Πώς οι Μεγάλες Ομάδες Προϊόντων Αποφασίζουν Τι Να Κάνουν Επόμενο

Γιατί η πραγματική συμπεριφορά των πελατών έχει σημασία περισσότερο από ποτέ στην εποχή του AI

Οι προϊστάμενοι προϊόντων και οι μηχανικοί μπορούν να ξοδεύουν μήνες για να διαμορφώσουν μια λειτουργία πριν κανείς εκτός της επιχείρησης την αγγίξει. Όταν οι πελάτες την πάρουν, μπορεί να την χρησιμοποιήσουν ακριβώς όπως αναμενόταν ή να βρουν ένα εντελώς διαφορετικό δρόμο. Μπορεί να αγνοήσουν εντελώς τη κύρια λειτουργία και να συνεχίσουν να επιστρέφουν σε κάτι που η ομάδα几乎 δεν είχε παρατηρήσει κατά τη διάρκεια της ανάπτυξης. Αυτό είναι το σημείο όπου αρχίζει η πραγματική μάθηση και οι ενδιαφέρουσες αποφάσεις.

Εν τω μεταξύ, το AI έχει μεταμορφώσει τον τρόπο με τον οποίο οι ομάδες προϊόντων και μηχανικής εργάζονται, καθιστώντας δυνατό να μετατρέψουν μια ιδέα σε λειτουργικό λογισμικό πολύ πιο γρήγορα. Οι βοηθοί κωδικοποίησης και τα εργαλεία αυτόματης δοκιμής επιταχύνουν το ρυθμό κάθε μέρα. Ιδέες που κάποτε χρειάζονταν εβδομάδες μηχανικής προσπάθειας μπορούν τώρα να γίνουν χρηστικά πρωτότυπα μέσα σε ημέρες, δημιουργώντας πολλές περισσότερες ευκαιρίες για δοκιμή και αποστολή — και για μάθηση από τους πελάτες καθώς αρχίζουν να χρησιμοποιούν νέες λειτουργίες.

Καθώς η ανάπτυξη επιταχύνεται και περισσότερες νέες ιδέες φτάνουν στους πελάτες, οι ομάδες προϊόντων πρέπει να μάθουν γρήγορα από τις πρώτες αλληλεπιδράσεις των χρηστών και να αποφασίσουν πώς να ανταποκριθούν. Όταν το λογισμικό αποστέλλεται, η μάθηση και η λήψη αποφάσεων πρέπει να επιταχύνουν επίσης. Αν η μάθηση δεν μπορεί να跟 pace με την ανάπτυξη, οι χρήστες θα πνίγονται σε νέες λειτουργίες και “βελτιώσεις” που δεν θέλουν ή που μπορεί ακόμη και να χειροτερέψουν την εμπειρία τους.

Η Γρήγορη Ανάπτυξη Αλλάζει Τα Πάντα

Πρόσφατη έρευνα που αφορά περισσότερους από 100.000 développers του GitHub δείχνει πόσο γρήγορα συμβαίνει αυτή η μετατόπιση. Τα εργαλεία κωδικοποίησης AI αυξάνουν τη δραστηριότητα κωδικοποίησης μέχρι και 180%, ενώ οι εκδόσεις αυξάνονται περίπου 30%. Οι ερευνητές εξέτασαν επίσης τέσσερις αγορές εφαρμογών, όπου οι νέες εκδόσεις αυξάνονταν, αλλά η συνολική χρήση παρέμεινε σταθερή ή μειώθηκε. Αυτό σημαίνει ότι πολύ περισσότερο λογισμικό ανταγωνίζεται για την ίδια πισίνα προσοχής πελατών.

Αυτή είναι η лакουνα που τα δεδομένα μετά την εκτόξευση πρέπει να κλείσουν: να γνωρίζουμε ποια από τα πολλά πράγματα που αποστάλθηκαν πραγματικά κέρδισαν μια θέση στη ρουτίνα του πελάτη και ποια απλώς πρόσθεσαν θόρυβο.

Πείτε ότι έναςออนไลนός零售έας εκκινεί einen βοηθό αγορών AI. Απαντά σε ερωτήσεις προϊόντων, συνιστά κατάλληλα αντικείμενα και φαίνεται να λειτουργεί ακριβώς όπως σχεδιάστηκε. Η επόμενη ερώτηση είναι τι κάνουν οι πελάτες πραγματικά με αυτό — και γιατί.

Άνοιξαν τον βοηθό στην αρχή της επίσκεψης ή μόνο μετά την αποτυχία της αναζήτησης; Ποια ερωτήματα οδηγούν σε προβολή προϊόντων ή αγορά; Πού οι συνομιλίες τελειώνουν απότομα; Και οι επανερχόμενοι πελάτες χρησιμοποιούν το διαφορετικά από τους πρώτους επισκέπτες;

Οι απαντήσεις αποκαλύπτουν το ρόλο που διαδραματίζει πραγματικά ο βοηθός. Ένας υψηλός αριθμός αλληλεπιδράσεων μπορεί να φαίνεται υγιής, αλλά μια πιο προσεκτική ματιά μπορεί να δείξει ότι οι πελάτες επαναλαμβάνουν την ίδια ερώτηση επειδή οι απαντήσεις δεν είναι σαφείς. Από την άλλη πλευρά, ένας μετριασμένος ρυθμός υιοθέτησης μπορεί να είναι εντάξει αν οι χρήστες μετατρέπονται σε υψηλότερο ποσοστό ή εξερευνούν ένα ευρύτερο φάσμα προϊόντων.

Οι αναλύσεις προϊόντων δείχνουν τι συνέβη όταν η λειτουργία έγινε ζωντανή. Χρησιμοποίησαν την; Βοήθησε τους να προχωρήσουν ή τους στάλθηκε σε κάπου απρόσμενη; Οι απαντήσεις δίνουν στους προϊσταμένους προϊόντων κάτι συγκεκριμένο να εργαστούν όταν αποφασίζουν τι να αλλάξουν.

Μάθηση Από Τι Κάνουν Πραγματικά Οι Πελάτες

Επειδή το AI κάνει πολύ εύκολη την εισαγωγή νέων ικανοτήτων σε ένα προϊόν, πολλές ομάδες προϊόντων κάνουν πολύ περισσότερες αλλαγές από ό,τι ιστορικά, γεγονός που μπορεί να προκαλέσει ανεπιθύμητη τριβή για τους χρήστες. Για παράδειγμα, μια ομάδα μπορεί να εκκινήσει einen βοηθό ενώ μια άλλη ομάδα γρήγορα στρέφει συστάσεις ή πειραματίζεται με μια νέα διεπαφή. Πριν να το καταλάβουμε, οι πελάτες διασχίζουν πολλές ανταγωνιστικές ιδέες και η εμπειρία αρχίζει να feels拥挤ή ή ασυνεχής.

Ο零售έας μας μπορεί να ανακαλύψει ότι οι πελάτες μετακινούνται μεταξύ eines βοηθού αναζήτησης AI και του βοηθού αγορών κατά τη διάρκεια της ίδιας εργασίας. Οι αναλύσεις προϊόντων μπορούν να δείξουν πού χάνουν την ορμή και ποια διαδρομή οδηγεί πιο συχνά σε μια ολοκληρωμένη αγορά. Αυτό δίνει στην επιχείρηση μια σαφή βάση για την απλοποίηση της διαδρομής και την εστίαση της επένδυσης όπου θα έχει την μεγαλύτερη επίδραση.

Καλύτερες Ερωτήσεις, Καλύτερες Αποφάσεις Προϊόντων

Πολύ από το έργο του οικοδόμου προϊόντων σήμερα είναι να αποφασίσει ποια προβλήματα αξίζει να διώξει και πόσο να πάρει μια ιδέα. Το δύσκολο μέρος της λήψης αυτής της απόφασης είναι να ρωτήσει τις σωστές ερωτήσεις όταν εξετάζει τις ενδείξεις.

Ένα πίνακας που δείχνει πολλή δραστηριότητα πελατών μπορεί να είναι παραπλανητικός, γιατί η υιοθέτηση σημαίνει πολύ λίγο από μόνη της. Η σημαντική ερώτηση είναι τι προσπαθούσε να κάνει ο χρήστης, αν η λειτουργία βοήθησε να φτάσει εκεί και αν επέστρεψε μια φορά που η αρχική περιέργεια έσβησε.

Η ερώτηση πρέπει επίσης να αλλάξει με τον καιρό. Τα πρώτα λίγα ημέρες μετά την εκτόξευση, η προτεραιότητα μπορεί να είναι η σύγχυση αλληλεπιδράσεων ή οι τεχνικές αποτυχίες. Μερικές εβδομάδες αργότερα, η εστίαση μετατοπίζεται σε αυτό αν η χρήση επαναλαμβάνεται και αν συνδέεται με ένα εμπορικό αποτέλεσμα. Υπάρχει λίγη αξία στο να ρωτήσετε ερωτήσεις εκτόξευσης την έκτη ημέρα.

Το AI μπορεί να υποδείξει μια ασυνήθιστη μετατόπιση στη συμπεριφορά και να βοηθήσει τους προϊσταμένους προϊόντων να εξερευνήσουν μεγάλους όγκους δεδομένων συμβάντων. Αυτό συντομεύει το χάσμα μεταξύ της ανίχνευσης ενός σήματος και της διερεύνησής του.

Φυσικά, μια αλλαγή στα δεδομένα δεν εξηγεί τον εαυτό της. Μια πτώση στη χρήση μπορεί να δείξει μια σπασμένη ροή εργασίας ή την επιτυχή αφαίρεση eines ненужного βήματος. Άνθρωποι που γνωρίζουν το προϊόν και τους πελάτες vẫn πρέπει να δουλέψουν τι σημαίνει πραγματικά αυτή η αλλαγή.

Διατήρηση του Ρυθμού με τους Πελάτες

Το χάσμα μεταξύ εκδόσεων και αναθεωρήσεων γίνεται ολοένα και πιο δύσκολο να αγνοηθεί. Αν το λογισμικό αλλάζει κάθε εβδομάδα, μια εποχιακή συνάντηση αφήνει πολλή πελάτη συμπεριφορά αόρατη. Οι προϊσταμένοι προϊόντων χρειάζονται σημαντικές αλλαγές να φτάσουν σε αυτούς πριν η περίοδος γύρω από μια έκδοση εξαφανιστεί.

Αυτό αρχίζει με τους ανθρώπους που γνωρίζουν το αποτέλεσμα που κατέχουν και μπορούν να εξερευνήσουν τη σχετική συμπεριφορά εύκολα. Ταχεία τεχνολογία AI όπως το Mixpanel μπορεί να κατευθύνει την προσοχή προς αλλαγές που αξίζει να διερευνηθούν και να παρέχει ένα αρχείο того τι κάνουν πραγματικά οι πελάτες. Οι προϊσταμένοι προϊόντων μπορούν τότε να εστίασουν το χρόνο τους στα πράγματα που αξίζει να δουν πιο κοντά.

Οι Καλύτερες Ομάδες Προϊόντων Αλλάζουν τη Γνώμη τους

Πρέπει αυτή η λειτουργία να λάβει περαιτέρω επένδυση; Θα αφαιρέσει μια μικρή αλλαγή την τριβή σε ένα κρίσιμο σημείο; Έχει το πείραμα μας πει enough; Ή προστίθεται πολυπλοκότητα που οι πελάτες δεν ζήτησαν ποτέ; Κάθε απάντηση δίνει στους προϊσταμένους προϊόντων μια απόφαση να πάρουν. Και οι καλύτεροι προϊσταμένοι προϊόντων είναι πρόθυμοι να αλλάξουν τη γνώμη τους όταν οι ενδείξεις δείχνουν ένα καλύτερο αποτέλεσμα από την αλλαγή.

Οσο γρηγορότερα αποστέλλεται το λογισμικό, τόσο γρηγορότερα οι ομάδες προϊόντων πρέπει να μάθουν. Για όσους αποστέλλουν προϊόντα με δυνατότητα AI, μια ερώτηση έχει σημασία πάνω από όλες: Είστε πρόθυμοι να αμφισβητήσετε τις δικές σας υποθέσεις και να μάθετε από τα δεδομένα του πελάτη μετά την εκτόξευση; Είστε πρόθυμοι να αλλάξετε τη γνώμη σας; Αποφασίστε την απάντηση πριν την εκτόξευση. Τότε βεβαιωθείτε ότι είστε έτοιμοι να το δείτε — και να ενεργήσετε.