Как приоритизировал гипотезы

Приоритизация гипотез строится на оценке их потенциального влияния и сложности реализации. Я использую фреймворк ICE (Impact, Confidence, Ease) или RICE (Reach, Impact, Confidence, Effort).

Пример ICE:

# Hypotheses DataFrame
hypotheses = [
    {"name": "Add dark mode", "impact": 3, "confidence": 8, "ease": 5},
    {"name": "Optimize checkout", "impact": 9, "confidence": 7, "ease": 3}
]

# Calculate ICE score
for h in hypotheses:
    h["ice_score"] = (h["impact"] * h["confidence"] * h["ease"]) / 100

# Sort by ICE score
sorted_hypotheses = sorted(hypotheses, key=lambda x: x["ice_score"], reverse=True)

Также учитываю:

• Бизнес-цели (рост DAU, конверсии, удержания)
• Данные (A/B-тесты, юзер-исследования)
• Риски (технический долг, зависимость от других команд)

Гипотезы с высоким потенциалом и низкими затратами идут в топ.