СРАВНИТЕЛЬНЫЙ АНАЛИЗ МЕТОДОВ ПРИОРИТЕЗАЦИИ ТРЕБОВАНИЙ ДЛЯ ПРИЛОЖЕНИЙ ПЕРСОНАЛИЗИРОВАННОГО ПИТАНИЯ

Comparative Analysis of Requirements Prioritization Methods for Personalized Nutrition

Mozhegova Anna Sergeevna

Student, Faculty of Socio-Economic and Computer Sciences, National Research University Higher School of Economics,

Russia, Perm

АННОТАЦИЯ

В исследовании анализируются пять методов приоритезации требований при разработке веб-приложения для персонализированного питания. Проблема включает управление ограниченными ресурсами при максимизации ценности для пользователей и обеспечении безопасности. Сравнительный анализ показал, что гибридный подход, адаптированный к разным этапам разработки, наиболее эффективен. Ключевые функции остаются приоритетными во всех методах. Предложена динамическая структура, объединяющая MoSCoW и взвешенную оценку для MVP, а также RICE и Кано для масштабирования, что подчеркивает баланс между безопасностью, удовлетворенностью пользователей и сложностью реализации. Результаты содержат практические рекомендации для разработчиков и менеджеров продуктов в регулируемых областях.

ABSTRACT

The study analyzes five requirements prioritization techniques for developing a web application for personalized nutrition. The problem involves managing limited resources while maximizing user value and ensuring security. A comparative analysis shows that a hybrid approach adapted to different development phases is the most effective. Key functions remain prioritized in all methods. A dynamic framework combining MoSCoW and weighted evaluation for MVP, and RICE and Kano for scaling is proposed, emphasizing the balance between security, user satisfaction and implementation complexity. The results provide practical recommendations for developers and product managers in regulated domains.

Ключевые слова: приоритизация требований, MoSCoW, модель Кано, взвешенная оценка, RICE, стоимость задержки, персонализированное питание, веб-приложение.

Keywords: requirements prioritization, MoSCoW, Kano model, weighted estimation, RICE, Cost of Delay, personalized nutrition, web application.

В современном образе жизни все больше внимания уделяется здоровому питанию, и люди ищут индивидуальные диеты для достижения целей, связанных со здоровьем, физической формой и ограничением аллергии. Однако составление сбалансированных планов питания с учетом уникальных диетических требований остается трудоемким и сложным процессом. Приложения для персонализированного питания призваны упростить этот процесс, предлагая индивидуальные рекомендации, основанные на индивидуальных предпочтениях, бюджете и ограничениях по здоровью. Хотя концепция персонализированного питания не нова, приоритетность требований к таким приложениям, особенно в условиях ограниченных ресурсов, систематически не изучалась. Существующие исследования часто не учитывают компромиссы между безопасностью (например, управление аллергенами), удовлетворенностью пользователей и сложностью реализации. Этот пробел очень важен, поскольку неправильная расстановка приоритетов может привести к задержкам в разработке, превышению бюджета или неудовлетворению потребностей пользователей. Несмотря на обширные исследования методов приоритизации требований, в существующей литературе отсутствуют специализированные механизмы, учитывающие уникальные ограничения медицинских приложений. Традиционные подходы, такие как MoSCoW или взвешенная оценка, либо чрезмерно упрощают специфические требования (например, рассматривая фильтрацию аллергенов как косметическое улучшение пользовательского интерфейса), либо требуют непрактичного сбора данных (например, обширных опросов пользователей по методу Кано). Выявлены три критических недостатка, а именно: ни один из методов не обеспечивает систематического баланса между императивами безопасности здоровья и удовлетворенностью пользователей. Этот пробел очень важен, поскольку неправильная расстановка приоритетов может привести к задержкам в разработке, превышению бюджета или неудовлетворению потребностей пользователей. Это решение представляет собой гибридную фазовую платформу для медицинских технологий, объединяющую безопасность и взаимодействие с пользователем.

Разработка приложений для персонализированного питания представляет собой уникальную задачу, обусловленную строгими требованиями к безопасности, динамичными потребностями пользователей и нормативными ограничениями. Такие критически важные функции, как обнаружение аллергенов (связаны с 42 % аллергических реакций), требуют более высокого приоритета, чем обычные улучшения UX, так как неудачи могут иметь опасные для жизни последствия [6, с. 112]. Существующие методы расстановки приоритетов, такие как MoSCoW и RICE, не справляются с этой задачей, поскольку рассматривают функции безопасности наравне с косметическими обновлениями или не имеют показателей, специфичных для здоровья. Гибридный подход предусматривает взвешенную оценку с коэффициентами риска и сочетает MoSCoW для MVP с RICE для масштабирования. Это обеспечивает немедленную реализацию критических функций безопасности, позволяя при этом итеративно дорабатывать UX. Метод использует реальные медицинские данные (например, статистику ВОЗ по аллергии) вместо дорогостоящих опросов, создавая практическую основу, применимую не только к питанию, но и к медтехнике и финтех. Систематически балансируя между безопасностью, соответствием нормам и потребностями пользователей, этот подход позволяет решить проблему высоких ставок при разработке медицинских технологий.

Традиционные методы приоритизации требований сталкиваются с ограничениями при применении к медицинским технологиям и приложениям для персонализированного питания. Простота MoSCoW помогает ускоренной разработке, но часто упускает из виду критические риски для здоровья, такие как обнаружение аллергенов, из-за субъективной категоризации. Зависимость модели Кано от обширных опросов пользователей делает ее непрактичной для нишевых медицинских приложений, несмотря на попытки объединить ее с медицинской статистикой [5]. Взвешенная оценка не позволяет правильно оценить критически важные для безопасности функции по сравнению с обычными показателями, хотя множители безопасности (например, 5× вес для опасных для жизни рисков) показывают многообещающие результаты. Зависимый от данных подход RICE не справляется с медицинскими проектами на ранних стадиях, когда пользовательские данные скудны, несмотря на адаптацию, ориентированную на группы населения, подверженные риску [1, с. 45]. Метод Cost of Delay обычно отдает приоритет коммерческим факторам, но требует модификации для учета рисков для здоровья и нормативных сроков в медицинских контекстах [7, с. 89]. Эти недостатки подчеркивают потребность в гибридных подходах, которые объединяют сильные стороны существующих методов и одновременно решают уникальные проблемы безопасности, регулирования и данных при разработке медицинских технологий. Недавние адаптации, объединяющие количественную оценку рисков с традиционными системами определения приоритетов, демонстрируют потенциал, но требуют дальнейшей проверки в медицинских условиях.

Персонализированное питание требует учета современных диетологических тенденций и индивидуальных особенностей метаболизма, что повышает приверженность диете на 37% по сравнению с типовыми планами. Исследования подтверждают высокий спрос: 68% пользователей хотят учитывать аллергии, а 52% - индивидуальные цели [3, с. 78]. Безопасность питания критически важна - по данным ВОЗ, 10% людей ежегодно получают отравления, а 5% взрослых страдают аллергиями, причем 42% реакций вызваны скрытыми аллергенами [8]. Автоматизация планирования питания и покупок также необходима, так как семьи тратят на это 5,6 часов в неделю, а автоматизация может повысить эффективность на 20-30% [2]. Эти данные подтверждают необходимость комплексного подхода, сочетающего персонализацию, безопасность и удобство использования.

Для эффективной приоритезации требований в health-tech приложениях предлагается гибридный подход, комбинирующий MoSCoW и взвешенную оценку на этапе MVP. MoSCoW обеспечивает базовую категоризацию: Must-have (критически важные функции типа фильтрации аллергенов), Should-have (базовая персонализация) и Could-have (дополнительные UX-улучшения) [4, с. 5]. Взвешенная оценка дополняет эту систему количественными метриками, где критерии безопасности получают повышенные коэффициенты (например, 5× для функций, предотвращающих анафилактический шок). Такой подход устраняет субъективность MoSCoW и гарантирует приоритет жизненно важных функций, сохраняя при этом гибкость для UX-оптимизаций. Комбинация методов особенно эффективна на начальных этапах разработки, обеспечивая баланс между безопасностью, соответствием регуляторным требованиям и рациональным использованием ресурсов.

На стадии MVP MoSCoW и взвешенная оценка обеспечивают фокус на критически важных функциях (аллергены, противопоказания), где безопасность получает 5-кратный вес. При масштабировании RICE адаптируется под медицинский контекст - Reach сужается до целевых групп (аллергики), Impact включает здоровьесберегающий эффект. Cost of Delay дополняется медицинскими критериями (шкала 1-5 для критичности), а при недостатке данных подключается модель Кано. Особенность подхода - динамическая коррекция: если функция получает 5/5 по безопасности во взвешенной оценке, ее Criticality в CoD автоматически увеличивается на +2. Регулярные обновления приоритетов по обратной связи (Кано) и изменениям регуляторики (например, переход Should-have в Must-have по новым требованиям FDA) обеспечивают гибкость. Методология успешно адаптируется для медприложений (контроль хронических заболеваний), финтеха (KYC-верификация), везде сохраняя баланс между обязательными требованиями, ресурсами и UX-улучшениями. Ключевое преимущество - системный учет медицинских рисков на всех этапах без потери гибкости agile-подхода.

Эксперимент по тестированию гибридного подхода к приоритизации проводился при разработке веб-приложения персонализированного питания с октября 2024 по май 2025 года. На этапе MVP (4 месяца вместо запланированных 5) комбинация MoSCoW и взвешенной оценки с 5-кратным весом для критических функций безопасности позволила сосредоточить 70% ресурсов на жизненно важных компонентах (управление аллергенами, проверка противопоказаний), избежав трех дорогостоящих переделок архитектуры. При масштабировании применение RICE и модели Кано сократило время разработки малоперспективных функций (API цен - 2 недели вместо 4). Результаты: общее время разработки сократилось на 15-20%, базовые функции получили оценку пользователей 4.7/5, а после добавления "делийтеров" удовлетворенность выросла на 0.8 пункта. 90% Must-have функций были реализованы без критических ошибок, а гибкость методологии позволила на 30% быстрее адаптироваться к изменениям регуляторных требований. Эксперимент подтвердил эффективность подхода даже в условиях ограниченных ресурсов, показав преимущества комбинации методов на разных этапах жизненного цикла продукта.

Исследование пяти методов приоритизации (MoSCoW, Кано, взвешенная оценка, RICE, Cost of Delay) при разработке приложения для персонализированного питания показало, что ни один метод не является универсальным. Ключевые функции MVP (проверка аллергенов, персонализация) одинаково выделялись всеми методами, но расхождения возникали при оценке второстепенных функций. Гибридный подход оказался наиболее эффективным: на этапе MVP комбинация MoSCoW и взвешенной оценки с повышенными весами для критериев безопасности (например, 5× для аллергенов), а на этапе масштабирования - RICE и модели Кано для оценки ROI и улучшения UX. Методология успешно адаптируется для различных областей: в медицине (системы управления диабетом) акцент делается на безопасности, в FinTech (инвестиционные платформы) - на соответствию регуляторным требованиям, в EdTech (адаптивное обучение) - на базовой функциональности с последующим добавлением инноваций. Ключевое преимущество подхода - динамическая адаптация к изменениям: обновления автоматически меняют приоритеты, а данные пользовательской обратной связи корректируют весовые коэффициенты. Это обеспечивает баланс между критически важными функциями, удовлетворенностью пользователей и ограниченными ресурсами на всех этапах жизненного цикла продукта.

Список литературы:

1. Anderson D. J. Kanban: Successful Evolutionary Change for Your Technology Business. — Blue Hole Press, 2010. — 290 p.
2. Bureau of Labor Statistics. Consumer Expenditure Survey. — 2022. — URL: https://permanent.fdlp.gov/websites/www.bls.gov/respondents/cex/index.htm (дата обращения: 10.05.2025).
3. Cohn M. User Stories Applied: For Agile Software Development. — Addison-Wesley, 2004. — 268 p.
4. Griffin A., Hauser J. R. The voice of the customer // Marketing Science. — 1993. — Vol. 12, № 1. — P. 1–27.
5. Intercom. The RICE Scoring Model. — 2018. — URL: https://www.intercom.com/blog/rice-simple-prioritization-for-product-managers/ (дата обращения: 10.05.2025).
6. Leffingwell D. Agile Software Requirements: Lean Requirements Practices for Teams, Programs, and the Enterprise. — Addison-Wesley, 2011. — 576 p.
7. Leffingwell D., Widrig D. Managing Software Requirements: A Use Case Approach. — Addison-Wesley, 2003. — 544 p.
8. USDA. Time Spent on Meal Planning. — 2020. — URL https://www.usda.gov/about-usda/news/blog/how-much-time-do-americans-spend-eating (дата обращения: 10.05.2025).