Сервер MCP, который триангулирует билеты поддержки клиентов, запросы функций и разговоры агентов поддержки ИИ, чтобы помочь ПМ решить, что строить дальше.

Реальные результаты: Проанализировано 3353 сигнала в одном 30-дневном окне: 1678 билетов поддержки, 276 запросов функций и 1399 разговоров агента поддержки ИИ в 4 продуктах.

Чаты являются сигналом, который анализ только билетов никогда не видит.

Читать полностью: Я создал MCP-сервер, который изменил то, как я расставляю приоритеты продуктов

Что отличает это

• Сигнальная триангуляция. Матчи поддерживают билеты против запросов на поиск конвергентных тем и придают конвергентным темам 2-кратный приоритет. ** Слепое пятно отклонения.** Агент поддержки ИИ отвечает на вопросы, которые никогда не становятся билетами, поэтому приоритизация на основе билетов учитывает каждую тему, которую обрабатывает бот. Разговоры в чат-базе входят в качестве третьего класса сигналов с темой self_serve_failure_rate. Возможность. Передайте данные о потоке или трафике с других серверов MCP в generate_product_plan через kpi_context, и методология корректирует приоритеты.

Архитектура

Быстрый старт

Требуется 20+. Не публикуется в npm, поэтому установите из источника:

PM Copilot

An MCP server that triangulates customer support tickets, feature requests, and AI support agent conversations to help PMs decide what to build next.

---

Real results: Analyzed 3,353 signals in one 30-day window: 1,678 support tickets, 276 feature requests, and 1,399 AI support agent conversations across 4 products.

The chats are signal a ticket-only analysis never sees.

Read the full story: I built an MCP server that changed how I prioritize products

---

What makes this different

• Signal triangulation. Matches support tickets against feature requests to find convergent themes, and gives convergent themes a 2x priority boost.
• The deflection blind spot. An AI support agent answers questions that never become tickets, so ticket-based prioritization undercounts every theme the bot handles. Chatbase conversations come in as a third signal class, with a per-theme self_serve_failure_rate.
• Composability. Pass churn or traffic data from other MCP servers into generate_product_plan via kpi_context, and the methodology adjusts priorities.

Architecture

graph TD
    A[Claude Desktop / Code] -->|stdio| B[pm-copilot]
    A -->|stdio| C[Metabase MCP]
    A -->|stdio| D[Google Analytics MCP]
    B -->|Reactive| E[HelpScout: tickets]
    B -->|Proactive| F[ProductLift: feature requests]
    B -->|Deflected| I[Chatbase: AI agent chats]
    C -->|Quantitative| G[Conversion, Churn, Revenue]
    D -->|Acquisition| H[Traffic, Channels, Trends]
    B -.->|kpi_context| A

Quick start

Requires Node 20+. Not published to npm, so install from source:

git clone https://github.com/dkships/pm-copilot.git
cd pm-copilot
npm install
cp .env.example .env   # Edit with your credentials
npm run build

.env lives in the repo root. The server loads it from there regardless of the working directory it’s launched from.

Credentials

Configure at least one source; the analysis adapts to whichever you set up. Without HelpScout there are no support tickets, so themes get no severity score and no convergence boost; ProductLift and Chatbase still rank themes by frequency and votes.