TURF-анализ: почему самая популярная фича — не всегда та, которую стоит делать следующей

Представьте: вы провели опрос пользователей и выясняете, какую фичу добавить в продукт. Фича А нравится 40% аудитории, фича Б — только 25%. Очевидно, делаем А?

Не обязательно. А почему – расскажет TURF-анализ:

TURF расшифровывается как Total Unduplicated Reach and Frequency — общий уникальный охват и частота. Метод использовали пришел из медиа-планирования, где нужно было понять, как выбрать комбинацию каналов, чтобы охватить максимум аудитории. Если ваша реклама выходит на двух каналах, которые смотрит одна и та же аудитория, второй канал даёт вам почти ноль прироста уникального охвата, но зато требует увеличения расходов.

В маркетинговых исследованиях TURF-анализ помогает выбрать оптимальный набор фич, тарифов, SKU, УТП, где важно охватить как можно больше уникальной аудитории.

TURF — это не статистический метод в строгом смысле. Здесь нет проверки гипотез, нет переноса результатов на генеральную совокупность с заданным уровнем доверительной вероятности. По сути, это комбинаторная оптимизация: перебор всех возможных наборов и поиск того, который даёт наибольший уникальный охват. Метод простой и даёт наглядный визуальный результат, что делает его удобным для презентации бизнесу.

Вернёмся к фичам. Допустим, вы тестируете четыре варианта и спрашиваете пользователей: «Какие из этих характеристик важнее всего лично для вас при выборе…?». Дальше мы можем сравнить ответы (будь то доля выборов или, например, доля оценок «5» (очень важно) или или «4+5» (скорее+очень важно), если спрашивали по шкале Лайкерта:

Результаты по отдельным фичам:

Если ранжировать по популярности, приоритет очевиден: 4, 2, 7, 1.

TURF даёт другой порядок. Фича 4 действительно идёт первой — она самая популярная и охватывает 59% аудитории. Но если речь о наборе, то второй оптимальной в наборе становится Фича 2, а Фича 7.

Почему? Потому что большинство тех, кому нравится Фича 2, уже входят в первые 59%, которых мы покрываем Фичой 4. Фича 2 добавляет к охвату только +8 процентных пунктов уникального прироста: то есть приводит немного новых укникальных пользователей, которых только Фичой 4 мы не еще не охватывали. Фича 7, несмотря на меньшую общую привлекательность, явно нравится какому-то особому сегменту Добавив её к Фиче 4, получаем +18 п.п. уникального охвата.

Итоговая картина:

Если ваш бюджет позволяет сделать две фичи — то оптимальный набор: Фича 4 + Фича 7, их комбинация охватит 76% аудитории. Если бы выбирали по интуиции набор «Фича 4 + Фича 2», то их комнибация дала бы максимальный уникальный охват только 67%. Разница в 9 п.п. — это почти каждый десятый потенциальный пользователь, которого вы либо зацепите, либо нет.

Весной 2025 года мы провели собственное исследование: тестировали клеймы в рекламе застройщиков. Сделали онлайн-опрос в городах-миллионниках. Получился классический кейс для TURF: какие каналы включать в кампанию, чтобы охватить максимум целевой аудитории без задействования канала телевидения?

Начинаем формировать наш оптимальный микс каналов согласно результатам исследования. На первом месте будет реклама в соцсетях, она охватывает 54% целевой аудитории. Это самый широкий охват по одному каналу, поэтому оптимильный микс в любом случае начинается с этого варианта.

На втором шаге добавляем ООН (наружную рекламу), и суммарный уникальный охват растёт на 21 п.п: соцсети и наружка в миксе охватывают уже 75% аудитории. Потому что у них частично разная аудитория: те, кто меньше сидит в соцсетях, чаще видит наружку.

Третьим в оптимальном миксе становятся баннеры на сайтах, в т.ч. агрегаторах. Три канала охватывают уже 81% уникальной аудитории.

Дальше кривая резко становится пологой. Четвёртый канал (OLV, онлайн-видео) добавляет +3 п.п., пятый (радио) — +2 п.п., Telegram-каналы — ещё +2 п.п. Уличный транспорт, пресса, email/SMS-рассылки — уже вообще не меняют общий охват.

Вывод: комбинация из топ-3 каналов даёт 81% уникального охвата. Эти каналы должны получить максимальный ресурс бизнеса. Если бизнес-задача связана с привлечением именно уникальных пользователей, то каналы после TOP-3 резко теряют важность, в них можно не инвестировать: это будет неэффективно.

TURF хорошо работает, когда задача звучит как «выбрать подмножество из большого набора вариантов, чтобы охватить как можно больше разных людей». Это подходит для:

— Продуктовых решений: какие фичи включить в следующий релиз, какие тарифы вывести на рынок, какие SKU держать в ассортименте

— Коммуникационных задач: какие УТП включить в рекламу, чтобы зацепить разные сегменты аудитории

— Медиапланирования: какую комбинацию каналов выбрать при ограниченном бюджете

Но метод не очень хорошо работает, когда опции не взаимозаменяемы: то есть когда пользователь в принципе может хотеть все варианты сразу, а не выбирать один из них. Логика TURF предполагает, что мы охватили потребителя как минимум одной подходящей ему из набора опцией. Если это не так, (например, пользователь обязательно хочет фичи А+B+C одновременно) то интерпретировать приросты п.п. просто так уже нельзя.

Конечно же, модель TURF сильно зависит от того, как именно собраны и закодированы данные. TURF в любом случае ориентируется на дихотомию «выбрано» / «не выбрано». Если вы работаете с вопросами о привлекательности фичей, измеренной по 5-балльной шкале, то вам нужно определиться, что считать «выбором» - только долю ответов «5», или, например, «4+5»?

Если же на входе абсолютная переменная, то нужно установить «точку отсечения», что считать «выбором», а что «не выбором».

TURF-анализ

— не требует сложных вычислений

— может работать на номинальном уровне измерения (например, список фичей)

— может работать на порядковом уровне измерения (например, оценки фичей по шкале Лайкерта)

— может работать на интервальном/абсолютном уровне (например, полезности фичей из conjoint)

TURF отвечает на вопрос, который постоянно возникает у продуктовых команд: как при ограниченных ресурсах выбрать оптимальный набор фичей, который охватит максимум уникальных пользователей?

Мне кажется, главное его достоинство — именно применимость в бизнесе. Результат TURF-анализа можно просто и наглядно объяснить бизнес- и продуктовым командам. Мышление в терминах охвата аудитории и комбинации фичей близко продуктовому мышлению, которое полезно развивать и исследователям.