วิธีที่ทีมผลิตภัณฑ์ที่ดีเลือกสรรสิ่งที่จะสร้างต่อไป

ทำไมพฤติกรรมลูกค้าจริงจึงมีความสำคัญมากกว่าที่เคยในยุค AI

ผู้จัดการผลิตภัณฑ์และวิศวกรสามารถใช้เวลาหลายเดือนในการสร้างคุณลักษณะก่อนที่ใครก็ตามภายนอกธุรกิจจะสัมผัสกับมัน เมื่อลูกค้าได้รับมัน พวกเขาอาจใช้มันตามที่คาดหวังหรือพบวิธีที่แตกต่าง พวกเขาอาจเพิกเฉยต่อคุณลักษณะหลักและกลับมาที่สิ่งที่ทีมงานแทบไม่สังเกตเห็นระหว่างการพัฒนา นี่คือจุดที่การเรียนรู้จริงและการตัดสินใจที่น่าสนใจเริ่มต้นขึ้น

ในขณะเดียวกัน AI ได้เปลี่ยนแปลงวิธีการทำงานของทีมผลิตภัณฑ์และวิศวกรรม ทำให้สามารถเปลี่ยนความคิดเห็นเป็นซอฟต์แวร์ที่ใช้งานได้จริงได้เร็วขึ้นมาก ช่วยเหลือการเขียนโค้ดและเครื่องมือทดสอบอัตโนมัติเร่งความเร็วทุกวัน ความคิดที่เคยใช้เวลาหลายสัปดาห์ในการพัฒนาengineering สามารถกลายเป็นตัวแบบที่ใช้งานได้ภายในไม่กี่วัน ทำให้มีโอกาสทดสอบและส่งมอบมากขึ้น และเรียนรู้จากลูกค้าเมื่อพวกเขาเริ่มใช้คุณลักษณะใหม่

เมื่อการพัฒนาสินค้าเร็วขึ้นและความคิดใหม่ๆ มาถึงลูกค้ามากขึ้น ทีมผลิตภัณฑ์ต้องเรียนรู้อย่างรวดเร็วจากปฏิสัมพันธ์ของผู้ใช้ในระยะแรกและตัดสินใจว่าจะตอบสนองอย่างไร เมื่อซอฟต์แวร์ส่งมอบ การเรียนรู้และการตัดสินใจจะต้องเร็วขึ้นด้วย หากการเรียนรู้ไม่สามารถตามทันการพัฒนา ผู้ใช้จะถูกจมอยู่ในคุณลักษณะใหม่ๆ และ “การปรับปรุง” ที่พวกเขาไม่ต้องการหรืออาจทำให้ประสบการณ์ของพวกเขาแย่ลง

การสร้างสินค้าเร็วขึ้นทุกอย่าง

การวิจัยล่าสุดที่เกี่ยวข้องกับ นักพัฒนา GitHub มากกว่า 100,000 คน แสดงให้เห็นว่าการเปลี่ยนแปลงนั้นเกิดขึ้นอย่างรวดเร็วเพียงใด เครื่องมือเขียนโค้ด AI เพิ่มกิจกรรมเขียนโค้ดมากถึง 180% ในขณะที่การเปิดตัวเพิ่มขึ้นประมาณ 30% นักวิจัยยังตรวจสอบตลาดแอปสี่แห่ง ซึ่งการเปิดตัวใหม่ๆ เพิ่มขึ้น แต่การใช้งานโดยรวมยังคงเท่าเดิมหรือลดลง ซึ่งหมายความว่ามีซอฟต์แวร์มากขึ้นที่แข่งขันกันเพื่อความสนใจของลูกค้า

นั่นคือช่องว่างที่ข้อมูลหลังการเปิดตัวต้องปิด: รู้ว่าคุณลักษณะใดที่ส่งมอบจริงๆ ได้รับตำแหน่งในกิจวัตรของลูกค้า และคุณลักษณะใดที่เพิ่มเสียงรบกวน

สมมติว่าผู้ค้าปลีกออนไลน์เปิดตัวผู้ช่วยช็อปปิ้ง AI มันจะตอบคำถามเกี่ยวกับสินค้า แนะนำสินค้าที่เหมาะสม และดูเหมือนว่าจะทำงานตามที่วางแผนไว้ คำถามต่อไปคือลูกค้ากำลังทำอะไรอยู่กับมัน และทำไม

คนเปิดผู้ช่วยที่เริ่มต้นการเข้าชมหรือหลังจากที่การค้นหาล้มเหลวพวกเขา? คำถามใดที่นำไปสู่การดูสินค้าหรือการซื้อ? การสนทนาสิ้นสุดอย่างรวดเร็วที่ไหน? และลูกค้าที่กลับมาสามารถใช้มันแตกต่างจากผู้เข้าชมครั้งแรกได้หรือไม่?

คำตอบเหล่านั้นเปิดเผยบทบาทที่ผู้ช่วยกำลังเล่นอยู่ การมีปฏิสัมพันธ์ที่สูงอาจดูเหมือนดี แต่การตรวจสอบอย่างใกล้ชิดอาจแสดงให้เห็นว่าลูกค้าซ้ำคำถามเดียวกันเพราะคำตอบไม่ชัดเจน ในทางกลับกัน อัตราการนำรับแบบไม่มากอาจเป็นเรื่องที่ดีหากผู้ใช้เหล่านั้นแปลงสภาพได้สูงขึ้นหรือสำรวจช่วงสินค้าที่กว้างขึ้น

การวิเคราะห์ผลิตภัณฑ์แสดงให้เห็นว่าเกิดอะไรขึ้นหลังจากที่คุณลักษณะถูกเปิดตัว มันถูกใช้หรือไม่? มันช่วยให้พวกเขาเคลื่อนไปข้างหน้าหรือส่งพวกเขาไปที่ที่ไม่คาดคิด? คำตอบเหล่านั้นให้ข้อมูลที่เป็นรูปธรรมแก่ผู้จัดการผลิตภัณฑ์ในการตัดสินใจว่าจะเปลี่ยนแปลงอะไร

การเรียนรู้จากสิ่งที่ลูกค้าทำจริงๆ

เนื่องจาก AI ทำให้ง่ายต่อการแนะนำความสามารถใหม่ๆ เข้าสู่ผลิตภัณฑ์ ทีมผลิตภัณฑ์หลายทีมจึงทำการเปลี่ยนแปลงมากกว่าที่เคยทำในประวัติศาสตร์ ซึ่งอาจทำให้เกิดความเสี่ยงไม่คาดคิดสำหรับผู้ใช้ ตัวอย่างเช่น ทีมหนึ่งอาจเปิดตัวผู้ช่วยในขณะที่ทีมอื่นเร่งสร้างคำแนะนำหรือทดลองกับอินเทอร์เฟซใหม่ ไม่นานลูกค้าก็จะเดินผ่านความคิดที่แข่งขันกัน และประสบการณ์เริ่มรู้สึกอัดแสนหรือไม่สอดคล้องกัน

ผู้ค้าปลีกของเราอาจพบว่าลูกค้ากำลังย้ายระหว่างเครื่องมือค้นหาอัตโนมัติและผู้ช่วยช็อปปิ้งระหว่างงานเดียวกัน การวิเคราะห์ผลิตภัณฑ์สามารถแสดงให้เห็นว่าพวกเขาเสียโมเมนตัมที่ไหนและเส้นทางใดที่นำไปสู่การซื้อสำเร็จบ่อยกว่า ซึ่งให้ธุรกิจมีเหตุผลที่ชัดเจนในการทำให้การเดินทางง่ายขึ้นและเน้นการลงทุนในจุดที่จะมีผลกระทบมากที่สุด

คำถามที่ดีกว่า ตัดสินใจผลิตภัณฑ์ที่ดีกว่า

งานของคนสร้างผลิตภัณฑ์ในปัจจุบันคือการตัดสินใจว่าปัญหาใดที่ควรติดตามและจะพัฒนาไอเดียไปถึงไหน ส่วนที่ยากในการตัดสินใจคือการถามคำถามที่ถูกต้องเมื่อตรวจสอบหลักฐาน

แดชบอร์ดที่แสดงกิจกรรมลูกค้ามากมายอาจทำให้เข้าใจผิด เพราะการนำรับไม่ได้หมายความว่ามีอะไรเกิดขึ้น การถามคำถามที่สำคัญคืออะไรที่ผู้ใช้พยายามทำ มันช่วยให้พวกเขาไปถึงที่นั่นหรือไม่ และพวกเขากลับมาอีกครั้งหลังจากความอยากรู้เบาๆ หายไปหรือไม่

คำถามควรเปลี่ยนแปลงไปตามเวลา ในช่วงไม่กี่วันหลังการเปิดตัว อาจมุ่งเน้นไปที่การโต้ตอบที่ทำให้เข้าใจผิดหรือความล้มเหลวทางเทคนิค หลังจากหลายสัปดาห์ จุดสนใจเปลี่ยนไปที่ว่าการใช้งานซ้ำหรือไม่ และเชื่อมโยงกับผลลัพธ์เชิงพาณิชย์หรือไม่ ไม่มีคุณค่าในการถามคำถามวันแรกหลังการเปิดตัวเมื่อผ่านไปหกสัปดาห์

AI สามารถช่วยระบุการเปลี่ยนแปลงพฤติกรรมที่ไม่ปกติและช่วยให้ผู้จัดการผลิตภัณฑ์สำรวจข้อมูลเหตุการณ์จำนวนมาก ซึ่งลดช่องว่างระหว่างการตรวจจับสัญญาณและการสืบสวน

แน่นอนว่าการเปลี่ยนแปลงในข้อมูลไม่ได้อธิบายตัวเอง การลดลงของการใช้งานอาจบ่งบอกถึงการทำงานที่เสียหายหรือการกำจัดขั้นตอนที่ไม่จำเป็น out People ที่รู้จักผลิตภัณฑ์และผู้ใช้ของมันยังคงต้องค้นหาว่าการเปลี่ยนแปลงนั้นหมายถึงอะไร

การตามทันลูกค้าของคุณ

ช่องว่างระหว่างการเปิดตัวและการทบทวนเริ่มยากที่จะเพิกเฉย หากซอฟต์แวร์เปลี่ยนแปลงทุกสัปดาห์ การประชุมทุกไตรมาสจะทำให้พฤติกรรมลูกค้าจำนวนมากไม่เห็น ผู้จัดการผลิตภัณฑ์ต้องการการเปลี่ยนแปลงที่สำคัญที่จะไปถึงพวกเขา ก่อนที่บริบทรอบๆ การเปิดตัวจะหายไป

สิ่งนี้เริ่มต้นด้วยคนรู้ว่าผลลัพธ์ที่พวกเขาสามารถควบคุมได้และสามารถสำรวจพฤติกรรมที่เกี่ยวข้องได้อย่างง่ายดาย เทคโนโลยี AI เช่น Mixpanel สามารถดึงความสนใจไปที่การเปลี่ยนแปลงที่ควรตรวจสอบและให้บันทึกว่าลูกค้าทำอะไรจริงๆ ผู้จัดการผลิตภัณฑ์สามารถมุ่งเน้นเวลาไปที่สิ่งที่ควรตรวจสอบอย่างใกล้ชิด

ทีมผลิตภัณฑ์ที่ดีที่สุดเปลี่ยนความคิดของตนเอง

คุณลักษณะนี้ควรได้รับการลงทุนเพิ่มเติมหรือไม่? การเปลี่ยนแปลงเล็กๆ น้อยๆ จะลบความเสี่ยงออกที่จุดวิกฤตหรือไม่? การทดลองบอกเราถึงสิ่งที่เพียงพอหรือไม่? หรือมันเพิ่มความซับซ้อนซึ่งลูกค้าไม่เคยขอ? คำตอบแต่ละข้อทำให้ผู้จัดการผลิตภัณฑ์ต้องตัดสินใจ และผู้จัดการผลิตภัณฑ์ที่ดีที่สุดยินดีที่จะเปลี่ยนความคิดเมื่อหลักฐานชี้ไปที่ผลลัพธ์ที่ดีกว่าจากการเปลี่ยนแปลง

ซอฟต์แวร์เร็วขึ้น ทีมผลิตภัณฑ์ต้องเรียนรู้เร็วขึ้น สำหรับทุกคนที่ส่งมอบผลิตภัณฑ์ที่มี AI การถามคำถามเดียวที่สำคัญที่สุด: คุณยินดีที่จะท้าทายสมมติฐานของคุณเองและเรียนรู้จากข้อมูลผู้ใช้หลังการเปิดตัวหรือไม่? คุณยินดีที่จะเปลี่ยนความคิดของคุณหรือไม่? ตัดสินใจก่อนที่คุณจะเปิดตัว จากนั้นให้แน่ใจว่าคุณพร้อมที่จะเห็นมัน — และดำเนินการตามนั้น