Воскресный лонгрид, сегодня моя история о том, что я делал с завалом обратной связи.  Авгиевы конюшни с брильянтами или Как я 2500 тысячи тикетов фидбэка разгребал. Product Manager Survival Horror в трёх актах.  Акт I - В котором Задача пугает своим объемом  Пару лет назад мне довелось работать над b2b2c продуктом, давно достигшим своего Market Fit. В течение нескольких лет он очень неспешно дорабатывался, являясь витриной экосистемы.  Некоторое время у продукта не было продакта, а даже когда был, тикеты Customer Feedback по каким-то причинам копились без внимания. Когда я пришел, СРО тонко намекнул, что надо бы что-то с этим сделать. Важно отметить, что это именно фидбэк и пожелания к продукту, а не баги, баги отрабатывались отдельным треком.  Объем был таков, что волосы стыли в жилах: около 2.5 тысяч обращений среди которых могли быть весьма полезные мысли для развития продукта.  Акт II - В котором глаза боятся, а руки делают  Первым делом, я пробежался по всему списку и выделил около 12 категорий обращений на основе тем. Среди них были:  - Ценная обратная связь  - Желчь и ненависть к ценовой политике  - Мольбы о том, что не надо трогать и дорабатывать продукт  - Просьбы о доработках  - Идеи развития  - Спасибки  - Жалобы на продукты экосистемы.  В процессе выполнения этого упражнения я отметил тегами все тикеты в соответствии с выделенными категориями. Но что делать дальше? Их так и осталось 2500!!!  Какой самый простой инструмент приоритизации в руках продакта? Матрица Эйзенхауэра! Не каждый вспомнит, что он так называется, но все о нем знают. Это система распределения задач по срочности и важности, квадрат из четырех квадратов, в которые попадают задачи в категориях: Срочно и Важно, Важно и Не срочно, Срочно и Не важно, Не срочно и Не важно.  Немножко модифицировав её восприятие, я разместил все полученные категории в четырех дополнительных категориях: Ценно и Важно, Важно и Не Ценно, Ценно и Не Важно, Не Важно и Не Ценно.  Результатом двух подходов к снаряду стало отсечение примерно 1500 тысяч тикетов, в которых содержались благодарности, проклятия, откровенный спам и прочий, с точки зрения развития продукта, мусор.  Акт III -  В котором к ручному труду добавилось волшебство программирования  Оставшиеся 1000 тикетов всё равно выглядели как пугающий список. Однако более глубокий анализ выявил наличие повторяющихся тем и идей. Обратившись к разработчику я попросил его накидать скрипт, который на входе съест json-выгрузку текста и атрибутов тикетов, а также условия объединения (семантические конструкции и ключевые слова для поиска дублей), и на выходе отдаст массивы номеров тикетов похожих на дубли. Жалко, что в те времена ChatGPT не умел файлики анализировать, сейчас и разработчика можно не дёргать.  Провернув этот финт и дополнив его ручной проверкой результатов работы скрипта (бизнес-аналитик очень помог) выборку удалось сократить до примерно 400 тикетов.  Со старта работ по этой задаче прошло 3 недели, не считая недели прокрастинационного созерцания наличия задачи в бэклоге.  400 - это уже то, с чем можно работать. Я поставил себе таргет на отработку 20 тикетов в день: вдумчиво прочитать и принять булево решение, достоин ли тикет продуктовой гипотезы или нет. Решение принималось на основе общей необходимости для продукта, реализуемости без переписывания ядра и прочих чуть менее объективных критериев. Тратя около 1 часа в день, я каждый день сокращал объем на 5%.  Через месяц, когда оставшиеся тикеты были обработаны, конечным результатом стали 17 продуктовых гипотез развития и улучшения продукта. По ним были запланированы кастдевы, валидация и прочие активности, пара из них сильно поменяли внешний вид продукта и "последнюю милю", но это уже совсем другая история.  Эпилог  Продакт! Когда перед тобой гора тикетов - не пасуй и не бойся! Используй свои и чужие знания и все получится.  ——  Напишите в комментариях, какие более оптимальные пути и инструменты вы бы использовали в подобной ситуации.