Продуктовая разработка, системный анализ, метрики использования и AI. Все суммы и персонажи кейса ниже условные; это модель, а не отчёт о реальном проекте.

Представьте типичный запрос бизнеса: «Менеджерам нужен отчёт по остаткам». Команда получает техническое задание, проектирует сервис, добавляет фильтры, роли, экспорт в Excel и проводит тестирование. Система проходит приёмку. Но менеджеры продолжают писать кладовщику в чат.

Гипотетический бюджет проекта — 3 млн рублей. Запуск формально успешен, использование низкое, а бизнес-проблема осталась. Можно ли называть такую реализацию неудачей? И как следовало организовать работу, чтобы вовремя заметить подмену задачи предложенным решением?

1. «Нужен отчёт» — это уже дизайн, а не постановка проблемы

Фраза «сделать отчёт» описывает способ. Настоящая работа пользователя может звучать так:

Во время звонка мне нужно за несколько секунд узнать актуальное наличие конкретного товара, чтобы ответить клиенту до окончания разговора.

Между двумя формулировками лежит весь процесс discovery. Отчёт может быть подходящим инструментом для финансового аналитика, но совершенно непригодным для менеджера на телефоне.

Перед проектированием полезно наблюдать несколько реальных эпизодов: по какому запросу пользователь обращался, где искал информацию, что делал при отсутствии ответа и как принимал решение. Не «Понравится ли вам такой экран?», а «Покажите последнюю ситуацию».

Результат наблюдения оформляется не списком кнопок, а описанием работы пользователя с ограничениями: тип запроса, требуемая точность, максимально допустимое ожидание, источник данных и цена ошибки.

2. Три разных определения «успеха»

Delivery success. Команда выполнила согласованный объём, проект сдан, интерфейс работает, тесты прошли.

Adoption. Целевая аудитория смогла найти инструмент, получила к нему доступ и начала использовать в предусмотренных сценариях.

Outcome. Изменился бизнес-результат: сокращено время ответа, меньше ошибочных обещаний клиентам, снизилась потребность в ручном уточнении остатков.

Эти показатели нельзя подменять друг другом. Ноль кликов не всегда означает бесполезность: резервная функция может быть ценной именно потому, что аварий не случилось. Но для операции, которая должна выполняться десятки раз в день, отсутствие использования — сильный диагностический сигнал.

Важно также не путать число нажатий с выполненной задачей. Пользователь может кликнуть «Скачать» десять раз, потому что первые девять попыток завершились ошибкой. Формально вовлечённость высокая, а результат плохой.

3. Считаем стоимость гипотезы

Пусть реализация стоила 3 000 000 ₽. Предположим, что один час высвобожденного рабочего времени оценивается в 2 000 ₽.

Для простого расчёта эквивалентной полезной мощности нужно:

3 000 000 / 2 000 = 1 500 часов.

Если рассматриваем год из 250 рабочих дней, это 6 часов в день. При экономии одной минуты на операции потребуется 360 успешных операций в день.

Это не доказательство окупаемости и не денежный поток. Высвобожденное время не всегда превращается в сокращение затрат или дополнительную выручку. В полноценную модель нужно добавить стоимость владения, поддержку, качество данных и эффект на конверсию. Но такой расчёт позволяет проверить порядок величин ещё до написания кода.

Примерная таблица гипотезы:

Параметр

Значение

Статус

Разработка и интеграция

3 млн ₽

Учебное допущение

Эквивалент стоимости часа

2 тыс. ₽

Учебное допущение

Эквивалент часов для компенсации

1 500 ч

Расчёт

Рабочих дней в году

250

Учебное допущение

Необходимое высвобождение мощности

6 ч/день

Расчёт

Смысл не в том, чтобы признать всё, что не окупилось за год, ненужным. Смысл — сделать гипотезу проверяемой и заранее записать, какую именно пользу мы ожидаем.

4. Какая телеметрия нужна для оценки

Если целевая работа — получить ответ по наличию товара, я бы отслеживал не только report_export_clicked, а последовательность событий конкретного обращения:

  • stock_lookup_started — пользователь начал проверку наличия;

  • stock_answer_presented — система показала ответ;

  • stock_lookup_fallback — пришлось обращаться в чат или звонить;

  • stock_answer_incorrect — ответ оказался неверным после проверки.

Один request_id связывает события попытки. Порог задержки и допустимую давность данных определяет бизнес. Для метрик не нужно передавать в аналитическую систему персональные данные клиентов или текст их переписки.

Упрощённый SQL-пример для PostgreSQL (схема событий показана условно):

WITH attempts AS (
    SELECT
        request_id,
        MIN(event_time) FILTER (
            WHERE event_name = 'stock_lookup_started'
        ) AS started_at,
        MIN(event_time) FILTER (
            WHERE event_name = 'stock_answer_presented'
        ) AS answered_at,
        BOOL_OR(event_name = 'stock_lookup_fallback') AS used_fallback,
        BOOL_OR(event_name = 'stock_answer_incorrect') AS was_incorrect
    FROM product_events
    WHERE event_time >= TIMESTAMP '2026-11-01'
      AND event_time <  TIMESTAMP '2026-12-01'
    GROUP BY request_id
)
SELECT
    COUNT(*) FILTER (WHERE started_at IS NOT NULL) AS started,
    COUNT(*) FILTER (
        WHERE started_at IS NOT NULL
          AND answered_at IS NOT NULL
          AND NOT used_fallback
          AND NOT was_incorrect
    ) AS successful_self_service,
    ROUND(
        100.0 * COUNT(*) FILTER (
            WHERE started_at IS NOT NULL
              AND answered_at IS NOT NULL
              AND NOT used_fallback
              AND NOT was_incorrect
        ) / NULLIF(COUNT(*) FILTER (
            WHERE started_at IS NOT NULL
        ), 0),
        1
    ) AS self_service_rate_pct
FROM attempts;

Здесь важно явно определить, что считать корректным ответом. Отсутствие события ошибки не означает гарантированную правильность; для проверки качества требуется отдельная выборка с независимой сверкой остатков. Также нужно контролировать полноту логирования и дублирование request_id.

5. Проверяем решение до масштабирования

Минимальная последовательность:

  1. Проблема. Зафиксировать задачу пользователя без названия будущей кнопки.

  2. Наблюдение. Разобрать несколько реальных случаев: действия, ожидания, ошибки, обходные пути.

  3. Базовые метрики. Замерить время ответа, количество ручных уточнений и ошибки наличия.

  4. Минимальное решение. Прототип поля поиска по артикулу с указанием свежести данных.

  5. Проверка результата. Наблюдать, решают ли люди задачу быстрее и правильно.

  6. Поэтапный запуск. Добавлять удобства после подтверждения основного сценария.

Полезно заранее записать критерий остановки: если пользователь не получает результат быстрее, данные ненадёжны или возникают новые ошибки, не масштабировать систему, а пересмотреть гипотезу.

Это не призыв «всегда делать MVP за неделю». Если система влияет на денежные обязательства, безопасность или законодательные требования, нужны дополнительные проверки. Но глубина контроля должна соответствовать риску, а не политическому весу будущего проекта.

6. При чём здесь AI

LLM можно использовать для группировки обратной связи, извлечения требований из интервью, поиска противоречий в спецификации и подготовки вариантов сценариев.

Но у модели нет магического доступа к реальной проблеме пользователя. Если запрос звучит «спроектируй универсальный отчёт», она может очень качественно спроектировать ненужный универсальный отчёт.

Правильный порядок: проверяем пользовательскую задачу, определяем критерии результата, затем выбираем инструменты. В этом случае AI ускоряет работу над обоснованной гипотезой, а не производство красиво оформленных предположений.

Итог

«Успешно внедрено» и «стало полезнее» — разные утверждения. Для продуктовой команды зрелость проявляется не в количестве реализованных функций, а в способности проверять потребность и корректировать решение по фактическому поведению пользователей.

В учебной истории кнопку за три миллиона можно было бы повесить в музей цифровой трансформации. Рядом с презентацией, где на последнем слайде написано «Проект завершён успешно».

А на входе в музей разместить один вопрос: «Что человек перестанет делать благодаря нашей разработке?»

Комментарии (0)