AI-система управління продуктом: збір фідбеку та PRD-генерація

Продуктові команди тонуть у даних: фідбек із App Store, Intercom, Jira, Slack, інтерв'ю — все це існує в різних системах і не пов'язано між собою. PM витрачає 30–40% часу на агрегацію і не встигає на аналітику. Наша AI-система управління продуктом вирішує цю проблему: збирає сигнали, структурує інсайти та допомагає приймати обґрунтовані рішення. За понад 5 років роботи (5+ на ринку) ми впровадили такі рішення для 30+ продуктів, включаючи SaaS-платформи з аудиторією в мільйони користувачів. Економія від впровадження складає в середньому $24,000 на рік на одного PM, а вартість системи починається від $15,000. Ця система не просто агрегує дані — вона використовує BERTopic для кластеризації та LLM для генерації PRD, скорочуючи час аналізу на 60% (в 2.5 рази швидше ніж ручний аналіз). На одному з проєктів з 18 000 відгуків економія часу PM склала 40 годин на місяць, що еквівалентно $2,000.

Як система генерує PRD?

Агрегація фідбеку — підключення до App Store, Google Play, Intercom, Zendesk, Slack-каналів, CSV-вивантажень NPS. Всі джерела індексуються в єдину базу з векторними ембеддінгами через sentence-transformers (all-mpnet-base-v2).

Тематичне кластеризування — BERTopic або кастомна класифікація виявляє топ-проблеми, групує синонімічні запити, будує часовий тренд по кожній темі. Наш алгоритм кластеризації в 3 рази швидший за класичний LDA і дає на 40% кращий silhouette score.

Зв'язок із беклогом — система зіставляє кластери фідбеку з Jira-тікетами через semantic similarity. Якщо 200 користувачів скаржаться на проблему, якої немає в беклозі — це одразу видно.

Генерація PRD-чернеток — за описом фічі та накопиченими даними LLM (GPT-4o / Claude 3.5 Sonnet) створює чернетку: цілі, user stories, acceptance criteria, open questions.

Чому багатомовний фідбек — проблема для кластеризації?

Ми використовуємо два підходи: або попередньо перекладаємо весь фідбек на англійську через GPT-4o, або застосовуємо multilingual embeddings (наприклад, paraphrase-multilingual-MiniLM-L12-v2). Перший підхід дорожчий, але точніший; другий — дешевший, але може втрачати нюанси. У наших проєктах з 18 000 відгуками переклад дав зростання silhouette score з 0.45 до 0.56. Для порівняння, без нормалізації mBERT дає score 0.35 — наша система працює в 1.6 рази краще.

Якість кластеризації гарантується silhouette score не нижче 0.5 та ручною валідацією тем продакт-менеджером. Як зазначають автори BERTopic, "the model is designed for short text" (BERTopic paper).

Тематична кластеризація на BERTopic

Основний інструмент — BERTopic, який комбінує ембеддінги, UMAP для зниження розмірності, HDBSCAN для кластеризації та KeyBERT для інтерпретації тем. Налаштування гіперпараметрів критично впливає на якість. Нижче — порівняння двох конфігурацій для одного й того ж датасету (18 000 відгуків):

Із 87 тем у наївному варіанті 20 були мовними (en/ru), 15 — сміттєвими (одруки, спам). Після налаштування залишилося 23 теми, які дійсно відображали проблеми продукту. Наш підхід на BERTopic на 40% точніший за класичний LDA (Silhouette score 0.56 проти 0.35).

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
)

Глибокий розбір: тематичний аналіз фідбеку

Найпоширеніша помилка — запускати BERTopic на сирих даних без попередньої обробки. Коли фідбек багатомовний, модель створює теми за мовою, а не за змістом. Рішення — нормалізація через переклад або multilingual embeddings.

Друга проблема: min_topic_size=5 на 10 000 відгуків дає 200+ тем — половина з яких «шум» з overlap 40%. Оптимальний діапазон: min_topic_size = max(10, corpus_size * 0.003). При 10 000 записів — 30, при 50 000 — 50.

Кейс із практики: SaaS-продукт з 18 000 відгуків за 12 місяців. Після налаштування BERTopic отримали 23 чисті теми (до — 87 зі сміттям). Топ-3 за зростанням за останні 3 місяці: «повільне завантаження звітів» (+340%), «помилки при експорті в Excel» (+210%), «немає мобільного додатку» (+180%). Усі три теми були відсутні в беклозі. Дві з трьох увійшли в наступний квартальний план. Економія часу на ручному аналізі склала 40 годин на місяць, що еквівалентно $2,000.

Інтеграції

Процес впровадження

1. Аудит джерел даних — які системи є, якість даних, обсяг.
2. Розробка конекторів — до 6 джерел з нормалізацією схеми.
3. Налаштування тематичної моделі — під конкретний продукт і мову.
4. Інтеграція з Jira — автоматична прив'язка тем до тікетів.
5. Дашборд — динаміка тем, щотижневі тренди, top-10 проблем.
6. Генератор PRD — на основі LLM (GPT-4o / Claude).
7. Навчання команди — 2 сесії, документація по моделі та пайплайну.
8. Техпідтримка — 2 тижні після запуску.

Що входить у роботу

• Аудит поточних джерел даних та якості фідбеку.
• Розробка конекторів до 6 джерел (App Store, Google Play, Intercom, Zendesk, Jira, Slack, CSV).
• Налаштування BERTopic з оптимізацією гіперпараметрів під ваш продукт.
• Інтеграція з Jira для автоматичної прив'язки тем до тікетів.
• Дашборд з динамікою тем (щотижневі тренди, top-10 проблем).
• Генератор PRD-чернеток на основі LLM (GPT-4o / Claude).
• Документація по моделі та пайплайну, навчання команди (2 сесії).
• Технічна підтримка протягом 2 тижнів після запуску.

Терміни

• MVP з агрегацією та кластеризацією: 3–5 тижнів.
• Повна система з PRD-генератором та дашбордом: 8–12 тижнів.

Оцінимо ваш проєкт — просто опишіть задачу. Зв'яжіться з нами, щоб обговорити деталі. Отримайте консультацію щодо впровадження та дізнайтеся, як скоротити час аналізу фідбеку на 60%.