Podlodka ProductCrew · 90 минут

Агентная аналитика
для продактов

Контекст продукта превращает AI-агента из улучшенного ChatGPT в аналитического партнёра. Покажем разницу на двух кейсах в двух репозиториях.

▶ Смотреть запись ⚙ Подготовка к воркшопу 📋 Промпты

Запись воркшопа

Полная версия вебинара у Podlodka ProductCrew — оба демо в одном видео. Запускайте параллельно с репозиториями fitflow-bare и fitflow-rich, чтобы повторять шаги вместе с агентом.

Что покажем

Один и тот же AI-агент (Claude Code в VS Code), один и тот же датасет, один и тот же вопрос — но два репозитория с разным уровнем контекста. Сравните, как меняется ответ агента, когда у него есть описание продукта, словарь данных и набор аналитических скиллов.

МИНИМАЛЬНЫЙ КОНТЕКСТ

fitflow-bare

Только SQLite-база — без описания продукта, без словаря данных, без аналитических скиллов. Здесь агент работает как улучшенный ChatGPT над цифрами.

github.com/Working-in-IT/fitflow-bare →
БОГАТЫЙ КОНТЕКСТ

fitflow-rich

Та же SQLite-база плюс CLAUDE.md, PRODUCT_CONTEXT.md, словарь данных, описания доменных сущностей и набор из семи аналитических скиллов.

github.com/Working-in-IT/fitflow-rich →

Чему научитесь

🔍

Видеть разницу с контекстом и без

Один и тот же вопрос в двух репозиториях даёт generic-ответ vs product-grounded analysis

💡

Готовить репо под агента

CLAUDE.md, PRODUCT_CONTEXT.md, словарь данных, скиллы — что куда класть, чтобы агент находил

💬

Работать с числами и текстом

Воронка онбординга со стат-проверкой и кластеризация NPS-отзывов на одном датасете

🚀

Применять к своему продукту

Заменить FitFlow на свои данные и контекст — оценка трудозатрат и пошаговый план

Программа

15 мин
Что такое агентная аналитика и зачем она PM
Чем агент отличается от чат-бота. Почему контекст продукта — главная инвестиция. Что в данных FitFlow.
25 мин
Демо 1 — Воронка онбординга (числа)
Три акта: плохой промпт в bare-репо → хороший промпт в bare-репо → тот же вопрос в rich-репо. Видим, как контекст превращает технически верный ответ в продуктовое решение.
15 мин
Демо 2 — Анализ NPS-фидбэка (текст)
Проверяем тезис на другом типе данных: ~200 NPS-отзывов на русском за квартал. Generic-кластеры vs привязанные к JTBD темы со связкой с retention и avg workouts.
25 мин
Как перенести подход на свой продукт
Пять шагов: что взять из rich-репо, как описать свой продукт, куда положить данные, какие скиллы пригодятся, как замерять разницу. Чек-лист и оценка трудозатрат.
10 мин
Q&A
Вопросы, ссылки на материалы, как продолжить после воркшопа.

Материалы

▶
Запись вебинара
Полная версия у Podlodka ProductCrew — оба демо в одном видео
YouTube
📁
fitflow-bare
SQLite-база (107K событий + 1.1K отзывов) без контекста
GitHub
📚
fitflow-rich
Та же база + CLAUDE.md, PRODUCT_CONTEXT, словарь данных, 7 скиллов
GitHub
⚙
Подготовка к воркшопу
Python, git, VS Code, Claude Code, smoke test — за 30–45 минут с нуля
Открыть
📋
Промпты для двух демо
Готовые промпты по обоим кейсам — копируешь и вставляешь в Claude Code
Открыть

Что подготовить

💻

VS Code + Claude Code

Для практики нужен VS Code с расширением Claude Code и активной подпиской Claude (Pro / Max / Team / Enterprise) или API-доступом. Если в компании есть корпоративный доступ к Claude — спросите у руководителя.

⚠ Установите всё до воркшопа — на эфире времени на установку не будет

Инструкция по установке