Bagaimana Tim Produk Hebat Memutuskan Apa yang Harus Dibangun Selanjutnya

Mengapa perilaku pelanggan yang nyata lebih penting dari sebelumnya di era AI

Manajer produk dan insinyur dapat menghabiskan berbulan-bulan untuk membentuk fitur sebelum siapa pun di luar bisnis menyentuhnya. Ketika pelanggan mendapatkannya, mereka mungkin menggunakannya tepat seperti yang diharapkan atau menemukan jalur yang sama sekali berbeda. Mereka mungkin mengabaikan fitur utama sama sekali dan terus kembali ke sesuatu yang tim hampir tidak memperhatikan selama pengembangan. Inilah tempat dimana pembelajaran yang sebenarnya dan keputusan yang menarik dimulai.

Sementara itu, AI telah mengubah cara kerja tim produk dan teknik, membuatnya memungkinkan untuk mengubah ide menjadi perangkat lunak yang berfungsi jauh lebih cepat. Asisten pengkodean dan alat pengujian otomatis mempercepat laju setiap hari. Ide yang dulunya membutuhkan minggu-minggu upaya teknik sekarang dapat menjadi prototipe yang dapat digunakan dalam beberapa hari, menciptakan lebih banyak kesempatan untuk menguji dan mengirimkan — dan untuk belajar dari pelanggan saat mereka mulai menggunakan fitur baru.

Karena pengembangan mempercepat dan lebih banyak ide baru mencapai pelanggan, tim produk harus cepat belajar dari interaksi pengguna awal dan memutuskan bagaimana merespons. Saat perangkat lunak dikirim, pembelajaran dan pengambilan keputusan harus dipercepat juga. Jika pembelajaran tidak dapat mengikuti pengembangan, pengguna akan tenggelam dalam fitur dan “perbaikan” baru yang mereka tidak inginkan atau yang mungkin bahkan membuat pengalaman mereka semakin buruk.

Membangun Lebih Cepat Mengubah Semuanya

Penelitian terbaru yang melibatkan lebih dari 100.000 pengembang GitHub menunjukkan betapa cepatnya perubahan itu terjadi. Alat pengkodean AI meningkatkan aktivitas pengkodean hingga 180%, sedangkan rilis meningkat sekitar 30%. Peneliti juga melihat empat marketplace aplikasi, di mana rilis baru meningkat, tetapi penggunaan secara keseluruhan tetap atau menurun. Artinya, banyak perangkat lunak yang bersaing untuk perhatian pelanggan yang sama.

Itulah kesenjangan yang harus diatasi oleh data pasca-peluncuran: mengetahui apa yang sebenarnya mendapatkan tempat di rutinitas pelanggan dan apa yang hanya menambah kebisingan.

Misalkan, sebuah pengecer online meluncurkan asisten belanja AI. Asisten tersebut menjawab pertanyaan produk, merekomendasikan item yang sesuai, dan tampaknya bekerja tepat seperti yang direncanakan. Pertanyaan berikutnya adalah apa yang sebenarnya dilakukan pelanggan dengan asisten tersebut — dan mengapa.

Apakah orang membuka asisten di awal kunjungan atau hanya setelah pencarian gagal? Pertanyaan apa yang mengarah ke tampilan produk atau pembelian? Di mana percakapan berakhir secara tiba-tiba? Dan apakah pelanggan yang kembali menggunakan asisten tersebut secara berbeda dari pengunjung pertama kali?

Jawaban-jawaban tersebut mengungkapkan peran yang sebenarnya dimainkan asisten tersebut. Jumlah interaksi yang tinggi mungkin terlihat sehat, tetapi pemeriksaan yang lebih dekat dapat menunjukkan bahwa pelanggan mengulangi pertanyaan yang sama karena jawabannya tidak jelas. Di sisi lain, tingkat adopsi yang sederhana mungkin tidak masalah jika pengguna tersebut mengonversi pada tingkat yang lebih tinggi atau menjelajahi berbagai produk yang lebih luas.

Analitik produk menunjukkan apa yang terjadi setelah fitur diluncurkan. Apakah orang menggunakannya? Apakah itu membantu mereka maju atau mengirim mereka ke tempat yang tidak terduga? Jawaban-jawaban tersebut memberikan manajer produk sesuatu yang konkrit untuk bekerja saat memutuskan apa yang harus diubah.

Belajar dari Apa yang Sebenarnya Dilakukan Pelanggan

Karena AI membuatnya lebih mudah untuk memperkenalkan kemampuan baru ke dalam produk, banyak tim produk melakukan perubahan lebih banyak daripada yang mereka lakukan sebelumnya, yang dapat menyebabkan gesekan yang tidak diinginkan bagi pengguna. Misalnya, satu tim mungkin meluncurkan asisten sementara tim lain dengan cepat mengembangkan rekomendasi atau bereksperimen dengan antarmuka baru. Sebelum lama, pelanggan harus memilih di antara beberapa ide yang bersaing, dan pengalaman mulai terasa ramai atau tidak teratur.

Pengecer online kami mungkin menemukan bahwa pelanggan berpindah antara alat pencarian AI dan asisten belanja selama tugas yang sama. Analitik produk dapat menunjukkan di mana mereka kehilangan momentum dan jalur mana yang lebih sering mengarah ke pembelian yang selesai. Itu memberikan bisnis dasar yang jelas untuk menyederhanakan perjalanan dan fokus investasi di mana akan memiliki dampak terbesar.

Pertanyaan yang Lebih Baik, Keputusan Produk yang Lebih Baik

Banyak pekerjaan pembangun produk hari ini adalah memutuskan masalah mana yang layak dikejar dan seberapa jauh mengembangkan ide. Bagian yang sulit dari membuat keputusan itu adalah mengajukan pertanyaan yang tepat saat memeriksa bukti.

Dasbor yang menunjukkan banyak aktivitas pelanggan dapat menyesatkan, karena adopsi berarti sangat sedikit secara mandiri. Pertanyaan yang penting adalah apa yang pengguna coba lakukan, apakah fitur tersebut membantu mereka mencapai tujuan, dan apakah mereka kembali setelah rasa ingin tahu awal menghilang.

Pertanyaan juga harus berubah seiring waktu. Dalam beberapa hari pertama setelah peluncuran, prioritas mungkin interaksi yang membingungkan atau kegagalan teknis. Beberapa minggu kemudian, fokus bergeser ke apakah penggunaan berulang dan apakah itu terkait dengan hasil komersial. Tidak ada nilai dalam mengajukan pertanyaan peluncuran hari pertama enam minggu kemudian.

AI dapat mengidentifikasi perubahan yang tidak biasa dalam perilaku dan membantu manajer produk menjelajahi volume besar data acara. Itu mempersingkat jarak antara mendeteksi sinyal dan menyelidikinya.

Tentu saja, perubahan dalam data tidak menjelaskan dirinya sendiri. Penurunan penggunaan dapat menunjukkan alur kerja yang rusak atau penghapusan langkah yang tidak perlu. Orang-orang yang mengetahui produk dan penggunanya masih harus mengetahui apa yang sebenarnya dimaksud dengan perubahan itu.

Mengikuti Pelanggan Anda

Jarak antara rilis dan tinjauan menjadi semakin sulit untuk diabaikan. Jika perangkat lunak berubah setiap minggu, pertemuan triwulanan akan meninggalkan banyak perilaku pelanggan yang tidak terlihat. Manajer produk memerlukan perubahan penting untuk mencapai mereka sebelum konteks sekitar rilis memudar.

Itu dimulai dengan orang-orang yang mengetahui hasil yang mereka miliki dan dapat menjelajahi perilaku yang relevan dengan mudah. Teknologi AI seperti Mixpanel dapat mengarahkan perhatian pada perubahan yang layak diselidiki dan memberikan catatan tentang apa yang sebenarnya dilakukan pelanggan. Manajer produk kemudian dapat fokus waktu mereka pada hal-hal yang layak diperiksa lebih dekat.

Tim Produk Terbaik Mengubah Pikiran Mereka

Apakah fitur ini harus menerima investasi lebih lanjut? Apakah perubahan kecil dapat menghilangkan gesekan pada titik kritis? Apakah eksperimen tersebut telah memberitahu kita cukup? Atau apakah itu menambah kompleksitas yang tidak pernah diminta pelanggan? Setiap jawaban memberikan manajer produk keputusan untuk dibuat. Dan manajer produk terbaik bersedia mengubah pikiran mereka ketika bukti menunjukkan hasil yang lebih baik dari perubahan.

Semakin cepat perangkat lunak dikirim, semakin cepat tim produk harus belajar. Bagi siapa pun yang mengirimkan produk yang diaktifkan AI, satu pertanyaan yang paling penting: Apakah Anda bersedia untuk menantang asumsi Anda sendiri dan belajar dari data pengguna pasca-peluncuran? Apakah Anda bersedia mengubah pikiran Anda? Tentukan jawabannya sebelum Anda meluncurkan. Kemudian pastikan Anda siap untuk melihatnya — dan bertindak atas itu.