Как отличные команды продукта решают, что строить дальше

Почему реальное поведение клиентов имеет значение больше, чем когда-либо в эпоху ИИ

Менеджеры продукта и инженеры могут тратить месяцы на формирование функции, прежде чем кто-либо вне бизнеса ее коснется. Когда клиенты получают доступ к ней, они могут использовать ее точно так, как ожидается, или найти совершенно другой путь. Они могут полностью игнорировать основную функцию и продолжать возвращаться к чему-то, что команда едва заметила во время разработки. Вот где начинается настоящее обучение и интересные решения.

Тем временем ИИ преобразовал, как работают команды продукта и инженерии, сделав возможным превращение идеи в рабочее программное обеспечение гораздо быстрее. Помощники кодирования и автоматические инструменты тестирования ускоряют темп каждый день. Идеи, которые ранее требовали недель инженерных усилий, теперь могут стать рабочими прототипами в течение нескольких дней, создавая гораздо больше возможностей для тестирования и запуска — и для обучения у клиентов, когда они начинают использовать новые функции.

По мере того, как разработка ускоряется и больше новых идей достигает клиентов, команды продукта должны быстро учиться на ранних взаимодействиях с пользователями и решать, как реагировать. Когда программное обеспечение запускается, обучение и принятие решений должны ускоряться тоже. Если обучение не может идти в ногу с разработкой, пользователи будут тонуть в новых функциях и “улучшениях”, которые они не хотят или которые могут даже ухудшить их опыт.

Ускорение разработки меняет все

Недавние исследования, включающие более 100 000 разработчиков GitHub, показывают, насколько быстро происходит этот сдвиг. Инструменты кодирования ИИ увеличили активность кодирования на 180%, а выпуски возросли на 30%. Исследователи также изучили четыре магазина приложений, где новые выпуски росли, но общее использование оставалось на одном уровне или снижалось. Это означает, что гораздо больше программного обеспечения конкурирует за то же самое количество внимания клиентов.

Вот разрыв, который должен закрыть пост-ланч-данные: знать, какие из многих вещей, которые были отправлены, действительно заслужили место в рутины клиента, и какие просто добавили шума.

Допустим, онлайн-ретейлер запускает помощник ИИ для покупок. Он отвечает на вопросы о продуктах, рекомендует подходящие товары и, кажется, работает точно так, как запланировано. Следующий вопрос в том, что клиенты на самом деле делают с ним — и почему.

Открывают ли люди помощник в начале посещения или только после того, как поиск не удался? Какие вопросы приводят к просмотру продукта или покупке? Где разговоры заканчиваются внезапно? И используют ли повторно посетители помощник по-другому, чем первые посетители?

Ответы раскрывают роль, которую помощник действительно играет. Высокий уровень взаимодействия может показаться здоровым, но более близкий взгляд может показать, что клиенты повторяют один и тот же вопрос, потому что ответы неясны. С другой стороны, скромный уровень принятия может быть нормальным, если эти пользователи конвертируются с более высокой скоростью или изучают более широкий спектр продуктов.

Аналитика продукта показывает, что произошло после запуска функции. Использовали ли люди ее? Помогла ли она им двигаться вперед или отправила их в неожиданном направлении? Ответы дают менеджерам продукта что-то конкретное, с чем можно работать при решении, что изменить.

Обучение на том, что клиенты действительно делают

Поскольку ИИ делает гораздо проще введение новых возможностей в продукт, многие команды продукта делают гораздо больше изменений, чем исторически, что может вызвать непреднамеренное трение для пользователей. Например, одна команда может запустить помощник, а другая быстро создаст рекомендации или поэкспериментирует с новым интерфейсом. Прежде чем вы это осознаете, клиенты выбирают из нескольких конкурирующих идей, и опыт начинает чувствоваться загроможденным или несвязанным.

Наш ретейлер может обнаружить, что клиенты перемещаются между инструментом ИИ для поиска и помощником для покупок в рамках одной задачи. Аналитика продукта может показать, где они теряют импульс и какой маршрут чаще приводит к завершенной покупке. Это дает бизнесу четкую основу для упрощения пути и сосредоточения инвестиций там, где они будут иметь наибольшее влияние.

Лучшие вопросы, лучшие решения по продукту

Многое из работы по созданию продукта сегодня заключается в решении, какие проблемы стоит преследовать и как далеко идти с идеей. Трудная часть принятия этого решения заключается в том, чтобы задавать правильные вопросы при изучении доказательств.

Панель, показывающая много активности клиентов, может быть вводящей в заблуждение, потому что принятие означает очень мало само по себе. Важный вопрос в том, что пользователь пытался сделать, помогла ли функция ему добраться туда и вернулся ли он, когда первоначальное любопытство прошло.

Вопрос также должен меняться со временем. В первые несколько дней после выпуска приоритетом может быть запутанные взаимодействия или технические сбои. Через несколько недель фокус смещается на то, повторяется ли использование и связано ли оно с коммерческим результатом. Нет смысла задавать вопросы дня запуска шесть недель спустя.

ИИ может подчеркнуть необычный сдвиг в поведении и помочь менеджерам продукта изучить большие объемы данных событий. Это сокращает разрыв между обнаружением сигнала и его расследованием.

Конечно, изменение в данных не объясняет само себя. Снижение использования может указывать на сломанную рабочую схему или успешное удаление ненужного шага. Люди, которые знают продукт и его пользователей, все равно должны выяснить, что это изменение на самом деле означает.

Соответствие темпу клиентов

Разрыв между выпусками и обзорами становится все труднее игнорировать. Если программное обеспечение меняется каждую неделю, квартальное совещание оставляет много клиентского поведения незамеченным. Менеджеры продукта нуждаются в важных изменениях, которые достигают их до того, как контекст вокруг выпуска исчезнет.

Это начинается с того, что люди знают результат, который они владеют, и могут легко изучать соответствующее поведение. Технологии ИИ, такие как Mixpanel, могут направить внимание на изменения, достойные расследования, и предоставить запись того, что клиенты на самом деле делали. Менеджеры продукта могут затем сосредоточить свое время на вещах, которые заслуживают более близкого рассмотрения.

Лучшие команды продукта меняют свое мнение

Должна ли эта функция получить дальнейшие инвестиции? Удалит ли небольшое изменение трение в критической точке? Рассказал ли эксперимент достаточно? Или добавляет ли он сложность, которую клиенты никогда не просили? Каждый ответ дает менеджерам продукта решение, которое необходимо принять. И лучшие менеджеры продукта готовы изменить свое мнение, когда доказательства указывают на лучший результат от изменения.

Чем быстрее доставляется программное обеспечение, тем быстрее команды продукта должны учиться. Для всех, кто доставляет продукты, работающие с ИИ, один вопрос имеет значение выше всех: готовы ли вы бросить вызов своим собственным предположениям и учиться на пост-ланч-данных пользователей? Готовы ли вы изменить свое мнение? Решите ответ до запуска. Затем убедитесь, что вы готовы увидеть это — и действовать на его основе.