Data-decorated: скоринговая приоритизация как иллюзия объективности

Сегодня в продуктовой индустрии есть несколько почти священных коров. Одна из них — вера в то, что зрелая команда должна принимать решения не «по чуйке», а через бэклог, приоритизацию и цифры. Сомневаться в этом даже как-то неловко. Но если говорить честно, то все очень неоднозначно. Но давайте разбираться.

Правда ли, что современная приоритизация беклога делает управление продуктом более объективным? Или мы просто научились заворачивать наши интуитивные догадки в более респектабельную упаковку?

Раньше продуктом часто управлял самый влиятельный человек в компании. Сегодня считается, что этот варварский этап пройден: теперь у нас есть бэклог, общий процесс обсуждения и формулы, которые должны помогать выбирать, что делать дальше. На бумаге это выглядит как победа разума над интуицией. В реальности иногда это просто переход от диктатуры начальника к диктатуре скоринговой таблички.

Чтобы сравнивать между собой десятки идей, команды используют разные методы. Один из самых популярных — RICE: он предлагает оценивать задачу по четырем параметрам — скольких пользователей она затронет (Reach), насколько сильно повлияет (Impact), насколько команда уверена в этой оценке (Confidence) и сколько ресурсов потребуется на реализацию (Effort). Затем все это собирается в одну формулу, после чего появляется число, которое выглядит как вердикт, вынесенный самой вселенской объективностью.

И вот здесь начинается самое интересное.

С Reach и Effort еще можно как-то жить. Охват иногда можно прикинуть по аналитике, а трудозатраты — по опыту команды и похожим задачам. Но дальше в комнату вползает какая-то метафизика.

Потому что Impact — это не измерение, а предположение о будущем. Мы еще ничего не сделали, но уже должны сказать, насколько сильно это повлияет на продукт. Иными словами, нам предлагают не замерить эффект, а вообразить его в цифрах.

А потом появляется Confidence — и ситуация становится почти комической. Официальные описания RICE предлагают присваивать уверенности проценты вроде 100%, 80% или 50% в зависимости от того, насколько команда верит в свои оценки. Но проблема в том, что «степень веры» не существует как реальный измеряемый показатель: нет прибора, который покажет, что ваша уверенность сегодня ровно 80%, а не 63% и не «после обеда упала до 40%».

То есть что происходит на практике? Сначала команда выдумывает численное значение будущего эффекта. Потом выдумывает численное значение своей уверенности в этом выдуманном эффекте. А потом перемножает одно с другим так, будто речь идет о физических величинах, полученных в лаборатории, а не о коллективной фантазии, оформленной в Google Sheets.

И вот здесь важно не запутаться: проблема не в том, что Confidence «немного неточен». Проблема в том, что он вообще не является измерением в строгом смысле. Это число, которое должно придать солидность тому, что по природе своей солидным не является. И когда такая псевдоточность попадает в формулу, она не снижает неопределенность, а только делает ее аккуратнее на вид.

К чему это ведет на практике? К очень простому эффекту: раз задачи получают один красивый итоговый балл, команда начинает обращаться с этим баллом как с фактом. Хотя внутри него спрятаны допущения, домыслы, разный уровень компетентности участников, политические компромиссы и просто настроение созвона в четверг вечером. В результате спор о будущем продукта подменяется спором о числе после запятой.

Именно поэтому такие системы так легко создают иллюзию управления. Всем кажется, что приоритеты определяет математика, хотя на самом деле математика здесь только придает аккуратную форму нашей субъективности. Не случайно критики RICE прямо пишут, что подобные фреймворки часто дают ложное чувство точности и не избавляют от необходимости прибегать к интуиции, а лишь маскируют интуицию под вуалью конкретных чисел.

Но и это еще не все. Даже если закрыть глаза на странную природу Confidence, остается вторая проблема: сам человек (причем как конкретный ответственный руководитель продукта, так и целые коллективы и продуктовые команды) очень плохо обращается с неопределенностью. И здесь полезно сослаться не просто на «какого-то Канемана», а на Даниэля Канемана — психолога, одного из главных исследователей принятия решений в условиях неопределенности, нобелевского лауреата по экономике за работы о систематических ошибках человеческого мышления. Его исследования и вся поведенческая экономика выросли из простой, но неприятной идеи: люди ошибаются. И делают это не случайно, а вполне предсказуемо.

Для продуктовой приоритизации особенно важны три механизма.

Первый — WYSIATI, то есть «what you see is all there is», по-русски примерно «что видим, с тем мы и работаем». Канеман описывал его так: человек строит суждение на основе доступной информации и почти не учитывает критически важные пробелы в знании. Мы берем то, что легко складывается в понятную историю, и ведем себя так, будто этой истории уже достаточно для принятия решений.

Как это выглядит в продукте? Допустим, некий электронный магазин уперся в потолок своей возможной выручки. Команда видит понятные рычаги: доработать карточку товара, подкрутить поиск, улучшить рекомендации в корзине, добавить баннер со скидкой. У всего этого есть метрики, локальные эксперименты, прогнозируемый эффект. А вот идея поменять саму логику ценностного предложения сервиса — например, перейти от обычного магазина к подписочной модели с фиксированной стоимостью доставки, персональным ассортиментом и приоритетным сервисом — выглядит туманно. Такое решение сложнее разложить на привычные шаги, труднее «доказать» заранее, а значит мозг автоматически сопротивляется даже самим мыслям о смене стратегии.

Именно так компании годами полируют воронку, вместо того чтобы менять модель продукта. Они делают вид, что занимаются развитием, хотя часто занимаются улучшением уже освоенной территории. Это и есть ловушка WYSIATI: если новая возможность плохо помещается в существующую систему объяснений, система делает вид, что возможности нет.

Второй механизм — избегание неоднозначности, или ambiguity effect. Когда есть выбор между вариантом с понятным, пусть и скромным результатом, и вариантом с непонятным, но потенциально большим выигрышем, человек обычно выбирает первое. Не потому, что это рациональнее в долгую, а потому, что психологически так спокойнее.

Продуктовый пример здесь выглядит еще более узнаваемо. Представим SaaS-платформу, которая стабильно растет в среднем сегменте. У нее есть два пути. Первый — продолжать привычную оптимизацию: чуть поднять конверсию в триал, чуть улучшить удержание, чуть сократить время до первого успешного действия. Второй — сделать по-настоящему рискованный шаг: перепридумать продукт под enterprise-сегмент, изменить модель продаж, пересобрать часть архитектуры, добавить сложные сценарии администрирования и тем самым выйти на совершенно другой рынок. Первый путь легко защищать на квартальном ревью. Второй похож на профессиональное самоубийство, потому что обещает слишком много неизвестного. Поэтому почти любая система приоритизации будет толкать команду к маленьким, но понятным победам.

Третий механизм — подмена важного измеримым. Это не столько отдельный термин из Канемана, сколько прямое следствие его логики о том, как мышление цепляется за доступные и удобные признаки. Если что-то легко выражается в числе, оно начинает казаться более важным, чем вещи, которые трудно посчитать, но которые на самом деле определяют судьбу продукта.

Классический пример — техдолг и качество взаимодействия. Добавить еще одну фичу почти всегда проще продать, чем переписать хрупкую архитектуру, убрать визуальный шум, унифицировать интерфейсы или навести порядок в дизайн-системе. У фичи есть понятный релиз, понятный PR внутри компании и шанс быстро показать красивую цифру. У качества и технического фундамента эффект размазан, отсрочен и часто выражается не ростом чего-то, а предотвращением деградации. А предотвращенную катастрофу, как известно, очень трудно презентовать на слайде с заголовком «Q3 wins».

В итоге бэклог сам собой дрейфует туда, где метрики легче, защита проще, а риск меньше. И это уже не нейтральный инструмент учета задач, а машина по воспроизводству управленческой осторожности. Самое забавное в этой ситуации то, что все участники процесса могут искренне считать себя невероятно рациональными людьми.

Но рынок цифровых продуктов снова и снова показывает, что реальную перестройку отрасли делают не локальные оптимизации, а решения, которые в момент появления кажутся странными, рискованными или откровенно безумными.

Хороший пример — TikTok. На фоне классических соцсетей его логика выглядела почти еретической. Долгое время стандартом был социальный граф: пользователи подписываются на знакомых, друзей, медийных авторов, и сеть в первую очередь показывает контент из этих связей. TikTok радикально усилил другой принцип: не важно, кого ты знаешь, важнее, что алгоритм уже понял о твоем внимании и что он может подсунуть тебе следующим. Исследования и разборы платформы подчеркивают, что рекомендации в ленте For You с самого начала опирались на предсказание интереса пользователя, а не на его социальные связи, причем алгоритм очень быстро формировал персональную ленту даже для новых пользователей.

Почему это казалось безумием? Потому что такая модель ломала интуицию прежних соцсетей. Она говорила: социальная сеть может расти не вокруг друзей, а вокруг машинного угадывания интереса; контент от неизвестного автора может быть важнее контента от знакомого; а ключевой продуктовый актив — не граф связей, а качество рекомендательной машины. На старте это выглядело рискованно еще и потому, что «сеть без сети» казалась хрупкой конструкцией: если люди не держатся за друзей и подписки, почему они вообще должны возвращаться? Ответ оказался болезненно прост: потому что алгоритм лучше знает, что удерживает внимание.

В терминах приоритизации стратегических инициатив это был бы очень неудобный проект. Высокая неопределенность, огромная зависимость от качества ML-рекомендаций, сложность доказать эффект заранее, радикальный отход от принятой логики соцпродуктов. Очень похоже на ту задачу, которая на планировании получает вежливое «интересно, но давайте позже вернемся, когда будут данные». А потом оказывается, что «позже» уже поздно.

Еще один сильный пример — Netflix. Сегодня идея «стриминг-сервис снимает собственные сериалы» кажется почти банальной, но в момент стратегического разворота это не выглядело очевидным. Компания долго жила как дистрибьютор чужого контента, сначала в прокате DVD, затем в цифровой подписке, и ее сила заключалась не в производстве, а в доступе и удобстве. Переход к собственному производству означал не просто новую линейку продуктов, а смену роли на рынке: из технологической и дистрибуционной компании Netflix начал превращаться в студию.

Почему это казалось безумием? Потому что производство контента — капиталоемкий, рискованный и плохо предсказуемый бизнес. Там невозможно гарантировать, что дорогой проект сработает, а провалы стоят очень дорого. Кроме того, для компании это был шаг в область, где у нее изначально не было естественного преимущества масштаба, как у традиционных голливудских игроков. Но ставка была инновационной именно потому, что Netflix увидел угрозу раньше других: если жить только на чужом контенте, то правообладатели однажды захотят забрать ценность себе. Собственные сериалы и фильмы решали сразу несколько задач — дифференциацию, контроль над библиотекой, снижение зависимости от внешних студий и укрепление подписочной модели. То, что сначала выглядело как опасное стратегическое расширение, позже стало фундаментом рыночной позиции.

И вот здесь появляется тема «черных лебедей». Канонически под ними понимают редкие и трудно предсказуемые события с огромным эффектом; применительно к продуктам это часто решения, которые в момент принятия кажутся недостаточно обоснованными (а значит проигрывают в любой скоринговой гонке), зато потом меняют структуру рынка. Системы, заточенные только под доказуемое и понятное, почти неизбежно слепы к таким ходам. Они созданы для аккуратной оптимизации известного мира, а не для встречи с новым.

Поэтому главный парадокс зрелого продуктового управления звучит так: чем дисциплинированнее команда в своей формальной приоритизации, тем выше риск, что она станет заложником собственного здравого смысла. Она будет очень умно, очень системно и очень прозрачно недоинвестировать в будущее.

Из этого, конечно, не следует, что бэклог надо сжечь, а таблицы выбросить в окно. Проблема не в инструментах как таковых, а в культе, который вокруг них вырос. Формулы полезны как способ структурировать разговор, но опасны как способ прекратить думать.

Более зрелый подход начинается с честности. Нужно прямо признавать, где у команды есть реальные данные, а где есть лишь правдоподобный рассказ. Нужно специально выделять долю ресурсов под гипотезы, которые плохо считаются, но могут изменить саму модель продукта. Нужно защищать техдолг, UX-качество, архитектурную целостность и большие исследовательские заходы от вечного проигрыша «маленьким понятным улучшениям». И главное — нужно перестать делать вид, будто высокий риск является браком системы принятия решений. Для сильного продукта риск не дефект, а обязательный ингредиент.

Потому что, как ни обидно для любителей аккуратных скорингов, рынок редко переворачивают задачи с идеальным произвдением баллов Impact и Confidence. Рынок переворачивают решения, которые в момент принятия выглядят слегка безумными, не очень удобными для квартального отчета и неприятно похожими на прыжок в туман. А потом именно их остальные начинают называть новой лучшей практикой.