Fable claude-fable-5-1 · effort max срез: 2026-09-20 источников: 82 слов: 17323 complete

Методы оценки ценности и приоритизации инициатив: скоринг, экономика, данные клиентов, подходы без скоринга

Разбор механики методов оценки ценности и приоритизации (RICE, ICE, WSJF, cost of delay и CD3, взвешенные матрицы, Kano, MaxDiff, conjoint, opportunity scoring, Buy-a-feature, MoSCoW, Shape Up, стек, корзины ёмкости, now-next-later, North Star, NPV, real options, AIE, reference class forecasting, калибровка). Главный вывод: исследований точности скоринга нет, его арифметика наследует дефекты порядковых матриц; рабочая конструкция — корзины ёмкости, одна валюта на корзину, экономика для крупного, стол ставок и журнал прогнозов с калибровкой. Ограничение: калибровка требует 20 и более закрытых прогнозов на класс, эмпирика по тренировке оценщиков спорна.

Вердикт

Предмет — методы оценки ценности и приоритизации инициатив для компаний 20–500 человек: скоринг-формулы, экономические методы, методы на данных клиентов, подходы без скоринга и сквозные механики ёмкости, валюты и ретроспективы. Главный вывод: ни для одного скорингового метода не найдено исследований, сравнивающих предсказанную и реализованную ценность, а их арифметика (произведение и сумма порядковых шкал, деление на оценку усилий) наследует формально доказанные дефекты матриц риска. Скоринг при этом остаётся дешёвым фильтром для десятков мелких инициатив, если reach и effort — реальные величины, а различия баллов внутри 15 % трактуются как ничья.

Действительно стоит применять конструкцию из четырёх частей: корзины ёмкости с квартальным пересмотром, одна валюта на корзину (деньги в неделю для крупного, Δ input-метрики для продуктового), экономическая оценка крупных ставок диапазонами с финальным отбором за столом ставок и журнал прогнозов с калибровкой по классам инициатив. Ключевое ограничение: калибровка ценности требует порядка 20 закрытых прогнозов на класс, то есть двух-четырёх кварталов дисциплины, а эффекты тренировки оценщиков в литературе спорны. Самая сильная цельная альтернатива — Shape Up для компаний до примерно 80 человек с senior-группой, готовой судить без формул; для опросов клиентов — MaxDiff вместо Kano, чья опросная механика не проходит проверку на надёжность.

LLM пригодны как проверяющий согласованность единиц, извлекатель свидетельств и хранитель журнала, но не как оценщик ценности и не как замена респондентов. Уверенность высокая в критике математики скоринга и в отсутствии исследований точности, средняя в конструкции конвейера, которая является авторской сборкой без сквозной эмпирики, и низкая в численных нормах здоровья, которые помечены как ориентиры.

Что это и как работает

1.1. Определение и границы предмета

Оценка ценности (valuation) — процедура, приписывающая инициативе ожидаемый эффект в некоторой единице: деньгах, условных баллах, классе. Приоритизация — процедура упорядочивания или отбора инициатив под ограничение ёмкости. Между ними лежит шаг, который большинство методов пропускает: явное ограничение (ёмкость команды, бюджет, срок). Без ограничения упорядоченный список остаётся списком, а не решением.

Scrum Guide 2020 определяет product backlog как «emergent, ordered list», возлагает упорядочивание на Product Owner и не предписывает никакого метода упорядочивания факт [S1]. Методы этого отчёта — способы получить порядок или отбор, а не обязательная часть какого-либо фреймворка разработки.

Что предметом не является: - Оценка трудоёмкости и сроков (story points, throughput, Monte Carlo). Здесь она только вход в формулы. - Планирование во времени с учётом зависимостей: приоритет отвечает «что важнее», план — «что когда». - Портфельная финансовая теория (диверсификация, стоимость капитала). Затрагивается только там, где даёт механику для инициатив.

С чем путают: - Скоринг с измерением. Балл 8 из 10 — суждение, записанное числом, а не измерение. - Классификацию с ранжированием. MoSCoW относит требование к классу; порядок внутри класса остаётся неопределённым. - Метод с ритуалом. Формула RICE не требует квартальной сессии; ритуал — организационный выбор.

1.2. Общая механика и точки поломки

Любой метод состоит из трёх частей: входы (оценки ценности, охвата, стоимости, времени, риска), агрегация (формула или процедура) и выход (балл, ранг, класс, распределение). Точки поломки почти всегда лежат в несовместимости входов и агрегации, а не в самой формуле.

По типологии Стивенса (1946) шкалы делятся на номинальные, порядковые, интервальные и шкалы отношений; порядковая шкала допускает только сравнения «больше/меньше» и медиану, а умножение и деление корректны только на шкале отношений факт [S2]. Балл «impact = 2 из 3» порядковый: расстояние между 1 и 2 не обязано равняться расстоянию между 2 и 3, и «2» не означает «вдвое больше 1».

Точка поломки Механизм Где встречается
Перемножение порядковых шкал Произведение рангов не имеет интерпретации; резолюция иллюзорна ICE, RICE (impact × confidence), матрицы риска
Сложение разнородных компонентов Сумма «ценности» и «срочности» даёт ненулевой результат при нулевой ценности WSJF в SAFe
Деление на оценку усилий Относительная ошибка оценки усилий переносится в балл один к одному; мелкие задачи всплывают RICE, WSJF, CD3
Несогласованные единицы Люди в квартал × множитель × процент ÷ человеко-месяцы RICE
Ложная точность Балл 847 против 812 воспринимается как различие любые баллы с дробями
Обрезание информации max(0, ·), мода вместо распределения opportunity score, дискретный Kano
Независимость инициатив Формула не видит зависимостей и портфельных эффектов все формулы
Отсутствие обратной связи Прогноз никогда не сравнивается с фактом все методы без журнала прогнозов

Формальная база критики известна из анализа матриц риска, которые устроены как «вероятность × ущерб» на порядковых шкалах: - Cox (2008) показал, что типичная матрица корректно и однозначно сравнивает лишь малую долю случайных пар (порядка менее 10 %), сжимает диапазоны (range compression) и при отрицательной корреляции частоты и тяжести может быть «хуже, чем бесполезна», то есть давать решения хуже случайных факт [S3]. - Hubbard и Evans (2010) в обзоре литературы заключили, что выгода от скоринга на порядковых шкалах «вероятно, иллюзорна в большинстве случаев» из-за свойств вербальных шкал и систематических ошибок человека при оценке эмпирика [S4]. - Krisper (2021) насчитал 24 проблемы матриц риска (порядковые шкалы, полуколичественная арифметика, сжатие диапазонов, инверсия, игнорирование неопределённости) и предложил отказаться от них в пользу количественных методов мнение [S5].

Продуктовые скоринг-формулы структурно совпадают с матрицами риска (произведение или сумма порядковых оценок), поэтому те же дефекты переносятся на них без изменений гипотеза. Деление на оценку усилий — вторая общая точка поломки, она разобрана в конце подраздела 1.3 после RICE и WSJF.

1.3. Скоринг-формулы

RICE (Intercom)

Вход Единица Шкала по первоисточнику
Reach люди или события за период оценка, например «клиентов в квартал»
Impact множитель 3 massive, 2 high, 1 medium, 0.5 low, 0.25 minimal
Confidence доля 100 % high, 80 % medium, 50 % low
Effort человеко-месяцы целые числа, минимум 0.5

Формула: RICE = Reach × Impact × Confidence ÷ Effort; результат трактуется как «total impact per time worked»; Intercom прямо предупреждает, что балл «не должен использоваться как жёсткое правило» и что работа не по порядку допустима при явном обозначении причин факт [S6]. Страница первоисточника датирована 2018-01-05; вторичные источники относят появление метода к 2016 году мнение [S7].

Где ломается математика: - Единицы. Reach и Effort — шкалы отношений (люди, человеко-месяцы), Impact и Confidence — суждения. Произведение осмысленно только если множитель Impact трактуется как отношение («massive» в 12 раз больше «minimal»), чего первоисточник не утверждает гипотеза. - Confidence как множитель. Умножение на 0.5 означает «ожидаем половину эффекта», что смешивает вероятность успеха с величиной эффекта; при бинарном исходе математическое ожидание равно p × impact только если провал даёт ноль гипотеза. - Effort в знаменателе. См. выше; человеко-месяцы нелинейны относительно числа людей мнение [S7]. - Данные. Reach требует аналитики по сегментам; без неё «reach» превращается в догадку с ложной точностью. Критики рекомендуют фиксировать окно и источник отчёта на весь раунд и трактовать различия баллов менее 15 % как ничью мнение [S7].

Что RICE делает правильно: две из четырёх переменных — реальные величины. Если Impact привязать к измеримому эффекту на пользователя (например, прирост конверсии), формула приближается к ожидаемой ценности на человеко-месяц гипотеза.

ICE (Sean Ellis)

Impact, Confidence, Ease оцениваются по 1–10 и перемножаются; метод приписывается Sean Ellis и популяризован книгой «Hacking Growth» (2017) мнение [S8]. Назначение — быстрая сортировка десятков идей для growth-экспериментов, а не оценка крупных инвестиций.

Где ломается: три порядковые шкалы перемножены, диапазон 1–1000 создаёт иллюзию разрешения; вопрос «насколько вы уверены» позволяет ставить оценку по предпочтению, а не по свидетельствам, поэтому практики предлагают переформулировать Confidence как «сколько у нас доказательств» мнение [S8]. Данных не требует, и в этом его смысл: он пригоден только там, где за оценкой следует реальный эксперимент, то есть ретроспектива встроена в процесс гипотеза.

WSJF (SAFe) и его отличие от CD3

Официальная страница SAFe определяет WSJF как «relative cost of delay divided by relative job duration», где cost of delay складывается из user-business value, time criticality и risk reduction/opportunity enablement; подробности шкал закрыты за логином факт [S9]. По вторичным описаниям, каждый компонент оценивается по относительной шкале (модифицированный ряд Фибоначчи либо 1–10), компоненты суммируются, а размер работы служит прокси длительности вендор [S10, S11].

Свойство WSJF (SAFe) CD3 (Arnold, Reinertsen)
Числитель сумма трёх относительных оценок cost of delay в деньгах за неделю
Знаменатель размер работы (относительный) длительность в неделях
Единицы результата безразмерный ранг безразмерный ранг, но входы проверяемы
Сравнимость между командами нет, шкалы локальны да, если валюта единая

Где ломается: сложение компонентов даёт ненулевой cost of delay при нулевой ценности, тогда как экономически cost of delay — произведение ценности и срочности, и «если любой из двух параметров нулевой, cost of delay равен нулю» мнение [S12]. Относительные оценки теряют информацию о величине, не помогают при нескольких стейкхолдерах и не вскрывают допущений, ради чего и вводилось квантифицирование мнение [S12]. Снижение риска «усредняется до незначимости» двумя другими компонентами, а крупные структурные работы штрафуются знаменателем, поэтому формула «не видит стоп-фактор» мнение [S13]. Ни CD3, ни WSJF не учитывают соответствие стратегии, что практики восполняют дополнительными измерениями мнение [S11].

Деление на оценку усилий — общая точка поломки RICE, WSJF и CD3. При усилии E в знаменателе балл пропорционален 1/E: ошибка в оценке E на 30 % сдвигает балл на 30 %, а у конкурирующих инициатив баллы часто различаются на меньшую величину мнение [S7]. Крупные структурные работы (снижение риска, платформа) систематически тонут, потому что их размер велик, а вклад в «ценность» размазан по компонентам мнение [S13].

Взвешенные матрицы критериев и theme scoring

Взвешенный скоринг: оценка = Σ wᵢ × sᵢ по критериям выгоды минус (или делённая на) Σ wⱼ × cⱼ по критериям стоимости; веса задаёт организация, в вендорском примере шесть критериев, три выгоды и три стоимости вендор [S14]. Theme scoring по Bruce McCarthy: каждая тема оценивается против каждой цели по шкале 0/1/2, усилие через T-shirt 1–5, уверенность в процентах, результат сводится в scorecard; ограничение «не более трёх целей одновременно» мнение [S15]. Авторы «Product Roadmaps Relaunched» признают, что итоговые приоритеты «directionally correct» и требуют слоя практических соображений (зависимости, ресурсы, обязательства) мнение [S16].

Где ломается: веса и оценки порядковые, взвешенная сумма порядковых величин остаётся порядковой; критерии коррелируют (двойной счёт); веса выбирают те же люди, что и оценки. Строгий вариант — cost-value approach Karlsson и Ryan (1997): относительная ценность и относительная стоимость требований получаются попарными сравнениями по AHP с проверкой согласованности, применён к двум коммерческим проектам эмпирика [S17]; цена метода — n(n−1)/2 сравнений, что при 40 требованиях даёт 780 пар гипотеза.

Value против effort (матрица 2×2)

Две оси, четыре квадранта, «quick wins» в первую очередь вендор [S14]. Где ломается: бинаризация теряет величину, нет ограничения ёмкости, ничьи внутри квадранта не разрешаются. Уместна как первичный фильтр при десятках мелких идей.

Kano-взвешенный скоринг

Категория Kano (must-be, performance, attractive, indifferent) используется как фильтр или вес: сначала must-be, затем performance, затем attractive; в непрерывном варианте входами служат коэффициенты удовлетворённости и неудовлетворённости мнение [S18]. Надёжность самой классификации разбирается в 1.5; на неё и опирается вся конструкция.

1.4. Экономические методы

Cost of delay и CD3

Cost of delay формально определяется как частная производная полной ожидаемой ценности по времени; практически — ответ на вопрос «во что обойдётся задержка на месяц», в единицах деньги/время факт [S19]. Reinertsen сообщает, что около 85 % продакт-менеджеров не могут ответить на этот вопрос, а интуитивные оценки внутри одной команды расходятся в 50 раз мнение [S19]. Первоисточник — книга «The Principles of Product Development Flow» (2009), закрытая; утверждения воспроизведены по вторичным источникам.

Механика оценки cost of delay: ценность раскладывается на четыре типа выгод (рост выручки, защита выручки, снижение затрат, избежание затрат), а срочность задаётся профилем во времени; на сайте Black Swan Farming упомянуты профили срочности, но на странице они не раскрыты факт [S20]. Пример Maersk Line: одна функция с cost of delay свыше 200 000 долларов в неделю ждала в очередях 38 недель, что оценено примерно в 8 млн долларов упущенной выручки вендор [S20].

CD3 = cost of delay ÷ duration; в примере на сайте порядок B→C→A по CD3 даёт суммарную стоимость задержки 27 000 долларов против 69 000 при FIFO, снижение на 61 % факт [S21]. Это классическое правило «взвешенная кратчайшая работа первой»: сортировка по убыванию cᵢ/dᵢ минимизирует Σ cᵢ × (момент завершения i) при линейном профиле гипотеза.

Где ломается: оценка cost of delay требует модели ценности и даёт ложную точность в деньгах; длительность в знаменателе несёт ту же ошибку, что и effort; линейный профиль — допущение, при фиксированной дате или затухающей ценности формула меняется гипотеза. Данные: нужны единичная стоимость эффекта (маржа, LTV) и оценка длительности; при отсутствии финансовой модели допустимы диапазоны, что, по мнению сторонников, всё равно лучше относительных баллов мнение [S12].

NPV, ROI и ожидаемая ценность

Формулы: - NPV = Σ CFₜ/(1+r)ᵗ − I₀, где r — ставка дисконтирования; смысл — «деньги сейчас ценнее денег позже» факт [S22]. - Ожидаемая ценность EV = Σ pᵢ × vᵢ по сценариям. - ROI = (выгода − затраты)/затраты.

Где ломается: слабое место — не дисконтирование, а прогноз денежных потоков. Hubbard по опыту проектов клиентов описывает «измерительную инверсию»: переменные с наибольшей ценностью информации (отмена проекта, скорость и глубина adoption) почти не моделируются, а стоимость разработки, которую измеряют старательнее всего, имеет низкую ценность информации мнение [S23]. Для отдельной функции NPV требует атрибуции выручки к функции, что редко возможно; метод уместен для крупных инициатив: новая линия продукта, изменение цен, миграция платформы гипотеза.

Юнит-экономика как вход

Ориентиры David Skok: LTV/CAC выше 3 у лучших SaaS-компаний, окупаемость CAC в 5–7 месяцев оптимально и не более 12; автор оговаривает, что это лишь ориентиры и что сегменты могут иметь совершенно разную экономику мнение [S24]. Как вход в приоритизацию: ценность инициативы = Δ(удержание или конверсия) × число затронутых клиентов × LTV-эффект; экономия CAC при улучшении воронки. Где ломается: атрибуция изменения метрики к инициативе и разнородность сегментов мнение [S24].

Real options

Реальный опцион — право, но не обязанность предпринять действие (отложить, расширить, свернуть, стадировать); методы оценки — Black-Scholes, биномиальные решётки, Monte Carlo; входы — текущая стоимость, волатильность, срок, «цена исполнения»; ключевые ограничения — базовый актив не торгуется, волатильность приходится оценивать суждением, нужна организационная способность распознавать и исполнять опционы; термин введён Myers в 1977 году факт [S25]. Перенос на софт сделан Erdogmus и Favaro (глава 2006 года в «Value-Based Software Engineering»); текст главы недоступен, проверены только библиографические данные факт [S26]. Рабочая статья 2026 года трактует намеренный технический долг как call-опцион на валидированный продукт с оценкой через динамическое программирование и прямо сообщает: «contains no empirical results» факт [S27]. Практический остаток: стадирование инвестиций (spike → прототип → сборка) и ценность ожидания информации; численная оценка опционов в продуктовых командах не встречается гипотеза.

Applied Information Economics (Hubbard)

Порядок: определить решение, построить модель с калиброванными диапазонами, посчитать ожидаемые потери от ошибки (expected opportunity loss) и ценность информации по переменным, измерить только то, что имеет высокую ценность информации, затем решать; ценность информации равна вероятности ошибки, умноженной на её цену мнение [S23]. Формула для бинарного решения: EOL = p(ошибочно выбрать) × потери при ошибке; EVPI — верхняя граница затрат на измерение гипотеза. Где ломается: нужны калиброванные оценщики и явная модель решения; для десятков мелких задач избыточно, для двух-трёх крупных ставок в год — рабочий инструмент гипотеза.

Reference class forecasting (Flyvbjerg)

Три шага: выбрать класс сопоставимых прошлых проектов, построить распределение интересующего параметра по классу, расположить текущий проект в этом распределении; основа — «внешний взгляд» Kahneman и Tversky; первое практическое применение — Edinburgh Tram (2004), где обычная контингенция 25 % против 57 % по RCF, итоговая стоимость 776 млн фунтов факт [S28, S29]. Эмпирическая база: 258 транспортных проектов на 90 млрд долларов, оценки «highly and systematically misleading» с подавляющей статистической значимостью; объяснение — стратегическое искажение и оптимизм эмпирика [S30]. Для IT: Flyvbjerg и Budzier (HBR 2011) на выборке IT-проектов описывают «толстый хвост» перерасходов; в доступном фрагменте приведён пример Levi Strauss с бюджетом менее 5 млн и списанием 192,5 млн долларов эмпирика [S31].

Перенос на ценность: класс — прошлые инициативы того же типа (например, «улучшения онбординга»), параметр — отношение реализованной ценности к предсказанной, поправка — медиана или квантиль этого отношения, применяемая к новым прогнозам гипотеза. Это и есть механизм калибровки ценности из 1.7.

1.5. Методы на данных о клиентах

Модель Kano и опросная механика

Первоисточник: Kano, Seraku, Takahashi, Tsuji, «Attractive Quality and Must-Be Quality», Journal of the Japanese Society for Quality Control, т. 14, № 2, 1984, с. 147–156; три категории (must-be, one-dimensional, attractive) проверены опросами о телевизорах и настольных часах факт [S32].

Опросная механика по гиду Folding Burritos (2015, обновлён 2022) факт [S18]: - Пара вопросов на каждую функцию: функциональный («как вы отнесётесь, если функция есть») и дисфункциональный («если функции нет»). - Пять ответов: I like it, I expect it, I am neutral, I can tolerate it, I dislike it. - Таблица оценки переводит пару ответов в категорию: Attractive, Performance (one-dimensional), Must-be, Indifferent, Reverse, Questionable. - Дискретный анализ: категория = мода по респондентам; правило приоритета Must-be > Performance > Attractive > Indifferent. - Непрерывный анализ (DuMouchel): ответам присваиваются числа −2, −1, 0, 2, 4 по каждой оси; вопрос важности по шкале 1–9; функции наносятся на плоскость со средними и разбросом. - Коэффициенты Timko/Berger: CS = (A+O)/(A+O+M+I), DS = (O+M)/(A+O+M+I). - Ориентир выборки: не менее 15 респондентов на персону.

Эмпирика надёжности: Chapman и Callegaro (2022) показали, что стандартные вопросы Kano не образуют одномерной шкалы, варианты ответов не взаимоисключающие, а конструкция создана для медленно меняющихся товаров длительного пользования и «ломается» на технологических продуктах, где категории перекрываются эмпирика [S33]. В их тесте повторного ответа 68,7 % респондентов сначала выбрали «expect it» для тачскрина, но лишь 39,1 % повторили ответ; коэффициенты надёжности 0,61–0,73; устойчивые агрегированные категории требовали N ≥ 200; факторный анализ выявил не менее двух факторов в пяти вариантах ответа эмпирика [S34]. Рекомендация авторов: шкалы Likert или MaxDiff с XY-графиком вместо пары Kano мнение [S34].

Где ломается: мода уничтожает распределение; классификация нестабильна при малых выборках; категории дрейфуют во времени («attractive» становится «must-be») мнение [S18].

MaxDiff (best-worst scaling)

Респондент видит наборы из 4–5 пунктов и выбирает лучший и худший; 8–15 наборов на респондента, 15–40 пунктов в исследовании; оценка через hierarchical Bayes; выход — вероятности на шкале отношений, суммирующиеся в 100; нет смещения использования шкалы, так как ответы — выборы, а не оценки вендор [S35]. Сравнительное исследование Sawtooth (2003): средние t-значения различения пунктов 3,3 для рейтинговых шкал, 6,3 для парных сравнений, 7,7 для MaxDiff; выше и предсказательная валидность на holdout-ранжировании эмпирика [S36]. Ограничение: важности относительные, «ничего не нужно» не выражается без якорного варианта (anchored MaxDiff) вендор [S35]. Данные: опросный инструмент и порядка сотен респондентов; для B2B-ниши это главный барьер гипотеза.

Conjoint

Продукт раскладывается на атрибуты и уровни; респондент выбирает из наборов концептов (8–20 заданий); выход — part-worth utilities, важности атрибутов в процентах и симулятор рынка вендор [S37]. Уместен для ценообразования и пакетирования; для бэклога из десятков несвязанных функций непригоден из-за ограничения числа атрибутов гипотеза.

Opportunity scoring (Ulwick)

Формула: opportunity = importance + max(0, importance − satisfaction) факт [S38]. Strategyn заявляет 86 % успеха ODI по 43 компаниям-клиентам против средних по отрасли 17 %, и 18 успешных запусков из 21 вендор [S39]. Механика: 50–150 формулировок желаемых результатов на «работу», опрос важности и удовлетворённости, ранжирование по формуле вендор [S39].

Где ломается: важность и удовлетворённость считаются как доли top-two-box, переведённые в 0–10, и складываются как шкалы отношений; при удовлетворённости выше важности max(0, ·) обнуляет её вклад, при недообслуженности формула сводится к 2I − S, то есть важность весит вдвое; пороги: выше 15 — сильно недообслужено, ниже 10 — обслужено адекватно мнение [S40]. На трёх внутренних отчётах Strategyn одна важность объясняла около 84 % дисперсии opportunity score (R² = 0,84) эмпирика [S40]. Данные: дорого — сотни респондентов и длинный опросник; для компании 20–500 человек реалистичен усечённый вариант на 10–20 результатов гипотеза.

Данные использования и запросов

Pendo (2019): в среднем продукте 80 % функций используются редко или никогда; 12 % функций дают 80 % дневного использования; выборка 615 подписок, окно три месяца; оценка 29,5 млрд долларов получена экстраполяцией R&D-расходов 54 публичных компаний вендор [S41]. Kohavi (Bing, 2013): при объективной проверке в контролируемом эксперименте «менее трети идей двигают метрики, ради которых созданы», а в оптимизированных доменах доля ниже; свыше 250 экспериментов в день эмпирика [S42]. Смысл для приоритизации: данные использования — самая дешёвая «истина» для ретроспективы прогнозов; счётчики запросов смещены к громким клиентам гипотеза.

Buy-a-feature (Hohmann)

Участники получают условный бюджет и «покупают» функции из прайс-листа; по вендорскому описанию, цены задаются по оценке стоимости разработки, денег выдаётся примерно на половину функций, чтобы заставить выбирать, а самая дорогая функция покупается только объединением бюджетов нескольких участников; игра рекомендуется очно, потому что главный результат — разговоры участников вендор [S14, S43]. Выход: список купленного и запись переговоров; глоссарий советует применять метод после того, как «другие виды исследования рынка исчерпаны» вендор [S43]. Где ломается: выборка приглашённых, цены отражают ваши затраты, а не их ценность; результат — класс (куплено/нет), а не шкала; исследований предсказательной точности не найдено.

1.6. Подходы без скоринга

Ставки Shape Up (Basecamp)

Правила: нет центрального бэклога; ставка — обязательство на шестинедельный цикл с фиксированным временем и переменным объёмом, без прерываний, с полной ответственностью команды за результат; между циклами две недели cool-down; «really important ideas will come back to you» факт [S44]. Betting table собирается в cool-down, у Basecamp это CEO, CTO, старший программист и продуктовый стратег, встреча редко длится дольше часа-двух; ставки делаются только на один цикл вперёд; проекты без результата в срок по умолчанию не продлеваются (circuit breaker), а возвращаются на shaping; скоринг не упоминается факт [S45]. Appetite (аппетит) — заранее заданное допустимое время: шесть недель или одна-две факт [S45].

Механика в терминах отчёта: ограничение ёмкости задаётся первым (аппетит), ценность оценивается качественно узкой группой по проработанным pitch. Где ломается: зависит от качества shaping и дисциплины маленькой группы; нет явной валюты и портфельного баланса; при росте числа команд стол ставок становится узким местом гипотеза.

Стек-ранжирование

Единый упорядоченный список, как в Scrum Guide факт [S1]. Механика: вставка нового элемента попарным сравнением с соседями; вынужденный выбор без баллов. Где ломается: при десятках элементов и нескольких стейкхолдерах сравнения непоследовательны; величина различий теряется; при этом это единственный метод, который по определению не страдает от перемножения шкал гипотеза.

Распределение ёмкости по корзинам

Adam Nash (2009): три корзины — metrics movers, customer requests, customer delight; попытка свести всё к одной формуле «has not proven to be effective in practice», потому что побеждают метрические функции с более уверенным дизайном; каждый крупный релиз должен содержать все три корзины мнение [S46]. Правило 70/20/10: у Google (Schmidt, 2005) как доли времени на ядро, смежное и новое; в исследовании Nagji и Tuff (HBR 2012) компании с распределением 70/20/10 по core/adjacent/transformational опережали конкурентов, а отдача распределялась обратно, 10/20/70 эмпирика [S47, S48]. Текст HBR доступен только фрагментарно, числа приведены по вторичному изложению.

Now-next-later

Создан Janna Bastow около 2012 года как ответ на дорожные карты с датами, которые «лишают команды гибкости»; колонки различаются уверенностью и детализацией: Now — проработанная активная работа, Next — менее детальные следующие задачи, Later — «размытые» проблемы; приоритизировать проблемы, а не идеи, и привязывать всё к целям факт [S49]. Внутри колонок ранжирование задаётся отдельно; инициативы привязываются к OKR, обязательства даются по целям, а не по элементам карты вендор [S50].

North Star и «одна метрика» как фильтр

Amplitude (Cutler): North Star metric — одна метрика ценности для клиента, к ней ведут input-метрики, и работа связывается цепочкой «work → inputs → North Star»; фреймворк подаётся как «prioritization filter» вендор [S51]. Механика: сначала фильтр (двигает ли инициатива хотя бы один вход), затем ранжирование по ожидаемому Δ входа — мост к деревьям метрик.

MoSCoW (DSDM)

Must Have — минимально пригодное подмножество, тест «отменили бы проект без этого?»; Should — важно, но решение жизнеспособно без него; Could — желательно, основной резерв при риске сроков; Won't Have this time — исключено из текущего объёма; DSDM советует держать Must не выше 60 % усилий проекта, а Could — около 20 % как контингенцию; приоритеты пересматриваются минимум после каждого timebox; автор — Dai Clegg факт [S52]. Где ломается: без ограничения по усилию всё становится Must, и метод перестаёт давать гибкость; это классификация, а не порядок.

Качественные правила и вето

Правила вида «безопасность и соответствие требованиям вне очереди», «не более N параллельных инициатив», «circuit breaker по сроку» — не оценка, а ограничения на пространство решений; они дешевле любого скоринга и защищают от его слепых пятен (стоп-факторы, зависимости) гипотеза.

1.7. Сквозные механики

Ёмкость и корзины

Формулы (обозначения авторские): - Ёмкость периода C в человеко-неделях; доступная ёмкость C_avail = C × (1 − доля накладных: отпуска, поддержка, встречи). - Доли корзин aₖ, Σ aₖ = 1; бюджет корзины Bₖ = aₖ × C_avail. - Использование Uₖ = фактически потрачено в корзине k ÷ Bₖ; дрейф Dₖ = Uₖ − 1. - Правило пересмотра: доли фиксируются на квартал; изменение только с записанной причиной; «обязательная» корзина (соответствие требованиям, keep-the-lights-on) задаётся не долей, а перечнем.

Основания: ограничение Must ≤ 60 % и резерв Could ≈ 20 % в DSDM факт [S52]; три корзины Nash с требованием присутствия каждой в релизе мнение [S46]; 70/20/10 как эмпирически наблюдаемая, а не нормативная пропорция эмпирика [S48]. Измерения корзин: по типу работы (новая ценность, долг, поддержка), по продуктовым направлениям, по горизонтам (core/adjacent/transformational). Корзина — валюта портфельного уровня: решение о долях и есть оценка ценности направлений, принятая один раз в квартал, а не при каждой задаче гипотеза.

Единая валюта ценности

Варианты валюты: - Деньги в неделю (cost of delay): единственная валюта, сравнимая между командами и с затратами; требует модели ценности мнение [S20]. - Условные единицы, привязанные к эталонной инициативе («это как половина проекта X»); дёшевы, но локальны. - Δ input-метрики North Star (например, «+2 п. п. недельной активации»); сравнимы внутри продукта, конвертируются в деньги через юнит-экономику вендор [S51].

Правила конвертации: Δметрики × стоимость единицы (LTV, маржа) → деньги мнение [S24]; избежание риска → вероятность события × потери (expected opportunity loss) мнение [S23]. Ограничения: конвертация перемножает неопределённости, поэтому валюта хранится диапазоном (нижняя и верхняя границы 90 %-го интервала), а не точкой; корзины с разными валютами сравниваются только внутри корзины; смешивать деньги и баллы в одной формуле нельзя гипотеза.

Ретроспектива прогнозов и калибровка

Механика: журнал, где для каждой инициативы записаны прогноз ценности (диапазон), автор, дата, затем факт через фиксированный срок и отношение факт/прогноз. Для бинарных утверждений («метрика вырастет») — доля сбывшихся против заявленной уверенности.

Что известно о калибровке людей: - До тренировки 90 %-е интервалы содержат ответ примерно в 52 % случаев (по данным HDR на более чем 10 000 интервалов), после тренировки — 78 % вендор [S53]. - В Good Judgment Project часовой модуль тренировки улучшал точность с эффектом, сохранявшимся не менее года, а суперпрогнозисты достигали калибровки 0,01 эмпирика [S54]. - Mellers и соавторы (2014) выделили тренировку, командную работу и отбор как драйверы точности по Brier эмпирика [S55]. - Реанализ Hauenstein и соавторов (Psychological Science, 2024) на моделях латентной способности показал, что при учёте посторонних переменных эффекты тренировки и команд существенно уменьшаются, а местами меняют знак эмпирика [S56]. - Базовая частота для утверждения «инициатива сдвинет метрику» — менее трети эмпирика [S42].

Правило работы с систематическим оптимизмом: по журналу считается медиана отношения факт/прогноз по классу инициатив или по оценщику; она применяется как множитель к новым прогнозам того же класса; пересчёт ежеквартально; это перенос reference class forecasting на ценность гипотеза, основанный на трёх шагах Flyvbjerg факт [S29].

Конвейер методов

Рациональная связка для компании 20–500 человек: корзины ёмкости (квартал) → экономическая оценка крупных ставок диапазонами (cost of delay, EOL) → скоринг внутри корзины с реальными reach и effort → качественный стол ставок для финального отбора → журнал прогнозов → калибровка и пересмотр долей корзин. Подробности в разделах 4 и 5.

Актуальность и доказательная база на дату среза

2.1. Распространённость и тренд

Репрезентативных измерений распространённости методов нет; есть два опроса с известной выборкой и косвенные признаки из инструментов.

Признак Данные Источник и ограничение
Доля команд, использующих RICE 38 % из 94 нидерландских продуктовых команд (ноябрь 2024); RICE, Impact/Effort и MoSCoW лидируют, на три метода приходится 68 % ответов опрос автора вендорского блога, малая выборка одной страны вендор [S57]
Ориентация на outcomes большинство из более чем 1 400 респондентов предпочитают измерять успех outcomes, а не outputs; 31 % называют главным источником влияния руководство, 16 % — продажи и поддержку вендорский отчёт ProductPlan за декабрь 2023 вендор [S58]
Скоринг в инструментах пользовательские формулы приоритизации включены даже в бесплатный тариф Productboard; airfocus продаёт Priority Ratings и Priority Poker; Jira Product Discovery считает создателей идей страницы цен вендор [S59, S60, S61]
Ёмкость и распределение в инструментах Dragonboat позиционирует «visibility on allocation» и планировщик ёмкости; airfocus — Capacity Planning app страницы цен вендор [S60, S62]
LLM в инструментах кредиты AI во всех тарифах Productboard, агент и MCP-сервер у airfocus, «ambient agents» у Dragonboat; ни один вендор не заявляет автоматическую приоритизацию страницы цен вендор [S59, S60, S62]
Позиция вендора о автоматической приоритизации сотрудник команды Jira Product Discovery в 2023 году выразил скепсис к полностью автоматической приоритизации, начиная с суммаризации insights ветка сообщества Atlassian вендор [S63]

Тренд по этим признакам: скоринг остаётся дефолтом инструментов и опросов, а критика скоринга и подходы без скоринга растут в дискурсе, но не измерены гипотеза. Дата среза 2026-09-20; опросы старше на 21–33 месяца.

2.2. Научная и эмпирическая база по методам

Для каждого метода указано, есть ли исследования его точности как инструмента приоритизации, то есть сравнение предсказанной и реализованной ценности.

Метод Исследования точности Что есть на самом деле Статус
RICE, ICE, взвешенные матрицы, 2×2 не найдены перенос формальных результатов о матрицах риска на порядковых шкалах [S3, S4, S5]; практические критики [S7, S8] гипотеза о переносе; исследований точности нет
WSJF (SAFe) не найдены критика аддитивной модели и относительных оценок [S12, S13]; детали шкал закрыты [S9] исследований точности нет
Cost of delay, CD3 нет контролируемых исследований оптимальность правила при линейном профиле (расчётный пример) [S21]; кейс Maersk по данным сторонника метода [S20] практика и теория, не эмпирика
NPV, ROI, ожидаемая ценность стандарт финансов ошибка в прогнозах потоков, а не в формуле; систематическое занижение затрат на 258 проектах [S30]; измерительная инверсия по опыту консультанта [S23] эмпирика для затрат, мнение для ценности функций
Real options нет для продуктовых решений рабочая статья 2026 года прямо без эмпирики [S27]; ограничения метода известны [S25] теория
AIE и ценность информации нет независимых опыт консультанта [S23]; калибровка людей: 52 % → 78 % по данным HDR [S53] вендор
Reference class forecasting да, для затрат и сроков 258 транспортных проектов, систематическое занижение [S30]; Edinburgh Tram [S29]; IT-проекты с толстым хвостом [S31] эмпирика, но для затрат, не для ценности
Kano да, отрицательные test-retest 39,1 %, надёжность 0,61–0,73, N ≥ 200 для стабильности, неодномерная шкала [S33, S34]; первоначальная проверка на телевизорах и часах [S32] эмпирика против надёжности
MaxDiff да, сравнительные t-значения 3,3 / 6,3 / 7,7 и лучшая предсказательная валидность holdout [S36]; вендорское описание [S35] эмпирика, источник — вендор метода
Conjoint устоявшийся метод маркетинговых исследований в этом отчёте прочитано только вендорское описание [S37] статус не проверялся глубоко
Opportunity scoring нет независимых 86 % успеха по 43 клиентам [S39]; R² = 0,84 от одной важности на трёх отчётах [S40] вендор против эмпирика малого объёма
Данные использования и эксперименты да менее трети идей двигают целевые метрики [S42]; 80 % функций редко используются по 615 подпискам [S41]; winner's curse: фильтр значимости завышает оценки эффектов [S64], в симуляции 10 000 экспериментов на 43 % при доле ложных открытий 27 % [S65] эмпирика, часть вендор
Buy-a-feature не найдены вендорские описания правил [S43, S14] исследований точности нет
Shape Up, now-next-later, стек-ранжирование не найдены описания практики авторов [S44, S45, S49] практика компаний
Корзины ёмкости косвенно 70/20/10 коррелирует с опережением конкурентов по HBR 2012 в пересказе [S47, S48]; DSDM 60 % — норматив без исследования [S52]; три корзины — опыт практика [S46] эмпирика корреляционная и мнение
Калибровка прогнозов да, спорные тренировка и команды повышают точность [S54, S55]; реанализ 2024 года снижает или обращает эффекты [S56] эмпирика с противоречием
Ретроспектива прогнозов ценности в продуктовых командах нет опубликованных статистик практика pre-test impact sizing с диапазонами и обратной связью [S66] вендор

Итог: ни для одного скорингового метода не найдено исследований, сравнивающих предсказанную и реализованную ценность; эмпирика есть только у методов измерения (MaxDiff, Kano — отрицательная), у reference class forecasting для затрат и у экспериментов как источника базовой частоты.

2.3. Практическая база

  • Intercom опубликовал RICE как внутренний инструмент, разработанный «from first principles» после итераций; оговорки о жёстком правиле встроены в первоисточник факт [S6].
  • Basecamp описывает стол ставок как действующую практику с составом участников и длительностью факт [S45].
  • Maersk Line по описанию Black Swan Farming применял cost of delay к портфелю; одна функция с задержкой стоимостью свыше 200 000 долларов в неделю ждала 38 недель вендор [S20].
  • LinkedIn-эпохи Adam Nash: три корзины как опыт руководителя продукта; формула «не доказала эффективности на практике» мнение [S46].
  • Bing: свыше 250 экспериментов в день; менее трети идей успешны эмпирика [S42].
  • Pendo: 615 подписок, 80 % функций редко используются вендор [S41].

2.4. Мнение отрасли

  • Сторонники скоринга — вендоры инструментов и авторы гайдов: скоринг подаётся как «объективный» способ снять споры вендор [S10, S14].
  • Критики скоринга — практики, указывающие на порядковую арифметику, gaming и штраф крупных работ мнение [S7, S8, S13]; сторонники количественного cost of delay, считающие относительные оценки потерей смысла метода мнение [S12].
  • Критики единой формулы — Nash и авторы «Product Roadmaps Relaunched»: формула даёт лишь направление, решение требует слоя суждения мнение [S46, S16].
  • Критики опросных методов — специалисты по survey science (Chapman, Callegaro): Kano невалиден, замена — Likert и MaxDiff эмпирика [S33, S34].
  • Критики ODI — независимый разбор: важность объясняет почти всё эмпирика [S40].

2.5. Главные споры

  1. Относительные баллы или деньги. SAFe и большинство инструментов используют относительные шкалы ради простоты; сторонники Reinertsen настаивают, что даже грубые диапазоны в деньгах лучше, потому что вскрывают допущения мнение [S11, S12].
  2. Формула или суждение. Формулы обещают снять HiPPO; критики отвечают, что формула переносит HiPPO внутрь оценок и добавляет ложную точность мнение [S7, S46].
  3. Валидность Kano. Гайды практиков рекомендуют 15 респондентов на персону [S18], survey science требует N ≥ 200 и ставит под сомнение саму шкалу [S34].
  4. Работает ли тренировка калибровки. Первичные результаты GJP положительны [S55], реанализ 2024 года указывает на неучтённую дисперсию метода [S56]; вендор HDR сообщает о росте с 52 % до 78 % [S53].
  5. Синтетические респонденты. Ipsos на пяти коммерческих исследованиях (три CBC, два MaxDiff, N = 500 людей) нашёл систематические искажения по цене и отсутствие гетерогенности сегментов эмпирика [S67]; Conjointly показал, что перефразирование промпта меняет «предпочтения» 300 синтетических респондентов с 92 % до 66 % вендор [S68]; обзор 12 рецензируемых работ 2023–2026 годов: совпадение на уровне средних при заниженной дисперсии и неверных подгруппах эмпирика [S69].

2.6. Что изменилось за 2023–2026 и как это влияет на выводы

  • LLM вошли в инструменты как слой суммаризации и генерации, но не как оценщик. Кредиты AI и агенты у вендоров [S59, S60, S62]; исследовательский прототип агентов для приоритизации требований опубликован в 2024 году без данных о согласии с людьми в доступной аннотации факт [S70].
  • Самоуверенность LLM задокументирована. Инструкционно настроенные модели присваивают собственным ответам до 26 % больше уверенности, чем тем же ответам, поданным как пользовательские эмпирика [S71]; 90 %-е интервалы ChatGPT покрывали ответ в 60 % случаев, а стратегии калибровки людей ухудшили результат, помогла только математическая поправка вендор [S53].
  • Оценка трудоёмкости LLM стала конкурентоспособной. На 16 проектах zero-shot оценки story points четырьмя LLM превзошли обученные на 80 % данных модели глубокого обучения эмпирика [S72]; это делает effort в знаменателе формул дешевле, но не точнее по ценности.
  • Критика скоринга стала предметной. Разборы 2026 года дают правила (ничья в пределах 15 %, отдельная полоса для структурных работ) вместо общих слов мнение [S7, S13]; критика ODI получила числовую опору эмпирика [S40].
  • Реанализ калибровочных эффектов снижает уверенность в том, что короткая тренировка сама по себе чинит прогнозы; обратная связь по журналу остаётся необходимой эмпирика [S56].

Влияние на выводы: усиливается аргумент за конвейер «данные и эксперименты для мелкого, экономика для крупного, журнал для всего», ослабляется аргумент за любую форму «LLM оценит ценность».

Где применимо и где нет, плюсы и минусы

Списки сгруппированы по четырём классам методов и сквозным механикам; в каждом пункте назван класс или метод и механизм, почему условие работает или ломает метод.

Подходит, когда

  • Скоринг-формулы: десятки мелких сопоставимых инициатив, и для двух из четырёх переменных есть реальные данные (reach из аналитики, effort из оценки команды). Формула работает как согласованный фильтр отсева, а не как точное ранжирование; порядковые дефекты не важны, когда различия величин кратные, а цель — отбросить худшее мнение [S6, S7].
  • ICE: за оценкой следует реальный эксперимент. Ретроспектива встроена в процесс, ошибки оценки быстро видны, а базовая частота успеха идей меньше трети делает быструю сортировку выгоднее долгого анализа эмпирика [S8, S42].
  • Cost of delay и CD3: ставки крупные, ценность накапливается со временем, и есть единичная стоимость эффекта (маржа, LTV). Валюта деньги/неделя делает инициативы сравнимыми между собой и с затратами и вскрывает допущения о том, откуда берётся ценность мнение [S20, S21].
  • Applied Information Economics: две-три крупные ставки в год с ценой ошибки, оправдывающей неделю моделирования. Ценность информации указывает, что измерять перед решением, а измерительная инверсия предупреждает, что стоимость разработки — не та переменная мнение [S23].
  • Reference class forecasting: накоплен журнал прошлых инициатив одного класса (порядка 20–30 записей) с прогнозом и фактом. Внешний взгляд обходит оптимизм и стратегическое искажение, которые ломают внутренние оценки эмпирика [S28, S30].
  • MaxDiff: нужно ранжировать 15–40 пунктов по важности, и доступны сотни респондентов. Выборы вместо оценок дают шкалу отношений без смещения использования шкалы и лучшее различение, чем рейтинги эмпирика [S35, S36].
  • Conjoint: решение о цене, пакетах или наборе уровней атрибутов. Часть ценности каждого уровня измеряется через выбор между концептами вендор [S37].
  • Kano: выборка N ≥ 200, продукт зрелый и медленно меняющийся, результат нужен как ориентир категории, а не как число. Ниже этого порога агрегированные категории нестабильны эмпирика [S34].
  • Buy-a-feature: нужно увидеть компромиссы клиентов или стейкхолдеров и снять давление «всё важно». Ограниченный бюджет и необходимость объединяться вынуждают проговаривать причины вендор [S43].
  • Ставки Shape Up: маленькая группа senior людей способна судить о ценности, работа приходит крупными кусками, а ёмкость легко задать аппетитом. Ограничение фиксируется первым, объём подстраивается факт [S44, S45].
  • Корзины ёмкости: в портфеле несколько несравнимых типов работы (долг, поддержка, новая ценность) или направлений, которые единая формула систематически обделяет. Доли решают конфликт раз в квартал, а не при каждой задаче мнение [S46].
  • MoSCoW: фиксированный срок и переменный объём (релиз, проект с датой), при соблюдении потолка Must ≤ 60 % усилий. Классы дают резерв на срыв сроков факт [S52].
  • Now-next-later: высокая неопределённость и необходимость коммуницировать направление наружу без дат. Колонки различаются уверенностью, обязательства даются по целям факт [S49, S50].
  • North Star как фильтр: существует дерево метрик с input-метриками. Инициативы, не двигающие ни один вход, отсеиваются до всякого скоринга вендор [S51].
  • Ретроспектива прогнозов: любой из методов выше применяется дольше двух кварталов. Без сравнения прогноза с фактом калибровка невозможна, а люди без тренировки систематически самоуверенны вендор [S53].

Не подходит, когда

  • Скоринг-формулы для сравнения крупных структурных ставок с мелкими задачами. Усилие в знаменателе топит крупное, снижение риска усредняется другими компонентами мнение [S13].
  • Скоринг без определений шкал, источника оценки и ретроспективы. Оценки становятся выражением предпочтений, различия баллов внутри 15 % трактуются как решения мнение [S7, S8].
  • Скоринг с локальными относительными шкалами для сравнения между командами. Относительные оценки не переносятся между стейкхолдерами и не вскрывают допущений мнение [S12].
  • WSJF в форме SAFe для инвестиционных решений в деньгах. Аддитивные прокси дают ненулевую «стоимость задержки» при нулевой ценности мнение [S12].
  • NPV или ROI для отдельной функции без механизма атрибуции выручки. Прогноз денежного потока становится вымыслом с дисконтированием гипотеза.
  • Численные real options при отсутствии данных о волатильности и рыночной цены базового актива. Ключевые входы приходится выдумывать, эмпирических подтверждений применимости к продуктовым решениям нет факт [S25, S27].
  • Kano на выборках меньше 200, для быстро меняющихся технологических продуктов или как источник чисел для формулы. Test-retest 39,1 %, категории перекрываются, ответы не взаимоисключающие эмпирика [S33, S34].
  • Opportunity scoring как «обнаружение скрытых возможностей». Важность объясняет около 84 % дисперсии балла, удовлетворённость после max(0, ·) почти не влияет эмпирика [S40].
  • Данные использования как единственная истина для новых сегментов и новых типов ценности. Использование измеряет то, что уже построено; отсутствие использования у ненужного и у плохо сделанного выглядит одинаково гипотеза.
  • Shape Up при многих командах, регуляторных обязательствах с датами или без senior людей, готовых судить. Стол ставок становится узким местом, а circuit breaker конфликтует с обязательствами гипотеза.
  • MoSCoW без потолка усилий. Всё становится Must, и метод перестаёт давать гибкость факт [S52].
  • Корзины без пересмотра долей и без учёта использования. Доли превращаются в ритуал, отклонения не замечаются гипотеза.
  • Buy-a-feature для оценки величины ценности. Результат — класс «куплено/нет» на выборке приглашённых по ценам, отражающим ваши затраты вендор [S43].

Плюсы

  • Скоринг: дешевизна и повторяемость. Одна таблица, полчаса на десять инициатив, аргументы записаны и проверяемы факт [S6].
  • Скоринг: явные критерии снижают долю чистого HiPPO. Даже порядковая оценка требует назвать reach и effort, что делает спор предметным мнение [S7].
  • Экономические методы: единая валюта. Деньги в неделю сравнимы между командами и с затратами, автоматически игнорируют sunk cost факт [S9, S21].
  • Экономические методы: вскрытие допущений. Попытка квантифицировать заставляет проговорить, откуда берётся ценность мнение [S12].
  • Reference class forecasting: единственный метод с доказанной способностью снимать систематический оптимизм. Работает на распределении фактов, а не на суждении эмпирика [S28, S29].
  • MaxDiff и conjoint: шкала отношений и внешняя опора. Ответы клиентов, а не мнения команды; лучшее различение пунктов, чем у рейтингов эмпирика [S36].
  • Kano: концептуальная рамка «базовое, линейное, восхищающее». Полезна как язык обсуждения, даже если числа ненадёжны мнение [S18].
  • Подходы без скоринга: скорость и отсутствие ложной точности. Стол ставок Basecamp укладывается в час-два на цикл факт [S45].
  • Корзины: защита неудобных типов работы. Долг и поддержка получают долю независимо от того, как они выглядят в формуле мнение [S46].
  • Ретроспектива: единственный источник калибровки. Тренировка с обратной связью повышает долю попаданий 90 %-х интервалов с 52 % до 78 % вендор [S53].

Минусы

  • Скоринг: порядковая арифметика и ложная точность. Произведение рангов не имеет интерпретации; матрицы того же типа сравнивают корректно малую долю пар факт [S3, S4].
  • Скоринг: gaming. Любая переменная без источника оценки подкручивается под желаемый результат мнение [S7].
  • Экономические методы: стоимость модели и калиброванных людей. 85 % продакт-менеджеров не могут назвать стоимость задержки, оценки расходятся в 50 раз мнение [S19].
  • Экономические методы: ложная точность в деньгах. Число с долларами выглядит фактом даже когда это диапазон суждений гипотеза.
  • Методы на данных клиентов: цена и время. Сотни респондентов, дизайн опроса, недели работы; для B2B-ниши часто недостижимо гипотеза.
  • Методы на данных клиентов: нестабильность и относительность. Kano ненадёжен, MaxDiff даёт только относительные важности эмпирика [S34, S35].
  • Подходы без скоринга: непрозрачность и зависимость от людей. Решение стола ставок не воспроизводимо и плохо объяснимо тем, кто не сидел за столом гипотеза.
  • Корзины: закрепление структуры. Неверно выбранные измерения корзин консервируют прошлую стратегию гипотеза.
  • Ретроспектива: дисциплина и лаг. Факт по ценности приходит через кварталы, журнал легко забросить; эффекты тренировки прогнозистов в реанализе оказались меньше заявленных эмпирика [S56].

Альтернативы и дерево решений

Предмет сравнения — рациональный конвейер: корзины ёмкости на квартал, единая валюта внутри корзины, экономическая оценка крупных ставок диапазонами, скоринг с реальными reach и effort внутри корзины для мелкого, стол ставок для финального отбора, журнал прогнозов с калибровкой. Альтернативы — цельные подходы того же назначения, каждый из которых компания может взять «как есть».

Сравнительная таблица

Подход Нужные данные Стоимость входа Масштаб ставок Число инициатив за цикл Порядковая арифметика Сравнимость между командами Ёмкость встроена Ретроспектива встроена Доказательность
Конвейер (предмет) аналитика reach, оценка effort, единичная стоимость эффекта для крупного средняя: 2–4 недели настройки, час в неделю ведения гипотеза любой: крупное через экономику, мелкое через скоринг десятки мелких + единицы крупных только внутри корзины, с правилом ничьей да, через валюту и корзины да да, журнал обязателен сборка из методов с разной базой; целиком не исследован
Чистый RICE/ICE аналитика reach (RICE) или ничего (ICE) низкая: таблица мелкие и средние десятки да, произведение шкал [S3, S6, S8] нет, шкалы локальны нет нет исследований точности нет
WSJF по SAFe относительные оценки трёх компонентов и размера низкая, но требует ритуала PI средние, внутри ART десятки да, сумма и деление рангов [S9, S12] нет косвенно через PI нет исследований нет; критика аддитивности [S12, S13]
CD3 в деньгах модель ценности, длительность высокая: финансовая модель на инициативу крупные и средние единицы-десятки нет, деньги/неделя [S21] да нет возможна: прогноз в деньгах проверяем кейс Maersk [S20], теория оптимальности [S21]
Shape Up pitch с аппетитом, senior судьи средняя: культура shaping крупные (недели) единицы нет [S45] нет нужды: одна группа да, аппетит слабая: circuit breaker, без чисел практика Basecamp [S44, S45]
MoSCoW + стек классификация, оценка усилий для потолка 60 % низкая релизный объём десятки нет [S52] нет да, через потолок Must нет норматив DSDM [S52]
Опросные методы (MaxDiff, opportunity) как основа сотни респондентов, инструмент высокая: недели и бюджет средние и крупные 15–40 пунктов нет для MaxDiff [S35]; да для opportunity [S40] да, если одна выборка нет нет MaxDiff: сравнительные исследования [S36]; opportunity: вендор [S39]
AIE для всего калиброванные оценщики, модель решения высокая: дни на решение крупные единицы нет [S23] да нет да, калибровка встроена опыт консультанта [S23], калибровка вендор [S53]

Когда альтернатива целесообразнее предмета: - Чистый RICE/ICE — команда одна, инициативы мелкие и однотипные, есть эксперименты; плюс: минимальная стоимость; минус: нет ёмкости и ретроспективы, порядковая арифметика [S6, S8]. - WSJF по SAFe — организация уже живёт в SAFe и ценит единообразие ритуала выше точности; плюс: готовый шаблон; минус: аддитивные прокси, несравнимость, штраф крупного [S12, S13]. - CD3 в деньгах — есть финансовая модель, инициативы крупные, ценность накапливается во времени; плюс: настоящая валюта; минус: дорого для мелкого, ложная точность [S20, S21]. - Shape Up — компания 20–80 человек с сильной senior-группой, работа крупными кусками; плюс: скорость, отсутствие бэклога; минус: непрозрачность, узкое горлышко стола [S44, S45]. - MoSCoW + стек — фиксированный релиз с датой; плюс: резерв Could; минус: только классы [S52]. - Опросные методы — выбор среди многих потребительских функций при доступе к аудитории; плюс: внешняя шкала отношений; минус: цена и время [S35, S36]. - AIE — одна-две ставки в год с ценой ошибки в миллионы; плюс: измерение того, что важно; минус: дорого, нужны калиброванные люди [S23].

Дерево решений

  • Если инициатива одна, крупная и с ценой ошибки, сопоставимой с квартальным бюджетом разработки→AIE: модель решения, калиброванные диапазоны, expected opportunity loss, измерить переменную с наибольшей ценностью информации
    • Если есть прошлые проекты того же класса с фактами по затратам и срокам→добавить reference class forecasting для затрат и сроков
    • Иначе→диапазоны без поправки, но с записью в журнал прогнозов
  • Если инициатив в цикле меньше пяти и каждая занимает недели→стол ставок с pitch и аппетитом (Shape Up)
    • Если есть единичная стоимость эффекта (маржа, LTV, стоимость простоя)→cost of delay в деньгах в неделю диапазоном, порядок по CD3
    • Иначе→условные единицы, привязанные к эталонной инициативе, порядок по стеку, запись в журнал
  • Если инициатив десятки и каждая занимает дни или недели→корзины ёмкости на квартал, затем внутри корзины:
    • Если есть аналитика по сегментам и оценка усилий→RICE с реальными reach и effort, различия баллов внутри 15 % считаются ничьей, ничья решается стеком
    • Если есть возможность контролируемых экспериментов→ICE с обязательным экспериментом и записью прогноза до запуска
    • Иначе→стек-ранжирование попарным сравнением внутри корзины
  • Если срок фиксирован, а объём переменный (релиз с датой, контракт)→MoSCoW с потолком Must ≤ 60 % усилий, внутри классов стек
  • Если вопрос звучит «что из этого списка ценят клиенты»:
    • Если доступно 200 и более респондентов→MaxDiff по важности плюс Likert по удовлетворённости с XY-графиком; Kano не применять
    • Если вопрос о цене или пакетах→conjoint
    • Если респондентов меньше 50→Buy-a-feature как качественная сессия с записью переговоров, без перевода в баллы
  • Если нужна коммуникация направления наружу без дат→now-next-later поверх любого из вариантов выше, обязательства по целям
  • Если в журнале накопилось 20 и более записей одного класса с прогнозом и фактом→применять медиану отношения факт/прогноз как поправку к новым прогнозам этого класса и пересматривать раз в квартал
  • Иначе (данных нет, инициатив немного, ёмкость не задана)→корзины по типу работы с долями 60/25/15 (новая ценность, долг, поддержка) как стартовая иллюстрация, стек внутри корзин, журнал прогнозов с первого дня; скоринг добавлять только после появления аналитики reach

Практическое применение

5.1. Порядок внедрения конвейера

  1. Задать ёмкость и корзины. Посчитать доступные человеко-недели квартала, выбрать одно-два измерения корзин (тип работы, направление), зафиксировать доли и причину; DSDM даёт готовый потолок для обязательной части — не более 60 % усилий на Must факт [S52].
  2. Определить валюту. Выбрать одну валюту на корзину: деньги в неделю для крупного, Δ input-метрики для продуктовых корзин; записать правила конвертации через юнит-экономику мнение [S24, S51].
  3. Завести журнал прогнозов до первой оценки. Поля из раздела 6; практика pre-test impact sizing советует прогноз диапазоном, критерии успеха до запуска и обязательное сравнение с фактом вендор [S66].
  4. Оценивать крупное экономикой, мелкое скорингом. Крупные ставки — cost of delay диапазоном и CD3; мелкие — RICE с reach из аналитики и effort от команды, ничья в пределах 15 % мнение [S7, S21].
  5. Финальный отбор за столом ставок. Один-два часа на цикл, узкий состав, письменные pitch заранее, аппетит как ограничение факт [S45].
  6. Закрывать прогнозы и калибровать. Через фиксированный срок после релиза записать факт, посчитать отношение и попадание интервала; раз в квартал выпустить отчёт калибровки и пересмотреть доли корзин.

5.2. Ритм, роли, основания

Ритм Событие Кто Длительность Артефакт
квартал доли корзин и отчёт калибровки руководитель продукта, руководитель разработки, финансы 2 часа политика корзин, отчёт калибровки
месяц или цикл стол ставок по крупным инициативам 3–5 человек: продукт, инженерия, генеральный директор или его заместитель 1–2 часа [S45] решения с основаниями
неделя триаж мелких инициатив внутри корзины продакт-менеджер и лид команды 30 минут лист оценки
релиз + 8 недель закрытие прогноза аналитик или product ops 20 минут на инициативу запись журнала

Кто оценивает: reach и факт — аналитик по данным; effort — команда диапазоном; единичная стоимость эффекта — финансы; ценность — продакт-менеджер с указанием источника (данные, аналогия, экспертное суждение). Основания записываются в лист оценки в момент оценки, а не восстанавливаются постфактум; Intercom требует явно обозначать причины работы «не по порядку» факт [S6].

5.3. Сквозной сценарий (все числа — иллюстрация)

Компания-иллюстрация: 120 человек, четыре продуктовые команды по шесть инженеров, квартал 13 недель.

Ёмкость и корзины (иллюстрация). 4 × 6 × 13 = 312 человеко-недель; накладные 25 % (отпуска, поддержка, встречи) дают 234 доступных. Доли: новая ценность 55 % = 129, долг и платформа 25 % = 58, обязательства (соответствие требованиям, keep-the-lights-on) 20 % = 47. Причина записана: «в прошлом квартале долг получил 9 % и инциденты выросли».

Валюта (иллюстрация). Input-метрика North Star — активированные аккаунты в неделю; финансы дают маржинальную ценность одного активированного аккаунта 1 200 долларов за срок жизни. Тогда cost of delay инициативы = Δактиваций в неделю × 1 200, в долларах в неделю.

Крупные ставки (иллюстрация).

Инициатива Прогноз Δ (90 % интервал) Cost of delay, $/нед Длительность, нед CD3 Профиль
A. Новый онбординг +40 активаций/нед (15–70) 48 000 (18 000–84 000) 6 8 000 линейный
B. SSO для enterprise защита двух контрактов по 30 000 $/мес 15 000 (5 000–20 000) 3 5 000 фиксированная дата: продление через 8 недель
C. Экспорт отчётов +5 активаций/нед эквивалент (0–12) 6 000 (0–14 400) 2 3 000 линейный

Порядок по CD3: A, B, C. Качественное правило «инициативы с фиксированной датой планируются так, чтобы успеть» ставит B в первые пять недель, иначе её ценность обнуляется после даты; профиль срочности меняет порядок, который дала бы формула гипотеза. Все три ставки идут в корзину «новая ценность» и занимают 6 + 3 + 2 = 11 недель одной команды из 129 доступных человеко-недель корзины.

Мелкие инициативы (иллюстрация). Внутри той же корзины 24 идеи оцениваются RICE: reach — уникальные пользователи за квартал из аналитики, impact привязан к шкале «3 = ожидаем ≥ 10 % прироста активации у затронутых, 1 = 1–3 %, 0.25 = меньше 1 %», confidence 100/80/50 по правилу «есть данные / есть аналогия / только мнение», effort — человеко-недели от команды.

Идея Reach, польз./кв Impact Confidence Effort, чел.-нед RICE
Подсказки в пустых состояниях 3 000 1 0.8 1 2 400
Импорт из CSV 400 2 0.5 2 200
Быстрые фильтры 2 500 0.5 0.8 0.5 2 000

Первая и третья идеи различаются на 17 % и не считаются ничьей; вторая уходит вниз, но записывается причина, если её всё же берут (например, зависимость с A).

Журнал и калибровка (иллюстрация). Через восемь недель после релиза A измерено +22 активации в неделю против прогноза 40: отношение 0,55, интервал 15–70 попал. За два квартала по классу «улучшения активации» закрыто 12 прогнозов: медиана отношения 0,6, интервалы попали в 7 случаях из 12 (58 %). Решения отчёта калибровки: множитель 0,6 к новым прогнозам этого класса, интервалы расширить, оценщику с медианой 0,4 назначить парную оценку. Такой результат ожидаем: базовая частота успеха идей меньше трети эмпирика [S42], а отобранные «победители» экспериментов завышены фильтром значимости эмпирика [S64].

5.4. Типичные ошибки первого применения

  • Ложная точность с первого дня. Баллы с тремя знаками и решения по разнице в 3 %; лечится правилом ничьей и диапазонами мнение [S7].
  • Reach на глаз. Без фиксированного окна и отчёта reach подбирается под желаемый результат мнение [S7].
  • Effort точкой. Нелинейность человеко-месяцев игнорируется; лечится диапазоном от команды мнение [S7].
  • Скоринг платформенных работ вместе с функциями. Крупное тонет; лечится отдельной корзиной мнение [S13].
  • Корзины по командам вместо типов работы. Доли закрепляют оргструктуру, а не портфель гипотеза.
  • Калибровка по трём записям. Медиана по трём точкам — шум; порог 20 записей на класс гипотеза.
  • Kano на 15 ответах как источник чисел. Категории нестабильны ниже N = 200 эмпирика [S34].
  • Суммирование лифтов экспериментов. Наивная сумма «побед» завышена на десятки процентов эмпирика [S65].

5.5. Что происходит через месяцы

Источников с лонгитюдными наблюдениями за приоритизацией не найдено; ниже — следствия из механизмов. Через два квартала журнал показывает систематический оптимизм (медиана отношения ниже единицы), и множители класса становятся главным выходом ретроспективы гипотеза. Стол ставок без письменных pitch деградирует в статусную встречу; Basecamp защищает его асинхронной публикацией pitch заранее факт [S73]. Корзины без пересмотра превращаются в ритуал через три квартала: доли остаются, а использование корзины долга падает ниже половины гипотеза.

5.6. Стоимость входа

Компонент Время Деньги Компетенции
Корзины и валюта 2–4 недели на первое согласование гипотеза нет юнит-экономика, доступ к финансам
Аналитика reach зависит от наличия событий; недели, если событий нет инструмент аналитики уже обычно есть продуктовая аналитика
Журнал прогнозов час в неделю ведения гипотеза таблица или инструмент от 0 до 59 долларов за пользователя в месяц [S59, S61] дисциплина product ops
Калибровка оценщиков полдня тренировки на человека по вендорским данным вендор [S53] внутренними силами базовая статистика
Опросные методы недели на исследование инструмент и респонденты survey science или подрядчик

Артефакты

6.1. Лист оценки инициативы

Назначение: одна запись на инициативу, из которой видно, откуда взялась оценка и в какой валюте.

Поле Тип Правило
id, название, корзина строка корзина обязательна до оценки
класс инициативы перечисление нужен для reference class (например, «активация», «долг», «enterprise»)
валюта перечисление одна на корзину
прогноз ценности: low, likely, high число в валюте 90 %-й интервал, не точка
источник оценки ценности перечисление: данные, эксперимент, аналогия, суждение обязательное
reach и источник reach число и ссылка на отчёт окно фиксировано на раунд [S7]
effort: low, high и источник человеко-недели от команды, диапазоном
профиль срочности линейный, фиксированная дата, затухающий фиксированная дата требует поля даты
зависимости и стоп-факторы список учитываются правилом, не формулой [S13]
решение, кто принял, дата, причина отклонения от порядка текст Intercom требует явных причин [S6]
дата закрытия прогноза дата релиз плюс фиксированный срок

Жизненный цикл: создаёт продакт-менеджер при появлении инициативы; дополняют аналитик и команда; замораживается решением стола ставок; после закрытия прогноза ссылается на запись журнала; устаревает, если инициатива не взята два квартала подряд — тогда архивируется, а не «грумится», как советует Shape Up про бэклоги факт [S44].

Пример (иллюстрация): «A. Новый онбординг; корзина: новая ценность; класс: активация; валюта: $/нед через Δактиваций × 1 200; прогноз 18 000 / 48 000 / 84 000; источник: аналогия с редизайном 2025 года; reach: 3 000 новых аккаунтов в квартал, отчёт "signup-funnel-Q3"; effort 5–7 чел.-нед; профиль линейный; зависимости: нет; решение: взять в цикл 2, стол ставок 2026-10-06».

6.2. Политика корзин

Назначение: зафиксировать доли ёмкости и правила их изменения на период.

Поля: период; измерения корзин; доли и абсолютные бюджеты в человеко-неделях; причина каждой доли; правило исключений (кто может перебросить ёмкость и с какой записью); метрика использования; дата пересмотра. Жизненный цикл: создаётся раз в квартал руководителями продукта и разработки; живёт как ограничение для стола ставок; пересматривается после каждого квартала с отчётом использования, по аналогии с пересмотром приоритетов после каждого timebox в DSDM факт [S52]. Пример (иллюстрация): «Q4-2026: новая ценность 55 % (129 чел.-нед), долг и платформа 25 % (58), обязательства 20 % (47); причина для долга: инциденты выросли при 9 % в Q3; исключение: перенос до 10 % между корзинами решением стола ставок с записью; пересмотр 2026-12-20».

6.3. Определение валюты

Назначение: сделать оценки сравнимыми внутри корзины и запретить смешение единиц.

Поля: имя валюты; единица; правила конвертации для каждой метрики (Δметрики × стоимость единицы, источник стоимости, дата актуальности); правило диапазонов; что не конвертируется (например, соответствие требованиям оценивается как ожидаемые потери × вероятность). Основание: ориентиры юнит-экономики Skok с оговоркой о сегментах мнение [S24]; логика expected opportunity loss для рисков мнение [S23]. Жизненный цикл: создаётся с финансами при запуске конвейера, обновляется при изменении юнит-экономики, версия хранится в каждой записи журнала. Пример (иллюстрация): «USD/нед; активация: 1 200 $ за аккаунт (финансы, 2026-09); удержание: 1 % месячного оттока = 9 000 $/мес; риск: вероятность × потери, вероятность из калиброванной оценки».

6.4. Журнал прогнозов

Назначение: сравнение предсказанной и реализованной ценности; единственный источник калибровки.

Поле Содержание
forecast_id, initiative_id, класс связь с листом оценки
метрика и валюта, версия валюты что именно измеряется
прогноз low / likely / high, заявленная уверенность 90 % по умолчанию
автор прогноза, дата, источник оценки для калибровки по оценщику
план измерения holdout, before/after с поправкой, эксперимент; практика pre-test sizing требует критериев успеха до запуска вендор [S66]
факт, дата измерения, метод вносится через фиксированный срок после релиза
отношение факт/прогноз, попадание интервала вычисляется
поправка на winner's curse при отборе по значимости оценка усаживается эмпирика [S64]

Жизненный цикл: запись создаётся до решения о запуске, замораживается в момент решения, закрывается через 8 недель после релиза (срок — параметр), никогда не редактируется задним числом. Пример (иллюстрация): «F-031; A; активация; прогноз 15 / 40 / 70 активаций в неделю, 90 %; автор PM-1, 2026-10-06, аналогия; измерение: before/after с контролем сезонности; факт +22, 2026-12-15; отношение 0,55; попадание: да».

6.5. Отчёт калибровки

Назначение: раз в квартал перевести журнал в поправки.

Поля: число открытых и закрытых прогнозов; доля попаданий заявленных интервалов; медиана отношения факт/прогноз по классам и по оценщикам; рекомендованные множители на следующий квартал; изменения долей корзин; список инициатив без факта и причины. Ориентир нормы: калиброванные оценщики попадают в 90 %-е интервалы близко к 90 %, нетренированные — около половины вендор [S53]. Пример (иллюстрация): «закрыто 12 из 15; попадание 58 %; медиана 0,6 по классу активация, 1,1 по классу долг; множитель 0,6 для активации; доля долга остаётся 25 %».

6.6. Pitch (Shape Up)

Пять частей: problem (одна конкретная история, почему статус-кво не работает), appetite (сколько времени готовы потратить), solution, rabbit holes (известные ловушки), no-gos (что намеренно не делается); публикуется асинхронно до стола ставок факт [S73]. Жизненный цикл: пишет shaper, читают участники стола, после решения pitch либо становится обязательством цикла, либо не хранится в бэклоге факт [S44].

6.7. Опросник Kano или MaxDiff

Kano: пара вопросов на функцию, пять вариантов ответа, таблица оценки, вопрос важности 1–9; порог выборки по survey science N ≥ 200 эмпирика [S18, S34]. MaxDiff: список 15–40 пунктов, наборы по 4–5, 8–15 заданий на респондента вендор [S35]. Жизненный цикл: создаётся под конкретный вопрос, результат живёт один-два квартала, повторяется при смене сегмента.

6.8. MoSCoW-лист релиза

Поля: требование, класс (Must, Should, Could, Won't this time), оценка усилий, доля Must от суммы усилий; правило: Must не более 60 %, Could около 20 % как резерв, пересмотр после каждого timebox факт [S52].

С чем используется в связке

7.1. Что предшествует и что следует

Порядок слоёв, в котором приоритизация занимает одно место, а не подменяет соседей:

  1. Дерево метрик и North Star задают валюту: input-метрики — единицы Δ, конвертация в деньги — через юнит-экономику вендор [S51].
  2. OKR задают целевые Δ входов на квартал; доли корзин по направлениям — это распределение ёмкости под OKR, а key result — валюта корзины гипотеза.
  3. Opportunity Solution Tree поставляет кандидатов: возможности (opportunities) оцениваются опросными методами или данными, решения (solutions) — быстрым скорингом с экспериментом гипотеза.
  4. Оценка и приоритизация — предмет этого отчёта.
  5. Дорожная карта now-next-later показывает результат наружу без дат, обязательства по целям вендор [S50].
  6. Поставка: ordered backlog в Scrum или циклы Shape Up факт [S1, S44].
  7. Эксперименты и аналитика возвращают факт в журнал прогнозов; практика pre-test sizing замыкает цикл вендор [S66].

7.2. Интерфейсы со смежными темами

Смежная тема Что берёт от приоритизации Что даёт ей
OKR и разделение ёмкости доли корзин как инструмент исполнения OKR целевые Δ метрик как валюта и критерий факта
Дорожная карта порядок внутри колонок Now и Next горизонты как поле «профиль срочности»
Opportunity Solution Tree оценку возможностей и решений структуру кандидатов и связь с outcome
Outcome-driven product management прогноз ценности как Δ outcome определение факта для журнала
Деревья метрик правила конвертации иерархию input-метрик, по которой считается reach и impact

7.3. Типичные комбинации

  • Корзины + RICE внутри корзины + журнал. Самая дешёвая рабочая связка для 20–150 человек гипотеза.
  • Cost of delay + стол ставок. Экономика даёт порядок, стол — финальный отбор с учётом стоп-факторов и зависимостей, которые формула не видит мнение [S13, S45].
  • MaxDiff + Likert по удовлетворённости + XY-график вместо Kano мнение [S34].
  • North Star как фильтр + ICE + эксперимент для growth-команд вендор [S8, S51].
  • MoSCoW внутри релиза с датой + стек внутри классов факт [S52].
  • Reference class по журналу + AIE для крупного мнение [S23, S29].

7.4. Конфликты и несовместимости

  • Shape Up и ordered backlog. Shape Up отвергает центральный бэклог, Scrum требует упорядоченный список; совмещать можно только на уровне «бэклог = список pitch на один цикл» факт [S1, S44].
  • WSJF и стратегия. Ни CD3, ни WSJF не содержат соответствия стратегии; либо стратегия задаёт корзины до формулы, либо формула тянет портфель в сторону мелких срочных задач мнение [S11].
  • RICE и структурные работы. Усилие в знаменателе несовместимо с оценкой платформ и снижения риска; их держат в отдельной корзине мнение [S13].
  • Kano-числа и формулы. Ненадёжные категории как входы в скоринг умножают шум эмпирика [S34].
  • Синтетические респонденты и опросные методы. Замена людей LLM в MaxDiff и conjoint даёт систематические искажения по цене и сегментам эмпирика [S67].
  • Относительные баллы и деньги в одной формуле. Несогласованные единицы; запрет в определении валюты гипотеза.

Метрики здоровья и антипаттерны

Признак Здоровая норма Симптом деградации Источник
Доля инициатив с записанным источником оценки ценности 100 % (ориентир) баллы без указания, откуда взялись ориентир автора
Попадание заявленных 90 %-х интервалов по закрытым прогнозам 80–95 %; калиброванные оценщики близки к 90 % около 50 %, как у нетренированных людей вендор [S53]
Медиана отношения факт/прогноз по классу 0,7–1,2 (ориентир) стабильно ниже 0,5 при базовой частоте успеха идей меньше трети эмпирика [S42]; ориентир автора
Доля закрытых прогнозов через два квартала после релиза не менее 70 % (ориентир) журнал заполнен только прогнозами ориентир автора
Использование корзин Uₖ 0,8–1,2 (ориентир) корзина долга ниже 0,5 два квартала подряд ориентир автора
Пересмотр долей корзин раз в квартал с записанной причиной; DSDM пересматривает после каждого timebox доли не менялись год факт [S52]
Доля Must в MoSCoW не более 60 % усилий более 80 %, «всё Must» факт [S52]
Трактовка близких баллов различия в пределах 15 % — ничья решения по третьему знаку мнение [S7]
Инициативы, взятые не по порядку немного и с записанной причиной обходы приоритета молча факт [S6]
Длительность стола ставок один-два часа на цикл многочасовые сессии с пересмотром бэклога факт [S45]
Доля «успешных» инициатив по отчётам сопоставима с базовой частотой экспериментов, менее трети при честной проверке 90 % успеха без контрольной группы эмпирика [S42, S64]

Антипаттерны

Ложная точность и арифметика на баллах

Как выглядит. Таблица с RICE-баллами 847 и 812, спор о том, что «первая важнее», ICE-балл 720 у идеи, у которой ни одно из трёх чисел не имеет источника; в SAFe — сумма «ценность 8 + срочность 3 + риск 13» делится на «размер 5».

Почему возникает. Порядковые шкалы выглядят как числа, а таблица умножает всё, что в неё положили; произведение и сумма рангов не имеют интерпретации, а резолюция иллюзорна факт [S2, S3]. Сумма компонентов даёт ненулевую стоимость задержки при нулевой ценности мнение [S12].

Как чинить. Оставить в формуле только величины на шкале отношений (reach, effort, деньги), суждения хранить как диапазоны и правило ничьей 15 % мнение [S7]; крупное оценивать экономикой, а не баллами.

Когда менять практику. Если после двух раундов различия баллов внутри 15 % регулярно определяют решения, скоринг заменяется стеком внутри корзины.

Gaming оценок

Как выглядит. Reach считается за год для «своей» идеи и за квартал для чужой; в WSJF компонент «снижение риска» получает максимум у всего, что хочет автор; effort занижается, чтобы поднять балл.

Почему возникает. Любая переменная без источника — рычаг; критики отмечают выбор удобных отчётов для reach и занижение усилий мнение [S7]; при усилии в знаменателе занижение размера крупного поднимает его в списке.

Как чинить. Фиксированное окно и отчёт для reach на весь раунд, effort только от команды диапазоном, журнал прогнозов по оценщику: систематическое отношение факт/прогноз ниже медианы у одного человека становится видимым в отчёте калибровки.

Когда менять практику. Если отчёт калибровки два квартала подряд показывает у одних и тех же оценщиков отношение вдвое ниже остальных, оценку ценности переводят на парную с обязательным источником.

HiPPO под видом скоринга

Как выглядит. Таблица заполнена после того, как решение принято; веса критериев подобраны так, чтобы «нужная» инициатива вышла наверх; стол ставок превращается в одобрение решения самого высокооплачиваемого человека.

Почему возникает. Термин HiPPO (Highest Paid Person's Opinion) появился в 2006 году у Intuit и Microsoft именно как обозначение решений по старшинству вместо данных факт [S74]; формула не убирает мнение, а прячет его в весах и оценках мнение [S46].

Как чинить. Веса и шкалы фиксируются до раунда и не меняются в его ходе; оценки записываются до обсуждения; журнал показывает, чьи прогнозы сбываются; для крупного — эксперимент вместо спора, как в Bing, где решает контролируемый тест эмпирика [S42].

Когда менять практику. Если веса менялись чаще одного раза в квартал или решения совпадают с мнением одного человека без записанных оснований, скоринг убирают и переходят к явным ставкам с личной подписью и журналом.

Скоринг без ретроспективы

Как выглядит. Годы RICE-таблиц, ни один балл не сравнивался с фактом; «успешность» релизов оценивается по факту выпуска.

Почему возникает. Факт по ценности приходит через кварталы, измерение стоит усилий, а формула создаёт ощущение, что решение уже обосновано; исследований точности скоринга нет, поэтому ни у кого нет внешнего ориентира гипотеза. Базовая частота успеха идей меньше трети означает, что большинство прогнозов систематически завышены, но без журнала этого не видно эмпирика [S42].

Как чинить. Журнал прогнозов из раздела 6 с датой закрытия в момент прогноза; практика pre-test sizing: критерии успеха до запуска вендор [S66]; поправка на winner's curse при отборе по значимости эмпирика [S64].

Когда менять практику. Если за два квартала закрыто меньше половины прогнозов, скоринг как метод бессмыслен и заменяется корзинами и стеком до появления измерений.

Корзины без пересмотра

Как выглядит. Доли 70/20/10 висят на стене второй год; корзина долга «всегда занята» срочными функциями; никто не считает использование.

Почему возникает. Доли воспринимаются как правило, а не как оценка; 70/20/10 — эмпирически наблюдаемая пропорция, зависящая от отрасли и стадии эмпирика [S47, S48]; DSDM требует пересмотра после каждого timebox, но это правило теряется при пересказе метода факт [S52].

Как чинить. Метрика использования Uₖ в отчёте калибровки, квартальный пересмотр с записанной причиной, исключения только через стол ставок.

Когда менять практику. Если использование корзины отклоняется от доли более чем на половину два квартала подряд без записанных причин, измерения корзин выбраны неверно и пересобираются (например, по типам работы вместо команд).

Инструменты и софт

9.1. Категории

  • Таблицы (Google Sheets, Excel): лист оценки, журнал прогнозов и отчёт калибровки реализуются формулами; единственная категория, где журнал с фактом делается без ограничений продукта гипотеза.
  • Системы управления продуктом со скорингом: Productboard, airfocus, Jira Product Discovery, Aha!, ProdPad — сущности «идея/фича», поля, формулы, связь с обратной связью и с задачами разработки.
  • Портфельные системы с ёмкостью: Dragonboat, отчасти airfocus — доли, ёмкость, сценарии.
  • Платформы экспериментов и аналитики (например, Statsig): источник факта для журнала и практика pre-test sizing вендор [S66].
  • Опросные инструменты (Sawtooth Software): MaxDiff, conjoint вендор [S35, S37].

9.2. Функциональный разбор ведущих продуктов (проверено 2026-09-20)

Продукт Сущности Ключевые операции приоритизации Интеграции Ограничения Цена входа
Productboard заметки и insights, фичи, цели, поля пользовательские формулы приоритизации и поля во всех тарифах, включая бесплатный; отслеживание зависимостей и статусы с Business; иерархия целей только в Enterprise обратная связь из каналов поддержки, задачи разработки AI по кредитам: 50 в месяц на бесплатном, 250–800 на платных; журнал прогнозов с фактом на странице не заявлен Free 0, Plus 19, Business 59 долларов за maker в месяц при годовой оплате, Enterprise по запросу, минимум 2 и 5 maker соответственно вендор [S59]
airfocus items в workspace, иерархия продуктов (3 уровня в Professional, без ограничений в Enterprise) Priority Ratings, пользовательская формула, Priority Poker, «prioritize by insights score», Capacity Planning app, Item Mirror для портфеля Jira и др., MCP-сервер, агент цены не публикуются, бесплатного триала нет, только демо по запросу вендор [S60]
Jira Product Discovery идеи, поля, insights, связь с эпиками и задачами Jira поля и формулы по идеям (на странице цен детально не описаны), insights из Jira Service Management Jira, JSM только облако; на странице цен AI не заявлен; сотрудник команды в 2023 году скептичен к автоматической приоритизации Free до 3 создателей, Standard 10, Premium 25 долларов за создателя в месяц, contributors бесплатны вендор [S61, S63]
Aha! фичи, идеи, scorecard «prioritize features with a scorecard», «prioritize ideas by potential revenue» экосистема Aha! AI-ассистент по общему пулу кредитов Roadmaps от 59, Ideas от 39 долларов за пользователя в месяц вендор [S75]
ProdPad идеи, обратная связь, дорожная карта now-next-later, цели модульная покупка Roadmaps, Ideas, Feedback; оценка идей интеграции разработки на странице цен суммы не показаны, есть продлеваемый триал от 7 дней не определена по странице вендор [S76]
Dragonboat портфель, инициативы, ёмкость, сценарии «visibility on allocation», планировщик ёмкости, сценарное планирование, «ambient agents» Jira, Azure DevOps, Asana, Slack, Teams, MCP цены не публикуются Essential и Enterprise по запросу вендор [S62]

Общее ограничение: по страницам продуктов не видно первоклассной сущности «прогноз с последующим фактом и отношением»; журнал прогнозов приходится строить полями и отчётами или держать в таблице гипотеза. Вендорские страницы не сравнивают точность своих формул ни с чем, что согласуется с отсутствием исследований в разделе 2.

9.3. Что выбрать

  • Соло или одна команда: таблица с листом оценки и журналом; при необходимости связи с Jira — бесплатный Jira Product Discovery до трёх создателей вендор [S61].
  • Компания 20–150 человек с несколькими командами: Productboard Plus или Jira Product Discovery Standard как хранилище идей и формул, журнал прогнозов в таблице до появления потребности в отчётах вендор [S59, S61].
  • Организация 150–500 человек с портфелем и корзинами: airfocus или Dragonboat ради ёмкости и распределения, при условии, что политика корзин и валюта определены до внедрения вендор [S60, S62].
  • Опросные исследования: Sawtooth для MaxDiff и conjoint при доступе к сотням респондентов вендор [S35, S37].

Адаптация под LLM и агентов

10.1. Существующие практики

  • Вендоры встроили LLM как слой суммаризации обратной связи, генерации черновиков спецификаций и агентов с доступом через MCP; ни один из проверенных продуктов не заявляет автоматическую оценку ценности или ранжирование вендор [S59, S60, S62]. Сотрудник команды Jira Product Discovery в 2023 году описал старт с суммаризации insights и скепсис к автоматической приоритизации, поскольку решение зависит от факторов вне данных вендор [S63].
  • Исследования: прототип с агентами и prompt engineering для применения разных техник приоритизации требований опубликован в 2024 году; в аннотации нет метрик согласия с людьми факт [S70]. По оценке трудоёмкости LLM в zero-shot на 16 проектах превзошли обученные модели глубокого обучения, few-shot улучшил результат эмпирика [S72].
  • Синтетические респонденты: Ipsos на пяти коммерческих исследованиях (три CBC, два MaxDiff, N = 500) нашёл искажения по цене и отсутствие гетерогенности сегментов эмпирика [S67]; перефразирование промпта меняло «предпочтения» 300 синтетических респондентов с 92 % до 66 % вендор [S68]; обзор 12 работ 2023–2026 годов: средние совпадают, дисперсия занижена, подгруппы и регрессии неверны эмпирика [S69].
  • Калибровка LLM: инструкционно настроенные модели присваивают собственным ответам до 26 % больше уверенности, поправка — подавать ответ как пользовательский текст при запросе уверенности эмпирика [S71]; 90 %-е интервалы ChatGPT покрывали факт в 60 % случаев, инструкции по калибровке ухудшили результат до 58 %, а математическая поправка границ дала 89,3 % на тестовой половине из 31 события вендор [S53].
  • Открытые наборы навыков агентов: в каталоге awesome-agent-skills есть набор навыков для продуктового менеджмента с приоритизацией по impact, effort, risk и strategic alignment; описание, число звёзд и дата обновления в доступном фрагменте не видны факт [S77]. Зрелых открытых инструментов с журналом прогнозов и калибровкой не найдено.

10.2. Что автоматизируется

Задача Что делает LLM или агент Доверие
Проверка согласованности единиц находит смешение валют в одной корзине, деление на порядковые величины, умножение полей с флагом ordinal высокое: правило детерминировано, LLM нужен только для извлечения из текста
Скоринг без источника помечает оценки без поля «источник» и без ссылки на отчёт высокое
Ведение журнала прогнозов извлекает прогнозы из pitch и документов, создаёт записи, напоминает о закрытии, считает отношения и попадания высокое при проверке человеком дат и метрик
Отчёт калибровки считает медианы по классам и оценщикам, предлагает множители высокое, расчёт детерминирован
Извлечение свидетельств связывает заметки обратной связи с инициативами, считает упоминания среднее: вендоры делают, но нужна выборочная проверка вендор [S59]
Поиск дублей и кластеров идей группирует похожие идеи среднее
Reference class подбирает прошлые инициативы того же класса из журнала среднее, класс подтверждает человек
Первичная оценка трудоёмкости zero-shot и few-shot story points среднее: сопоставимо с моделями, но не с командой эмпирика [S72]
Оценка ценности генерирует правдоподобные числа низкое: без данных это суждение с самоуверенностью до 26 % эмпирика [S71]
Замена клиентов синтетические респонденты в MaxDiff и conjoint низкое: искажения по цене и сегментам эмпирика [S67, S69]

10.3. Чему нельзя доверять

  • Оценкам ценности без данных. LLM не знает вашего reach и юнит-экономики; число будет правдоподобным и самоуверенным эмпирика [S53, S71].
  • Заявленной уверенности. Уверенность модели не совпадает с частотой попаданий; допустима только после математической поправки по накопленному журналу вендор [S53].
  • Синтетическим клиентам как источнику важностей; допустимо использовать их только для запросов к уже собранным данным эмпирика [S69].
  • Автоматической приоритизации целиком: зависимости, стоп-факторы и стратегия не лежат в данных таблицы вендор [S63].

10.4. Машиночитаемая структура оценки

Схема ниже — авторская конструкция гипотеза; она задаёт поля так, чтобы правила проверки были детерминированными, а LLM выступал извлекателем и проверяющим, а не оценщиком.

initiative:
  id: A-2026-014
  title: Новый онбординг
  bucket: new-value
  class: activation
  urgency_profile: linear          # linear | fixed_date | decaying
  fixed_date: null
  dependencies: []
  showstopper: false
currency:
  name: USD_per_week
  version: "2026-09"
  conversion:
    metric: weekly_activations
    unit_value: 1200
    unit_value_source: finance-2026-09
value_forecast:
  metric: weekly_activations
  low: 15
  likely: 40
  high: 70
  interval: 0.9
  scale: ratio
  source_type: analogy             # data | experiment | analogy | opinion
  source_ref: retro-onboarding-2025
  author: pm-1
  date: 2026-10-06
reach:
  value: 3000
  unit: users_per_quarter
  scale: ratio
  source_ref: "report:signup-funnel-Q3"
  window: 2026-Q3
impact:
  value: 2
  scale: ordinal
  anchor: "3 = не менее 10 % прироста активации; 1 = 1–3 %; 0.25 = менее 1 %"
confidence:
  value: 0.8
  scale: ratio
  rule: "data = 1.0; analogy = 0.8; opinion = 0.5"
effort:
  low: 5
  high: 7
  unit: person_weeks
  scale: ratio
  source: team-estimate
scores:
  cd3:
    value: 8000
    formula: cost_of_delay_per_week / duration_weeks
    inputs_scales:
      - ratio
      - ratio
  rice:
    value: null
    reason: "impact порядковый; балл применяется только внутри корзины с правилом ничьей 0.15"
decision:
  outcome: bet                     # bet | defer | reject
  by: betting-table
  date: 2026-10-06
  override_reason: null
forecast_log_id: F-031
close_after_weeks: 8
checks:
  - rule: single_currency_per_bucket
    status: pass
  - rule: no_multiplication_of_ordinal_fields
    status: warn
    detail: rice умножает impact (ordinal)
  - rule: value_forecast_has_source
    status: pass
  - rule: effort_is_range
    status: pass
  - rule: forecast_log_entry_exists
    status: pass
  - rule: fixed_date_requires_date
    status: pass

Правила проверки, пригодные для автоматического контроля гипотеза: - single_currency_per_bucket: все инициативы корзины имеют одинаковое currency.name. - no_multiplication_of_ordinal_fields: формула не умножает и не делит поля со scale = ordinal; при нарушении балл помечается как «только для ничьей внутри корзины». - value_forecast_has_source: source_type ≠ null и source_ref ≠ null; для source_type = opinion запрещён confidence выше 0,5. - effort_is_range: low < high; точечные оценки отклоняются. - forecast_log_entry_exists до decision.outcome = bet. - retro_closed: через close_after_weeks после релиза запись журнала содержит факт; иначе инициатива попадает в отчёт как «не закрыта». - calibration_applied: если по классу есть 20 и более закрытых записей, к value_forecast применён множитель класса, и он записан. - units_consistent: reach.unit и value_forecast.metric относятся к одному периоду.

10.5. Риски

  • Автоматизационный уклон: числа от агента принимаются как данные; лечится обязательным полем source_type и запретом source_type = llm для value_forecast гипотеза.
  • Gaming через промпт: оценщик просит модель «обосновать» желаемый балл; журнал по оценщику остаётся единственной защитой.
  • Утечка данных обратной связи во внешние модели; решается политикой данных, вне предмета отчёта.

Происхождение, ключевые фигуры, что читать

11.1. Какую боль решали и что из этого актуально

Год Метод, фигура Боль тогда Что актуально сейчас
1946 типология шкал, S. S. Stevens какие операции допустимы над измерениями запрет умножать порядковые баллы факт [S2]
1964–1970-е conjoint, Paul Green, V. Srinivasan; choice-based — Jordan Louviere измерить ценность атрибутов через выбор, а не рейтинг ценообразование и пакеты факт [S78]
1977 real options, Stewart Myers ценность гибкости не видна в NPV стадирование инвестиций как логика, не как формула факт [S25]
1979 планировочная ошибка, Kahneman и Tversky внутренний взгляд занижает сроки и затраты внешний взгляд и reference class факт [S29]
1984 Kano, Seraku, Takahashi, Tsuji качество не одномерно: базовое, линейное, восхищающее язык категорий; опросная механика под сомнением факт [S32]
1987 best-worst scaling, Jordan Louviere рейтинги не различают пункты и страдают от смещений шкалы MaxDiff как замена рейтингов и Kano факт [S79]
1994 (по вторичным данным) MoSCoW, Dai Clegg, затем DSDM фиксированный срок требует резать объём классификация с потолком 60 % факт [S52]
1997 cost-value approach, Karlsson и Ryan как строго сравнить ценность и стоимость требований AHP как «дорогой, но честный» скоринг эмпирика [S17]
2002 opportunity algorithm, Anthony Ulwick найти важные и неудовлетворённые результаты формула сведена критикой к важности факт [S38]
2006 Innovation Games, Luke Hohmann клиенты не умеют ранжировать, но умеют торговаться Buy-a-feature как качественная сессия факт [S80]
2006 reference class forecasting, Bent Flyvbjerg оптимизм и стратегическое искажение в прогнозах калибровка ценности по журналу факт [S28]
2007 Applied Information Economics, Douglas Hubbard; «How to Measure Anything» (3-е изд. 2014) «неизмеримое» измеряют не то ценность информации, калибровка факт [S23, S81]
2008 критика матриц риска, Tony Cox порядковые матрицы дают ошибочные ранги перенос на скоринг-формулы факт [S3]
2009 «Principles of Product Development Flow», Donald Reinertsen никто не знает стоимость задержки cost of delay как валюта мнение [S19]
2009 три корзины, Adam Nash единая формула обделяет типы работы корзины ёмкости мнение [S46]
2011–2012 WSJF в SAFe масштабировать cost of delay без денег относительные прокси и их критика мнение [S12]
2011 Good Judgment Project, Tetlock и Mellers кто умеет прогнозировать и почему калибровка как навык, спор о величине эффектов эмпирика [S54, S56]
2012 now-next-later, Janna Bastow дорожные карты с датами ломают гибкость горизонты по уверенности факт [S49]
2013 CD3 и Maersk, Joshua Arnold как применить cost of delay к портфелю деньги в неделю, деление на длительность вендор [S20, S21]
2016–2018 RICE, Sean McBride, Intercom спор «маленькое для всех или большое для немногих» reach и effort как реальные величины факт [S6]
2017 ICE, Sean Ellis, «Hacking Growth» быстрая сортировка growth-экспериментов сортировка перед экспериментом мнение [S8]
2019 Shape Up, Ryan Singer, Basecamp бэклоги и оценки разрастаются аппетит и стол ставок факт [S44]
2022 критика Kano, Chapman и Callegaro популярный опрос не проходит проверку survey science замена на Likert и MaxDiff эмпирика [S33]
2024–2026 LLM в оценке и синтетические респонденты автоматизировать оценку автоматизировать проверку, а не оценку эмпирика [S67, S71]

Актуальная редакция руководства по MoSCoW опубликована Agile Business Consortium 2026-05-28 и повторяет пороги 60 % и 20 % факт [S82].

11.2. Ключевые фигуры

Donald Reinertsen (cost of delay, WSJF в исходной форме), Joshua Arnold (CD3, Maersk), Noriaki Kano, Jordan Louviere (MaxDiff, choice-based conjoint), Anthony Ulwick (ODI), Luke Hohmann (Innovation Games), Dai Clegg (MoSCoW), Sean McBride и Intercom (RICE), Sean Ellis (ICE), Ryan Singer (Shape Up), Janna Bastow (now-next-later), Adam Nash (три корзины), John Cutler (North Star playbook), Douglas Hubbard (AIE, калибровка), Bent Flyvbjerg (RCF), Philip Tetlock и Barbara Mellers (калибровка прогнозистов), Tony Cox (критика матриц), Chris Chapman и Mario Callegaro (критика Kano), Ronny Kohavi (эксперименты, HiPPO).

11.3. Канонические первоисточники и лучшие критические разборы

Первоисточники: Intercom о RICE [S6]; SAFe о WSJF [S9]; Black Swan Farming о cost of delay и CD3 [S20, S21]; Shape Up [S44, S45, S73]; DSDM о MoSCoW [S52]; Kano 1984 [S32]; Ulwick 2002 [S38]; Flyvbjerg 2006 [S28]; Hubbard [S23, S81]; Nash 2009 [S46]; Bastow [S49]. Критические разборы: Cox 2008 [S3], Hubbard и Evans 2010 [S4], Chapman и Callegaro 2022 [S33, S34], Black Swan Farming о SAFe [S12], Buchanan об ODI [S40], реанализ GJP [S56], обзор синтетических пользователей [S69].

11.4. Список чтения

  • Intercom, RICE [S6] — первоисточник с оговоркой, что балл не правило.
  • Black Swan Farming, Cost of Delay и CD3 [S20, S21] — как перевести ценность в деньги в неделю и зачем делить на длительность.
  • Black Swan Farming, SAFe and WSJF [S12] — почему относительные прокси теряют смысл cost of delay.
  • Cox, What's Wrong with Risk Matrices [S3] — формальный аргумент против порядковых произведений.
  • Hubbard, The IT Measurement Inversion [S23] — что измерять перед решением.
  • Hubbard, How to Measure Anything [S81] — калибровка и ценность информации; книга закрыта, прочитана только страница издателя.
  • Flyvbjerg, From Nobel Prize to Project Management [S28] — три шага reference class forecasting.
  • Flyvbjerg, Holm, Buhl 2002 [S30] — эмпирика систематического занижения.
  • Folding Burritos, Kano [S18] — самая полная опросная механика Kano.
  • Chapman и Callegaro, Critical Assessment of the Kano Model [S33, S34] — почему этой механике нельзя верить как числам.
  • Sawtooth, MaxDiff [S35, S36] — что взять вместо Kano.
  • Buchanan, ODI critique [S40] — что на самом деле измеряет opportunity score.
  • Kohavi, Large Scale Experimentation at Bing [S42] — базовая частота успеха идей.
  • van Zwet и Cator [S64] и Maruskin [S65] — почему «победы» экспериментов завышены и как усаживать.
  • Shape Up, главы 6–8 [S73, S44, S45] — pitch, ставки, стол.
  • Adam Nash, Three Feature Buckets [S46] — зачем корзины вместо одной формулы.
  • Agile Business Consortium, MoSCoW [S52] — потолок 60 % как забытая часть метода.
  • Bastow, Why I Invented the Now-Next-Later Roadmap [S49] — горизонты вместо дат.
  • AI Impacts о GJP [S54] и Hauenstein и др. [S56] — что известно и что спорно о тренировке прогнозистов.
  • Hubbard Decision Research о ChatGPT [S53] и Sanz-Guerrero и др. [S71] — самоуверенность LLM.
  • Ipsos, LLMs for Conjoint and MaxDiff [S67] и MeasuringU [S69] — границы синтетических респондентов.

Открытые вопросы и границы уверенности

12.1. Что не удалось проверить

  • Шкалы WSJF в SAFe. Официальная страница закрыта за логином [S9]; ряд Фибоначчи и правило «наименьший = 1» взяты из вторичных описаний [S10, S11]. Архивная копия недоступна из-за блокировки web.archive.org инструментом.
  • Утверждения Reinertsen о 85 % и расхождении оценок в 50 раз — только по вторичным источникам [S19]; книга 2009 года не читалась.
  • Числа Nagji и Tuff (70/20/10 и отдача 10/20/70) — по вендорскому пересказу [S47]; текст HBR виден фрагментарно [S48].
  • Cox 2008 и Hubbard и Evans 2010 — аннотации доступны только фрагментами через поисковую выдачу; полные тексты за платным доступом [S3, S4].
  • Karlsson и Ryan 1997 — метаданные и краткие пересказы; полный текст не читался [S17]. Обзор Achimugu и соавторов 2014 года по приоритизации требований не читался.
  • Erdogmus, Favaro, Halling 2006 — только библиографические данные [S26].
  • Статистика «треть/треть/треть» по экспериментам Microsoft из статьи 2009 года — PDF не удалось разобрать; в отчёте использована формулировка «менее трети» из блога Bing [S42].
  • t-значения MaxDiff (3,3 / 6,3 / 7,7) — из фрагмента статьи 2003 года; полный текст не открылся [S36].
  • Эффекты тренировки в GJP — числовые эффекты Mellers и соавторов не извлечены [S55]; реанализ прочитан по аннотации [S56].
  • Статья Lee и Shen о winner's curse в онлайн-экспериментах и «From Noise to Bias» о самоуверенности в прогнозах новых продуктов — запросы к Semantic Scholar упёрлись в лимит; не использованы.
  • Цены ProdPad — на странице цен не показаны [S76]; сторонние каталоги не использованы.
  • Год появления MoSCoW (1994) и дата публикации RICE (2016) — только по вторичным источникам; страница Intercom датирована 2018-01-05 [S6].
  • Кейс Maersk — по сайту сторонника метода [S20]; статья Arnold и Yuce 2013 года не читалась.
  • Книги «Hacking Growth», «Innovation Games», «Superforecasting», «Product Roadmaps Relaunched», «How to Measure Anything» — закрыты; использованы страницы издателей и пересказы [S8, S15, S16, S80, S81].

12.2. Где источники противоречат друг другу

  • Kano. Гайд практиков рекомендует 15 респондентов на персону [S18]; survey science требует N ≥ 200 и оспаривает шкалу [S34].
  • Калибровка. Первичные результаты GJP и вендорские данные HDR положительны [S53, S55]; реанализ 2024 года снижает эффекты [S56].
  • Относительные баллы против денег. Сторонники SAFe считают относительные оценки практичными [S10, S11]; сторонники Reinertsen — потерей смысла [S12].
  • ODI. Вендор заявляет 86 % успеха [S39]; независимый разбор показывает, что формула почти целиком измеряет важность [S40].
  • LLM. Оценка трудоёмкости LLM конкурентоспособна [S72], оценка ценности и предпочтений — нет [S67, S71].

12.3. Какие данные изменили бы вывод

  • Исследование, сравнивающее реализованную ценность инициатив, отобранных скорингом, экономикой и суждением, на одной выборке компаний; сейчас таких нет.
  • Опубликованные журналы прогнозов продуктовых команд с распределением отношения факт/прогноз по классам; они дали бы эмпирические множители вместо иллюстраций.
  • Независимая репликация калибровочных результатов HDR.
  • Оценка LLM как проверяющего (согласованность единиц, пропуски источников) на реальных листах оценки.

12.4. Ограничения доступа

  • Платные и закрытые: HBR, Wiley, IEEE, Springer, SAFe.
  • Отказы 403: ResearchGate, PMI, Planview, Medium (разборы Jason Yip и Jens-Fabian Goetzmann), PDMA, Sawtooth technical papers.
  • Нечитаемые PDF: репринт Chapman и Callegaro (использованы их HTML-посты), Hubbard и Evans, Kohavi 2009.
  • Лимиты Semantic Scholar API на трёх запросах; web.archive.org недоступен инструменту.

Все прочитанные источники и вид доступа перечислены в реестре. Статус отчёта — complete, поскольку все разделы заполнены по доступным источникам, а пробелы названы выше.

Реестр источников

IDНазваниеАвтор или издательURLПубликацияДоступ (дата)Вид доступаЧто подтверждает
S1The 2020 Scrum GuideKen Schwaber, Jeff Sutherlandscrumguides.org/scrum-guide.html2020-112026-09-20полный текстраздел 1: backlog как ordered list без предписанного метода; стек-ранжирование
S2Level of measurementWikipediaen.wikipedia.org/wiki/Level_of_measurementбез даты2026-09-20полный текстраздел 1: типология Стивенса, допустимые операции по шкалам
S3What's Wrong with Risk Matrices?Louis Anthony Cox, Risk Analysis 28(2)onlinelibrary.wiley.com/doi/10.1111/j.1539-6924.2008.01030.x20082026-09-20фрагментраздел 1–2: дефекты матриц на порядковых шкалах, «хуже, чем бесполезны»
S4Problems with scoring methods and ordinal scales in risk assessmentDouglas Hubbard, Dylan Evans, IBM Journal of Research and Developmentieeexplore.ieee.org/document/5464409/20102026-09-20фрагментраздел 1–2: иллюзорность выгоды порядкового скоринга
S5Problems with Risk Matrices Using Ordinal ScalesMichael Krisper, arXiv 2103.05440arxiv.org/abs/2103.054402021-03-072026-09-20аннотацияраздел 1: 24 проблемы матриц, отказ в пользу количественных методов
S6RICE Prioritization Framework for Product ManagersSean McBride, Intercomintercom.com/blog/rice-simple-prioritization-for-product-…2018-01-052026-09-20полный текстраздел 1: шкалы и формула RICE, оговорка о жёстком правиле; раздел 11: происхождение
S7RICE Scoring Explained (and When Its Math Lies)Rock (редакция)rock.so/blog/rice-scoring2026-05-252026-09-20полный текстраздел 1–2, 8: критика RICE, правило ничьей 15 %, датировка 2016
S8ICE Framework: How (NOT) to Score/Prioritize Growth ExperimentsWard van Gasterengrowwithward.com/ice-prioritization-frameworkбез даты2026-09-20полный текстраздел 1: определение ICE, атрибуция Sean Ellis, критика Confidence
S9WSJFScaled Agile, Inc.framework.scaledagile.com/wsjf/без даты2026-09-20фрагментраздел 1: определение WSJF и компонентов; детали шкал за логином
S10Weighted Shortest Job First (glossary)ProductPlanproductplan.com/glossary/weighted-shortest-job-first/без даты2026-09-20полный текстраздел 1: шкалы компонентов, пример расчёта (вендор)
S11Cost of Delay Divided by Duration (CD3) calculation vs SAFe WSJFWind4Changewind4change.com/cost-delay-divided-duration-cd3-wsjf-rein…без даты2026-09-20полный текстраздел 1: сравнение CD3 и WSJF, шкала Фибоначчи, отсутствие стратегии
S12SAFe and Weighted Shortest Job First (WSJF)Black Swan Farming (Joshua Arnold)blackswanfarming.com/safe-and-weighted-shortest-job-first…без даты2026-09-20полный текстраздел 1–2: критика аддитивной модели и относительных оценок
S13Weighted Shortest Job First (WSJF) can't see your showstopperZac Beckman, BossLogicblog.bosslogic.com/p/weighted-shortest-job-first-wsjf2026-08-272026-09-20полный текстраздел 1, 8: штраф крупных рисковых работ, усреднение риска
S14The Ultimate Guide to Product Management Prioritization FrameworksProductPlanproductplan.com/learn/product-management-frameworksбез даты2026-09-20полный текстраздел 1: взвешенный скоринг, матрица 2×2, Buy-a-feature (вендор)
S15Notes on Bruce McCarthy's Prioritizing Product Goalswalkerux (конспект выступления McCarthy)walkerux.wordpress.com/2017/08/21/notes-on-bruce-mccarthy…2017-08-212026-09-20полный текстраздел 1: theme scoring 0/1/2, T-shirt, confidence
S16Book Review: Key Takeaways from Product Roadmaps RelaunchedProductPlanproductplan.com/learn/product-roadmaps-relaunchedбез даты2026-09-20полный текстраздел 1: приоритеты «directionally correct», слой практических соображений
S17A Cost-Value Approach for Prioritizing RequirementsJoachim Karlsson, Kevin Ryan, IEEE Software 14(5)dl.acm.org/doi/10.1109/52.6059331997-092026-09-20фрагментраздел 1–2: AHP-подход ценность/стоимость, два коммерческих проекта
S18The Complete Guide to the Kano ModelDaniel Zacarias, Folding Burritosfoldingburritos.com/blog/kano-model/2015-06-052026-09-20полный текстраздел 1, 6: опросная механика Kano, таблица оценки, коэффициенты, выборка
S19Cost of delayWikipediaen.wikipedia.org/wiki/Cost_of_delayбез даты2026-09-20полный текстраздел 1: определение, 85 % и 50:1 по Reinertsen
S20Cost of DelayBlack Swan Farmingblackswanfarming.com/cost-of-delay/без даты2026-09-20полный текстраздел 1: типы выгод, пример Maersk 200 000 долларов в неделю
S21Cost of Delay Divided by DurationBlack Swan Farming (Joshua Arnold)blackswanfarming.com/cost-of-delay-divided-by-duration/без даты2026-09-20полный текстраздел 1: формула CD3, пример 27 000 против 69 000
S22A Refresher on Net Present ValueAmy Gallo, Harvard Business Reviewhbr.org/2014/11/a-refresher-on-net-present-value2014-11-192026-09-20фрагментраздел 1: смысл NPV и временной стоимости денег
S23The IT Measurement InversionDouglas Hubbard, CIOcio.com/article/274975/it-organization-the-it-measurement…2007-06-132026-09-20полный текстраздел 1: измерительная инверсия, шаги AIE, ценность информации
S24SaaS Metrics 2.0 – A Guide to Measuring and Improving what MattersDavid Skok, For Entrepreneursforentrepreneurs.com/saas-metrics-2/без даты2026-09-20полный текстраздел 1: LTV/CAC > 3, окупаемость CAC, оговорки
S25Real options valuationWikipediaen.wikipedia.org/wiki/Real_options_valuationбез даты2026-09-20полный текстраздел 1: типы опционов, методы оценки, ограничения, Myers 1977
S26Valuation of Software Initiatives Under Uncertainty: Concepts, Issues, and TechniquesHakan Erdogmus, John Favaro, Michael Halling; Value-Based Software Engineering, Springerlink.springer.com/chapter/10.1007/3-540-29263-2_320062026-09-20недоступенраздел 1, 11: библиографические данные о переносе real options в софт
S27Strategic Technical Debt: A Real Options Approach to Early-Stage Software ExperimentationRashid Azarang, Mohammad Reza Azarang Esfandiari, arXiv 2608.16112arxiv.org/html/2608.161122026-08-162026-09-20полный текстраздел 1–2: real options для техдолга без эмпирических результатов
S28From Nobel Prize to Project Management: Getting Risks RightBent Flyvbjerg, Project Management Journal 37(3); arXiv 1302.3642arxiv.org/abs/1302.36422006-082026-09-20аннотацияраздел 1, 11: RCF, оптимизм и стратегическое искажение
S29Reference class forecastingWikipediaen.wikipedia.org/wiki/Reference_class_forecastingбез даты2026-09-20полный текстраздел 1: три шага, Edinburgh Tram, история
S30Underestimating Costs in Public Works Projects: Error or Lie?Bent Flyvbjerg, Mette Skamris Holm, Søren Buhl, Journal of the American Planning Associationapi.semanticscholar.org/graph/v1/paper/DOI:10.1080/019443…20022026-09-20аннотацияраздел 1–2: 258 проектов, систематическое занижение затрат
S31Why Your IT Project May Be Riskier Than You ThinkBent Flyvbjerg, Alexander Budzier, Harvard Business Reviewhbr.org/2011/09/why-your-it-project-may-be-riskier-than-y…2011-092026-09-20фрагментраздел 1–2: толстый хвост IT-проектов, пример Levi Strauss
S32Attractive Quality and Must-Be QualityNoriaki Kano, Nobuhiko Seraku, Fumio Takahashi, Shin-ichi Tsuji; Journal of the Japanese Society for Quality Control 14(2)jstage.jst.go.jp/article/quality/14/2/14_KJ00002952366/_a…19842026-09-20аннотацияраздел 1, 11: первоисточник модели Kano
S33Critical Assessment of the Kano Model, Part 1Chris Chapman, Mario Callegaro, Quant UX Blogquantuxblog.com/critical-assessment-of-the-kano-model-part-12022-052026-09-20полный текстраздел 1–2: теоретические дефекты вопросов Kano
S34Critical Assessment of the Kano Model, Part 2Chris Chapman, Mario Callegaro, Quant UX Blogquantuxblog.com/critical-assessment-of-the-kano-model-part-22022-052026-09-20полный текстраздел 1–2: test-retest 39,1 %, надёжность 0,61–0,73, N ≥ 200
S35MaxDiffSawtooth Softwaresawtoothsoftware.com/maxdiffбез даты2026-09-20полный текстраздел 1: дизайн задач MaxDiff, выход на шкале отношений (вендор)
S36Maximum Difference Scaling: Improved Measures of Importance and Preference for SegmentationSteve Cohen, Sawtooth Software Research Paper Seriessawtoothsoftware.com/resources/technical-papers/maximum-d…20032026-09-20фрагментраздел 1–2: t-значения 3,3 / 6,3 / 7,7, предсказательная валидность
S37Conjoint AnalysisSawtooth Softwaresawtoothsoftware.com/conjoint-analysisбез даты2026-09-20полный текстраздел 1: механика conjoint (вендор)
S38Turn Customer Input into Innovation (репринт HBR 2002)Anthony Ulwick, Strategynstrategyn.com/turn-customer-input-into-innovation/2002-012026-09-20полный текстраздел 1, 11: формула opportunity score, пример Cordis
S39Outcome-Driven Innovation ProcessStrategynstrategyn.com/outcome-driven-innovation-process/без даты2026-09-20полный текстраздел 1–2: 86 % успеха по 43 компаниям (вендор)
S40Outcome Driven Innovation: A Critique on the Quantification ProcessBraden Buchanan, Substackbradenbuchanan.substack.com/p/outcome-driven-innovation-a…2026-08-052026-09-20полный текстраздел 1–2: потеря информации max(), двойной вес важности, R² = 0,84
S41The 2019 Feature Adoption ReportPendopendo.io/resources/the-2019-feature-adoption-report/20192026-09-20полный текстраздел 1–2: 80 % функций редко используются, 615 подписок (вендор)
S42Large Scale Experimentation at BingRonny Kohavi, Bing Search Quality Insightsblogs.bing.com/search-quality-insights/August-2013/Large-…2013-08-082026-09-20полный текстраздел 1–2: менее трети идей двигают метрики
S43What Is Buy-a-Feature?airfocus (глоссарий)airfocus.com/glossary/what-is-buy-a-feature/без даты2026-09-20полный текстраздел 1: правила игры, атрибуция Hohmann (вендор)
S44Shape Up, глава 7: Bets, Not BacklogsRyan Singer, Basecampbasecamp.com/shapeup/2.1-chapter-0720192026-09-20полный текстраздел 1: отказ от бэклога, ставка как обязательство, cool-down
S45Shape Up, глава 8: The Betting TableRyan Singer, Basecampbasecamp.com/shapeup/2.2-chapter-0820192026-09-20полный текстраздел 1, 5: состав стола ставок, аппетит, circuit breaker
S46Guide to Product Planning: Three Feature BucketsAdam Nashadamnash.blog/2009/07/22/guide-to-product-planning-three-…2009-07-222026-09-20полный текстраздел 1, 5: три корзины, отказ от единой формулы
S47What is the 70-20-10 Rule of Innovation and How to Use ItDiana Porumboiu, Viimaviima.com/blog/70-20-10-rule-of-innovation2021-08-272026-09-20полный текстраздел 1: Google 2005, пересказ Nagji и Tuff (вендор)
S48Managing Your Innovation PortfolioBansi Nagji, Geoff Tuff, Harvard Business Reviewhbr.org/2012/05/managing-your-innovation-portfolio2012-052026-09-20фрагментраздел 1: 70/20/10 и отдача 10/20/70 (числа по вторичному пересказу)
S49Why I Invented the Now-Next-Later RoadmapJanna Bastow, ProdPadprodpad.com/blog/invented-now-next-later-roadmap/2022-10-182026-09-20полный текстраздел 1, 11: происхождение и механика now-next-later
S50What Is a Now-Next-Later Roadmap?ProdPad (глоссарий)prodpad.com/glossary/now-next-later-roadmap/без даты2026-09-20полный текстраздел 1: колонки по уверенности, связь с OKR (вендор)
S51About North Star FrameworkAmplitude (John Cutler)amplitude.com/books/north-star/about-north-star-frameworkбез даты2026-09-20полный текстраздел 1: North Star как фильтр приоритизации (вендор)
S52MoSCoW Prioritisation (DSDM Project Framework)Agile Business Consortiumagilebusiness.org/dsdm-project-framework/moscow-prioritis…без даты2026-09-20полный текстраздел 1, 6: категории, Must ≤ 60 %, Could ≈ 20 %, Dai Clegg
S53Calibrating Chat GPT for Its OverconfidenceRobert Weant, Hubbard Decision Researchhubbardresearch.com/chat-gpt-ai-calibration/20232026-09-20полный текстраздел 1, 10: люди 52 % → 78 %, ChatGPT 60 %, математическая поправка (вендор)
S54Evidence on good forecasting practices from the Good Judgment ProjectAI Impactsaiimpacts.org/evidence-on-good-forecasting-practices-from…без даты2026-09-20полный текстраздел 1: часовая тренировка, калибровка суперпрогнозистов 0,01
S55Psychological Strategies for Winning a Geopolitical Forecasting TournamentBarbara Mellers и др., Psychological Sciencejournals.sagepub.com/doi/10.1177/095679761452425520142026-09-20фрагментраздел 1: тренировка, команды, отбор как драйверы точности
S56Rethinking the Role of Teams and Training in Geopolitical ForecastingClifford Hauenstein и др., Psychological Scienceapi.semanticscholar.org/graph/v1/paper/DOI:10.1177/095679…20242026-09-20аннотацияраздел 1: реанализ снижает или обращает эффекты тренировки и команд
S5710 Product Prioritization Frameworks (2026): Which to UseProductLift (блог вендора, опрос ноября 2024)productlift.dev/blog/product-prioritization-framework/без даты2026-09-20полный текстраздел 2: 94 команды, RICE 38 %, три метода дают 68 % (вендор)
S58The 2024 State of Product Management Annual ReportProductPlanproductplan.com/2024-state-of-product-management-annual-r…20242026-09-20полный текстраздел 2: более 1 400 респондентов, outcomes против outputs, источники влияния (вендор)
S59Productboard PricingProductboardproductboard.com/pricing/без даты2026-09-20полный текстраздел 2, 9: тарифы, формулы приоритизации, кредиты AI (вендор)
S60airfocus Pricingairfocus by Lucidairfocus.com/pricing/без даты2026-09-20полный текстраздел 2, 9: Priority Ratings, Priority Poker, Capacity Planning, агент и MCP (вендор)
S61Jira Product Discovery PricingAtlassianatlassian.com/software/jira/product-discovery/pricingбез даты2026-09-20полный текстраздел 2, 9: тарифы по создателям, бесплатный уровень (вендор)
S62Dragonboat PricingDragonboatdragonboat.io/pricing/без даты2026-09-20полный текстраздел 2, 9: непубличные цены, allocation, ambient agents (вендор)
S63Jira Product Discovery + Atlassian Intelligence integration: AI-driven features in JPDAtlassian Community (ветка с ответом сотрудника JPD)community.atlassian.com/forums/Jira-Product-Discovery/Jir…2023-08-302026-09-20полный текстраздел 2, 9, 10: скепсис к автоматической приоритизации, суммаризация insights
S64The Significance Filter, the Winner's Curse and the Need to ShrinkErik van Zwet, Eric Cator, arXiv 2009.09440arxiv.org/abs/2009.094402020-09-202026-09-20аннотацияраздел 2, 5: завышение отобранных эффектов, необходимость усадки
S65Estimating Total Experimentation ImpactJared Maruskin, Towards Data Sciencetowardsdatascience.com/estimating-total-experimentation-i…2023-09-202026-09-20полный текстраздел 2, 5: симуляция 10 000 экспериментов, завышение 43 %, FDR 27 %
S66Impact sizing: Pre-test value estimationStatsigstatsig.com/perspectives/impact-sizing-pretest-estimation2025-06-232026-09-20полный текстраздел 2, 5, 6: практика прогноза до эксперимента диапазонами и обратной связи (вендор)
S67The Viability of Large Language Models for Conjoint and MaxDiffIpsosipsos.com/sites/default/files/ct/publication/documents/20…2024-042026-09-20полный текстраздел 2, 10: пять исследований, N = 500, искажения по цене и сегментам
S68Synthetic respondents are the homoeopathy of market researchNik Samoylov, Conjointlyconjointly.com/blog/synthetic-respondents-are-the-homeopa…2024-03-112026-09-20полный текстраздел 2, 10: нестабильность синтетических ответов при перефразировании (вендор)
S69A Review of Experiments with Synthetic UsersJim Lewis, Jeff Sauro, MeasuringUmeasuringu.com/review-of-experiments-with-synthetic-users/2026-042026-09-20полный текстраздел 2, 10: обзор 12 работ, заниженная дисперсия, неверные подгруппы
S70Prioritizing Software Requirements Using Large Language ModelsMalik Abdul Sami и др., arXiv 2405.01564arxiv.org/abs/2405.015642024-04-052026-09-20аннотацияраздел 2, 10: прототип агентов для приоритизации требований
S71Large Language Models Are Overconfident in Their Own ResponsesMario Sanz-Guerrero, Manuel Mager, Katharina von der Wense, arXiv 2606.03437 (ACL 2026 Findings)arxiv.org/abs/2606.034372026-06-022026-09-20аннотацияраздел 2, 10: ownership bias до 26 %, поправка через подачу ответа как пользовательского
S72Agile Story Point Estimation with Large Language ModelsPranam Prakash Shetty и др., arXiv 2603.06276arxiv.org/abs/2603.062762026-03-062026-09-20аннотацияраздел 2, 10: zero-shot LLM лучше обученных моделей на 16 проектах
S73Shape Up, глава 6: Write the PitchRyan Singer, Basecampbasecamp.com/shapeup/1.5-chapter-0620192026-09-20полный текстраздел 5, 6, 11: пять частей pitch, асинхронная публикация
S74HiPPORonny Kohavi, ExP Platformexp-platform.com/hippo/без даты2026-09-20полный текстраздел 8: происхождение термина HiPPO в 2006 году
S75Aha! PricingAha!aha.io/pricingбез даты2026-09-20полный текстраздел 9: Roadmaps от 59, Ideas от 39 долларов, scorecard, AI-кредиты (вендор)
S76ProdPad PricingProdPadprodpad.com/pricing/без даты2026-09-20полный текстраздел 9: модульная покупка, суммы на странице не показаны (вендор)
S77awesome-agent-skillsVoltAgent (GitHub)github.com/VoltAgent/awesome-agent-skillsбез даты2026-09-20фрагментраздел 10: наличие набора навыков для продуктового менеджмента с приоритизацией
S78Conjoint analysisWikipediaen.wikipedia.org/wiki/Conjoint_analysisбез даты2026-09-20полный текстраздел 11: Green, Srinivasan, Louviere; ограничения conjoint
S79Best–worst scalingWikipediaen.wikipedia.org/wiki/Best%E2%80%93worst_scalingбез даты2026-09-20полный текстраздел 11: Louviere 1987, три случая BWS, MaxDiff как подмножество
S80Innovation Games: Creating Breakthrough Products Through Collaborative PlayLuke Hohmann, Addison-Wesley Professional (страница InformIT)informit.com/store/innovation-games-creating-breakthrough…2006-08-282026-09-20аннотацияраздел 11: год и издатель, Buy a Feature как одна из 12 игр
S81How to Measure Anything: Finding the Value of Intangibles in Business, 3rd EditionDouglas W. Hubbard, Wileywiley.com/en-us/How+to+Measure+Anything%3A+Finding+the+Va…2014-032026-09-20аннотацияраздел 11: библиографические данные книги, AIE
S82What is MoSCoW Prioritization?Agile Business Consortiumagilebusiness.org/resource/what-is-moscow-prioritization/2026-05-282026-09-20полный текстраздел 11: актуальная редакция, пороги 60 % и 20 %

Словарь терминов

RICE Reach, Impact, Confidence, Effort — охват, эффект, уверенность, усилие
скоринг Intercom, произведение первых трёх, делённое на четвёртое.
ICE Impact, Confidence, Ease — эффект, уверенность, лёгкость
скоринг growth-идей по трём оценкам 1–10, перемноженным.
WSJF Weighted Shortest Job First — взвешенная кратчайшая работа первой
правило порядка «стоимость задержки, делённая на длительность»; в SAFe — сумма трёх относительных оценок, делённая на размер.
Cost of delay стоимость задержки
скорость потери ценности со временем, деньги в единицу времени.
CD3 Cost of Delay Divided by Duration
стоимость задержки, делённая на длительность работы.
Urgency profile профиль срочности
форма зависимости ценности от времени — линейная, с фиксированной датой, затухающая.
NPV Net Present Value — чистая приведённая стоимость
сумма дисконтированных денежных потоков минус вложения.
ROI Return on Investment — отдача на вложения
отношение выгоды за вычетом затрат к затратам.
Expected value ожидаемая ценность
сумма исходов, взвешенных вероятностями.
LTV Lifetime Value — ценность клиента за срок жизни
прибыль от клиента за всё время отношений.
CAC Customer Acquisition Cost — стоимость привлечения клиента
затраты на привлечение одного клиента.
CAC payback окупаемость привлечения
месяцы до возврата затрат на привлечение.
Real options реальные опционы
право, но не обязанность отложить, расширить, свернуть инициативу; оценивается методами финансовых опционов.
Applied Information Economics, AIE прикладная информационная экономика
метод Hubbard — модель решения, калиброванные диапазоны, ценность информации, измерение только важного.
EVPI, EOL Expected Value of Perfect Information, Expected Opportunity Loss — ожидаемая ценность полной информации, ожидаемые потери от ошибки
верхняя граница цены измерения и ожидаемая цена неверного решения.
Measurement inversion измерительная инверсия
наблюдение Hubbard, что чаще всего измеряют переменные с наименьшей ценностью информации.
Reference class forecasting, RCF прогноз по референтному классу
прогноз из распределения фактических исходов сопоставимых прошлых проектов.
Outside view внешний взгляд
оценка по статистике похожих случаев вместо деталей текущего.
Optimism bias смещение оптимизма
систематическая недооценка затрат и переоценка выгод.
Strategic misrepresentation стратегическое искажение
намеренное занижение затрат ради одобрения.
Kano model модель Kano
классификация свойств на must-be, performance (one-dimensional), attractive, indifferent, reverse по паре вопросов.
Functional / dysfunctional question функциональный и дисфункциональный вопрос
пара вопросов Kano о наличии и отсутствии свойства.
CS / DS coefficients коэффициенты удовлетворённости и неудовлетворённости
доли ответов, показывающие, насколько наличие радует, а отсутствие огорчает.
Test-retest reliability надёжность повторного измерения
согласие ответов одного респондента при повторе вопроса.
MaxDiff, best-worst scaling максимальная разница, шкалирование «лучший-худший»
метод опроса, где респондент выбирает лучший и худший пункт в наборах; выход на шкале отношений.
Anchored MaxDiff якорный MaxDiff
вариант с якорем, позволяющий отличить «важно» от «неважно» в абсолютном смысле.
Conjoint analysis совместный анализ
оценка ценности уровней атрибутов через выбор между концептами.
Part-worth частичная полезность
вклад уровня атрибута в выбор.
Opportunity score оценка возможности
формула Ulwick — важность плюс положительная разница важности и удовлетворённости.
ODI Outcome-Driven Innovation
методология Strategyn на основе желаемых результатов и opportunity score.
Top-two-box доля двух верхних градаций
процент респондентов, выбравших два верхних пункта шкалы.
Likert scale шкала Лайкерта
рейтинговая шкала согласия или важности.
Buy-a-feature купи функцию
игра Hohmann, где участники покупают функции на ограниченный условный бюджет.
MoSCoW Must, Should, Could, Won't have this time
классификация требований DSDM с потолком Must в 60 % усилий.
Timebox тайм-бокс
фиксированный отрезок времени с переменным объёмом.
Shape Up название методики Basecamp
циклы по шесть недель, ставки вместо бэклога, аппетит вместо оценки.
Betting table стол ставок
встреча узкого круга, решающая, на какие pitch ставить цикл.
Appetite аппетит
заранее заданное допустимое время на работу.
Pitch питч
документ с проблемой, аппетитом, решением, ловушками и исключениями.
Circuit breaker предохранитель
правило Shape Up не продлевать проект, не уложившийся в цикл.
Cool-down охлаждение
две недели между циклами Shape Up.
Now-next-later сейчас, дальше, позже
дорожная карта по горизонтам уверенности без дат.
North Star metric метрика Полярной звезды
единая метрика ценности для клиента, к которой ведут input-метрики.
Input metric входная метрика
опережающий показатель, влияющий на North Star.
Stack ranking стек-ранжирование
единый упорядоченный список без баллов.
Capacity bucket корзина ёмкости
доля ёмкости периода, закреплённая за типом работы, направлением или горизонтом.
Keep-the-lights-on, KTLO поддержание работы
обязательная эксплуатационная работа.
Theme scoring оценка тем
скоринг тем против целей по шкале 0/1/2 с весами и T-shirt-оценкой усилий.
T-shirt sizing размеры футболок
грубая оценка усилий S/M/L/XL.
AHP Analytic Hierarchy Process — метод анализа иерархий
попарные сравнения с проверкой согласованности.
Ordinal scale порядковая шкала
допускает только сравнение порядка; умножение и деление некорректны.
Ratio scale шкала отношений
допускает все арифметические операции; есть естественный ноль.
Range compression сжатие диапазона
присвоение одинаковых рангов количественно разным величинам.
False precision ложная точность
представление суждения числом с большим числом знаков.
Winner's curse проклятие победителя
завышение оценок эффектов, отобранных по статистической значимости.
Significance filter фильтр значимости
отбор только значимых результатов, порождающий winner's curse.
Shrinkage усадка
статистическая поправка оценок к среднему для компенсации отбора.
Holdout контрольная группа удержания
часть пользователей без изменения для измерения факта.
Calibration калибровка
совпадение заявленной уверенности с частотой попаданий.
Brier score оценка Брайера
мера точности вероятностных прогнозов, ниже — лучше.
HiPPO Highest Paid Person's Opinion — мнение самого высокооплачиваемого
решение по старшинству вместо данных.
Story points сторипоинты
относительная оценка трудоёмкости в agile-командах.
Person-month, person-week человеко-месяц, человеко-неделя
единица усилия одного человека за период.
OKR Objectives and Key Results — цели и ключевые результаты
рамка целеполагания с измеримыми результатами.
Opportunity Solution Tree, OST дерево возможностей и решений
структура от outcome к возможностям и решениям.
Synthetic respondents синтетические респонденты
ответы LLM вместо людей в опросах.
Ownership bias смещение владения
завышение LLM уверенности в собственных ответах по сравнению с теми же ответами от пользователя.
MCP Model Context Protocol
протокол подключения инструментов к LLM-агентам.
Zero-shot, few-shot без примеров, с несколькими примерами
режимы запроса к LLM без обучения на проекте или с несколькими примерами.
Pre-test impact sizing оценка эффекта до эксперимента
запись ожидаемого эффекта диапазоном до запуска для последующего сравнения.
Forecast journal журнал прогнозов
реестр прогнозов ценности с последующим фактом и отношением.
Calibration report отчёт калибровки
квартальная сводка попаданий интервалов и медиан отношения факт/прогноз.