Hvordan store produktteam bestemmer hva de skal bygge neste

Hvorfor ekte kundeatferd betyr mer enn noen gang tidligere i AI-alderen

Produktledere og ingeniører kan bruke måneder på å forme en funksjon før noen utenfor bedriften berører den. Når kundene får tak i den, kan de bruke den eksakt som forventet eller finne en helt annen vei. De kan ignorere hovedfunksjonen helt og holde på å komme tilbake til noe teamet knapt la merke til under utviklingen. Dette er der den virkelige læringen og de interessante beslutningene begynner.

I mellomtiden har AI forandret hvordan produkt- og ingeniørteam arbeider, og gjort det mulig å omdanne en idé til fungerende programvare mye raskere. Kodestøtter og automatiserte testverktøy akselerer tempoet hver dag. Idéer som en gang tok uker med ingeniørinnsats, kan nå bli brukbare prototyper innen få dager, og skaper langt flere muligheter til å teste og levere — og å lære av kundene mens de begynner å bruke nye funksjoner.

Etterhvert som utviklingen akselerer og flere nye idéer når kundene, må produktteamene raskt lære av tidlige brukerinteraksjoner og bestemme hvordan de skal reagere. Etterhvert som programvaren leveres, må læringen og beslutningstakingene også akselerere. Hvis læringen ikke kan holde pace med utviklingen, vil brukerne drukne i nye funksjoner og “forbedringer” som de ikke ønsker eller som kan forverre deres erfaring.

Bygging raskere endrer alt

Nylig forskning som involverer over 100 000 GitHub-utviklere, viser hvordan raskt denne skiftet skjer. AI-kodetøyk økte kodaktiviteten med opptil 180 %, mens utgivelser økte med rundt 30 %. Forskerne så også på fire app-markedssteder, hvor nye utgivelser steg, men totalt bruk ble flatt eller falt. Dette betyr at langt mer programvare konkurrerer om samme kundebasert oppmerksomhet.

Dette er gapet post-lanseringsdata må lukke: å vite hvilke av de mange tingene som ble levert faktisk tjener en plass i kundens rutine, og hvilke bare la til støyen.

La oss si at en nettbutikk lanserer en AI-handleguide. Den svarer på produktsperre, anbefaler passende varer og ser ut til å fungere eksakt som planlagt. Neste spørsmål er hva kundene faktisk gjør med den — og hvorfor.

Åpner folk guiden på begynnelsen av et besøk eller bare etter at søket har feilet dem? Hvilke spørsmål fører til en produktvisning eller et kjøp? Hvor slutter samtaler abrupt? Og bruker gjentakende kunder den annerledes enn første-gangs-besøkende?

Svarene avslører rollen guiden faktisk spiller. Høy interaksjonsrate kan se sunn ut, men en nærmere titt kan vise at kundene gjentar det samme spørsmålet fordi svarene ikke er klare. På den andre siden kan en beskjeden tilpasningsrate være grei hvis de brukerne konverterer i en høyere rate eller utforsker et bredere utvalg av produkter.

Produktanalyser viser hva som skjedde når funksjonen ble lansert. Brukte folk den? Hjalp den dem å komme videre eller sende dem til et uventet sted? Svarene gir produktlederne noe konkrekt å jobbe med når de bestemmer hva de skal endre.

Lære av hva kundene faktisk gjør

Fordi AI gjør det mye enklere å introdusere nye funksjoner i et produkt, gjør mange produktteam flere endringer enn de har historisk, noe som kan forårsake uforutsett friksjon for brukerne. For eksempel kan ett team lansere en guide mens et annet raskt spinner opp anbefalinger eller eksperimenterer med et nytt grensesnitt. Før lenge er kundene på vei gjennom flere konkurranseidéer, og erfaringen begynner å føles trang eller splittet.

Vår nettbutikk kan oppdage at kundene beveger seg mellom en AI-søkeverktøy og handleguiden under samme oppgave. Produktanalyser kan vise hvor de mister momentum og hvilken rute som oftest fører til et fullført kjøp. Dette gir bedriften en klar basis for å forenkle reisen og fokusere investeringen der den vil ha størst effekt.

Bedre spørsmål, bedre produktbeslutninger

Mye av produktbyggerjobben i dag handler om å bestemme hvilke problemer som er verdt å forfølge og hvor langt man skal ta en idé. Det vanskelige med å ta denne beslutningen er å stille de riktige spørsmålene når man ser på bevisene.

En dashboard som viser mye kundeaktivitet kan være misvisende, fordi tilpasning betyr svært lite på egen hånd. Det viktige spørsmålet er hva brukeren prøvde å gjøre, om funksjonen hjalp dem å komme dit, og om de kom tilbake når den første nysgjerrigheten var borte.

Spørsmålet bør også endre seg over tid. I de første dagene etter lansering kan prioritet være forvirrende interaksjoner eller tekniske feil. Et par uker senere skifter fokuset til om bruken er gjentakende og om den kobler seg til en kommersiell utfall. Det er liten verdi i å stille lanseringsdagspørsmål seks uker senere.

AI kan markere en uvanlig endring i atferd og hjelpe produktledere med å utforske store mengder hendelsesdata. Dette forkorter gapet mellom å oppdage et signal og å undersøke det.

Selvfølgelig forklarer en endring i dataene ikke seg selv. En nedgang i bruken kan peke på en ødelagt arbeidsflyt eller den suksessfulle fjerningen av et unødvendig steg. Folk som kjenner produktet og dens brukere må fortsatt finne ut hva denne endringen faktisk betyr.

Holde pace med kundene

Gapet mellom utgivelser og anmeldelser blir vanskeligere å ignorere. Hvis programvaren endrer seg hver uke, etterlater en kvartalsmøte mye kundeatferd usett. Produktledere trenger viktige endringer å nå dem før konteksten rundt en utgivelse forsvinner.

Dette starter med at folk kjenner resultatet de eier og kan utforske den relevante atferden lett. AI-teknologier som Mixpanel kan rette oppmerksomheten mot endringer som er verdt å undersøke og gi en rekord av hva kundene faktisk gjorde. Produktledere kan deretter fokusere sin tid på tingene som fortjener en nærmere titt.

De beste produktteamene endrer mening

Bør denne funksjonen motta ytterligere investering? Ville en liten endring fjerne friksjon på et kritisk punkt? Har eksperimentet fortalt oss nok? Eller legger det til kompleksitet som kundene aldri ba om? Hver svar gir produktlederne en beslutning å ta. Og de beste PM-er er villige til å endre mening når bevisene peker mot en bedre utfall fra endringen.

Jo raskere programvaren leveres, jo raskere må produktteamene lære. For alle som leverer AI-aktiverede produkter, er ett spørsmål viktigere enn alle andre: Er du villig til å utfordre dine egne antakelser og lære av post-lanseringsbrukerdata? Er du villig til å endre mening? Bestem svaret før du lanserer. Så sikre deg at du er klar til å se det — og handle på det.