Come le grandi squadre di prodotto decidono cosa costruire dopo

Perché il comportamento reale dei clienti conta più che mai nell’era dell’AI

I manager di prodotto e gli ingegneri possono trascorrere mesi a plasmare una funzionalità prima che qualcuno all’esterno dell’azienda la tocchi. Quando i clienti se ne impadroniscono, potrebbero utilizzarla esattamente come previsto o trovare un percorso completamente diverso. Potrebbero ignorare completamente la funzionalità principale e continuare a tornare a qualcosa che il team aveva appena notato durante lo sviluppo. È qui che inizia il vero apprendimento e le decisioni interessanti.

Nel frattempo, l’AI ha trasformato il modo in cui lavorano i team di prodotto e ingegneria, rendendo possibile trasformare un’idea in software funzionante molto più velocemente. Gli strumenti di coding e di testing automatizzati stanno accelerando il ritmo ogni giorno. Le idee che un tempo richiedevano settimane di sforzo ingegneristico possono ora diventare prototipi utilizzabili entro pochi giorni, creando molte più opportunità di test e spedizione – e di apprendimento dai clienti mentre iniziano a utilizzare nuove funzionalità.

Man mano che lo sviluppo si velocizza e più nuove idee raggiungono i clienti, i team di prodotto devono imparare rapidamente dalle prime interazioni degli utenti e decidere come rispondere. Man mano che il software viene spedito, l’apprendimento e la presa di decisioni devono accelerare anche loro. Se l’apprendimento non può stare al passo con lo sviluppo, gli utenti saranno sommersi da nuove funzionalità e “miglioramenti” che non vogliono o che potrebbero addirittura peggiorare la loro esperienza.

La costruzione più rapida cambia tutto

Ricerche recenti che coinvolgono oltre 100.000 sviluppatori GitHub illustrano proprio quanto rapidamente stia avvenendo questo passaggio. Gli strumenti di coding AI hanno aumentato l’attività di coding del 180%, mentre le versioni sono aumentate del 30%. I ricercatori hanno anche esaminato quattro marketplace di app, dove le nuove versioni stavano salendo, ma l’utilizzo complessivo è rimasto piatto o è sceso. Ciò significa che molto più software sta competendo per la stessa quantità di attenzione del cliente.

Questo è il divario che i dati post-lancio devono colmare: sapere quale delle molte cose spedite ha effettivamente guadagnato un posto nella routine del cliente e quale ha semplicemente aggiunto rumore.

Supponiamo che un rivenditore online lanci un assistente di shopping AI. Risponde a domande sui prodotti, consiglia articoli adatti e sembra funzionare esattamente come previsto. La prossima domanda è cosa stanno facendo effettivamente i clienti con esso – e perché.

Le persone aprono l’assistente all’inizio di una visita o solo dopo che la ricerca ha fallito? Quali domande portano a una visualizzazione del prodotto o a un acquisto? Dove le conversazioni si interrompono bruscamente? E i clienti che tornano utilizzano l’assistente in modo diverso rispetto ai visitatori per la prima volta?

Le risposte rivelano il ruolo che l’assistente sta realmente svolgendo. Un alto numero di interazioni potrebbe sembrare sano, ma un esame più attento potrebbe mostrare che i clienti ripetono la stessa domanda perché le risposte non sono chiare. D’altra parte, un tasso di adozione modesto potrebbe essere okay se quegli utenti si convertono a un tasso più alto o esplorano una gamma più ampia di prodotti.

L’analisi dei prodotti mostra cosa è successo una volta che la funzionalità è stata resa live. Le persone l’hanno utilizzata? Le ha aiutate a proseguire o le ha mandate da qualche altra parte inaspettata? Le risposte danno ai manager di prodotto qualcosa di concreto con cui lavorare quando decidono cosa cambiare.

Imparare da ciò che i clienti fanno effettivamente

Poiché l’AI rende molto più facile introdurre nuove capacità in un prodotto, molte squadre di prodotto stanno apportando molti più cambiamenti di quanto abbiano fatto storicamente, il che può causare attrito involontario per gli utenti. Ad esempio, un team potrebbe lanciare un assistente mentre un altro team mette rapidamente in funzione le raccomandazioni o sperimenta con una nuova interfaccia. Prima che ci si renda conto, i clienti stanno navigando attraverso diverse idee in competizione e l’esperienza inizia a sentirsi affollata o disgiunta.

Il nostro rivenditore potrebbe scoprire che i clienti stanno spostando tra uno strumento di ricerca AI e l’assistente di shopping durante la stessa attività. L’analisi dei prodotti può mostrare dove perdono slancio e quale percorso porta più frequentemente a un acquisto completato. Ciò dà all’azienda una base chiara per semplificare il percorso e concentrare gli investimenti dove avranno il maggior impatto.

Domande migliori, decisioni di prodotto migliori

Molto del lavoro di costruzione del prodotto oggi consiste nel decidere quali problemi valga la pena perseguire e quanto spingere un’idea. La parte difficile di prendere quella decisione è fare le domande giuste quando si esamina le prove.

Un cruscotto che mostra molta attività dei clienti può essere fuorviante, perché l’adozione significa molto poco di per sé. La domanda importante è cosa stava cercando di fare l’utente, se la funzionalità lo ha aiutato a raggiungere l’obiettivo e se è tornato una volta che la curiosità iniziale si è esaurita.

La domanda dovrebbe anche cambiare nel tempo. Nei primi giorni dopo il lancio, la priorità potrebbe essere le interazioni confuse o i fallimenti tecnici. Diverse settimane dopo, l’attenzione si sposta su se l’uso si ripete e se è collegato a un risultato commerciale. C’è poco valore nel porre domande di lancio sei settimane dopo.

L’AI può segnalare uno spostamento insolito nel comportamento e aiutare i manager di prodotto a esplorare grandi volumi di dati di eventi. Ciò accorcia il divario tra il rilevamento di un segnale e l’indagine.

Naturalmente, un cambiamento nei dati non si spiega da solo. Un calo nell’utilizzo potrebbe indicare un flusso di lavoro rotto o la rimozione riuscita di un passaggio non necessario. Le persone che conoscono il prodotto e i suoi utenti devono ancora capire cosa significhi effettivamente quel cambiamento.

Mantenere il passo con i clienti

Il divario tra le versioni e le recensioni sta diventando sempre più difficile da ignorare. Se il software cambia ogni settimana, un incontro trimestrale lascia una grande quantità di comportamento del cliente inosservato. I manager di prodotto devono che i cambiamenti importanti raggiungano loro prima che il contesto intorno a una versione svanisca.

Ciò inizia con le persone che conoscono l’esito che possiedono e possono esplorare facilmente il comportamento rilevante. Le tecnologie AI come Mixpanel possono dirigere l’attenzione verso i cambiamenti degni di essere esaminati e fornire un record di ciò che i clienti hanno effettivamente fatto. I manager di prodotto possono quindi concentrare il loro tempo sulle cose che meritano un’occhiata più attenta.

Le migliori squadre di prodotto cambiano idea

Dovrebbe questa funzionalità ricevere ulteriori investimenti? Un piccolo cambiamento potrebbe rimuovere l’attrito in un punto critico? L’esperimento ha detto abbastanza? O sta aggiungendo complessità che i clienti non hanno mai chiesto? Ogni risposta dà ai manager di prodotto una decisione da prendere. E i migliori PM sono disposti a cambiare idea quando le prove indicano un risultato migliore dal cambiamento.

Più velocemente il software viene spedito, più velocemente le squadre di prodotto devono imparare. Per chiunque stia spedendo prodotti abilitati AI, una domanda conta più di tutte: sei disposto a mettere in discussione le tue stesse ipotesi e imparare dai dati degli utenti post-lancio? Sei disposto a cambiare idea? Decidi la risposta prima di lanciare. Poi assicurati di essere pronto a vederlo – e agire di conseguenza.