AI-система для Product Management

AI-система управления продуктом

Продуктовые команды тонут в данных: фидбек из App Store, Intercom, Jira, Slack, интервью — всё это существует в разных системах и не связано между собой. PM тратит 30–40% времени на агрегацию и не успевает на аналитику. AI-система управления продуктом решает именно эту проблему: она собирает сигналы, структурирует инсайты и помогает принимать обоснованные решения на каждом этапе продуктового цикла.

Что автоматизирует система

Агрегация фидбека — подключение к App Store, Google Play, Intercom, Zendesk, Slack-каналам, CSV-выгрузкам NPS. Все источники индексируются в единую базу с векторными эмбеддингами через sentence-transformers (all-mpnet-base-v2).

Тематическое кластеризование — BERTopic или кастомная классификация выявляет топ-проблемы, группирует синонимичные запросы, строит временной тренд по каждой теме.

Связь с бэклогом — система сопоставляет кластеры фидбека с Jira-тикетами через semantic similarity. Если 200 пользователей жалуются на проблему, которой нет в бэклоге — это сразу видно.

Генерация PRD-черновиков — по описанию фичи и накопленным данным LLM (GPT-4o / Claude 3.5 Sonnet) создаёт черновик: цели, user stories, acceptance criteria, open questions.

Архитектура ядра

from langchain_openai import ChatOpenAI
from langchain_community.vectorstores import Qdrant
from sentence_transformers import SentenceTransformer
from bertopic import BERTopic
import pandas as pd

class ProductIntelligenceSystem:
    def __init__(self):
        self.embedder = SentenceTransformer("all-mpnet-base-v2")
        self.llm = ChatOpenAI(model="gpt-4o", temperature=0.2)
        self.topic_model = BERTopic(
            language="multilingual",
            min_topic_size=15,
            nr_topics="auto"
        )

    def analyze_feedback_corpus(self, feedback_df: pd.DataFrame) -> dict:
        """Кластеризация фидбека и генерация инсайтов"""
        texts = feedback_df["text"].tolist()
        topics, probs = self.topic_model.fit_transform(texts)

        topic_info = self.topic_model.get_topic_info()
        # Топ-10 тем по частоте (исключая шум -1)
        top_topics = topic_info[topic_info["Topic"] != -1].head(10)

        return {
            "top_topics": top_topics[["Topic", "Count", "Name"]].to_dict(),
            "topic_details": {
                t: self.topic_model.get_topic(t)
                for t in top_topics["Topic"].tolist()
            }
        }

    def generate_prd_draft(self, feature_description: str, context: dict) -> str:
        prompt = f"""Создай черновик PRD для следующей фичи.

Описание фичи: {feature_description}
Данные фидбека: {context.get('relevant_feedback', [])}
Связанные проблемы пользователей: {context.get('user_problems', [])}

Структура PRD:
1. Problem Statement
2. Goals & Success Metrics
3. User Stories (минимум 5, формат: As a [role], I want [action], so that [benefit])
4. Acceptance Criteria
5. Open Questions

Будь конкретен. Используй данные из фидбека."""

        return self.llm.invoke(prompt).content

Глубокий разбор: тематический анализ фидбека

Самая распространённая ошибка — запускать BERTopic на сырых данных без предобработки. Когда фидбек многоязычный (ru + en + смесь), модель создаёт темы по языку, а не по смыслу. Решение — нормализация через перевод или multilingual embeddings.

Вторая проблема: min_topic_size=5 на 10 000 отзывов даёт 200+ тем — половина из которых «шум» с overlap 40%. Оптимальный диапазон: min_topic_size = max(10, corpus_size * 0.003). При 10 000 записей — 30, при 50 000 — 50.

# Правильная конфигурация для продуктового фидбека
from bertopic.representation import KeyBERTInspired, MaximalMarginalRelevance
from umap import UMAP
from hdbscan import HDBSCAN

umap_model = UMAP(
    n_neighbors=15,
    n_components=5,
    min_dist=0.0,
    metric="cosine",
    random_state=42
)

hdbscan_model = HDBSCAN(
    min_cluster_size=30,
    metric="euclidean",
    cluster_selection_method="eom",
    prediction_data=True
)

representation_model = [
    KeyBERTInspired(),
    MaximalMarginalRelevance(diversity=0.3)
]

topic_model = BERTopic(
    umap_model=umap_model,
    hdbscan_model=hdbscan_model,
    representation_model=representation_model,
    language="multilingual",
    calculate_probabilities=True
)

Кейс из практики: SaaS-продукт с 18 000 отзывов за 12 месяцев. После настройки BERTopic получили 23 чистые темы (до — 87 с мусором). Топ-3 по росту за последние 3 месяца: «медленная загрузка отчётов» (+340%), «ошибки при экспорте в Excel» (+210%), «нет мобильного приложения» (+180%). Все три темы отсутствовали в бэклоге. Две из трёх вошли в следующий квартальный план.

Интеграции

Процесс внедрения

Аудит источников данных — какие системы есть, качество данных, объём. Разработка коннекторов и нормализация схемы. Настройка тематической модели под конкретный продукт и язык. Построение дашборда с трендами тем и связями с бэклогом. Обучение команды работе с инсайтами.

Сроки

• MVP с агрегацией и кластеризацией: 3–5 недель
• Полная система с PRD-генератором и дашбордом: 8–12 недель