Александр Ключников – Фокус вместо пожаров: система приоритетов для руководителя и команды (теперь с ИИ) (страница 2)
Описан ожидаемый эффект. Не лозунг, а изменение поведения, метрики или риска.
Есть базовый контекст. Для задач указаны: кому это нужно, где болит, что будет признаком успеха.
Дубли удалены. Похожие задачи объединены или связаны.
Зависимости отмечены. Понятно, что блокирует начало и что разблокируется после завершения.
Оценки затрат хотя бы грубые. Пусть диапазоном, но не «не знаем вообще».
Задачи без смысла вынесены отдельно. «Идеи когда-нибудь» не мешают текущей очереди.
Есть данные для проверки. Для ключевых направлений понятно, откуда брать факты: продуктовая аналитика, обращения, продажи, инциденты.
Правила приоритизации известны команде. Люди понимают, по каким критериям принимаются решения.
Когда этот минимум выполнен, ИИ начинает работать как усилитель управленческой дисциплины, а не как генератор убедительных слов. И тогда приоритизация становится тем, чем она должна быть: способом не просто выбрать, что делать первым, а способом защищать траекторию – день за днём, спринт за спринтом, без паники и без самообмана.
Глава 2 – Данные как топливо: что нужно ИИ, чтобы приоритизация была точной
ИИ плохо работает на «ощущениях» и отлично – на структуре. Разница между бесполезным ранжированием и реально рабочей приоритизацией почти всегда упирается не в модель, а в качество входа: какие данные вы дали, как они связаны с целями, и можно ли по ним проверить результат.
В этой главе – практичная логика: какие источники нужны, как превратить разрозненный шум в понятные сигналы, и что делать, если данных мало или они «грязные».
2.1. Почему «мало данных» – не приговор
Расхожий страх звучит так: «У нас нет нормальной аналитики, значит ИИ нам не поможет». На деле для первых шагов достаточно не «больших данных», а правильных вопросов и минимального набора фактов.
ИИ может быть полезен даже если:
у вас нет сквозной аналитики, но есть обращения клиентов;
нет идеальной системы метрик, но есть воронка регистрации/оплаты;
нет зрелого бэклога, но есть список проблем от поддержки и продаж;
нет точных оценок, но есть диапазоны «день / неделя / месяц».
Важно другое: чтобы данные не были просто накоплением, а отвечали на один из трёх смыслов приоритизации:
Где боль сильнее всего?
Где эффект выше всего?
Где риск наиболее опасен?
Если хотя бы на один смысл у вас есть опора – ИИ уже может помочь.
2.2. Четыре типа сигналов, которые реально двигают приоритеты
Чтобы ИИ не «угадывал», ему нужно показать мир через повторяемые признаки. В приоритизации обычно работают четыре группы сигналов.
1) Сигналы ценности (Value)
Что даст рост/удержание/выручку или приблизит к цели.
Примеры: конверсия, retention, LTV, рост активаций, доля успешных сценариев.
2) Сигналы боли (Pain)
Где пользователи и команда теряют время/нервы/доверие.
Примеры: обращения в поддержку, негативные отзывы, отказы на шаге, «ручные костыли» внутри компании.
3) Сигналы риска (Risk)
Что может «взорваться» – технически, юридически, репутационно, финансово.
Примеры: инциденты, уязвимости, зависимость от одного человека/провайдера, долг по инфраструктуре.
4) Сигналы стоимости (Cost / Effort)
Сколько ресурсов съест задача и что она вытеснит.
Примеры: трудозатраты, зависимости, количество команд, переключение контекста, время на согласования.
ИИ хорош тем, что умеет сводить эти сигналы в одну картину, не пытаясь «всем угодить». Но только если сигналы заданы явно.
2.3. Источники данных: откуда брать «правду» для приоритизации
У большинства команд данные уже есть – просто они лежат в разных местах и не разговаривают друг с другом.
Минимальный «набор правды» обычно собирается из:
Продуктовой аналитики: воронки, события, time-to-value, отвал на шаге.
Поддержки: темы обращений, частота, время решения, повторяемость, эмоциональная окраска.
Продаж/CS: причины отказов, возражения, запросы крупных клиентов, churn-истории.
Инцидентов/логов: причины падений, частота, MTTR, зоны нестабильности.
Исследований: интервью, юзабилити-тесты, наблюдения за реальным поведением.
Финансовых показателей: маржинальность, CAC/LTV, стоимость обслуживания функций.
Командного опыта: где «болит» в процессе разработки и поставки, что постоянно тормозит.
Фокус не на том, чтобы подключить всё сразу, а на том, чтобы каждая задача могла быть привязана хотя бы к одному источнику: «почему мы вообще считаем это проблемой».
2.4. Как превратить хаос в структуру: «карточка задачи», пригодная для ИИ
ИИ любит задачи, которые описаны как маленькая гипотеза, а не как пожелание.
Плохая карточка:
«Сделать улучшение личного кабинета»
Хорошая карточка:
«Сократить время до первого полезного действия в личном кабинете с 4 минут до 2 минут за счёт удаления лишнего шага подтверждения; сейчас на этом шаге 18% пользователей бросают процесс (данные: воронка, неделя).»
Минимальные поля, которые превращают карточку в «машиночитаемую»:
Цель / метрика, на которую влияет задача
Механизм влияния (за счёт чего)
Кого затрагивает (сегмент, масштаб)
Свидетельства (источник данных)
Оценка усилий (хотя бы диапазон)
Риски / зависимости
Критерий готовности (что значит «сделано»)
Если хотя бы половина полей заполнена, ИИ уже способен ранжировать задачи разумнее, чем «по громкости».