AI-система приоритизации фич в продуктовом бэклоге

AI-приоритизация бэклога и фич продукта

Бэклог из 300+ задач, в котором всё помечено как «High Priority» — стандартная ситуация после полугода разработки. Ручная приоритизация превращается в политические переговоры между командами, а не в data-driven решение. AI-система приоритизации формализует критерии и автоматически ранжирует фичи, подтягивая данные из нескольких источников.

Как работает автоматическая приоритизация

Система агрегирует сигналы четырёх типов:

• Частота запросов — сколько пользователей просят фичу (фидбек, тикеты, интервью)
• Бизнес-импакт — ожидаемое влияние на выручку, удержание, NPS
• Техническая сложность — оценка story points или T-shirt sizing из Jira
• Стратегическое соответствие — насколько фича совпадает с OKR квартала

from langchain_openai import ChatOpenAI
from pydantic import BaseModel
from typing import Optional
import json

class FeatureScore(BaseModel):
    feature_id: str
    title: str
    demand_score: float        # 0-10, на основе количества запросов
    business_impact: float     # 0-10, оценка LLM по описанию
    effort_score: float        # 0-10, инверсия сложности
    strategic_fit: float       # 0-10, cosine similarity с OKR
    final_score: float         # взвешенная сумма
    rationale: str             # объяснение оценки

class BacklogPrioritizer:
    WEIGHTS = {
        "demand": 0.30,
        "business_impact": 0.35,
        "effort": 0.20,       # инверсия: меньше effort = выше балл
        "strategic_fit": 0.15
    }

    def __init__(self, okr_embeddings, embedder, llm):
        self.okr_embeddings = okr_embeddings
        self.embedder = embedder
        self.llm = llm

    def score_feature(self, feature: dict, demand_data: dict) -> FeatureScore:
        # Demand score из агрегированного фидбека
        demand_count = demand_data.get(feature["id"], {}).get("mention_count", 0)
        demand_score = min(10, demand_count / 50)  # 500+ упоминаний = 10

        # Strategic fit через cosine similarity с OKR
        feat_emb = self.embedder.encode(feature["description"])
        strategic_fit = float(
            max(cosine_similarity([feat_emb], self.okr_embeddings)[0])
        ) * 10

        # Business impact через LLM
        business_impact = self._llm_impact_score(feature)

        # Effort (инверсия: 1 SP = 10 баллов, 100 SP = 0 баллов)
        sp = feature.get("story_points", 20)
        effort_score = max(0, 10 - (sp / 10))

        final = (
            self.WEIGHTS["demand"] * demand_score +
            self.WEIGHTS["business_impact"] * business_impact +
            self.WEIGHTS["effort"] * effort_score +
            self.WEIGHTS["strategic_fit"] * strategic_fit
        )

        return FeatureScore(
            feature_id=feature["id"],
            title=feature["title"],
            demand_score=round(demand_score, 2),
            business_impact=round(business_impact, 2),
            effort_score=round(effort_score, 2),
            strategic_fit=round(strategic_fit, 2),
            final_score=round(final, 2),
            rationale=self._generate_rationale(feature, demand_score,
                                                business_impact, strategic_fit)
        )

    def _llm_impact_score(self, feature: dict) -> float:
        prompt = f"""Оцени бизнес-импакт фичи от 0 до 10.
Фича: {feature['title']}
Описание: {feature.get('description', '')}
Целевые пользователи: {feature.get('target_users', 'не указаны')}

Верни только число от 0 до 10."""
        result = self.llm.invoke(prompt).content.strip()
        try:
            return float(result)
        except ValueError:
            return 5.0

Интеграция с фреймворками приоритизации

Система поддерживает несколько популярных фреймворков — выбор зависит от зрелости команды:

Кейс: продукт для B2B SaaS, бэклог 280 задач. До внедрения — приоритизация раз в квартал занимала 2 полных дня командой из 6 человек. После — еженедельный автоматический ранжированный список с обоснованием за каждой позицией, время ревью PM — 20 минут. Ключевой результат: фичи из топ-10 системы совпали с «интуитивными» приоритетами команды на 73%, при этом система выявила 4 задачи с высоким demand_score, которые команда системно откладывала.

Работа с конфликтами приоритетов

Частая проблема: Sales хочет фичу для одного крупного клиента (высокий perceived impact), но данные говорят об обратном. Система разделяет «стратегические ставки» (ручная метка PM) от data-driven приоритетов, не смешивает их в одном ранге.

Процесс внедрения

Подключение источников данных (Jira, Linear, фидбек-системы). Формализация критериев приоритизации с командой. Калибровка весов на исторических данных. Запуск в режиме «рекомендации» — команда сравнивает с ручными решениями. Переход к автоматическому ранжированию.

Сроки: базовая система с RICE/ICE — 2–3 недели; полная интеграция с OKR и фидбеком — 6–8 недель.