Разработка AI-системы анализа запросов на новые функции
Запросы на функции накапливаются в тикет-системах, форумах, обращениях в поддержку. Продакт-менеджер тонет в сотнях пожеланий и не может быстро увидеть, что запрашивают чаще всего и с какой интенсивностью. AI-система структурирует и приоритизирует этот поток.
Агрегация и дедупликация
Один запрос приходит по-разному: «хочу тёмную тему», «добавьте dark mode», «почему нет ночного режима» — всё об одном. Семантическая кластеризация объединяет дубли:
def cluster_feature_requests(requests: list[FeatureRequest]) -> list[FeatureCluster]:
encoder = SentenceTransformer("paraphrase-multilingual-mpnet-base-v2")
embeddings = encoder.encode([r.text for r in requests])
clusterer = hdbscan.HDBSCAN(min_cluster_size=3, metric="cosine")
labels = clusterer.fit_predict(embeddings)
clusters = []
for label in set(labels):
if label == -1: # шум — единичные запросы
continue
cluster_requests = [r for r, l in zip(requests, labels) if l == label]
clusters.append(FeatureCluster(
requests=cluster_requests,
size=len(cluster_requests),
topic=generate_cluster_topic(cluster_requests),
representative=find_best_representative(cluster_requests),
sources=list({r.source for r in cluster_requests})
))
return sorted(clusters, key=lambda c: c.size, reverse=True)
Скоринг приоритетности
Размер кластера — не единственный критерий. Учитываются: сегмент пользователей (enterprise-запросы весомее), интенсивность запроса (упоминание «критично» / «блокирует работу»), связь с метриками удержания (пользователи, отписавшиеся после отказа в фиче), бизнес-потенциал.
Связь с user stories
Из кластера запросов система автоматически генерирует черновик user story: «Как [тип пользователя], я хочу [функция], чтобы [ценность]». Черновик требует редакции продакта, но экономит время на старте.
Отслеживание трендов
Система фиксирует динамику: новые запросы появляются быстро — сигнал о росте потребности. Запрос существует давно без роста — низкий приоритет. Рост после конкретного релиза — может указывать на регрессию.