Всем привет! Я Николай Якимовец, продуктовый менеджер в Mindbox. Сейчас работаю над продуктом, который автоматизирует работу категорийных менеджеров: управление ассортиментом товаров, ценами и складскими остатками.
Без автоматизации такие задачи решают с помощью таблиц Excel на 50+ столбцов и десятки тысяч строк. Поэтому нормальный рабочий объем для нашей продуктовой команды — это огромные выгрузки по продажам, склейка файлов, расчеты метрик, проверка гипотез, дашборды. Плюс при запуске нового продукта приходится сверять, что система считает правильно: сравнивать выгрузки, подбивать результаты.
Чтобы погрузиться в эту среду, мне нужно было быстро освоить сценарии управления товарами и ключевые товарные метрики. Сэкономить время помог ИИ, с которым я работаю еще с выхода ChatGPT 3.5. Сегодня нейросети для меня — инструмент, который забирает на себя рутину и ускоряет обучение.
Примеры из реального продукта показывать не могу. Вместо них в статье будут максимально близкие к моей работе кейсы: самообучение, интервью с клиентами, обработка данных, верстка и прототипирование.
Какие инструменты будут в статье
Большая часть примеров будет из ChatGPT. Сейчас экспериментирую с GPT-5 Pro. Для некоторых задач подключаю редактор кода Cursor. До этого тестировал и другие модели, но, по моим ощущениям, разница между ними невелика: одна чуть лучше пишет код, другая точнее структурирует текст, но в целом качество у всех выравнивается.
ChatGPT использую в веб-интерфейсе — там есть все, что нужно:
-
Режим Auto — обычный диалог, система автоматически выбирает, какой модели отдать задачу.
-
Study — режим наставника с вопросами и домашкой.
-
DeepResearch — поиск и сбор данных в сети (работает с оговорками, но как альтернатива Google полезен).
-
Canvas — генерация прототипов и простая визуализация.
Дальше покажу конкретные примеры задач, промпты и результаты.
Обучение и поиск информации: как ChatGPT заменяет Google
Одна из задач продакта — быстро разбираться в новых областях. Например, мне нужно было освоить ABC-анализ товаров: как он работает и зачем используется. Этот метод позволяет разбить товары на три группы в зависимости от влияния на выручку: «лучшие», «средние» и «слабые». Раньше я искал информацию в Google, сейчас чаще обращаюсь к ChatGPT.
У модели есть режим обучения: задаю контекст, прошу объяснить термины и даже составить мне «домашнее задание» — решить задачу или посчитать метрику. Такой формат работает как мини-курс: модель выступает в роли наставника, а я закрепляю знания на примерах.
Приведу пример промпта.
Ты — опытный категорийный менеджер, а я твой ученик. Объясни, как работает ABC-анализ, зачем он нужен. Сгенерируй мне таблицу с 20 товарами и их месячной выручкой, продажами в штуках, чтобы я попробовал сам разбить их на группы A, B и C. После этого проверь мою работу и предложи улучшения.
Дальше я описываю, каким вижу решение, на примере клиента (после интервью с ним обычно появляются гипотезы) и прошу модель снова меня «челленджить». Так работаем несколько итераций: модель объясняет, дает упражнение, мы прогоняем пример, фиксируем ошибки, повторяем. Мне легче воспринимать информацию визуально и делать несколько повторений, чтобы закрепить результат, поэтому чат удобно использовать — можно прогонять примеры столько, сколько нужно.
Например, в ответ на промпт про ABC-анализ модель дает задание. Дальше я описываю модели свои расчеты и разбивку товаров на группы, а она проверяет ответы и выставляет оценку.
В режиме обучения удобно копать глубже в тему. Например, я попросил модель рассказать и про альтернативные подходы: какие еще методы бывают для оценки ассортимента и для каких задач они подходят лучше, чем ABC-анализ. Такой формат «диалога с наставником» позволяет быстрее войти в тему и потом уже на интервью с клиентами лучше понимать, какие задачи они решают и какими инструментами.
Пара слов о фактчекинге. Я не принимаю ответы моделей за истину по умолчанию, особенно в узких или новых темах. Чем популярнее тема, тем надежнее результат. Для редких же кейсов вероятность «шумных» или выдуманных ответов выше. Поэтому всегда параллельно проверяю документацию, учебники, специальные инструкции по предметной области, профильные источники, результаты поиска в Google или «Яндексе». Если модель ссылается на данные, прошу дать цитаты или источники и иду сверять.
Совет. Включайте в процесс не только объяснения, но и упражнения: дайте модели ваш вариант решения и попросите сгенерировать тестовые примеры для проверки. Используйте режим «учитель — ученик», а все критические выводы проверяйте внешними источниками.
Помощь с интервью: 80 минут → пара минут на обработку записи
Интервью — одна из самых ресурсозатратных задач продакта. В нашем случае это не разовые беседы, а серия встреч с одними и теми же компаниями. Мы можем провести по десять и больше часовых интервью с одним клиентом: он рассказывает о целях, процессах, метриках и ежедневной рутине. Обработать такой массив информации вручную тяжело, но именно этим я раньше и занимался: переслушивал записи, делал заметки, чтобы зафиксировать важные цитаты. На час беседы уходило 60–80 минут анализа.
Чтобы сократить время, я попробовал разные сервисы для автоматической расшифровки и в итоге остановился на tl;dv. Потом его стала использовать вся продуктовая команда юнита. Теперь все звонки автоматически переводятся в текст и складываются в отдельные папки в зависимости от проекта. В начале звонка всегда запрашиваем согласие на запись интервью у участников.
Когда мне нужно обработать записи, я загружаю расшифровки в ChatGPT и пишу промпт:
Ты опытный продуктовый менеджер и секретарь. Я передам тебе текст встречи. Подготовь четыре блока:
короткое summary,
инсайты и ключевые цитаты,
подробное summary со смысловыми блоками,
работы в формате JTBD.
В итоге вместо нескольких часов я трачу пару минут и получаю структурированный отчет. Кроме экономии времени, есть и другие плюсы:
-
Быстро получается восстанавливать контекст проектов нескольких клиентов.
-
Гипотезы подтверждаются фактами, а не мнениями. Например, однажды мы с коллегами спорили, какие метрики отображать в дашборде. Я утверждал, что категорийным менеджерам важно отслеживать выполнение плана продаж в деньгах, а некоторые ребята сомневались в этом. Принес команде цитаты клиентов, где они это говорили, и дискуссия закрылась сама собой.
Совет. Просите модель указывать цитаты из текста. Иначе велик риск «галлюцинаций», когда система додумывает факты.
Работа с данными и выгрузками без разработчиков и кода
Наш продукт пока на ранней стадии — в нем есть только базовый функционал. Получить специфичную отчетность или метрики для быстрой проверки «все ли идет по плану» без помощи разработчиков невозможно. Я умею кодить на Python, но инвестировать часы продуктовой работы в код — странно. Поэтому я прошу ИИ писать скрипты.
Пример: у меня на входе десять файлов с еженедельными данными по продажам и остаткам, а также отдельный файл с разметкой для АB-теста. Задача — объединить данные в один файл и посчитать кумулятивные метрики за месяц. Такое можно сделать в Excel. Если это одноразовая задача, потратить час-два на табличку и формулы — нормально. Но когда такие расчеты нужно повторять раз в несколько дней, проще создать скрипт. Для этого пишу промпт:
Ты опытный дата-аналитик и Python-разработчик. Напиши скрипт, который по очереди откроет все xlsx-файлы в папке input с именем отчет*.xls. В каждом файле одна строка = один артикул, столбцы: продажи за неделю №, остатки за неделю №. Нужно объединить все файлы и посчитать кумулятивные метрики за месяц.
Собрать несколько файлов в один и отфильтровать одну и ту же информацию — это простая задача на пару итераций и 5–10 минут. Задача посложнее — когда из нескольких файлов нужно выбрать разные данные и обработать их. Например, из одних файлов взять цены и даты покупок, а из других — даты, когда применились скидки, и все это соотнести. На такую задачу понадобится час-полтора и дополнительные запросы к ИИ. Модели нужно показать пример обработанных данных и описать, как должен выглядеть результат. Тогда она правильно интерпретирует условия задачи.
Однажды мне нужно было обработать данные из нескольких файлов. Я взял предыдущий промпт, загрузил файл-пример с одной или двумя строчками данных, при этом описал в промпте каждую строчку. В примере ниже — описание таблицы со столбцами «артикул», «цвет», «размер», «цена», «остаток»:
Ты опытный дата-аналитик и Python-разработчик. Напиши скрипт, который по очереди откроет все xlsx-файлы в папке input с именем отчет*.xls. В каждом файле одна строка = один артикул, столбцы: продажи за неделю №, остатки за неделю №. Нужно объединить все файлы и посчитать кумулятивные метрики за месяц.
В строчке с артикулом 001 в столбике «цвет» значение — красный, размер — L, цена 1000, остаток — 100 шт. В строке для артикула 002 цвет — синий, размер — L, цена 1500.
Так модели проще понять входящие данные и совершить сложные действия вроде обработки только тех артикулов, где цена больше 1000, а размер L.
В таких задачах я обычно еще прошу добавлять самопроверку. Пишу примерно такой промпт:
Добавь отдельный тест на корректность результирующих данных.
Специальные формулировки для промпта не подбираю. Главное — дать задание проверить результат. Лучше делать это в соседнем диалоге, чтобы избежать предвзятой оценки. Модель будет анализировать результат как чужую работу и проверять его строже и объективнее. Дополнительно сам анализирую результат.
После одного подхода для задач по обработке данных появляется готовый скрипт. С ним на проверку результата и выгрузку файла уходят не часы, а 10–15 минут.
Совет. Представьте, что вы ставите задачу разработчику, который первый день в вашей команде. Опишите входные данные, их формат и типы, какого результата ожидаете. Чем подробнее опишете, тем быстрее и качественнее получите результат. Не ожидайте, что модель все поймет без подсказок.
Верстка писем — теперь заменяем фронтендеров
Обычно для AB-тестов нужно несколько вариантов рассылки. Раньше я ждал, пока освободится фронтендер, или вручную верстал письма в HTML. В целом я его помню, но разбираться с деталями было трудно: приходилось вспоминать, как делать всякие скругления, фоны, таблицы. Теперь за меня все это делает ChatGPT.
Разберу на примере. В письме есть карточка товара с ценой. Нужно добавить во все карточки цену с учетом скидок и баллов пользователя. Это должна быть новая строчка.
Исходный код и блок с ценой:
Разобраться в таком коде можно, но на это потребуется время. Проще взять весь блок кода с карточками продуктов, передать ChatGPT и попросить добавить нужный элемент. Например, новую строчку, в которой будет заметно показана персональная цена с пояснением. Иду в ChatGPT, описываю задачу и прошу модель переписать блок:
Ты — опытный верстальщик HTML и дизайнер. Мне нужно сверстать email-рассылку для клиента. В ней будет блок с товарами. В блоке с товарами будет старая цена (первая цифра) и новая цена (нижняя цифра на оранжевом фоне). Сделай так, чтобы:
Старая цена была написана серым цветом и зачеркнута.
Новая цена была написана обычным шрифтом (как сейчас).
Под новой ценой должна появиться строка «Персональная цена». Она должна быть яркой и хорошо заметной. Если персональной цены нет, она не должна отображаться.
Под персональной ценой должна быть подсказка темно-серым шрифтом: «Ваша персональная цена с учетом скидок и бонусов».
Результат:
Первая итерация почти всегда сырая, например, нужно уменьшить отступы и выбрать цвет ближе к фирменному. Но за два-три круга получается готовый вариант — на все уходит 7–10 минут.
Посмотрим, как будет выглядеть реальное письмо, и сравним с предыдущим вариантом. Вставляем новый код вместо старого. Чтобы не сломать верстку, лучше заранее отметить себе границы старого кода.
Чтобы показать результат команде или клиенту, лучше делать скриншоты «до и после» или короткий скринкаст. Так наглядно видно, как меняется интерфейс и сколько времени это экономит.
Советы:
-
Когда даете ИИ задачу по верстке, выберите точный фрагмент кода. Например, не все письмо, а отдельный блок. Это уменьшает количество ошибок и ускоряет итерации.
-
Максимально подробно опишите визуал: цвета, отступы, внешний вид элементов. Модели — хорошие исполнители, но воображение у них не развито.
-
Если в коде есть переменные, предупредите об этом модель, чтобы она сохранила их в первоначальном виде.
-
Работайте итерациями: одно небольшое изменение за раз. Так меньше риск ошибок и галлюцинаций.
-
Всегда сохраняйте исходный файл, чтобы можно было в любой момент с ним свериться.
Прототипирование и визуализация данных: получаем кликабельный драфт или наглядный дашборд
На ранних этапах разработки важно быстро проверить, насколько пользователю понятен интерфейс. Раньше я тратил день-два на наброски в Figma, чтобы вынести их на коридорный тест. Теперь достаточно описать задачу в ChatGPT: кто пользователь, какие действия выполняет, какие элементы нужны на экране. Модель не заменит дизайнера, но ускорит первые шаги и сделает тесты эффективнее.
Собрать первый прототип Canvas можно за пару часов и несколько итераций, если знать требования и понятно их описывать. Первый промпт может выглядеть так:
Отрисуй экран регистрации в личном кабинете для пользователей мобильного приложения аптечной сети. Учитывай разброс возраста аудитории — от 18 до 50+. Цель экрана — быстро собрать данные клиента и не перегрузить его лишними шагами.
Сценарий: Пользователь вводит телефон → получает код → вводит код → создает пароль. Интерфейс должен последовательно открывать новые поля, чтобы не пугать человека длинной формой.
Элементы интерфейса:
1. Заголовок «Регистрация».
2. Поле для телефона.
3. Кнопка «Получить код».
4. Поле для кода (появляется после отправки).
5. Поле «Пароль».
6. Кнопка «Создать аккаунт».
7. Сообщение об ошибке: «Неверный код».Правила поведения: Если код неверный — подсветить поле красным, показать текст ошибки под ним.
Требования к цветам:
1. Основные элементы (кнопки) — синие, оттенок #276EF1.
2. Активные элементы при наведении — более темный синий #1C54B5.
3. Ошибки — красный #D32F2F.
4. Фон — белый.
5. Тексты — темно-серые #333333.Стиль минималистичный, без иллюстраций, строгая сетка и визуальная иерархия. Дополнительно предложи свой вариант цветовой схемы на основе актуальных дизайн-тенденций и подходящий моей аудитории. Добавь переключатель между моим и твоим вариантом цветов.
В итоге получается рабочий драфт: можно кликать, проверять логику, обсуждать с командой или показать лояльным клиентам. Это экономит время UX-дизайнера и позволяет прийти к нему уже с обратной связью от заказчика.
Кажется, что даже участники тестов реагируют иначе на ИИ-прототип, поскольку он выглядит не так сыро, как тот, который собираешь сам. Так что обратная связь с этим вариантом может быть качественнее.
Иногда ChatGPT помогает не только с интерфейсами, но и с визуализацией данных. У такого формата есть два преимущества:
-
Можно получить графики с общей динамикой ситуации и быстро находить проблемные места в данных.
-
Визуализированные данные проще обсуждать с клиентами и внутри команды.
Вместо Excel-выгрузки с сотнями строк я за 2–3 часа сделал большой дашборд с инфографикой по недельной динамике. Это позволило отслеживать общую динамику AB-теста и аналитику по отдельным артикулам. Например, на какие не стоит увеличивать скидку. У каждого из SKU есть минимальная цена, меньше которой товар не может стоить. График внизу дашборда показывает, какой процент товаров уже достиг минимальной цены. Для категорийного менеджера это подсказка: увеличивать скидку на эти товары невыгодно для бизнеса.
Совет. Подробно описывайте сценарий, целевую аудиторию и элементы интерфейса. Объясните модели, какие цвета вы хотите использовать для каждого элемента или графика. Чем точнее описание, тем ближе к реальности будет результат и заметнее будут области для улучшения.
Изучение кодовой базы, чтобы понимать работу прототипа
Недавно я начал использовать редактор кода Cursor — увидел, что его используют наши разработчики. Инструмент помогает, если нужно разобраться в какой-то детали кода, а разработчики заняты. Тогда я загружаю в Cursor часть кода прототипа, которая меня интересует, и прошу модель объяснить логику. Например, параметр «скорость продаж» в каждом проекте считается по-разному. Вместо того чтобы лезть в конфиги и вручную искать формулы, я добавил папку с кодом в диалог и спросил:
Как рассчитывается скорость продаж для клиента X? Найди файл и покажи значение.
Раньше на подобную задачу требовался час. Теперь получаю ответ со ссылкой на файл и формулой за пять минут. Это позволяет глубже понимать работу прототипа и при этом не отвлекать команду от задач.
Что может пойти не так при работе с нейросетями
У ИИ есть ограничения, о которых важно помнить.
Галлюцинации. Модель может придумывать ответы. Чтобы этого избежать, я прошу ее показывать цитаты из исходного текста или данных либо ссылки на источники. Чаще всего ИИ галлюцинирует, если спрашивать про свежие события или научные исследования. Например, недавно искал поведенческие исследования о том, как люди реагируют на разные способы отображения цены. ChatGPT выдал список статей — треть ссылок оказалась фейковой: красивые названия есть, а публикаций по этим адресам нет.
Когнитивный долг. Есть исследования, которые показывают: постоянное использование нейросетей как внешнего интеллекта может привести к ослаблению наших нейронных связей. И я с этим согласен. Есть рутина вроде изменения кода в рассылке, которую можно отдать ИИ и выиграть от этого. Но стратегия развития продукта, анализ пользовательского поведения и требований клиентов требуют глубокого вовлечения менеджера.
ИИ не может мыслить критически, как человек, редко владеет всем нужным контекстом или не видит в нем важных взаимосвязей. Если отдавать нейросети задачи, где важно продуктовое чутье, то и результат будет посредственным, и навык включать голову может ослабеть. Поэтому я рекомендую воспринимать ИИ как ассистента и не стремиться автоматизировать с помощью него как можно больше задач.
Утечки данных. Когда я использую нейросети, всегда держу в голове, что мои диалоги могут утечь в интернет. Поэтому никогда не загружаю в модели чувствительные данные: персональную или коммерческую информацию.
Сложности с погружением в детали. Например, ИИ не поможет подготовиться к интервью с клиентом. Чтобы сформулировать качественный промпт, нужно самому заранее продумать: какие задачи решает клиент, где могут быть узкие места, какие нестандартные кейсы стоит обсудить. По сути, это уже половина работы по подготовке — проще сразу написать вопросы самостоятельно. Без контекста же модели дают либо слишком общие формулировки вроде «Как вы изменяете цену на товар?», либо придумывают оторванные от реальности вопросы. Поэтому я почти не использую ИИ для генерации вопросов.
Нейросети помогают в навигации по уже собранным данным: быстро найти цитату, напомнить о детали, подсветить повторяющийся паттерн. Но именно погружение в контекст и формулировка правильных вопросов остается задачей продакта.
Малое контекстное окно. У любой модели есть лимит на объем текста, который она может «держать в голове» в одном диалоге. Например, если прислать объемное ТЗ на код, на середине ответа ChatGPT может внезапно замолкнуть. Такой скрипт не запустится. Решение простое — дробить задачу на части: сначала одна функция, потом другая, потом собрать все вместе.
Автор: IaNick
