Як великі команди продуктів визначають, що будувати далі

Чому справжня поведінка клієнтів важливіша за будь-що в епоху штучного інтелекту

Менеджери продуктів і інженери можуть витратити місяці на формування функції, перш ніж хто-небудь поза компанією торкнеться її. Коли клієнти отримують доступ до неї, вони можуть використовувати її точно так, як очікувалося, або знайти зовсім інший шлях. Вони можуть зовсім ігнорувати основну функцію і продовжувати повертатися до чогось, що команда майже не помітила під час розробки. Саме тут починається справжнє навчання, і цікаві рішення.

Тим часом штучний інтелект змінив спосіб роботи команд продуктів і інженерів, зробивши можливим перетворення ідеї в робоче програмне забезпечення значно швидше. Інструменти кодування і автоматизованого тестування прискорюють темп кожного дня. Ідеї, які раніше потребували тижнів інженерних зусиль, тепер можуть стати робочими прототипами протягом днів, створюючи значно більше можливостей для тестування і запуску — і для навчання клієнтів, коли вони починають використовувати нові функції.

Відповідно до прискорення розробки і появи нових ідей, команди продуктів повинні швидко вчиться з ранньої взаємодії з клієнтами і вирішувати, як реагувати. Коли програмне забезпечення запускається, навчання і прийняття рішень повинні прискоритися також. Якщо навчання не може тримати темп з розробкою, користувачі будуть тоннути в нових функціях і “поліпшеннях”, які вони не хочуть або які можуть навіть погіршити їхній досвід.

Будівництво швидше змінює все

Нещодавні дослідження, що涉ють більше 100 000 розробників GitHub, показують, як швидко відбувається цей зсув. Інструменти кодування штучного інтелекту збільшили активність кодування на 180%, тоді як випуски збільшилися на 30%. Дослідники також розглянули чотири ринки програмних застосунків, де нові випуски зростали, але загальне використання залишалося на одному рівні або знижувалося. Це означає, що значно більше програмного забезпечення конкурує за ту ж саму увагу клієнтів.

Саме це розрив, який потрібно закрити після запуску даних: знати, які з багатьох речей, що були запущені, справді зайняли місце в режимі клієнта, і які просто додали шуму.

Наприклад, якщо онлайн-ритейлер запускає штучний інтелект-асистент. Він відповідає на питання про продукти, рекомендує відповідні товари і працює точно так, як планувалося. Наступне питання полягає в тому, що клієнти насправді роблять з ним — і чому.

Чи люди відкривають асистента на початку візиту або тільки після того, як пошук не дав їм результатів? Які питання призводять до перегляду продукції або покупки? Де розмови закінчуються раптово? І чи повертаються клієнти використовувати його інакше, ніж перші відвідувачі?

Відповіді показують справжню роль, яку грає асистент. Високий рівень взаємодії може виглядати здоровим, але ближче розглянувши, можна побачити, що клієнти повторюють одне й те саме питання, бо відповіді не досить чіткі. З іншого боку, скромний рівень прийняття може бути нормальним, якщо ці користувачі конвертують на вищому рівні або вивчають ширший діапазон товарів.

Аналітика продукту показує, що відбулося після запуску функції. Чи використовували люди її? Чи допомогла їм рухатися вперед або відправила їх в несподіваний бік? Відповіді дають менеджерам продуктів щось конкретне, з чим можна працювати при вирішенні, що змінити.

Навчання з того, що клієнти насправді роблять

Оскільки штучний інтелект робить можливим введення нових можливостей у продукт значно легше, багато команд продуктів роблять значно більше змін, ніж раніше, що може спричинити непередбачувану фрикцію для користувачів. Наприклад, одна команда може запустити асистента, тоді як інша швидко створить рекомендації або експериментує з новим інтерфейсом. Перед тим, як клієнти починають пробиратися через декілька конкуруючих ідей, і досвід починає відчуватися переповненим або неузгодженим.

Наш ритейлер може виявити, що клієнти переміщаються між інструментом штучного інтелекту для пошуку і покупочного асистента під час виконання однієї й тієї ж задачі. Аналітика продукту може показати, де вони втрачають імпульс і який шлях більш часто призводить до завершеної покупки. Це дає бізнесу чітку підставу для спрощення шляху і концентрації інвестицій там, де вони матимуть найбільший вплив.

Кращі питання, кращі рішення продукту

Багато роботи менеджера продукту полягає в тому, щоб вирішити, які проблеми варто переслідувати і як далеко слід продовжувати ідею. Найважча частина цього рішення полягає в тому, щоб поставити правильні питання при розгляді доказів.

Панель, що показує багато взаємодії клієнтів, може бути оманливою, бо прийняття означає дуже мало самостійно. Найважливішим питанням є те, що клієнт намагався зробити, чи допомогла функція їм досягти мети, і чи повернувся він, коли початкова цікавість минула.

Питання також повинно змінюватися з часом. У перші дні після запуску пріоритетом можуть бути плутані взаємодії або технічні збої. Через декілька тижнів фокус зміщується на те, чи повторюється використання, і чи пов’язано воно з комерційним результатом. Маленької цінності немає в тому, щоб ставити питання запуску через шість тижнів.

Штучний інтелект може вказати на незвичайний зсув у поведінці і допомогти менеджерам продуктів дослідити великі об’єми даних про події. Це скорочує розрив між виявленням сигналу і його дослідженням.

Очевидно, що зміна даних не пояснює себе. Зниження використання може вказувати на розбитий робочий процес або успішне видалення непотрібного кроку. Люди, які знають продукт і його клієнтів, все одно повинні розібратися, що ця зміна насправді означає.

Збереження темпу з клієнтами

Розрив між випусками і оглядачами стає все важче ігнорувати. Якщо програмне забезпечення змінюється кожну неделю, то квартальне засідання залишає багато клієнтської поведінки непоміченою. Менеджери продуктів потребують важливих змін, які повинні досягти їх до того, як контекст навколо випуску зникне.

Це починається з того, що люди знають результат, який вони володіють, і можуть легко досліджувати відповідну поведінку. Технології штучного інтелекту, такі як Mixpanel, можуть спрямувати увагу на зміни, які варто досліджувати, і забезпечити запис того, що клієнти насправді робили. Менеджери продуктів можуть тоді зосередити свій час на тих речах, які заслуговують більш уважного розгляду.

Найкращі команди продуктів змінюють свою думку

Чи повинна ця функція отримати подальшу інвестицію? Чи видалила б маленька зміна фрикцію в критичному пункті? Чи сказав експеримент нам досить про результат від зміни? Чи додає це складність, якої клієнти ніколи не просили? Кожна відповідь дає менеджерам продуктів рішення, яке потрібно прийняти. І найкращі менеджери продуктів готові змінити свою думку, коли докази вказують на кращий результат від зміни.

Чим швидше програмне забезпечення запускається, тим швидше команди продуктів повинні навчатися. Для тих, хто запускає продукти, що використовують штучний інтелект, одне питання має значення понад усе: чи готові ви поставити під сумнів свої власні припущення і навчатися з даних про поведінку клієнтів після запуску? Чи готові ви змінити свою думку? Вирішіть відповідь до запуску. Потім переконайтесь, що ви готові побачити це — і діяти відповідно.