Jak wielkie zespoły produkcyjne decydują, co budować jako następne

Dlaczego prawdziwe zachowania klientów mają większe znaczenie niż kiedykolwiek w erze sztucznej inteligencji

Menadżerowie produktów i inżynierowie mogą spędzać miesiące na kształtowaniu funkcjonalności, zanim ktokolwiek spoza firmy dotknie się jej. Kiedy klienci ją otrzymują, mogą używać jej dokładnie tak, jak oczekiwano, lub znaleźć całkowicie inny sposób. Mogą ignorować główną funkcjonalność i wracać do czegoś, na co zespół ledwo zwrócił uwagę podczas rozwoju. To jest miejsce, w którym zaczyna się prawdziwa nauka i interesujące decyzje.

Tymczasem sztuczna inteligencja przekształciła sposób pracy zespołów produkcyjnych i inżynierskich, umożliwiając szybsze wprowadzanie nowych możliwości do produktu. Asystenci kodowania i automatyczne narzędzia testowe przyspieszają tempo każdego dnia. Pomysły, które kiedyś zajmowały tygodnie wysiłku inżynierskiego, mogą teraz stać się użytecznymi prototypami w ciągu kilku dni, tworząc znacznie więcej możliwości testowania i wysyłania — oraz uczenia się od klientów, gdy zaczynają używać nowych funkcjonalności.

Wraz ze zwiększeniem tempa rozwoju i pojawieniem się nowych pomysłów u klientów, zespoły produkcyjne muszą szybko uczyć się z wczesnych interakcji użytkowników i decydować, jak zareagować. Gdy oprogramowanie jest wysyłane, nauka i podejmowanie decyzji muszą również przyspieszyć. Jeśli nauka nie może nadążyć za rozwojem, użytkownicy będą tonąć w nowych funkcjach i “ulepszaniach”, których nie chcą lub które mogą nawet pogorszyć ich doświadczenie.

Budowanie szybciej zmienia wszystko

Niedawne badania, w których wzięło udział ponad 100 000 deweloperów GitHub, pokazują, jak szybko zachodzi ta zmiana. Narzędzia kodowania AI zwiększyły aktywność kodowania o nawet 180%, a wydania wzrosły o około 30%. Badacze sprawdzili również cztery sklepy z aplikacjami, gdzie nowe wydania rosły, ale ogólne użytkowanie pozostawało płaskie lub spadało. Oznacza to, że znacznie więcej oprogramowania konkurowało o tę samą pulę uwagi klienta.

To jest luka, którą dane po wydaniu muszą zamknąć: wiedza, które z wielu wysłanych rzeczy zajęły miejsce w rutynie klienta i które tylko dodały hałasu.

Powiedzmy, że sprzedawca internetowy uruchamia asystenta zakupów AI. Odpowiada na pytania o produkty, poleca odpowiednie przedmioty i wydaje się działać dokładnie tak, jak zaplanowano. Następne pytanie brzmi, co klienci naprawdę robią z nim — i dlaczego.

Czy ludzie otwierają asystenta na początku wizyty, czy tylko wtedy, gdy wyszukiwanie nie powiodło się? Jakie pytania prowadzą do wyświetlenia produktu lub zakupu? Gdzie rozmowy kończą się nagle? Czy powracający klienci używają go inaczej niż pierwsi odwiedzający?

Odpowiedzi ujawniają rolę, jaką asystent naprawdę pełni. Wysoki wskaźnik interakcji może wyglądać zdrowo, ale bliższe spojrzenie może pokazać, że klienci powtarzają to samo pytanie, ponieważ odpowiedzi nie są jasne. Z drugiej strony, skromny wskaźnik przyjęcia może być w porządku, jeśli ci użytkownicy konwertują w wyższym tempie lub badają szerszy zakres produktów.

Analiza produktu pokazuje, co się stało, gdy funkcjonalność została uruchomiona. Czy ludzie ją używali? Czy pomogła im ruszyć do przodu, czy posłała ich w nieoczekiwanym kierunku? Odpowiedzi dają menadżerom produktów coś konkretnego do pracy.

Uczenie się od tego, co klienci naprawdę robią

Ponieważ AI sprawia, że wprowadzanie nowych możliwości do produktu staje się znacznie łatwiejsze, wiele zespołów produkcyjnych wprowadza znacznie więcej zmian, niż kiedykolwiek wcześniej, co może powodować niezamierzone tarcie u użytkowników. Na przykład jeden zespół może uruchomić asystenta, podczas gdy inny szybko uruchamia rekomendacje lub eksperymentuje z nowym interfejsem. Zanim się zorientujemy, klienci poruszają się pomiędzy kilkoma konkurującymi pomysłami, a doświadczenie zaczyna się czuć zatłoczone lub niezgodne.

Nasze centrum handlowe może odkryć, że klienci przechodzą między narzędziem wyszukiwania AI a asystentem zakupów podczas tej samej czynności. Analiza produktu może pokazać, gdzie tracą impet i jaki szlak częściej prowadzi do zakończonego zakupu. To daje firmie wyraźną podstawę do uproszczenia podróży i skupienia inwestycji tam, gdzie będzie miała największy wpływ.

Lepsze pytania, lepsze decyzje dotyczące produktu

Duża część pracy budowniczych produktów polega dziś na decydowaniu, które problemy są warte poświęcenia uwagi i jak daleko posunąć się z pomysłem. Trudna część podejmowania tej decyzji polega na zadawaniu właściwych pytań przy badaniu dowodów.

Pulpit nawigacyjny pokazujący dużą aktywność klienta może być mylący, ponieważ przyjęcie oznacza niewiele samodzielnie. Ważne pytanie brzmi, co użytkownik próbował zrobić, czy funkcjonalność pomogła mu tam dotrzeć i czy wrócił, gdy początkowa ciekawość minęła.

Pytanie powinno również zmieniać się w czasie. W pierwszych dniach po wydaniu priorytetem może być mylne interakcje lub awarie techniczne. Kilka tygodni później uwaga przesuwa się na to, czy użytkowanie się powtarza i czy łączy się z wynikiem handlowym. Mało jest wartości w zadawaniu pytań z dnia wydania sześć tygodni później.

AI może wskazać niezwykłą zmianę w zachowaniu i pomóc menadżerom produktów w badaniu dużych ilości danych zdarzeń. To skraca lukę między wykryciem sygnału a zbadaniem go.

Oczywiście, zmiana w danych nie wyjaśnia samej siebie. Spadek użytkowania może wskazywać na złamaną pracę lub pomyślne usunięcie niepotrzebnego kroku. Ludzie, którzy znają produkt i jego użytkowników, muszą jeszcze ustalić, co ta zmiana naprawdę oznacza.

Dostosowanie się do tempa klientów

Luka między wydaniami a recenzjami staje się coraz trudniejsza do ignorowania. Jeśli oprogramowanie zmienia się co tydzień, kwartalne spotkanie pozostawia wiele zachowań klientów niewidocznych. Menadżerowie produktów potrzebują ważnych zmian, które dotrą do nich, zanim kontekst wokół wydania zniknie.

To zaczyna się od ludzi, którzy wiedzą, jaki jest wynik, którego są właścicielami, i mogą łatwo badać odpowiednie zachowania. Technologie AI, takie jak Mixpanel, mogą skierować uwagę na zmiany, które warto zbadać, i zapewnić zapis tego, co klienci naprawdę robili. Menadżerowie produktów mogą wtedy skupić swój czas na rzeczach, które zasługują na bliższe spojrzenie.

Najlepsze zespoły produkcyjne zmieniają swoje zdanie

Czy ta funkcjonalność powinna otrzymać dalsze inwestycje? Czy niewielka zmiana usunie tarcie w krytycznym punkcie? Czy eksperyment powiedział nam wystarczająco? Czy dodaje złożoności, o której klienci nie prosili? Każda odpowiedź daje menadżerom produktów decyzję do podjęcia. A najlepsi menadżerowie są skłonni zmienić swoje zdanie, gdy dowody wskazują na lepszy wynik z tej zmiany.

Im szybciej wysyłane jest oprogramowanie, tym szybciej zespoły produkcyjne muszą się uczyć. Dla każdego, kto wysyła produkty z AI, jedno pytanie ma znaczenie ponad wszystko: Czy jesteś skłonny zakwestionować swoje własne założenia i uczyć się z danych użytkowników po wydaniu? Czy jesteś skłonny zmienić swoje zdanie? Zdecyduj o odpowiedzi przed wydaniem. Następnie upewnij się, że jesteś gotowy to zobaczyć — i działać.