AI-система для управления продуктом: анализ фидбека и генерация PRD

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. Наша AI-система управления продуктом решает эту проблему: собирает сигналы, структурирует инсайты и помогает принимать обоснованные решения. За более чем 5 лет работы мы внедрили такие решения для 30+ продуктов, включая SaaS-платформы с аудиторией в миллионы пользователей. Эта система не просто агрегирует данные — она использует BERTopic для кластеризации и LLM для генерации PRD, сокращая время анализа на 60%. На одном из проектов с 18 000 отзывов экономия времени PM составила 40 часов в месяц, что эквивалентно $2,000.

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.

Тематическая кластеризация на BERTopic

Основной инструмент — BERTopic, который комбинирует эмбеддинги, UMAP для снижения размерности, HDBSCAN для кластеризации и KeyBERT для интерпретации тем. Настройка гиперпараметров критически влияет на качество. Ниже — сравнение двух конфигураций для одного и того же датасета (18 000 отзывов):

Из 87 тем в наивном варианте 20 были языковыми (en/ru), 15 — мусорными (опечатки, спам). После настройки осталось 23 темы, которые действительно отражали проблемы продукта. Наш подход на BERTopic на 40% точнее классического LDA (Silhouette score 0.56 против 0.35).

Нормализация многоязычного фидбека

Отметим: когда фидбек многоязычный (ru + en + смесь), модель создаёт темы по языку, а не по смыслу. Решение — нормализация через перевод или использование multilingual эмбеддингов (например, paraphrase-multilingual-MiniLM-L12-v2). В нашей практике мы также добавляем шаг детекции и разделения языков перед кластеризацией.

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 ) 

Почему многоязычный фидбек — проблема для кластеризации?

Мы используем два подхода: либо предварительно переводим весь фидбек на английский через GPT-4o, либо применяем multilingual embeddings (например, paraphrase-multilingual-MiniLM-L12-v2). Первый подход дороже, но точнее; второй — дешевле, но может терять нюансы. В наших проектах с 18 000 отзывами перевод дал рост silhouette score с 0.45 до 0.56.

Качество кластеризации гарантируется silhouette score не ниже 0.5 и ручной валидацией тем продакт-менеджером. Как отмечают авторы BERTopic, "the model is designed for short text" (BERTopic paper). Хотите так же? Закажите внедрение.

Глубокий разбор: тематический анализ фидбека

Самая распространённая ошибка — запускать BERTopic на сырых данных без предобработки. Когда фидбек многоязычный, 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.

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. Экономия времени на ручном анализе составила 40 часов в месяц, что эквивалентно $2,000.

Интеграции

Процесс внедрения

1. Аудит источников данных — какие системы есть, качество данных, объём.
2. Разработка коннекторов — до 6 источников с нормализацией схемы.
3. Настройка тематической модели — под конкретный продукт и язык.
4. Интеграция с Jira — автоматическая привязка тем к тикетам.
5. Дашборд — динамика тем, еженедельные тренды, top-10 проблем.
6. Генератор PRD — на основе LLM (GPT-4o / Claude).
7. Обучение команды — 2 сессии, документация по модели и пайплайну.
8. Техподдержка — 2 недели после запуска.

Что входит в работу

• Аудит текущих источников данных и качества фидбека.
• Разработка коннекторов до 6 источников (App Store, Google Play, Intercom, Zendesk, Jira, Slack, CSV).
• Настройка BERTopic с оптимизацией гиперпараметров под ваш продукт.
• Интеграция с Jira для автоматической привязки тем к тикетам.
• Дашборд с динамикой тем (еженедельные тренды, top-10 проблем).
• Генератор PRD-черновиков на основе LLM (GPT-4o / Claude).
• Документация по модели и пайплайну, обучение команды (2 сессии).
• Техническая поддержка в течение 2 недель после запуска.

Сроки

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

Оценим ваш проект бесплатно — просто опишите задачу. Свяжитесь с нами, чтобы обсудить детали. Получите консультацию по внедрению и узнайте, как сократить время анализа фидбека на 60%.