Comment les meilleures équipes de produits décident de ce qu’il faut construire ensuite

Pourquoi le comportement réel des clients compte plus que jamais à l’ère de l’IA

Les responsables de produits et les ingénieurs peuvent passer des mois à façonner une fonctionnalité avant que quiconque à l’extérieur de l’entreprise ne la touche. Lorsque les clients l’obtiennent, ils peuvent l’utiliser exactement comme prévu ou trouver un chemin complètement différent. Ils peuvent ignorer la fonctionnalité principale et continuer à revenir à quelque chose que l’équipe n’a pratiquement pas remarqué pendant le développement. C’est là que commence la véritable prise d’apprentissage et les décisions intéressantes.

Pendant ce temps, l’IA a transformé la façon dont les équipes de produits et d’ingénierie travaillent, rendant possible de transformer une idée en logiciel fonctionnel beaucoup plus rapidement. Les assistants de codage et les outils de test automatisés accélèrent le rythme chaque jour. Les idées qui nécessitaient autrefois des semaines d’efforts d’ingénierie peuvent désormais devenir des prototypes utilisables en quelques jours, créant ainsi beaucoup plus d’opportunités pour tester et expédier – et pour apprendre des clients lorsqu’ils commencent à utiliser de nouvelles fonctionnalités.

Au fur et à mesure que le développement s’accélère et que de nouvelles idées atteignent les clients, les équipes de produits doivent apprendre rapidement à partir des interactions utilisateur précoces et décider de la manière de réagir. Lorsque le logiciel est expédié, l’apprentissage et la prise de décision doivent également s’accélérer. Si l’apprentissage ne peut pas suivre le rythme du développement, les utilisateurs seront noyés dans de nouvelles fonctionnalités et “améliorations” qu’ils ne veulent pas ou qui pourraient même aggraver leur expérience.

La construction plus rapide change tout

Des recherches récentes impliquant plus de 100 000 développeurs GitHub illustrent à quel point ce changement se produit rapidement. Les outils de codage IA ont augmenté l’activité de codage de jusqu’à 180 %, tandis que les versions ont augmenté d’environ 30 %. Les chercheurs ont également examiné quatre places de marché d’applications, où les nouvelles versions augmentaient, mais l’utilisation globale restait stable ou diminuait. Cela signifie que beaucoup plus de logiciels concourent pour la même quantité d’attention des clients.

C’est l’écart que les données post-lancement doivent combler : savoir lequel des nombreux éléments expédiés a réellement gagné une place dans la routine du client et lequel n’a fait que s’ajouter au bruit.

Disons qu’un détaillant en ligne lance un assistant d’achat IA. Il répond aux questions sur les produits, recommande des articles appropriés et semble fonctionner exactement comme prévu. La prochaine question est de savoir ce que les clients font réellement avec lui – et pourquoi.

Les gens ouvrent-ils l’assistant au début d’une visite ou seulement après que la recherche les ait déçus ? Quelles questions conduisent à une vue de produit ou à un achat ? Où les conversations s’arrêtent-elles brusquement ? Et les clients qui reviennent utilisent-ils différemment l’assistant par rapport aux visiteurs pour la première fois ?

Les réponses révèlent le rôle que l’assistant joue réellement. Un nombre élevé d’interactions peut paraître sain, mais un examen plus approfondi pourrait montrer que les clients répètent la même question parce que les réponses ne sont pas claires. D’un autre côté, un taux d’adoption modeste peut être acceptable si ces utilisateurs se convertissent à un taux plus élevé ou explorent une gamme plus large de produits.

Les analyses de produits montrent ce qui s’est passé une fois que la fonctionnalité est devenue active. Les gens l’ont-ils utilisée ? L’a-t-elle aidé à progresser ou les a-t-elle envoyés quelque part de manière inattendue ? Les réponses donnent aux responsables de produits quelque chose de concret à utiliser lorsqu’ils décident de ce qu’il faut modifier.

Apprendre de ce que les clients font réellement

Puisque l’IA rend plus facile l’introduction de nouvelles capacités dans un produit, de nombreuses équipes de produits effectuent beaucoup plus de changements qu’elles n’en ont historiquement fait, ce qui peut causer une friction involontaire pour les utilisateurs. Par exemple, une équipe peut lancer un assistant tandis qu’une autre équipe crée rapidement des recommandations ou expérimente une nouvelle interface. Avant longtemps, les clients se frayent un chemin à travers plusieurs idées concurrentes, et l’expérience commence à paraître encombrée ou disjointe.

Notre détaillant peut découvrir que les clients se déplacent entre un outil de recherche IA et l’assistant d’achat pendant la même tâche. Les analyses de produits peuvent montrer où ils perdent leur élan et quel itinéraire conduit plus fréquemment à un achat terminé. Cela donne à l’entreprise une base claire pour simplifier le parcours et concentrer son investissement là où il aura le plus d’impact.

De meilleures questions, de meilleures décisions de produits

Une grande partie du travail de création de produits aujourd’hui consiste à décider quels problèmes valent la peine d’être poursuivis et jusqu’où aller avec une idée. La partie difficile de cette décision consiste à poser les bonnes questions lors de l’examen des preuves.

Un tableau de bord affichant beaucoup d’activité client peut être trompeur, car l’adoption signifie très peu en soi. La question importante est de savoir ce que l’utilisateur essayait de faire, si la fonctionnalité l’a aidé à y parvenir et s’il est revenu une fois que la curiosité initiale s’est estompée.

La question doit également changer avec le temps. Dans les premiers jours suivant la sortie, la priorité peut être les interactions confuses ou les défaillances techniques. Quelques semaines plus tard, l’accent est mis sur le fait de savoir si l’utilisation se répète et si elle est liée à un résultat commercial. Il y a peu de valeur à poser des questions de lancement le sixième jour.

L’IA peut signaler un changement inhabituel de comportement et aider les responsables de produits à explorer de grands volumes de données d’événements. Cela raccourcit l’écart entre la détection d’un signal et son investigation.

Bien sûr, un changement dans les données ne s’explique pas lui-même. Une baisse de l’utilisation pourrait indiquer un flux de travail cassé ou la suppression réussie d’une étape inutile. Les personnes qui connaissent le produit et ses utilisateurs doivent encore déterminer ce que ce changement signifie réellement.

Suivre le rythme des clients

L’écart entre les versions et les examens devient de plus en plus difficile à ignorer. Si le logiciel change chaque semaine, une réunion trimestrielle laisse une grande quantité de comportement client inaperçu. Les responsables de produits ont besoin de changements importants pour les atteindre avant que le contexte autour d’une version ne s’estompe.

Cela commence par le fait que les gens connaissent le résultat dont ils sont propriétaires et peuvent explorer facilement le comportement pertinent. Les technologies IA comme Mixpanel peuvent diriger l’attention vers les changements qui valent la peine d’être examinés et fournir un enregistrement de ce que les clients ont réellement fait. Les responsables de produits peuvent alors concentrer leur temps sur les choses qui méritent un examen plus approfondi.

Les meilleures équipes de produits changent d’avis

Cette fonctionnalité doit-elle bénéficier d’un investissement supplémentaire ? Un petit changement supprimerait-il la friction à un point critique ? L’expérience nous a-t-elle appris suffisamment ? Ou ajoute-t-elle une complexité que les clients n’ont jamais demandée ? Chaque réponse donne aux responsables de produits une décision à prendre. Et les meilleurs PM sont prêts à changer d’avis lorsque les preuves indiquent un meilleur résultat à partir du changement.

Plus le logiciel est expédié rapidement, plus les équipes de produits doivent apprendre rapidement. Pour quiconque expédie des produits dotés de l’IA, une question compte plus que tout : Êtes-vous prêt à remettre en question vos propres hypothèses et à apprendre des données d’utilisation post-lancement ? Êtes-vous prêt à changer d’avis ? Décidez de la réponse avant de lancer. Assurez-vous ensuite d’être prêt à le voir – et à agir.