AstraFable индекс координатора дата: 2026-09-20 final
Методы оценки и приоритизации
Обе модели независимо пришли к одному выводу: ни для одного скорингового метода нет исследований, сравнивающих предсказанную и реализованную ценность, а арифметика RICE, ICE, WSJF и взвешенных матриц наследует доказанные дефекты порядковых шкал. Рабочая конструкция совпала: корзины ёмкости на квартал, одна валюта внутри корзины, экономика диапазонами для крупных ставок, качественный стол ставок для финального отбора и журнал прогнозов с калибровкой по классам. Astra строже в математике (контрпримеры перекодировки шкал и жадного выбора, формулы ёмкости с сохранением переносов, EVPI и EVSI с числами, четырнадцать кодов проверок), Fable сильнее в эмпирике критики (Cox о матрицах риска, Chapman и Callegaro о ненадёжности Kano, Ipsos о синтетических респондентах, самоуверенность LLM) и в нормах (ничья в пределах 15 %, не менее 20 закрытых прогнозов на класс). Главное ограничение: калибровка ценности требует двух–четырёх кварталов дисциплины, а эффекты тренировки оценщиков спорны.
- Модель
- gpt-6-astra · effort ultra
- Время
- 38 мин
- Источников
- 66
- Слов
- 16316
- Утверждений
- 274
- Валидация
- блокеров 0, предупреждений 4
- Модель
- claude-fable-5-1 · effort max
- Время
- 41 мин
- Источников
- 82
- Слов
- 17323
- Утверждений
- 337
- Валидация
- блокеров 0, предупреждений 3
- Стоимость
- $18.61 по списочным ценам
Вердикт координатора
Главный вывод совпал дословно. Ни для RICE, ни для ICE, ни для WSJF, ни для взвешенных матриц не найдено исследований, сравнивающих предсказанную и реализованную ценность. Их арифметика перемножает и делит порядковые оценки, чего шкала не допускает: Astra показывает это контрпримером, где допустимая монотонная перекодировка шкалы меняет победителя (A=(3,3) против B=(2,5): произведения 9 и 10 выбирают B, после перекодировки 2→2, 3→4, 5→5 произведения 16 и 10 выбирают A), Fable — переносом формальных результатов о матрицах риска (Cox 2008: корректно сравнивается малая доля пар, сжатие диапазонов; Hubbard и Evans 2010: выгода скоринга «вероятно, иллюзорна»). Обе оставляют скорингу роль дешёвого фильтра для десятков мелких сопоставимых инициатив, когда reach и effort — реальные величины, а различия баллов внутри 15 % считаются ничьей.
Конструкция совпала. Обе предлагают конвейер вместо единого рейтинга: обязательные ограничения и вето → корзины ёмкости на квартал → короткий список → экономическая оценка крупных ставок диапазонами (cost of delay и CD3 для очерёдности, NPV и ожидаемая ценность для денежных последствий, ценность информации для выбора исследования) → финальный отбор за столом ставок → очерёдность → замороженный прогноз и проверка результата. Astra формализует ёмкость по ресурсу и периоду с резервом и правилом сохранения переносов (сумма переносов между корзинами равна нулю, выдача из резерва уменьшает его остаток), Fable задаёт нормы: Must не выше 60 % усилий по DSDM, стол ставок в один–два часа, закрытие прогноза через восемь недель после релиза, не менее 20 закрытых прогнозов на класс до применения множителя.
Клиентские методы разобраны одинаково, с разной жёсткостью к Kano. Обе нашли две несовместимые версии формулы opportunity score (I + max(0, I − S) и I + (I − S)) и критику, по которой важность объясняет около 84 % движения балла. Обе считают MaxDiff методом с проверенной предсказательной валидностью выбора, conjoint — методом для цены и пакетов, Buy-a-feature — качественным свидетельством, а не willingness-to-pay. Fable идёт дальше по Kano: по Chapman и Callegaro только 39,1 % респондентов повторяют свой ответ, надёжность 0,61–0,73, устойчивые категории требуют N ≥ 200, и рекомендует MaxDiff с Likert вместо пары вопросов Kano; Astra оставляет Kano как классификацию ожиданий по сегментам, а не источник чисел для формулы.
Ретроспектива прогнозов — единственный источник калибровки у обеих. Astra даёт формулы (bias, MAE, коэффициент реализации k как отношение сумм, coverage интервалов, Brier, сглаживание множителя класса с родительским классом) и предупреждает, что три исхода не образуют reference class и что отмены и незрелые результаты — отдельные состояния. Fable даёт границы: базовая частота успеха идей меньше трети (Kohavi), «победы» экспериментов завышены фильтром значимости, нетренированные оценщики попадают в 90 %-е интервалы примерно в половине случаев, а реанализ Good Judgment Project 2024 года уменьшает эффекты тренировки. Обе: LLM пригодна как проверяющий единиц, извлекатель свидетельств и хранитель журнала, но не как оценщик ценности и не как замена респондентов.
Уверенность. Высокая в математических ограничениях и в отсутствии исследований точности, средняя в конвейере как авторской сборке без сквозной эмпирики, низкая в численных нормах и долях корзин, которые обе модели пометили как ориентиры и иллюстрации.
Карта согласий и расхождений
| Раздел | Согласие | Astra | Fable | Комментарий координатора |
|---|---|---|---|---|
| 0. Вердикт | полное | Корзины, оценка последствий, журнал прогнозов вместо единого рейтинга; деньги как валюта только при прослеживаемой связи; качественные ставки как альтернатива скорингу | Исследований точности скоринга нет, арифметика наследует дефекты матриц риска; конвейер из четырёх частей; Shape Up как альтернатива до ~80 человек; MaxDiff вместо Kano | Один вывод |
| 1. Что это и как работает | в целом | Четыре задачи вместо одного score; математическая гигиена с контрпримерами; механика 22 методов с формулами; ёмкость по ресурсу и периоду; единая валюта с «запрещёнными скачками»; ретроспектива с формулами | Три части любого метода и восемь точек поломки; формальная база критики (Stevens, Cox, Hubbard и Evans, Krisper); механика тех же методов с эмпирикой надёжности; конвейер | Astra строже в математике, Fable сильнее в эмпирике |
| 2. Актуальность и доказательная база | полное | Таблица доказательности 22 методов; Schramm и Lichters о MaxDiff, метаанализ conjoint, RCF Hong Kong, uniqueness bias, Mellers, Kelly и Mandel; The great divide 2026 | Таблица доказательности по методам; Chapman и Callegaro, Sawtooth, Flyvbjerg 258 проектов, Kohavi, winner's curse, GJP и реанализ 2024; опросы 94 команд и 1 400 респондентов | Разные корпуса, одинаковый вывод |
| 3. Где применимо и где нет | полное | По классам методов и сквозным механикам; нужен замыкающий контур данных | По методам с механизмом на каждый пункт | Расхождений нет |
| 4. Альтернативы и дерево решений | в целом | Восемь конфигураций процесса; дерево от обязательств, ёмкости, корзин, клиентской неопределённости, размера ставки, очереди и ретроспективы | Восемь цельных подходов с колонками «порядковая арифметика», «ёмкость встроена», «ретроспектива встроена»; дерево от размера и числа ставок, срока, клиентского вопроса и журнала | Деревья объединены ниже |
| 5. Практическое применение | в целом | Восемь шагов; роли; сценарий 120 человек: 192 → 120 → 100 человеко-недель, reference class k=0,75, перебор 16 наборов, CD3-очередь с потерями 35 000 против 36 000, факт 75 против прогноза 114 | Шесть шагов; ритм по уровням; сценарий 120 человек: 312 → 234 человеко-недели, корзины 55/25/20, CD3 с фиксированной датой, RICE с правилом ничьей, калибровка 12 закрытых прогнозов с медианой 0,6 | Сценарии дополняют друг друга |
| 6. Артефакты | полное | Восемь артефактов с полями и состояниями draft → resolved; YAML политики корзин | Восемь артефактов включая pitch Shape Up и MoSCoW-лист; правило замораживания прогноза | Совпадают по составу |
| 7. С чем используется в связке | полное | Десять интерфейсов; запрет многоэтажного score | Порядок слоёв от дерева метрик до экспериментов; шесть конфликтов включая синтетических респондентов | Совпадают |
| 8. Метрики здоровья и антипаттерны | в целом | Одиннадцать признаков, почти все ориентиры; пять антипаттернов | Одиннадцать признаков с нормами из источников; пять антипаттернов | Четыре антипаттерна совпадают |
| 9. Инструменты и софт | в целом | JPD с механикой Weighted Score, Productboard, airfocus с Capacity Planning | Те же плюс Aha!, ProdPad, Dragonboat; общее ограничение: нет сущности «прогноз с фактом» | Цены совпали; вывод об отсутствии журнала прогнозов общий |
| 10. Адаптация под LLM и агентов | в целом | Синтетические респонденты (препринт 2024, Kuric 2026); семь операций; JSON-структура оценки; четырнадцать кодов правил; Guardrails, ForecastBench | Самоуверенность LLM (+26 %, интервалы 60 %); оценка трудоёмкости LLM конкурентоспособна; Ipsos и обзор 12 работ; YAML с проверками; восемь правил | Схемы совместимы, объединены ниже |
| 11. Происхождение и что читать | полное | Этапы от Kano 1984 до LLM; непроверенные атрибуции (Clegg 1994, RICE 2016) | Таблица от Stevens 1946 до 2026 с «какую боль решали»; руководство MoSCoW 2026-05-28 | Совпадают |
| 12. Открытые вопросы | полное | Сравнительная точность, распространённость, доли корзин, перенос RCF на ценность, атрибуция, отбор, LLM, стоимость | То же плюс закрытые шкалы WSJF, вторичные числа Reinertsen и Nagji-Tuff, противоречия по Kano и калибровке | Совпадают по сути |
Шкала согласия: полное, в целом, частичное, расхождение, только у одной.
Уникальные находки
Только у Astra
- Четыре разные задачи, которые нельзя сводить к одному score: распределение ресурсов, оценка, отбор, последовательность; единица решения — изменение относительно контрфакта.
- Контрпримеры: монотонная перекодировка порядковой шкалы меняет победителя произведения; жадный выбор по value/effort при бюджете 10 берёт A=12, тогда как B+C дают 18; E[XY] ≠ E[X]E[Y]; отношение ожиданий не равно ожиданию отношения; ожидаемая чистая ценность pB−C, а не p(B−C).
- Правило Smith как строгая граница оптимальности CD3: одна машина, независимые работы, известная длительность, линейная стоимость ожидания; человеко-недели и календарная длительность не взаимозаменяемы.
- Ценность информации с числами: запуск +100/−40 тыс. € при p=0,3, EV=2, EVPI=28, тест с чувствительностью и специфичностью 0,8 даёт EVSI=16,4, чистая добавленная ценность 7,4 тыс. € после цены теста и задержки.
- Формулы ёмкости по ресурсу и периоду: доступная, распределяемая, бюджет корзины, сумма переносов равна нулю, выдача из резерва как балансирующая операция; нельзя закрыть нехватку аналитика свободными неделями дизайнера.
- Единая валюта как семантика, а не обязательная монетизация: формула экономии времени с коэффициентом реализации (1 000 часов × 30 € × 0,2 = 6 000 €, а не 30 000), бюджетные жетоны не единицы результата.
- Ретроспектива с формулами bias, MAE, k, coverage, Brier и сглаживанием k_adjusted = λ·k_class + (1−λ)·k_parent; отмены и незрелые результаты как отдельные состояния, чтобы survivors не искажали reference class.
- Сценарий с честной арифметикой двух горизонтов: 114 тыс. € как сумма за 52 недели после каждого релиза против 79 тыс. € в общем первом году программы; разница 35 равна потерям очереди.
- Четырнадцать кодов правил (UNIT_MISMATCH, ORDINAL_ARITHMETIC, EFFORT_DURATION, DOUBLE_COUNT, FORECAST_MUTATED, OUTCOME_NOT_MATURE, SYNTHETIC_AS_OBSERVED, FORMULA_DRIFT и другие) и JSON-структура оценки с полями
conditional_on,avoidable,validated_out_of_sample. - Демонстрация
astra/demonstration.htmlс калибровкой, перебором 16 наборов, очередью и ретроспективой; ForecastBench и Guardrails как открытая инфраструктура.
Только у Fable
- Формальная база критики скоринга: Stevens 1946 о шкалах, Cox 2008 о матрицах риска, Hubbard и Evans 2010, Krisper 2021 с 24 проблемами; перенос на продуктовые формулы как структурно те же матрицы.
- Правила из разборов 2026 года: различия баллов в пределах 15 % считать ничьей, структурные работы вести отдельной полосой, WSJF даёт ненулевую стоимость задержки при нулевой ценности.
- Reinertsen: около 85 % продакт-менеджеров не могут назвать стоимость задержки, оценки внутри одной команды расходятся в 50 раз; кейс Maersk: функция с задержкой свыше 200 000 долларов в неделю ждала 38 недель.
- Chapman и Callegaro о Kano: test-retest 39,1 %, надёжность 0,61–0,73, N ≥ 200, неодномерная шкала; Sawtooth: t-значения различения 3,3 для рейтингов, 6,3 для парных сравнений, 7,7 для MaxDiff.
- Winner's curse: фильтр значимости завышает оценки эффектов, в симуляции 10 000 экспериментов на 43 % при доле ложных открытий 27 %; наивная сумма «побед» завышена.
- Калибровка людей и LLM: 90 %-е интервалы нетренированных содержат ответ в 52 % случаев, после тренировки 78 %; интервалы ChatGPT покрывали факт в 60 %, инструкции по калибровке ухудшили до 58 %, математическая поправка дала 89 %; инструкционно настроенные модели присваивают своим ответам до 26 % больше уверенности; реанализ GJP 2024 уменьшает эффекты тренировки и команд.
- Синтетические респонденты: Ipsos на пяти коммерческих исследованиях (N = 500) нашёл искажения по цене и отсутствие гетерогенности сегментов; перефразирование промпта меняло «предпочтения» с 92 % до 66 %; обзор 12 работ 2023–2026: средние совпадают, дисперсия занижена, подгруппы неверны.
- Распространённость: 38 % из 94 нидерландских команд используют RICE, три метода дают 68 % ответов; ProductPlan 2023 на 1 400 респондентах; сотрудник Jira Product Discovery скептичен к автоматической приоритизации.
- Три корзины Adam Nash 2009 с требованием присутствия каждой в релизе; 70/20/10 у Google и в исследовании Nagji и Tuff как наблюдаемая, а не нормативная пропорция.
- Норма закрытия прогноза через восемь недель после релиза и порог 20 закрытых прогнозов на класс до применения множителя; правило запрета
source_type = llmдля прогноза ценности.
Объединённое дерево решений
- Если работа обязательна к конкретной дате или устраняет недопустимое состояние→правило или вето плюс минимальный выполнимый scope по MoSCoW с потолком Must не выше 60 % усилий; внутри классов стек
- Если обязательный минимум превышает доступную ёмкость→сократить альтернативным способом, добавить ресурс или явно изменить обязательство; новый score не применять
- Если минимум можно выполнить несколькими способами→сравнить их по стоимости и рискам, выбрать ресурсно выполнимый
- Если нет подтверждённой ёмкости на горизонт решения→сначала учёт доступной ёмкости по ресурсам и текущих обязательств, потом любое ранжирование
- Если конкурируют разные направления, типы работ или горизонты→корзины по одной основной оси на квартал, затем выбор внутри корзины
- Если конвертация между корзинами в деньги достоверна→сравнить несколько распределений по предельной ожидаемой ценности и риску
- Иначе→явная политика долей с владельцем, причиной, сроком пересмотра и метрикой использования; стартовые доли только как иллюстрация
- Если неизвестность прежде всего о клиентских предпочтениях→клиентское исследование до оценки решения
- Если нужно отличить обязательное свойство от привлекательного и есть 200 и более респондентов→Kano по сегментам как классификация ожиданий, без перевода категорий в баллы формулы
- Если нужен относительный порядок длинного списка понятных потребностей→MaxDiff с holdout и Likert по удовлетворённости; anchor при необходимости оценить абсолютную приемлемость
- Если выбираются цена, пакет или уровни атрибутов при высокой ставке→conjoint с вариантом None и проверкой поведением
- Если нужно найти важные недостаточно удовлетворённые результаты→opportunity scoring с зафиксированной версией формулы и шкалы, затем интервью; ранжирование по важности проверять отдельно
- Если респондентов меньше 50 и нужен смысл компромиссов→Buy-a-feature как качественная сессия с записью переговоров, без баллов
- Если ставка одна, крупная, горизонт длинный или решение трудно отменить→NPV или ожидаемая ценность диапазонами, downside-сценарий, reference class по затратам и срокам, проверка ликвидности
- Если исследование может изменить выбор→EVPI как верхняя граница, затем EVSI и этапный real option; «пилот» без права остановиться опционом не является
- Если денежный эффект нельзя обосновать→MCDA с явными шкалами и swing-весами либо ограниченная стратегическая ставка внутри защищённой корзины
- Если инициатив в цикле меньше пяти и каждая занимает недели→стол ставок с письменными pitch и аппетитом
- 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, стек и запись в журнал
- Если инициатив десятки и каждая занимает дни или недели→внутри корзины простая процедура
- Если есть аналитика по сегментам и оценка усилий диапазоном→RICE с отдельно записанным прогнозом наблюдаемого результата; ничья в пределах 15 % решается стеком
- Если возможны контролируемые эксперименты→ICE с объявленной версией формулы, обязательным экспериментом и прогнозом до запуска
- Иначе→стек-ранжирование попарным сравнением внутри корзины и decision log
- Если нужно выбрать следующий запуск из уже одобренного набора→проверить зависимости, профиль срочности и стоимость ожидания
- Если одно ограничение и линейный денежный cost of delay→CD3
- Если у инициативы фиксированная дата→планировать так, чтобы успеть; после даты её ценность обнуляется независимо от формулы
- Если денег нет, но общий относительный протокол устойчив→относительный WSJF с пометкой «эвристика», не сравнимый между командами
- Если зависимости или параллельные ресурсы меняют доступность→сравнить несколько выполнимых последовательностей с временной моделью
- Если ретроспективы ещё нет→журнал прогнозов с первого дня: диапазон, автор, источник оценки, дата закрытия; осторожные диапазоны внешних аналогов
- Если в журнале 20 и более закрытых записей одного класса→медиана отношения факт/прогноз как поправка к новым прогнозам класса, проверка на отложенных исходах, пересмотр раз в квартал
- Если требуется сообщить выбранное направление наружу→now-next-later поверх любого варианта с отдельными явными датами реальных обязательств
Объединённая модель оценки
Обе модели предлагают близкие структуры; ниже их объединение как основа собственного слоя планирования. Это авторские предложения обеих моделей, а не отраслевой стандарт.
| Элемент | Правило | Откуда |
|---|---|---|
| Лист оценки | id, корзина, класс инициативы (для reference class), контрфакт («ничего не менять»), горизонт, baseline, диапазон эффекта, стоимость, ёмкость, зависимости и стоп-факторы, свидетельства, оценщик, версия формулы; замораживается решением |
обе |
| Шкалы | У каждого поля тип шкалы (ordinal, ratio, probability); умножение и деление только полей ratio; порядковые поля дают лишь порядок и правило ничьей внутри корзины |
Astra типология, Fable флаг scale |
| Валюта | Одна на корзину: деньги в неделю для крупного, Δ input-метрики для продуктового, натуральная единица или условная value unit с версией; конвертация через юнит-экономику с коэффициентом реализации; смешение валют в одной формуле запрещено | обе |
| Прогноз | Диапазон 90 % (low, likely, high), conditional_on релиз, source_type (data, experiment, analogy, opinion; не llm), raw и used с множителем калибровки и признаком validated_out_of_sample, frozen_at, правило разрешения |
Astra поля, Fable запрет llm |
| Ёмкость | По ресурсу и периоду: gross − отпуска − BAU − overhead = available; резерв; бюджет корзины = доля × распределяемая; сумма переносов равна нулю; выдача из резерва уменьшает остаток; использование корзины U и дрейф | Astra формулы, Fable использование |
| Очередь | urgency_profile (linear, fixed_date, decaying); CD3 только при линейном профиле и одном ограничении; фиксированная дата обнуляет ценность после срока; длительность — не человеко-недели |
обе |
| Решение | outcome (bet, defer, reject), кто и когда, override_reason при отклонении от порядка; снимок кандидатов и ёмкости |
обе |
| Журнал и факт | Запись до решения, закрытие через фиксированный срок после релиза, метод атрибуции, поправка на winner's curse; состояния released → observation_due → resolved или unresolved с причиной; отмена не равна нулевому эффекту условного прогноза | обе |
| Калибровка | По классам и оценщикам: медиана или отношение сумм факт/прогноз, coverage и ширина интервалов, Brier против baseline; множитель только при 20 и более закрытых записях, со сглаживанием к родительскому классу при меньшей выборке | Fable порог, Astra формулы |
| Проверки | single_currency_per_bucket, no_multiplication_of_ordinal_fields, value_forecast_has_source, effort_is_range, forecast_log_entry_exists, fixed_date_requires_date, CAPACITY_EXCEEDED, DOUBLE_COUNT, FORECAST_MUTATED, OUTCOME_NOT_MATURE, SYNTHETIC_AS_OBSERVED, FORMULA_DRIFT | обе |
| LLM | Извлечение свидетельств и прогнозов из документов, проверка единиц и источников, ведение журнала и отчёта калибровки, подбор reference class, первичная оценка трудоёмкости; не оценивает ценность и не заменяет респондентов; заявленная уверенность модели используется только после математической поправки | обе |
Статистика запусков
| Показатель | Astra | Fable |
|---|---|---|
| Модель и effort | gpt-6-astra, ultra | claude-fable-5-1, max |
| Время работы | 38,4 мин плюс один доработочный ход | 41,5 мин |
| Поиск и чтение | 30 поисков, 28 команд, 16 записей файлов; 66 источников | 48 поисков, 121 обращение к страницам, 37 правок файла; 82 источника |
| Пересечение источников | 9 общих URL, 19 общих доменов: Intercom, SAFe, Black Swan Farming, Basecamp, Agile Business Consortium, ProdPad, Atlassian, airfocus, Productboard, Sawtooth, Strategyn, Hubbard | |
| Объём, слов | 16 316 | 17 323 |
| Типизация утверждений | 274: 165 гипотез, 83 факта, 19 эмпирики, 4 вендор, 3 мнения | 337: 74 мнения, 73 факта, 70 вендор, 69 эмпирики, 51 гипотеза |
| Ссылок на источники в тексте | 155 | 505 |
| Дерево решений | 10 ветвей, 22 листа | 8 ветвей, 14 листьев |
| Антипаттерны, термины | 5, 67 | 5, 72 |
| Стоимость | CLI не сообщает | $18,61 по списочным ценам |
| Статус валидации | 1 блокер формы после починки валидатора, исправлен одним доработочным ходом; затем 0 блокеров, 4 предупреждения о ссылках (три 403, один 404) | 0 блокеров с первого раза, 3 предупреждения: 403 у Wiley, ACM и Sage |
Открытые вопросы
- Нет исследования, сравнивающего реализованную ценность инициатив, отобранных скорингом, экономикой и суждением, на одной выборке компаний; обе модели считают это главным пробелом и предлагают проспективный журнал нескольких команд.
- Опубликованных журналов прогнозов продуктовых команд с распределением отношения факт/прогноз по классам нет; множители в обоих отчётах (0,75 и 0,6) — иллюстрации.
- Калибровка оценщиков: первичные результаты Good Judgment Project и вендорские данные Hubbard положительны, реанализ 2024 года уменьшает эффекты, а Kelly и Mandel нашли улучшение интервальных, но не бинарных оценок; обе модели требуют проверять навык на собственных исходах.
- Kano: гайды практиков советуют 15 респондентов на персону, survey science требует N ≥ 200 и ставит под сомнение саму шкалу; Fable рекомендует заменить MaxDiff, Astra допускает как классификацию ожиданий.
- ICE существует в двух версиях (среднее и произведение), opportunity score — в двух версиях формулы и двух шкалах входов; имя метода не определяет алгоритм, версию надо фиксировать в каждой записи.
- Шкалы WSJF в SAFe закрыты за логином; утверждения Reinertsen о 85 % и расхождении в 50 раз, числа Nagji и Tuff о 70/20/10 и год появления MoSCoW известны только по вторичным источникам.
- LLM: оценка трудоёмкости в zero-shot конкурентоспособна с обученными моделями, оценка ценности и предпочтений — нет; точность LLM как проверяющего единиц и источников на реальных листах оценки не измерена.
- Ни один из проверенных инструментов не имеет сущности «прогноз с последующим фактом»; журнал прогнозов приходится вести полями или таблицей.
Заметки о прогоне
- Astra прошла через починку валидатора: после восстановления проверки найден 1 блокер формы, исправлен одним доработочным ходом. Fable шла последней в очереди по одному и завершилась за 41,5 минуты; очередь из четырёх тем заняла 3 часа 40 минут без повторов по лимиту.
- Пересечение доменов самое высокое среди тем дня (19), а URL — низкое (9): обе вышли на одни и те же первоисточники методов, но читали разные страницы; корпуса критики почти не пересекаются.
- Astra типизировала почти всё как факт или гипотезу (мнений 3, вендор 4 из 274), Fable распределила равномерно (эмпирики 69 из 337): у Fable больше исследований точности и надёжности, у Astra больше собственной формализации.
- Astra оставила в папке демонстрацию, JSON-пример оценки и каталог первоисточников; координатор их не запускал.
Материалы
- Исследование Astra · markdown · демонстрация · пример оценки
- Исследование Fable · markdown
- Задание · Протокол уточнений
- Смежные исследования: деревья драйверов, метрик и KPI; OKR в связке с деревом метрик, дорожной картой и OST; организация и ведение дорожной карты; Opportunity Solution Tree и альтернативы; outcome-driven product management как система