RICE score 95 — и нулевой impact
SaaS для email-маркетинга. Бэклог из 40 фич. Команда использует RICE (Reach × Impact × Confidence / Effort) для приоритизации. Топ-1 по RICE: тёмная тема. Reach: 2 000 запросов в Intercom за год. Impact: «высокий» (субъективно). Confidence: 90% (запросов много). Effort: 2 недели. RICE score: 95.
Разработали. Выкатили. Adoption: 34%. Влияние на retention: 0%. Влияние на conversion: 0%. Влияние на NPS: +0.2 (в пределах погрешности).
В том же бэклоге: «автоматическая сегментация подписчиков по поведению». RICE score: 23 (Reach: 200 запросов, Confidence: 40%, Effort: 6 недель). Команда отложила на Q3.
Конкурент выпустил auto-segmentation. За 2 месяца — 18% A-сегмента ушло. Retention упал с 94% до 87%. Потери: $340K ARR.
RICE предсказал, что тёмная тема важнее. RICE ошибся.
Почему RICE и MoSCoW не работают
Три системных проблемы:
1. Volume Bias
RICE ставит Reach первым. «Сколько людей просят» = главный фактор. Но 2 000 запросов на тёмную тему ≠ 2 000 людей, готовых платить за неё. Тёмная тема — это nice-to-have для всех, must-have для никого. Auto-segmentation — must-have для A-сегмента, unknown для остальных.
RICE не различает «хотелки» и «работы». 2 000 запросов на тёмную тему и 200 запросов на auto-segmentation выглядят как 10:1 в пользу тёмной темы. Но готовность платить — 0:1 в пользу auto-segmentation.
2. Effort Illusion
RICE делит на Effort. Это создаёт bias: «простые фичи» получают высокий скор. Но простые фичи часто = маленький impact. Сложные фичи (auto-segmentation = 6 недель) получают низкий скор, хотя их impact может быть transformative.
3. Missing Job Context
Ни RICE, ни MoSCoW не спрашивают: «Какую работу клиента эта фича поддерживает? Для какого сегмента?». Без этого контекста приоритизация — гадание.
| Проблема | RICE | MoSCoW | Job Value |
|---|---|---|---|
| Volume Bias | Reach = количество запросов | «Must» = мнение команды | Job frequency × segment value |
| Effort Illusion | Делит на effort | Не учитывает effort | Effort отдельно от value |
| Job Context | Нет | Нет | Фича → Job → Segment → WTP |
Job Value Framework: 4-шаговая приоритизация
Job Value Framework заменяет субъективные оценки на данные о работах клиента. Каждая фича оценивается по цепочке: фича → какой job поддерживает → для какого сегмента → willingness to pay.
Шаг 1: Свяжите фичу с Job
Для каждой фичи в бэклоге определите: какую конкретную работу клиента она поддерживает? Если фича не привязана к job — она шум.
Пример:
- Тёмная тема → Job: «комфортно работать с интерфейсом вечером» → Functional support job
- Auto-segmentation → Job: «отправлять релевантные письма разным сегментам, чтобы повысить open rate» → Core job
Шаг 2: Определите сегмент
Какой ABCDX-сегмент выполняет этот job? A-сегмент (высокая ценность) или C-сегмент (низкая)?
- Тёмная тема → Все сегменты (nice-to-have для каждого)
- Auto-segmentation → A-сегмент (маркетологи с базой 50K+, платят $199/мес)
Шаг 3: Оцените Job Value Score
Формула:
Job Value Score = Job Importance (1-5) × Segment Revenue Weight (%) × Unmet Level (1-5)
| Фича | Job Importance | Segment Revenue % | Unmet Level | Job Value Score |
|---|---|---|---|---|
| Тёмная тема | 1 (support job) | 100% (все) | 2 (есть browser extensions) | 1 × 1.0 × 2 = 2.0 |
| Auto-segmentation | 5 (core job) | 55% (A-segment) | 5 (нет решения) | 5 × 0.55 × 5 = 13.75 |
| Email templates | 3 (adjacent job) | 80% (A+B) | 3 (есть Canva) | 3 × 0.8 × 3 = 7.2 |
| API webhooks | 4 (core job, B2B) | 35% (B-segment) | 4 (конкуренты имеют) | 4 × 0.35 × 4 = 5.6 |
Auto-segmentation: Job Value Score 13.75 (highest). Тёмная тема: 2.0 (lowest). RICE дал бы обратный порядок.
Шаг 4: Effort — отдельная ось
Effort не делит value. Effort — это отдельная ось на графике. Вы видите:
quadrantChart title Job Value vs Effort x-axis Low Effort --> High Effort y-axis Low Job Value --> High Job Value quadrant-1 Do First (high value, low effort) quadrant-2 Plan (high value, high effort) quadrant-3 Skip (low value, high effort) quadrant-4 Maybe (low value, low effort) Auto-segmentation: [0.7, 0.92] Email templates: [0.35, 0.52] API webhooks: [0.6, 0.4] Dark theme: [0.2, 0.14]
Auto-segmentation: high value, moderate effort → Plan (приоритет #1, запланировать ресурсы). Тёмная тема: low value, low effort → Maybe (если есть время).
Feature-Job Alignment матрица
Полная матрица показывает, как фичи бэклога распределяются по jobs и сегментам:
| Фича | Job | Тип Job | Сегмент | Текущее решение | Unmet? |
|---|---|---|---|---|---|
| Auto-segmentation | Релевантные рассылки | Core | A | Ручная сегментация | Да |
| A/B testing | Оптимизация тем писем | Core | A, B | Ручные эксперименты | Частично |
| Email templates | Быстро создать письмо | Adjacent | A, B, C | Canva + копирование | Частично |
| API webhooks | Интеграция в pipeline | Core (B2B) | B | Zapier | Частично |
| Тёмная тема | Комфорт интерфейса | Support | Все | Browser extensions | Нет |
| Mobile app | Проверить метрики в дороге | Support | A, X | Mobile web | Частично |
Паттерн: фичи, которые поддерживают Core job A-сегмента и имеют Unmet = Да — это приоритет #1. Всё остальное — ниже.
Расскажите AI CPO о вашем продукте и бэклоге — система переприоритизирует фичи через Job Value Framework, привязав каждую к конкретной работе и сегменту.
Пример: SaaS бэклог из 40 фич — RICE vs Job Value
Для email-маркетинг SaaS мы приоритизировали весь бэклог из 40 фич обоими методами. Совпадение топ-10:
| # | RICE Top-10 | Job Value Top-10 |
|---|---|---|
| 1 | Тёмная тема | Auto-segmentation |
| 2 | Drag-and-drop editor улучшения | Behavioral triggers |
| 3 | Emoji в теме письма | A/B testing engine |
| 4 | Быстрый предпросмотр | Deliverability dashboard |
| 5 | Импорт контактов из CSV улучшения | Revenue attribution |
| 6 | A/B testing | API webhooks |
| 7 | Email templates library | Smart send time |
| 8 | Unsubscribe page customization | Email templates library |
| 9 | Auto-segmentation | Drag-and-drop editor |
| 10 | Notification preferences | Engagement scoring |
Совпадение: 3 из 10 (A/B testing, templates, drag-and-drop). 70% различий. RICE приоритизирует «то, что просят часто». Job Value приоритизирует «то, за что платят и из-за чего уходят».
Churn Connection: фичи, укрепляющие core job
Прямая связь между Feature Priority и Churn Diagnosis: фичи, которые укрепляют core job A-сегмента — это фичи, снижающие churn.
Если A-сегмент уходит, потому что конкурент лучше делает core job (auto-segmentation, behavioral triggers) — значит эти фичи = retention priority.
Формула: Anti-churn priority = Job Value Score × Churn Attribution Weight. Если 60% ушедших упоминали auto-segmentation — её Churn Attribution Weight = 0.6. Job Value Score 13.75 × 0.6 = 8.25. Это не просто «хорошая фича» — это «фича, за отсутствие которой вы теряете $340K ARR».
Распространённая ошибка: приоритизация «по голосам» без сегмента и job
«100 клиентов просят тёмную тему — значит она важнее, чем auto-segmentation, которую просят 20.»
Три вопроса, которые разрушают эту логику:
- Кто просит? 100 запросов на тёмную тему = 80 из C-сегмента (платят $19/мес) + 15 из B + 5 из A. 20 запросов на auto-segmentation = 18 из A-сегмента (платят $199/мес).
- За что готовы платить? «Хочу тёмную тему» ≠ «заплачу за тёмную тему». «Хочу auto-segmentation» = «это решает мою core задачу, без этого я уйду».
- Какой impact на метрику? Тёмная тема → adoption 34%, impact на retention 0%. Auto-segmentation → adoption может быть 60% A-сегмента, impact на retention +7%.
Как AI CPO генерирует Feature Priority
AI CPO использует Job Value Framework автоматически. Вы описываете продукт, сегменты и текущий бэклог в чате. Система:
- Извлекает Job Statements для каждого сегмента
- Связывает фичи с jobs (Feature-Job Alignment)
- Рассчитывает Job Value Score для каждой фичи
- Генерирует Feature Priority матрицу с рекомендациями
- Показывает Job Graph — визуализацию связей между фичами, jobs и сегментами
Следующие шаги
- Возьмите топ-10 фич из RICE и проверьте: какой job каждая поддерживает?
- Для каждой: какой сегмент получает ценность? A или C?
- Рассчитайте Job Value Score: Importance × Segment Weight × Unmet Level
- Сравните с RICE — где различия? Почему?
- Свяжите с churn data: какие фичи снизят отток A-сегмента?
Связанные материалы: JTBD Framework, Churn Diagnosis, RAT Framework.
Сгенерируйте Feature Priority через Job Value Framework → aicpo.ru