Wie großartige Produktteams entscheiden, was als Nächstes zu bauen ist

Warum reales Kundenverhalten in der Ära von KI wichtiger ist denn je

Produktmanager und Ingenieure können Monate damit verbringen, eine Funktion zu entwickeln, bevor jemand außerhalb des Unternehmens sie berührt. Wenn Kunden sie in die Hände bekommen, können sie sie genau so verwenden, wie erwartet, oder einen völlig anderen Weg finden. Sie können die Hauptfunktion vollständig ignorieren und immer wieder zu etwas zurückkehren, das das Team während der Entwicklung kaum beachtet hat. Hier beginnt das echte Lernen und die interessanten Entscheidungen.

Währenddessen hat KI die Art und Weise verändert, wie Produkt- und Ingenieurteams arbeiten, und es ermöglicht, eine Idee viel schneller in ein funktionierendes Softwareprodukt umzusetzen. Codierassistenten und automatisierte Testtools beschleunigen den Prozess jeden Tag. Ideen, die früher Wochen der Ingenieurarbeit erforderten, können jetzt innerhalb von Tagen zu verwendbaren Prototypen werden, was viele mehr Möglichkeiten zum Testen und Veröffentlichen bietet – und zum Lernen von Kunden, wenn sie mit neuen Funktionen beginnen.

Da die Entwicklung beschleunigt wird und mehr neue Ideen die Kunden erreichen, müssen Produktteams schnell aus den frühen Benutzerinteraktionen lernen und entscheiden, wie sie reagieren. Wenn die Software veröffentlicht wird, müssen das Lernen und die Entscheidungsfindung auch beschleunigt werden. Wenn das Lernen nicht mit der Entwicklung Schritt hält, werden Benutzer von neuen Funktionen und “Verbesserungen” überflutet, die sie nicht wollen oder die ihre Erfahrung sogar verschlechtern könnten.

Schnellere Entwicklung verändert alles

Eine aktuelle Studie, an der mehr als 100.000 GitHub-Entwickler beteiligt waren, zeigt, wie schnell sich dieser Wandel vollzieht. KI-Codierwerkzeuge erhöhten die Codieraktivität um bis zu 180 %, während die Veröffentlichungen um etwa 30 % stiegen. Die Forscher untersuchten auch vier App-Marktplätze, in denen neue Veröffentlichungen stiegen, aber die Gesamtnutzung flach oder rückläufig war. Das bedeutet, dass viel mehr Software um die gleiche Menge an Kundenbekanntheit konkurriert.

Das ist die Lücke, die die Daten nach der Veröffentlichung schließen müssen: zu wissen, welche der vielen veröffentlichten Dinge tatsächlich einen Platz in der Kundenroutine gefunden haben und welche nur Lärm hinzugefügt haben.

Nehmen wir an, ein Online-Händler startet einen KI-Einkaufsberater. Er beantwortet Produktfragen, empfiehlt geeignete Artikel und scheint genau so zu funktionieren, wie geplant. Die nächste Frage ist, was Kunden tatsächlich mit ihm tun – und warum.

Öffnen die Menschen den Berater am Anfang eines Besuchs oder nur, nachdem die Suche sie im Stich gelassen hat? Welche Fragen führen zu einem Produktblick oder einem Kauf? Wo enden Gespräche abrupt? Und verwenden wiederkehrende Kunden den Berater anders als Erstkunden?

Die Antworten zeigen die Rolle, die der Berater tatsächlich spielt. Eine hohe Interaktionsrate mag gesund aussehen, aber ein genauerer Blick könnte zeigen, dass Kunden die gleiche Frage wiederholen, weil die Antworten nicht klar sind. Andererseits könnte eine moderate Akzeptanzrate in Ordnung sein, wenn diese Benutzer mit einer höheren Rate umwandeln oder eine breitere Palette von Produkten erkunden.

Produktanalysen zeigen, was passiert, nachdem die Funktion live gegangen ist. Haben die Menschen sie verwendet? Hat sie ihnen geholfen, voranzukommen oder hat sie sie an einen unerwarteten Ort geschickt? Die Antworten geben Produktmanagern etwas Konkretes, woran sie ihre Entscheidungen ausrichten können.

Lernen von dem, was Kunden tatsächlich tun

Da KI es Produkt- und Ingenieurteams ermöglicht, neue Fähigkeiten in ein Produkt einfacher einzuführen, führen viele Produktteams viel mehr Änderungen durch, als sie historisch durchgeführt haben, was unbeabsichtigte Reibung für Benutzer verursachen kann. Zum Beispiel kann ein Team einen Assistenten starten, während ein anderes Team schnell Empfehlungen spinnt oder mit einer neuen Oberfläche experimentiert. Bald schon müssen Kunden durch mehrere konkurrierende Ideen navigieren, und die Erfahrung beginnt, überfüllt oder uneinheitlich zu wirken.

Unser Händler könnte herausfinden, dass Kunden zwischen einem KI-Suchtool und dem Einkaufsberater während desselben Vorgangs wechseln. Produktanalysen können zeigen, wo sie den Schwung verlieren und welcher Weg häufiger zu einem abgeschlossenen Kauf führt. Das gibt dem Unternehmen eine klare Grundlage, um den Prozess zu vereinfachen und die Investitionen dort zu konzentrieren, wo sie den größten Einfluss haben werden.

Bessere Fragen, bessere Produktentscheidungen

Ein großer Teil der Arbeit eines Produktbauers heute besteht darin, zu entscheiden, welche Probleme es wert sind, verfolgt zu werden, und wie weit eine Idee getrieben werden soll. Der schwierige Teil dieser Entscheidung besteht darin, die richtigen Fragen zu stellen, wenn man die Beweise untersucht.

Ein Dashboard, das viel Kundenaktivität zeigt, kann irreführend sein, da die Akzeptanz allein nicht viel bedeutet. Die wichtige Frage ist, was der Benutzer zu tun versuchte, ob die Funktion half, dorthin zu gelangen, und ob er zurückkehrte, nachdem die anfängliche Neugier abgeklungen war.

Die Frage sollte sich auch im Laufe der Zeit ändern. In den ersten Tagen nach der Veröffentlichung kann die Priorität verwirrende Interaktionen oder technische Ausfälle sein. Einige Wochen später verschiebt sich der Fokus darauf, ob die Nutzung wiederholt wird und ob sie mit einem kommerziellen Ergebnis verknüpft ist. Es gibt wenig Wert darin, Starttag-Fragen sechs Wochen später zu stellen.

KI kann einen ungewöhnlichen Verhaltenswechsel markieren und Produktmanagern helfen, große Mengen an Ereignisdaten zu untersuchen. Das verkürzt den Abstand zwischen dem Erkennen eines Signals und der Untersuchung.

Natürlich erklärt sich eine Änderung in den Daten nicht von selbst. Ein Rückgang der Nutzung könnte auf einen fehlerhaften Arbeitsablauf oder die erfolgreiche Entfernung eines unnötigen Schritts hinweisen. Menschen, die das Produkt und seine Benutzer kennen, müssen immer noch herausfinden, was diese Änderung tatsächlich bedeutet.

Schritt halten mit Ihren Kunden

Die Lücke zwischen Veröffentlichungen und Bewertungen wird immer schwerer zu ignorieren. Wenn die Software jede Woche geändert wird, lässt eine quartalsweise Besprechung eine große Menge an Kundenverhalten unberücksichtigt. Produktmanager benötigen wichtige Änderungen, die ihnen vorliegen, bevor der Kontext um eine Veröffentlichung verloren geht.

Das beginnt damit, dass die Menschen das Ergebnis kennen, das sie besitzen, und leicht die relevante Verhaltensweise erkunden können. KI-Technologien wie Mixpanel können die Aufmerksamkeit auf Änderungen lenken, die es wert sind, untersucht zu werden, und eine Aufzeichnung davon liefern, was Kunden tatsächlich getan haben. Produktmanager können dann ihre Zeit auf die Dinge konzentrieren, die einer näheren Betrachtung bedürfen.

Die besten Produktteams ändern ihre Meinung

Sollte diese Funktion weitere Investitionen erhalten? Würde eine kleine Änderung die Reibung an einem kritischen Punkt entfernen? Hat das Experiment genug gesagt? Oder fügt es Komplexität hinzu, die die Kunden nie gefordert haben? Jede Antwort gibt Produktmanagern eine Entscheidung zu treffen. Und die besten PMs sind bereit, ihre Meinung zu ändern, wenn die Beweise auf ein besseres Ergebnis durch die Änderung hinweisen.

Je schneller die Software veröffentlicht wird, desto schneller müssen Produktteams lernen. Für alle, die KI-aktivierte Produkte veröffentlichen, ist eine Frage vor allem wichtig: Sind Sie bereit, Ihre eigenen Annahmen in Frage zu stellen und aus den Benutzerdaten nach der Veröffentlichung zu lernen? Sind Sie bereit, Ihre Meinung zu ändern? Entscheiden Sie sich, bevor Sie veröffentlichen. Stellen Sie dann sicher, dass Sie bereit sind, es zu sehen – und entsprechend zu handeln.