В России есть два параллельных рынка медицины. На одном — коммерческие клиники собрали по итогам 2025 года около 1,78 трлн рублей (оценка Eqiva, без двойного счёта по ОМС). На втором — весь некорпоративный ДМС в стране умещается примерно в 65 млрд (общий рынок ДМС в 2025-м — 323,7 млрд, корпоративный — 258 млрд, по данным ВСС и Remind). И в эти 65 млрд входит ещё страхование заёмщиков по банковскому каналу и ДМС для выезжающих за рубеж — то есть собственно «розница, в которой человек сам пришёл и купил полис», ещё меньше.

Разница — больше чем в 25 раз. И это не нишевый сегмент vs мейнстрим. Это два рынка, на которых клиент решает одну и ту же задачу: получить медицинскую помощь, когда она нужна. Просто на одном он голосует рублём за прямую покупку у клиник, а на другом не голосует почти никак.

В этой статье — почему так получилось и что я бы делала, если бы у меня был ресурс это менять…

Небольшой мысленный эксперимент на стыке машинного обучения и продуктового менеджмента. О том, почему одна и та же задача «определить, что нужно клиенту» может выглядеть по-разному со стороны product'а и data scientist'а. Разбор на примере корпоративного ДМС, где у одного контракта сразу три стейкхолдера с разными работами.

Вводная: почему эта тема вообще возникла

Я много лет проработала начальником управления аналитики в страховой компании, а сейчас прохожу курс Ивана Замесина по Advanced JTBD. В какой-то момент на воркшопе меня зацепила структура, которую он назвал «графом работ» — и я поймала себя на мысли, что она похожа на знакомую мне из Data Science модель. Только с противоположным назначением.

Дальше — разбор этого наблюдения. Статья рассчитана на аналитиков, продактов и тимлидов, которые работают с корпоративной аналитикой и задумываются о том, что именно они измеряют и зачем.