Cómo los grandes equipos de productos deciden qué construir a continuación

Por qué la conducta real del cliente es más importante que nunca en la era del AI

Los gerentes de productos y los ingenieros pueden pasar meses moldeando una característica antes de que alguien fuera de la empresa la toque. Cuando los clientes se apoderan de ella, pueden usarla exactamente como se esperaba o encontrar un camino completamente diferente. Pueden ignorar la característica principal por completo y seguir volviendo a algo que el equipo apenas notó durante el desarrollo. Es aquí donde comienza el aprendizaje real y las decisiones interesantes.

Mientras tanto, el AI ha transformado la forma en que trabajan los equipos de productos y ingeniería, lo que hace posible convertir una idea en software funcional mucho más rápidamente. Los asistentes de codificación y las herramientas de prueba automatizadas están acelerando el ritmo todos los días. Las ideas que antes requerían semanas de esfuerzo de ingeniería ahora pueden convertirse en prototipos utilizables dentro de días, lo que crea muchas más oportunidades para probar y enviar — y aprender de los clientes a medida que comienzan a utilizar nuevas características.

A medida que el desarrollo se acelera y más nuevas ideas llegan a los clientes, los equipos de productos deben aprender rápidamente de las interacciones de los usuarios tempranos y decidir cómo responder. A medida que se envía el software, el aprendizaje y la toma de decisiones también deben acelerarse. Si el aprendizaje no puede seguir el ritmo del desarrollo, los usuarios se ahogarán en nuevas características y “mejoras” que no quieren o que pueden empeorar su experiencia.

Construir más rápido cambia todo

Una investigación reciente que involucra a más de 100,000 desarrolladores de GitHub ilustra cuán rápidamente está sucediendo este cambio. Las herramientas de codificación del AI aumentaron la actividad de codificación en un 180%, mientras que las versiones aumentaron alrededor del 30%. Los investigadores también examinaron cuatro mercados de aplicaciones, donde las nuevas versiones estaban aumentando, pero el uso general se mantuvo plano o disminuyó. Eso significa que mucho más software está compitiendo por la misma cantidad de atención del cliente.

Esa es la brecha que los datos posteriores al lanzamiento tienen que cerrar: saber qué de las muchas cosas enviadas realmente ganó un lugar en la rutina del cliente y qué solo agregó ruido.

Digamos que un minorista en línea lanza un asistente de compras del AI. Responde preguntas de productos, recomienda artículos adecuados y parece funcionar exactamente como se planeó. La próxima pregunta es qué los clientes están haciendo realmente con él — y por qué.

¿La gente abre el asistente al comienzo de una visita o solo después de que la búsqueda ha fallado? ¿Qué preguntas llevan a una vista de producto o a una compra? ¿Dónde terminan las conversaciones abruptamente? ¿Y los clientes que regresan usan el asistente de manera diferente a los visitantes por primera vez?

Las respuestas revelan el papel que el asistente está jugando realmente. Una alta tasa de interacción puede parecer saludable, pero una mirada más cercana podría mostrar a los clientes repitiendo la misma pregunta porque las respuestas no son claras. Por otro lado, una tasa de adopción modesta podría estar bien si esos usuarios se convierten a una tasa más alta o exploran una gama más amplia de productos.

Las analíticas de productos muestran qué sucedió una vez que la característica se puso en vivo. ¿La gente la usó? ¿Les ayudó a avanzar o los envió a algún lugar inesperado? Las respuestas dan a los gerentes de productos algo concreto con qué trabajar cuando deciden qué cambiar.

Aprendiendo de lo que los clientes realmente hacen

Dado que el AI hace que sea mucho más fácil introducir nuevas capacidades en un producto, muchos equipos de productos están haciendo muchos más cambios de los que han hecho históricamente, lo que puede causar fricción no intencional para los usuarios. Por ejemplo, un equipo puede lanzar un asistente mientras que otro equipo rápidamente crea recomendaciones o experimenta con una nueva interfaz. Antes de que te des cuenta, los clientes están sorteando varias ideas en competencia, y la experiencia comienza a sentirse abarrotada o desconectada.

Nuestro minorista puede descubrir que los clientes están moviéndose entre una herramienta de búsqueda del AI y el asistente de compras durante la misma tarea. Las analíticas de productos pueden mostrar dónde pierden el impulso y qué ruta conduce con más frecuencia a una compra completada. Eso le da al negocio una base clara para simplificar el viaje y centrar su inversión donde tendrá el mayor impacto.

Mejores preguntas, mejores decisiones de productos

Gran parte del trabajo de constructor de productos hoy en día es decidir qué problemas vale la pena perseguir y hasta dónde llevar una idea. La parte difícil de tomar esa decisión es hacer las preguntas correctas al examinar las pruebas.

Un panel que muestra mucha actividad del cliente puede ser engañoso, porque la adopción significa muy poco por sí sola. La pregunta importante es qué estaba tratando de hacer el usuario, si la característica lo ayudó a llegar allí y si regresó una vez que la curiosidad inicial se desvaneció.

La pregunta también debe cambiar con el tiempo. En los primeros días posteriores al lanzamiento, la prioridad puede ser las interacciones confusas o los fallos técnicos. Unas semanas más tarde, el enfoque se desplaza hacia si el uso se repite y si se vincula a un resultado comercial. Hay poco valor en hacer preguntas del día del lanzamiento seis semanas después.

El AI puede señalar un cambio inusual en el comportamiento y ayudar a los gerentes de productos a explorar grandes volúmenes de datos de eventos. Eso acorta la brecha entre detectar una señal y investigarla.

Por supuesto, un cambio en los datos no se explica por sí solo. Una disminución en el uso podría indicar un flujo de trabajo roto o la eliminación exitosa de un paso innecesario. Las personas que conocen el producto y sus usuarios todavía tienen que averiguar qué significa realmente ese cambio.

Mantener el ritmo con sus clientes

La brecha entre lanzamientos y revisiones se está volviendo cada vez más difícil de ignorar. Si el software cambia cada semana, una reunión trimestral deja mucho comportamiento del cliente sin ver. Los gerentes de productos necesitan que los cambios importantes lleguen a ellos antes de que el contexto alrededor de un lanzamiento se desvanezca.

Eso comienza con las personas que conocen el resultado que poseen y pueden explorar el comportamiento relevante con facilidad. Las tecnologías del AI como Mixpanel pueden dirigir la atención hacia los cambios que vale la pena investigar y proporcionar un registro de lo que los clientes realmente hicieron. Los gerentes de productos pueden centrar su tiempo en las cosas que merecen una mirada más cercana.

Los mejores equipos de productos cambian de opinión

¿Debería esta característica recibir más inversión? ¿Una pequeña modificación eliminaría la fricción en un punto crítico? ¿El experimento nos ha dicho suficiente? ¿O está agregando complejidad que los clientes nunca pidieron? Cada respuesta da a los gerentes de productos una decisión que tomar. Y los mejores PM están dispuestos a cambiar de opinión cuando las pruebas señalan un mejor resultado del cambio.

Cuanto más rápido se envía el software, más rápido necesitan aprender los equipos de productos. Para cualquiera que esté enviando productos habilitados para el AI, una pregunta es más importante que nada: ¿Estás dispuesto a desafiar tus propias suposiciones y aprender de los datos de los usuarios posteriores al lanzamiento? ¿Estás dispuesto a cambiar de opinión? Decide la respuesta antes de lanzar. Luego asegúrate de estar listo para verlo — y actuar en consecuencia.