Как Claude помогает бизнес аналитикам на корпоративных проектах
- Gleb Bryskin
- 16 часов назад
- 6 мин. чтения
AI-инструментарий помогает бизнес аналитикам собирать требования, декомпозировать их в User Story, добавлять Acceptance Criteria и многое другое. Здесь мы расскажем про наш AI-инструментарий, который экономит время и силы.
АВТОРЫ: ГЛЕБ БРЫКСИН И АНАСТАСИЯ ЕВСТРАТОВА
Поверхностное использование AI
AI существует уже давно и доказал свою полезность для IT-команд. Однако в нашей команде использование AI-инструментов было несогласованным: разработчики, QA-инженеры и бизнес аналитики применяли искусственный интеллект самостоятельно, не делясь общими знаниями и не используя единый набор инструментов.
Может показаться, что это не проблема, но это было именно так. Без единого подхода использование AI командой было менее эффективным, чем могло бы быть, поэтому BA продолжали сталкиваться с привычными проблемами: постоянным расширением объёма работ, смещении требований, полностью ручным созданием тикетов и т. д.
Мы хотели решить эту проблему не с помощью отдельного AI-инструментария только для бизнес аналитиков, а с помощью единого решения для всей команды.
Единый AI-инструмент для всей команды
Нашей целью было построение цикла разработки ПО с поддержкой AI, которым будет пользоваться вся команда: дизайнеры, бизнес аналитики, разработчики и QA. Каждая роль использует своего агента, настроенного под свои задачи и опирающегося на общий контекст.
Бизнес аналитикам нужен был набор инструментов для анализа запросов на функциональность, декомпозиции фич, составления требований, создания тикетов и многого другого.
Разработчикам полезен набор инструментов, который поможет с реализацией и код-ревью.
QA-инженерам AI помогает создавать тест-кейсы и запускать автоматизированные тесты.
UI/UX-дизайнерам AI-инструменты помогают ускорить прототипирование.
Ценность заключается в общей базе знаний: благодаря ей ни одна пользовательская история, фрагмент кода или тест не противоречат друг другу.
AI-инструментарий, который мы создали для BA
Поскольку эта статья посвящена бизнес анализу, мы опишем только ту часть AI SDLC-инструментария, которая касается BA:
Рассмотрим детали:
workspace.py — единый источник, который генерирует и проверяет всё рабочее пространство.
Artisyn SDK управляет общим каталогом скиллов для всей команды.
BA-agent — это инструмент на базе Claude, который вызывает BA-скиллы, такие как ba-story-authoring, grooming, create-tasks и многие другие.
База знаний общая для всей команды и строится на нескольких источниках: документации проекта, Wiki Azure DevOps и кодовой базе.
MCP-коннекторы используются ba-agent для доступа к Azure DevOps и Figma.
Один агент, который делает рутинную работу BA
Давайте подробнее рассмотрим ba-agent. Это ассистент на базе Claude для бизнес аналитиков нашего проекта. Он принимает на вход три источника:
База знаний
Figma
Azure DevOps
BA-agent выполняет всю рутину BA: обосновывает каждую пользовательскую историю на базе знаний, считывает интерфейс из Figma, анализирует фичи в Azure DevOps, декомпозирует их в пользовательские истории, составляет требования в формате INVEST-историй и записывает их прямо в Azure DevOps. Рассмотрим, как мы используем ba-agent в повседневной работе по бизнес анализу.
Кликабельные прототипы для сбора требований
Опираясь на базу знаний, ba-agent знает проект достаточно хорошо, чтобы генерировать кликабельные HTML-прототипы за считанные минуты. Это оказалось мощным инструментом для сессий сбора требований со стейкхолдерами: он помогает собирать обратную связь и проводить брейнштормы. Более того, кликабельные HTML-прототипы, созданные Claude, помогают BA и стейкхолдерам обнаружить то, чего не хватает в исходных требования: слепые зоны и невысказанные требования, не упомянутые ни в одном документе.
Декомпозиция требований на основе контекста
BA-agent может декомпозировать фичи в INVEST-истории, используя один из паттернов: по действиям пользователя, по роли, по данным, по платформе и так далее. Сначала он создаёт карту пользовательских историй для проверки BA. На этом этапе Claude ещё не составляет требования. Это происходит только после того, как BA подтвердит декомпозицию.
Например, если поступил запрос на функциональность, позволяющую клиентам с животными менять рейсы, ba-agent может создать следующие тикеты:
Платформа | Пользовательская история |
web | Изменение мест в бронировании с животным |
web | Изменение рейсов в бронировании с животным |
mob | Изменение мест в бронировании с животным |
mob | Изменение рейсов в бронировании с животным |
Фича → карта пользовательских историй
Декомпозиция всегда требует проверки и подтверждения BA, прежде чем ba-agent переходит к следующим шагам.
Настраиваемый формат критериев приемки
Наш ba-agent настроен писать критерии приемки в разных форматах — сценарии Gherkin или критерии приемки в виде маркированного списка, в зависимости от предпочтений команды. Перед составлением пользовательских историй Claude спрашивает, какой формат использовать.
МАРКИРОВАННЫЙ СПИСОК Happy path — обновление списка после нового бронирования в приложении Предусловие: авторизованный пользователь создаёт новое бронирование в приложении.Триггер: он открывает вкладку Trips → Upcoming.Ожидаемый результат: бронирование появляется без ручного обновления страницы; список отсортирован по дате вылета; кэш обновлён. | GHERKIN Happy path — то же поведение Given авторизованный пользователь создал новое бронирование в приложенииWhen он открывает Trips → UpcomingThen бронирование появляется без обновления страницыAnd список отсортирован по дате вылета |
BA-agent можно донастраивать и дальше. В примере выше вместо обычных маркеров списка использован альтернативный формат описания. Бизнес аналитик может менять то, как работает ba-agent.
После того, как бизнес аналитик проверил и подтвердил черновик, Claude автоматически создаёт тикеты в Azure DevOps (ADO), и ко всем таким тикетам добавляется тег agent-created. Бизнес аналитик может внести изменения в тикеты перед тем как разрешить Claude их опубликовать, а после создания тикетов в ADO можно внести ручные корректировки.
Более быстрый рефайнмент
AI-инструментарий также позволяет бизнес аналитикам ускорить рефайнмент. Команда играет в planning poker, чтобы дать оценку в стори-пойнтах. На нашем проекте также нужно оценивать трудозатраты разработки и QA в часах для подзадач. Во время рефайнмента команда оценивает трудозатраты в часах, а затем, после подтверждения аналитиком, Claude создаёт подзадачи.
Задача разработки | 24 ч |
Задача QA | 10 ч |
Оценка трудозатрат | 34 ч |
Кроме того, после рефайнмента Claude обновляет статус тикетов на Ready for Dev, показывая команде, какие User Story можно брать в спринт.
Ещё три способа ускорить работу бизнес аналитика
Работа BA – это не только пользовательские истории: много времени уходит на управление требованиями, прототипами и согласованиями (sign-off). Три дополнительных скилла помогают BA делать это быстрее:
Обновление историй по итогам звонков. Транскрипт звонка проходит через скилл meeting-notes, затем сопоставляется с конкретной пользовательской историей, после чего Claude вносит изменения прямо в Azure DevOps. Обновлённая версия тикета готова почти мгновенно, и бизнес аналитику не тратить время на ручную работу.
Подготовка прототипов для брейншторм. Стейкхолдеры очень часто путают кликабельные HTML-прототипы с будущей системой (to-be). Поэтому Claude помогает BA снижать качество прототипов, сделать сессии обсуждения требований со стейкхолдерами более эффективными.
Генерация документа для согласования. Был создан специальный скилл для генерации документов с требованиями для согласования. Он собирает фичу и связанные пользовательские истории, анализирует исходный запрос и генерирует HTML-файл, который можно вставить прямо в Loop.
Claude составляет черновик, BA утверждает
Как же разграничить, что делает Claude и что делают бизнес аналитик? На нашем проекте это оказалось просто: Claude генерирует, а бизнес аналитик принимает решения и утверждает. AI-агент мгновенно создаёт первую версию артефактов BA, но ничего не публикуется без контроля, проверки и подтверждения человеком.
Деятельность | Claude | Бизнес аналитик |
Сбор требований | Строит кликабельные HTML-прототипы | Проводит сессии, приносит контекст, определяет объём работ, даёт обратную связь Claude |
Декомпозиция требований | Предлагает карту пользовательских историй по выбранному паттерну | Подтверждает или корректирует декомпозицию до публикации |
Составление пользовательских историй | Составляет пользовательские истории с критериями приемки в согласованном формате | Проверяет пользовательские истории, запрашивает изменения |
Создание тикетов | Записывает подтверждённые тикеты в Azure DevOps и присваивает им теги | Разрешает публикацию пользовательских историй и корректирует тикеты в ADO |
Рефайнмент объёма работ | Создаёт подзадачи Dev / QA и переводит статус в Ready for Dev | Фасилитирует сессию и запускает создание подзадач |
Генерация артефактов для согласования | Генерирует документ с требованиями для проверки | Делится документами для согласования со стейкхолдерами и отслеживает прогресс |
Кто за что отвечает в нашем AI SDLC
Хотя может показаться, что Claude делает всё самостоятельно, процесс и решения остаются за BA. Ничего не делается AI без контроля и проверки человеком: на каждом шаге рабочего процесса бизнес аналитик держит руку на пульсе и контролирует действия AI. Только такое сочетание усилий человека и AI обеспечивает эффективность AI SDLC.
Применимо и к легаси, и к новой функциональности
Одно из опасений насчёт любого AI-инструментария – это, подходит ли он только для проектов enterprise-уровня или справится и с greenfield-проектами. В контексте корпоративного проекта новые модули или приложения иногда добавляются с нуля параллельно с существующими веб- или мобильными приложениями.
Для нас это не проблема, так как AI-инструментарий отлично справляется и с созданием новых продуктов. Например, если нужно спроектировать новое приложение, которое частично будет связано с существующими, можно использовать тех же ba-agent и тех же агентов для разработки / QA и получить отличный результат. Такая задача уже возникала на нашем проекте: ba-agent оказался мощным инструментом, который помог проанализировать запрос, создать кликабельные HTML-прототипы, подготовить требования и получить согласование.
Действительно ли это окупается?
Поскольку AI-инструментарий запущен совсем недавно, вот некоторая статистика за месяц:
44 | 135 | ~5 |
пользовательских историй составлено, с критериями приемки | задач Dev / QA создано, декомпозировано и оценено | человеко-дней BA сэкономлено (оценка) |
Статистика взята из Azure DevOps проекта. Если взять пользовательскую историю как пример, то среднее время на её создание: около 45 минут, тогда как с помощью Claude это время сокращается примерно до 12 минут. То, что кажется небольшой экономией на одной истории, в итоге превращается в существенную экономию времени и затрат при более продолжительном использовании AI-автоматизации.
Приведённая выше статистика показывает впечатляющую экономию времени от использования AI в повседневной работе BA. Может показаться, что людям почти не остаётся работы, Claude делает всё сам. Но это не так. Человек продолжает играть главную роль. Claude составляет черновики, декомпозирует и создаёт прототипы, но именно бизнес аналитик ставит задачи, проверяет и утверждает результат. Каждый артефакт требует тщательной проверки аналитиком.
Совет другим BA
Если вы хотите извлечь пользу из AI на своём проекте, вам не нужен точно такой же инструментарий, чтобы получить хороший результат. Попросите Claude создать скиллы и адаптировать их под ваши задачи или просто возьмите BA-скиллы другой команды, затем примените Claude к тикетам (будь то Azure DevOps или JIRA/Confluence), чтобы сформировать контекст проекта, — и вы сможете повысить эффективность работы BA.
Внедрение AI находится на раннем этапе, поэтому не бойтесь экспериментировать и пробовать новые подходы, чтобы получить инструментарий, подходящий именно вашей команде.
Новости и статьи по бизнес-анализу:
