Day 10 - 用 Claude Code 整理優先級，但把決策留給人

前幾把一堆零散回饋整理成五張需求卡，每一張都有證據 ID，每一張看起來都該做。今天要回答的問題比前九天都難：五張都對，先做哪一張？

這個問題沒有正確答案，只有「講得出理由的答案」。所以今天的重點是讓它把排序背後的假設攤開，然後把決定權交回會議桌上。

今天要解決的問題

排優先級最常見的失敗，是排完沒人記得為什麼，因為 排序的輸入沒有留紀錄。

AI 在這裡能幫的，正好就是留痕：把每個分數的依據、每個假設的來源、每個「如果這個數字變了排序會怎樣」都寫下來。

四個維度，一條公式

本文用四個維度打分，每個維度 1–5 分：

• 影響程度：問題改善後，會影響多少目標使用者的關鍵行為。
• 急迫性：問題現在阻斷使用者完成核心任務的程度。
• 證據信心：支撐這個問題的回饋數量、多樣性與可追溯程度。
• 開發成本：團隊粗估的工程投入。分數越高代表越貴。

公式：

初步分數 = (影響程度 × 急迫性 × 證據信心) ÷ 開發成本

MoSCoW 分類法也是常見選項，Must、Should、Could、Won't 四格直觀，小團隊十分鐘能分完。我沒有用它，原因是它只給結論不給理由：一張卡被放進 Must，三週後沒人記得是誰、憑什麼放進去的。加權公式的好處不在數字精確，而在每個乘數都逼你交出一句理由。

公式的限制：四個維度相乘，任何一格差一分，總分就會大幅跳動。
這代表公式對分數很敏感，也代表它適合拿來「找出哪個假設最關鍵」，後面的敏感度分析就是為此存在。

執行規則

① 定義量尺：四個維度各寫出 1、3、5 分的具體判準，貼在評分表最上方。
② 逐卡打分：每個分數旁邊附一句依據，證據信心必須引用需求卡上的回饋編號。
③ 算分並標記同分：套公式算分，分數差距在 15% 以內的卡片視為同分。
④ 做敏感度分析：對每張卡問一次「哪一格改一分，排序會翻？」把會翻的那一格標出來。
⑤ 記錄決策與覆核條件：寫下決策者、日期、以及「看到什麼數據就要重排」。

第 ③ 步的 15% 是我自己的經驗值，僅供參考。
四個 1–5 分的數字相乘再相除，差一兩分的卡片實際上分不出高下，硬排先後只會製造假精確。

FlowBoard 示範：五張需求卡

以下分數與成本皆為教學用模擬資料。

① RC-01 找到第一件工作

• 影響 5、急迫 5、信心 3、成本 2
• 初步分數：37.5
• 依據：F03、F11、F32 顯示成員首登時不知道該做什麼
• 待確認：首登時已被指派任務的成員比例

② RC-02 呈現角色可行行動

• 影響 4、急迫 4、信心 3、成本 3
• 初步分數：16.0
• 依據：F21、F22、F25 顯示一般成員點下去才發現沒權限
• 待確認：權限受限實際發生的頻率

③ RC-03 理解專案脈絡

• 影響 4、急迫 3、信心 3、成本 2
• 初步分數：18.0
• 依據：F01、F07、F18 顯示專案名稱縮寫看不懂、缺背景資訊
• 待確認：邀請訊息裡是否已有可用的專案說明

④ RC-04 提供合時機指引

• 影響 3、急迫 3、信心 2、成本 3
• 初步分數：6.0
• 依據：F02、F26 顯示過長的引導直接被關掉
• 待確認：哪一種引導形式實際有人看完

⑤ RC-05 從邀請抵達工作區

• 影響 5、急迫 5、信心 2、成本 4
• 初步分數：12.5
• 依據：F34、F35、F36 顯示跨工作區與帳號切換會迷路
• 待確認：問題是否集中在單一登入路徑

排出來 RC-01 領先，RC-03 與 RC-02 分數差距在 15% 以內，視為同分並列第二。
再看敏感度：RC-01 的影響分數建立在「多數成員首登時沒有任務」這個假設上。如果登入事件資料顯示七成成員首登時已有指派任務，影響分數掉到 2，RC-01 就會落到 RC-03 後面。這一格，是五張卡裡最值得先花半天去查的一格。

核心情境與問題

• 情境：將模擬規則套用到投資內容型 App 改版後收集的真實使用者回饋，跑完第一輪排序後，第一名是一張證據信心 4 分的需求卡。

• 盲點：同一位使用者透過 App Store、客服、社群三個管道抱怨同一件事，清洗規則誤將其視為三筆獨立資料，導致證據信心被灌水。

• 本質：規則本身無誤，但前提錯誤，真實資料中，一個生氣的使用者可能跨管道重複發聲。

提示詞設計（Prompt）

背景：
FlowBoard 團隊有五張新成員啟用需求卡，兩週內要選一到兩張做概念驗證。

任務：
① 檢查每張卡的四個分數是否都有卡片上的證據支持，特別檢查證據信心引用的回饋是否來自不同使用者。
② 依公式計算各卡分數，數字照原樣輸出，不要四捨五入。
③ 找出每張卡「改一分就會翻轉排序」的那一格。
④ 列出建議先查證的資料，以及建議進入概念驗證的卡片組合。

輸入：
【需求卡全文】
【評分量尺與各卡分數】

規則：
① 只複核，不改分數。認為分數有問題就標記並說明，不要自己改。
② 每一個判斷都要引用卡片上的回饋編號。
③ 分數差距在 15% 以內視為同分，要明確標出。
④ 你的輸出是討論材料，不是決定。不要出現「應該優先做」這種句子。

輸出：
A. 計算複核表
B. 各卡支持理由與潛在反證
C. 敏感度分析：每張卡最關鍵的一格
D. 建議會議議程：先查什麼、再討論什麼

範例輸出

【RC-01 找到第一件工作】
計算複核：(5 × 5 × 3) ÷ 2 = 37.5，與輸入一致。
支持理由：F03、F11、F32 三筆回饋，來自三位不同成員（依卡片標示）。
潛在反證：卡片未記錄首登時已有指派任務的成員比例。若比例偏高，影響分數的 5 分缺乏支撐。
敏感度：影響分數若降為 2，總分變為 15.0，排序落至 RC-03 之後。此為五張卡中最敏感的一格。
建議查證：調閱近 30 天新成員首登事件與任務指派紀錄。

輸出裡「與輸入一致」是事實，「三位不同成員」是依卡片標示的轉述，「若比例偏高則缺乏支撐」是推論。三種性質要分得清楚，讀的人才知道哪一句可以直接信、哪一句要自己去查。

人類需要檢查什麼

① 每個分數的依據，是需求卡上的證據，還是評分者的印象？
② 證據信心引用的回饋，來自幾位不同的使用者？
③ 敏感度分析標出來的那一格，有沒有辦法在一週內查證？
④ 決策紀錄上有沒有寫「看到什麼數據就重排」？沒有的話，這次排序下週就會被推翻。

第 ② 題就是真實戰場那一節教我的。

把規則封裝成 Claude Code Skill：數字交給腳本算

這個 Skill 主要是多了算分腳本。
因為語言模型做乘除法會出錯，尤其一次算五張卡、還要比較差距百分比的時候。判斷交給模型，算術交給程式，這是值得養成的 Claude Code 習慣。

建立 .claude/skills/priority-review/SKILL.md：

---
name: priority-review
description: 複核需求卡的優先級評分，計算分數、標記同分、找出敏感假設，把決策留給人。
---

請依以下步驟執行：
① 讀取輸入的需求卡與評分表，不改動任何分數。
② 呼叫 `python3 .claude/skills/priority-review/scripts/score.py` 計算分數與同分群，不要自己心算。
③ 逐卡檢查證據信心引用的回饋編號是否來自不同使用者，發現重複來源就標記。
④ 對每張卡找出「改一分就翻轉排序」的那一格。
⑤ 輸出格式固定為：計算複核表、支持理由與反證、敏感度分析、建議會議議程。
⑥ 不要下「應該優先做」的結論，結尾提醒團隊由人決策並記錄覆核條件。

建立 .claude/skills/priority-review/scripts/score.py：

import json
import sys

cards = json.load(sys.stdin)
for card in cards:
    card["score"] = (card["impact"] * card["urgency"] * card["confidence"]) / card["cost"]

cards.sort(key=lambda c: c["score"], reverse=True)
for i, card in enumerate(cards):
    tie = ""
    if i > 0 and abs(card["score"] - cards[i - 1]["score"]) / cards[i - 1]["score"] <= 0.15:
        tie = "（與上一張同分）"
    print(f'{card["id"]}\t{card["score"]:.1f}{tie}')

執行指令：

/priority-review 請讀取五張需求卡與評分表，算出排序，並指出最需要人工先查證的兩個地方。

執行後，終端機會列出公式、每張卡的輸入分數、同分標記與待查證清單：

今天的產出物

今天帶走一份需求優先級評估表，包含：

• 四維度量尺定義，以及 1、3、5 分的判準。
• 五張 FlowBoard 需求卡的評分、分數與敏感度標記。
• 一條從真實回饋上學到的規則：證據信心要數「幾位使用者」，不是「幾筆回饋」。
• 一個會呼叫腳本算分的 Skill。

參考資料

• Atlassian：Six product prioritization frameworks and how to pick the right one