מערכת ניהול מוצר מבוססת AI: ניתוח משוב ויצירת PRD

צוותי מוצר טובעים בנתונים: משוב מ-App Store, Intercom, Jira, Slack וראיונות — הכל חי במערכות נפרדות ללא קישור הדדי. מנהל מוצר מבלה 30–40% מזמנו באיגום נתונים ולעולם לא מגיע לניתוח. מערכת ניהול המוצר המופעלת על ידי בינה מלאכותית שלנו פותרת זאת: היא אוספת אותות, מבנה תובנות ותומכת בהחלטות מבוססות נתונים. במשך יותר מ-5 שנים פרסנו פתרונות אלה עבור 30+ מוצרים, כולל פלטפורמות SaaS עם מיליוני משתמשים. מערכת זו לא רק מאגדת נתונים — היא משתמשת ב-BERTopic לקיבוץ וב-LLMs ליצירת מסמכי PRD, וחותכת את זמן הניתוח ב-60%. בפרויקט אחד עם 18,000 ביקורות, מנהל המוצר חסך 40 שעות בחודש, השוות ל-$2,000.

מה המערכת הופכת לאוטומטי

איגום משוב — חיבור ל-App Store, Google Play, Intercom, Zendesk, ערוצי Slack וייצוא NPS ב-CSV. כל המקורות מתווספים למסד נתונים יחיד עם embeddings וקטוריים באמצעות sentence-transformers (all-mpnet-base-v2).

קיבוץ נושאים — BERTopic או סיווג מותאם מזהה נושאים מרכזיים, מקבץ בקשות נרדפות ובונה מגמות זמן לפי נושא.

קישור לבק-לוג — המערכת ממפה אשכולות משוב לטיוטות Jira באמצעות דמיון סמנטי. אם 200 משתמשים מתלוננים על בעיה שאינה בבק-לוג, זה נראה מיד.

יצירת טיוטת PRD — בהינתן תיאור תכונה ונתונים מצטברים, LLM (GPT-4o / Claude 3.5 Sonnet) יוצר טיוטה: מטרות, סיפורי משתמש, קריטריוני קבלה, שאלות פתוחות.

קיבוץ נושאים עם BERTopic

הכלי המרכזי הוא BERTopic, המשלב embeddings, UMAP להפחתת ממדים, HDBSCAN לקיבוץ ו-KeyBERT לפרשנות נושאים. כוונון היפרפרמטרים משפיע באופן קריטי על האיכות. להלן השוואה בין שתי תצורות על אותו סט נתונים (18,000 ביקורות):

מתוך 87 הנושאים בגרסה הנאיבית, 20 היו מבוססי שפה (אנ/רו), ו-15 היו זבל (שגיאות הקלדה, ספאם). לאחר כוונון, נשארו 23 נושאים ששיקפו באמת בעיות מוצר. גישת ה-BERTopic שלנו מדויקת ב-40% יותר מ-LDA קלאסי (ציון Silhouette 0.56 לעומת 0.35).

נרמול משוב רב-לשוני

שימו לב: כאשר המשוב הוא רב-לשוני (רו + אנ + מעורב), המודל יוצר נושאים לפי שפה, לא לפי משמעות. פתרון: נרמול באמצעות תרגום או שימוש ב-embeddings רב-לשוניים (לדוגמה, paraphrase-multilingual-MiniLM-L12-v2). בפרקטיקה שלנו, אנו מוסיפים גם שלב של זיהוי שפה והפרדה לפני הקיבוץ.

from bertopic.representation import KeyBERTInspired, MaximalMarginalRelevance
from umap import UMAP
from hdbscan import HDBSCAN

umap_model = UMAP(
    n_neighbors=15,
    n_components=5,
    min_dist=0.0,
    metric="cosine",
    random_state=42
)

hdbscan_model = HDBSCAN(
    min_cluster_size=30,
    metric="euclidean",
    cluster_selection_method="eom",
    prediction_data=True
)

representation_model = [
    KeyBERTInspired(),
    MaximalMarginalRelevance(diversity=0.3)
]

topic_model = BERTopic(
    umap_model=umap_model,
    hdbscan_model=hdbscan_model,
    representation_model=representation_model,
    language="multilingual",
    calculate_probabilities=True
)

למה משוב רב-לשוני הוא אתגר קיבוץ

אנו משתמשים בשתי גישות: או תרגום כל המשוב לאנגלית באמצעות GPT-4o מראש, או שימוש ב-embeddings רב-לשוניים (לדוגמה, from bertopic.representation import KeyBERTInspired, MaximalMarginalRelevance from umap import UMAP from hdbscan import HDBSCAN umap_model = UMAP( n_neighbors=15, n_components=5, min_dist=0.0, metric="cosine", random_state=42 ) hdbscan_model = HDBSCAN( min_cluster_size=30, metric="euclidean", cluster_selection_method="eom", prediction_data=True ) representation_model = [ KeyBERTInspired(), MaximalMarginalRelevance(diversity=0.3) ] topic_model = BERTopic( umap_model=umap_model, hdbscan_model=hdbscan_model, representation_model=representation_model, language="multilingual", calculate_probabilities=True ) ). הראשונה יקרה יותר אך מדויקת יותר; השנייה זולה יותר אך עלולה לאבד ניואנסים. בפרויקטים שלנו עם 18,000 ביקורות, התרגום העלה את ציון ה-Silhouette מ-0.45 ל-0.56.

איכות הקיבוץ מובטחת על ידי ציון Silhouette של לפחות 0.5 ואימות ידני על ידי מנהל מוצר. כפי שמציינים מחברי BERTopic, "המודל מיועד לטקסט קצר" (מאמר BERTopic). רוצים את אותו הדבר? בקשו הטמעה.

צלילה עמוקה: ניתוח נושאים של משוב

הטעות הנפוצה ביותר היא הרצת BERTopic על נתונים גולמיים ללא עיבוד מקדים. כאשר המשוב הוא רב-לשוני, המודל יוצר נושאים לפי שפה, לא לפי משמעות. פתרון: נרמול באמצעות תרגום או embeddings רב-לשוניים.

בעיה שנייה: paraphrase-multilingual-MiniLM-L12-v2 על 10,000 ביקורות מניב 200+ נושאים — שמחציתם הם "רעש" עם חפיפה של 40%. טווח אופטימלי: min_topic_size=5. עבור 10,000 רשומות — 30, עבור 50,000 — 50.

מקרה בוחן: מוצר SaaS עם 18,000 ביקורות במשך 12 חודשים. לאחר כוונון BERTopic, קיבלנו 23 נושאים נקיים (לפני כן 87 עם זבל). שלושת המובילים בצמיחה ב-3 החודשים האחרונים: "טעינת דוחות איטית" (+340%), "שגיאות בייצוא Excel" (+210%), "אין אפליקציה לנייד" (+180%). כל שלושת הנושאים היו חסרים בבק-לוג. שניים מתוך שלושה נכנסו לתוכנית הרבעונית הבאה. חיסכון בזמן בניתוח ידני: 40 שעות בחודש, השוות ל-$2,000.

אינטגרציות

תהליך ההטמעה

1. ביקורת מקורות נתונים — אילו מערכות קיימות, איכות נתונים, נפח.
2. פיתוח מחברים — עד 6 מקורות עם נרמול סכמה.
3. כוונון מודל נושאים — מותאם למוצר ולשפה הספציפיים.
4. אינטגרציית Jira — מיפוי אוטומטי מנושא לטיוטה.
5. לוח מחוונים — דינמיקת נושאים, מגמות שבועיות, 10 הבעיות המובילות.
6. מחולל PRD — מבוסס על LLM (GPT-4o / Claude).
7. הכשרת צוות — 2 מפגשים, תיעוד המודל והצינור.
8. תמיכה טכנית — שבועיים לאחר ההשקה.

מה כלול

• ביקורת מקורות נתונים קיימים ואיכות משוב.
• פיתוח מחברים לעד 6 מקורות (App Store, Google Play, Intercom, Zendesk, Jira, Slack, CSV).
• כוונון BERTopic עם אופטימיזציית היפרפרמטרים למוצר שלכם.
• אינטגרציית Jira למיפוי אוטומטי מנושא לטיוטה.
• לוח מחוונים עם דינמיקת נושאים (מגמות שבועיות, 10 הבעיות המובילות).
• מחולל טיוטות PRD מבוסס LLM (GPT-4o / Claude).
• תיעוד המודל והצינור, הכשרת צוות (2 מפגשים).
• תמיכה טכנית למשך שבועיים לאחר ההשקה.

ציר זמן

• MVP עם איגום וקיבוץ: 3–5 שבועות.
• מערכת מלאה עם מחולל PRD ולוח מחוונים: 8–12 שבועות.

נעריך את הפרויקט שלכם — פשוט תארו את המשימה. צרו קשר כדי לדון בפרטים ולקבל ייעוץ על הטמעה, ולמדו כיצד לקצץ את זמן ניתוח המשוב ב-60%.