훌륭한 제품 팀은 다음에 무엇을 구축할지 어떻게 결정하는가

AI 시대에 실제 고객 행동이 왜 더 중요해지는지

제품 매니저와 엔지니어는 외부에서 제품을 사용하기 전에 몇 개월 동안 기능을 개발할 수 있습니다. 고객이 기능을 사용하면 예상대로 사용하거나 완전히 다른 경로를 찾을 수 있습니다. 고객은 주요 기능을 무시하고 개발 중에 거의 주목하지 않은 기능을 계속 사용할 수 있습니다. 여기서 실제 학습과 흥미로운 결정이 시작됩니다.

한편, AI는 제품과 엔지니어링 팀이 작업하는 방식을変革하여 아이디어를 훨씬 더 빠르게 작동하는 소프트웨어로 변환할 수 있게 해주었습니다. 코딩 어시스턴트와 자동화된 테스트 도구는 매일 속도를 가속화하고 있습니다. 몇 주 동안 엔지니어링 노력이 필요한 아이디어는 이제 몇 일 내에 사용 가능한 프로토タイプ가 될 수 있습니다. 이는 테스트와 출시에 대한 더 많은 기회를 제공하고 고객이 새로운 기능을 시작할 때 학습할 수 있습니다.

개발 속도가 빨라지고 새로운 아이디어가 고객에게 도달할 때, 제품 팀은 초기 사용자 상호작용에서 빠르게 학습하고 어떻게 반응할지 결정해야 합니다. 소프트웨어가 출荷되면 학습과 의사결정도 빨라져야 합니다. 학습이 개발 속도에 따라가지 못하면 사용자는 원하지 않는 기능이나 경험을 악화시키는 “개선”으로 가득 찬 새로운 기능에 익사할 것입니다.

더 빠른 구축이 모든 것을 변革한다

최근 연구에서 10만 명이 넘는 GitHub 개발자에 대한 연구는 이러한 변화를 얼마나 빠르게 발생하는지 보여줍니다. AI 코딩 도구는 코딩 활동을 최대 180% 증가시켰습니다. 연구자들은 또한 새로운 릴리스가 증가하는 4개의 앱 마켓플레이스를 조사했지만, 전체 사용량은 평탄하거나 감소했습니다. 이는 고객의 관심을竞争하는 더 많은 소프트웨어가 있다는 것을 의미합니다.

출시 후 데이터가 닫아야 할 간격은 무엇인가? 고객의 일상에 실제로 자리를 잡은 것은 무엇이며, 어떤 것이 그냥 소음에 추가되었는지 알고 싶습니다.

온라인 소매업체가 AI 쇼핑 어시스턴트를 출시한다고 가정해 보겠습니다. 제품 질문에 답변하고, 적합한 항목을 추천하며, 계획대로 작동하는 것처럼 보입니다. 다음 질문은 고객이 실제로 무엇을 하고 있는지 그리고 왜 하는지입니다.

고객이 방문 시작 시 어시스턴트를 여는지, 검색에 실패한 후에만 여는지, 어떤 질문이 제품 보기 또는 구매로 이어지는지, 대화가 갑자기 끝나는 곳은 어디인지, 그리고 반복 고객이 처음 방문한 고객과 다르게 사용하는지 알 수 있습니다.

答案은 어시스턴트가 실제로 수행하는 역할을 보여줍니다. 상호작용 수치가 건강해 보일 수 있지만, 더 가까이 보아 보면 고객이 명확하지 않은 답변 때문에 같은 질문을 반복하는 것을 알 수 있습니다. 반면, 채택률이 MODEST 할 수 있지만, 사용자가 더 높은 비율로 전환되거나 더广泛한 제품 범위를 탐색하는 경우에는 괜찮을 수 있습니다.

제품 분석은 기능이 라이브된 후에 발생하는 것을 보여줍니다. 고객이 기능을 사용했는지, 기능이 고객을 앞으로 나아가게 했는지, 또는 예상치 못한 곳으로 보냈는지 알 수 있습니다. 答案은 제품 매니저가 무엇을 변경해야 할지 결정할 때 구체적인 내용을 제공합니다.

고객이 실제로 하는 일에서 배우기

AI는 제품에 새로운 기능을 도입하는 것을 훨씬 더 쉽게 만들어 주기 때문에, 많은 제품 팀이 역사적으로보다 훨씬 더 많은 변경을하고 있습니다. 이는 고객에게 예기치 못한 마찰을 일으킬 수 있습니다. 예를 들어, 한 팀은 어시스턴트를 출시할 수 있지만, 다른 팀은 빠르게 추천 또는 새로운 인터페이스를 실험할 수 있습니다. 곧 고객은 여러 경쟁 아이디어를 거치게 되고, 경험은杂乱해지거나 분산될 수 있습니다.

우리 소매업체는 고객이 작업을 수행하는 동안 AI 검색 도구와 쇼핑 어시스턴트 사이를 이동하는 것을 발견할 수 있습니다. 제품 분석은 고객이 어디서 गत기를 잃는지, 그리고 어떤 경로가 더 자주 구매를 완료하는지 보여줄 수 있습니다. 이는 비즈니스에 고객 여정을 단순화하고 투자를 가장 큰 영향을 미치는 곳에 집중할 수 있는 명확한 기초를 제공합니다.

더 나은 질문, 더 나은 제품 결정

오늘날 제품 빌더의 많은 부분은 어떤 문제를 추구할지 그리고 아이디어를 얼마나 далеко 가져갈지 결정하는 것입니다. 그 결정의 어려운 부분은 증거를 조사할 때 올바른 질문을 하는 것입니다.

고객 활동이 많은 대시보드를 보여주는 것은 고객 채택이 별로 중요하지 않기 때문에 오해의 소지가 있습니다. 중요한 질문은 사용자가 무엇을 하려고 했는지, 기능이 사용자를 도와주었는지, 그리고 초기 호기심이 사라진 후에 사용자가 돌아왔는지입니다.

질문은 시간이 지남에 따라 변경되어야 합니다. 출시 후 첫 몇 일 동안, 우선순위는 혼란스러운 상호작용 또는 기술적 실패일 수 있습니다. 몇 주 후에는 사용이 반복되는지, 그리고 상업적 결과와 연결되는지에 초점이 맞춰집니다. 출시일 질문을 6주 후에 묻는 것은 거의 가치가 없습니다.

AI는 비정상적인 행동의 변화를 알릴 수 있으며, 제품 매니저가大量의 이벤트 데이터를 조사하는 데 도움이 될 수 있습니다. 이는 신호를 감지하고 조사하는 간격을 줄입니다.

물론, 데이터의 변화를 설명할 수 없습니다. 사용량의 감소는 깨진 워크플로 또는 불필요한 단계의 성공적인 제거를 나타낼 수 있습니다. 제품과 고객을 아는 사람들은 여전히 그 변화가 실제로 무엇을 의미하는지 알아야 합니다.

고객과 함께하는 속도

릴리스와 리뷰 간의 간격은 무시하기 어렵게 되었습니다. 소프트웨어가 매주 변경되면, 분기별 회의는 릴리스 주변의 많은 고객 행동을 보지 못하게 됩니다. 제품 매니저는 중요한 변경 사항이 릴리스의 컨텍스트가 사라지기 전에 도착해야 합니다.

이는 결과를 소유하고 관련된 행동을 쉽게 조사할 수 있는 사람들로부터 시작됩니다. AI 기술，如 Mixpanel은 조사할 가치가 있는 변경 사항에 주의를 돌릴 수 있으며, 고객이 실제로 무엇을 했는지에 대한 기록을 제공할 수 있습니다. 제품 매니저는 더 가까이 보아야 하는 것에 시간을 집중할 수 있습니다.

최고의 제품 팀은 마음을 변경한다

이 기능에 더 많은 투자를 해야 하는가? 작은 변경으로 중요한 지점에서 마찰을 제거할 수 있는가? 실험은 충분한 결과를 알려주었는가? 또는 고객이 요청하지 않은 복잡성을 추가하는가? 각 답변은 제품 매니저가 결정해야 할 사항을 제공합니다. 그리고 최고의 PM은 증거가 더好的 결과를 나타낼 때 마음을 변경하는 것을 주저하지 않습니다.

소프트웨어가 더 빠르게 출荷되면, 제품 팀은 더 빠르게 학습해야 합니다. AI를 사용하여 제품을 출荷하는 모든 사람에게 가장 중요한 질문은 다음과 같습니다. 자신의 가정에 도전하고 출荷 후 사용자 데이터에서 배우는 것을 원하는가? 마음을 변경할 준비가 되어 있는가? 출荷 전에 답변을 결정하고, 그것을 보이고 행동할 준비를 하세요.