zmieniłaby jakąś decyzję, na przykład rola respondenta do segmentacji. Każde dodatkowe pytanie obniża wskaźnik ukończenia i popycha Cię do badania tylko najbardziej cierpliwych użytkowników.
Kiedy startup powinien przeprowadzić ankietę PMF?
Wyślij ją, gdy masz dość użytkowników, którzy użyli głównego workflow co najmniej dwa razy w dwa tygodnie, by zebrać około 40 odpowiedzi. Wcześniej korzystaj z wywiadów z klientami. Potem badaj ponownie nowo kwalifikujących się użytkowników w regularnym rytmie, na przykład co miesiąc, i nigdy nie badaj tej samej osoby dwa razy.
Czy 40% „bardzo rozczarowanych” gwarantuje product-market fit?
Nie. To korelacja, którą Ellis zaobserwował wśród startupów, i nazywa ją wskaźnikiem wyprzedzającym, a nie dowodem. Małe próby bardzo się wahają, a wysokie koszty zmiany mogą zawyżać wynik. Potwierdź wynik 40%+ retencją kohortową, która się spłaszcza, i klientami, którzy płacą i odnawiają.
Jaki jest dobry odsetek odpowiedzi w ankiecie?
Nie ma opublikowanego standardu. Liczy się to, by respondenci przypominali Twoich kwalifikujących się użytkowników. Podawaj odsetek odpowiedzi obok wyniku, porównuj użycie respondentów z użyciem osób, które nie odpowiedziały, i uważaj, jeśli odpowiedzieli tylko Twoi najaktywniejsi użytkownicy, bo to zawyża udział „bardzo rozczarowanych”.
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