Product Data Audit

Product & Data Audit

Глубокий аудит продукта/бизнеса: данные, системы, решения, узкие места, контуры внедрения. На выходе — интерактивная HTML-визуализация (12 секций). Markdown-версия — опционально по запросу.

Процесс

digraph audit_flow {
    "Определить объект аудита" [shape=box];
    "Собрать данные" [shape=box];
    "Сгенерировать HTML (12 секций)" [shape=box];
    "Открыть в браузере" [shape=box];

    "Определить объект аудита" -> "Собрать данные";
    "Собрать данные" -> "Сгенерировать HTML (12 секций)";
    "Сгенерировать HTML (12 секций)" -> "Открыть в браузере";
}

1. Определить объект аудита

Спросить у пользователя, если неочевидно:

• Аудит одного продукта, линейки или всей экосистемы бренда?
• Какие файлы/системы читать?

workdir = корень git-репозитория текущего проекта. Если неочевидно — спросить у пользователя до шага 2.

2. Собрать данные

Обнаружить и прочитать источники по категориям (конкретные файлы зависят от проекта):

1. Архитектура проекта — CLAUDE.md, README, AGENTS.md, .cursor/rules, любые конфиг-файлы агентов
2. Канонические данные — файлы с ценами, метриками, офферами, аудиторией (искать по содержимому, не по имени)
3. Стратегия и планы — документы с insights, roadmap, OKR, ретро, планы
4. Операционные правила — правила в .claude/rules/, playbooks, runbooks
5. Рабочие документы — docs/, notes/, analysis/ — всё что есть
6. Управление задачами — GitHub Projects/Issues, Linear, Jira (если доступны через CLI)
7. Системы и конфиги — боты, CRM, базы, аналитика, мониторинг (конфиги, схемы, .env.example)
8. Внешние данные — API-запросы, CLI-команды для свежих метрик (если доступны)

Для каждого источника фиксировать: что внутри, дата snapshot, качество, ограничения.

Обнаружение источников: начать с CLAUDE.md / README.md в корне — они обычно описывают структуру проекта и указывают на канонические файлы. Затем ls + glob по корню для обнаружения остального.

Свежесть данных: если snapshot старше 14 дней — добавить [snapshot: YYYY-MM-DD] рядом с числом. Если старше 30 дней — пометить [УСТАРЕЛО: YYYY-MM-DD].

Если канонические файлы не найдены: пометить числовые утверждения НЕИЗВЕСТНО. [источник не найден] и продолжить аудит с доступными данными.

3. Сгенерировать отчёт

Основной артефакт = HTML ({workdir}/research/product-data-audit.html). Markdown-версия (.md) — опциональна, генерировать только по явному запросу пользователя.

Структура — 12 секций (0–11), см. references/report-structure.md. Секция 0 = диаграмма экосистемы.

Тегирование: каждое утверждение маркировать:

• ФАКТ. — подтверждено данными, указать источник
• ГИПОТЕЗА. — логичный вывод, требует проверки
• НЕИЗВЕСТНО. — слепое пятно, данных нет

Правило числовой конкретики (обязательно):

• Каждый ФАКТ должен содержать конкретные числа, если они доступны в источниках
• После числа — ссылка на источник в формате [файл:строка] или [система → запрос]
• Если число можно получить запросом (SQL, API, file read) — получить, не оставлять "самый маржинальный"
• Плохо: "канал X — самый маржинальный"
• Хорошо: "канал X — $Y/единица, ~$Z/час при Nч работы [<файл-с-ценами>:<метка>]"
• Если число недоступно — явно пометить [число не найдено] вместо голого утверждения

Терминология: русский язык, англицизмы только для устоявшихся стандартов (CRM, API, KPI). См. references/terminology.md.

Рекомендации по отсутствующим артефактам: в секции 7 (контуры внедрения) проверить наличие 18 операционных артефактов из references/missing-artifacts-checklist.md. Отсутствующие — включить как рекомендации с приоритетом и минимальной версией. 4 категории: стратегия (NSM, OKR), AI-native (CLAUDE.md, промпты, runbook), инфраструктура данных (SSOT, определения метрик), governance (журнал решений, эскалация).

4. Сгенерировать HTML

Создать {workdir}/research/product-data-audit.html по дизайн-спецификации из references/html-design-spec.md. Навигация = 12 секций (0–11).

5. Открыть в браузере

open {workdir}/research/product-data-audit.html
# Если `open` недоступна — вывести абсолютный путь для ручного открытия

Типичные ошибки