Produktchef og AI-indfødt grundlægger fortæller, hvordan man intelligent styrer en produktplan med AI

Tara Sakhuja er produktchef hos Luv or Pop og grundlægger af en AI-baseret virksomhed kaldet Data Dumpling. Før disse roller arbejdede hun med produktudvikling hos virksomheder som Meta og Bumble.

Vi satte os ned med Tara for at lære, hvordan hun ændrer sine arbejdsgange som produktchef ved hjælp af AI. Undervejs delte hun en af de største faldgruber for folk, der bygger AI-produkter.

Intelligente produkter, bygget intelligent

Jeg hedder Tara Sakhuja. Jeg arbejder i krydsfeltet mellem AI, produktstrategi og menneskelig adfærd.

Jeg er grundlægger og administrerende direktør for Data Dumpling, en AI-platform, der hjælper virksomheder med at forstå, hvem deres kunder er, hvilke signaler der betyder noget, og hvor deres teams bør fokusere. Jeg er også produktchef hos Luv or Pop, hvor vi gentænker dating og onlinefællesskaber gennem et af verdens mest virale shows, Pop the Balloon or Find Love with Arlette Amuli.

Før det brugte jeg et årti på at bygge produkter hos Meta og senere hos Bumble, hvor jeg arbejdede på tværs af annoncer, handel, virksomhedsbeskeder, integritet, tillid og maskinlæringssystemer.

Et enkelt spørgsmål forbinder alle disse erfaringer: Hvordan bygger man systemer, der hjælper mennesker med at træffe bedre beslutninger?

Hos Meta byggede jeg systemer, der fungerede i en skala med milliarder af brugere. Hos Bumble fokuserede jeg på sikkerhed, tillid og på, hvordan AI påvirker dybt menneskelige oplevelser. Nu bygger jeg som grundlægger AI-baserede produkter fra bunden.

Vi er på vej ind i en af de største ændringer inden for produktudvikling siden mobilen. Den største ændring er ikke, at produkterne bliver intelligente. Det er, at den måde, vi bygger produkter på, også skal blive intelligent.

Den næste generation af produkter

Data Dumpling er bygget fra bunden med AI. Platformen forbinder virksomhedsindsigt, indkøbsudvalg, relationssignaler og realtidsintentioner og hjælper teams med at identificere deres muligheder med den højeste værdi og forstå, hvilken handling de skal tage som det næste. Vi arbejder med virksomheder inden for virksomhedsteknologi, rådgivning og industrisektorer og hjælper indtægtsteams med at gå fra statiske lister og manuel undersøgelse til AI-drevne beslutningssystemer.

Hos Luv or Pop leder jeg produktstrategien for en social forbrugerplatform, der gentænker dating med fokus på tillid, identitet og fællesskab. Vi er vokset til titusindvis af brugere i USA, Storbritannien, Canada og dele af Afrika, hvor vi bygger systemer til verificering, matchning og ægte menneskelig kontakt.

Selvom produkterne virker meget forskellige, er den underliggende produktfilosofi den samme: Den næste generation af produkter skal ikke bare hjælpe mennesker med at udføre mere arbejde. De skal hjælpe mennesker med at træffe bedre beslutninger.

Uanset om det handler om at hjælpe et GTM-team med at finde deres næste kunde eller hjælpe nogen med at finde et meningsfuldt forhold, er udfordringen at designe teknologi, der forstærker menneskelig dømmekraft.

Hvordan AI gør det muligt for mindre teams at opnå produktmæssig stringens

En af de største ændringer for mig er, hvordan AI har øget de mindre produktteams' operationelle løftestangseffekt.

Da jeg var hos Meta, havde vi en omfattende infrastruktur til beslutningstagning. Dedikerede teams, modne platforme til eksperimenter, dashboards, dataforskere, forskere og analytikere hjalp produktteams med at forstå brugeradfærd og træffe bedre beslutninger.

Historisk set var det kun virksomheder med hundredvis eller tusindvis af medarbejdere, der kunne opnå den grad af produktmæssig stringens. AI ændrer på det.

Selv med mine mindre teams bruger vi AI intensivt til at forstå brugerinteraktioner og informere vores næste fokusområder.

Vi forbinder vores produktdata med Claude og bruger værktøjer som Mixpanel til at forstå brugeradfærd. Tidligere ville et lille team bruge betydelig tid på at bygge dashboards, skrive forespørgsler og analysere mønstre manuelt, før de tog fat på produktspørgsmålet. Nu kan vi føre en samtale med vores data.

Så når vi lancerer en ny funktion eller kører en kampagne, kan vi hurtigt forstå:

• Hvilke brugersegmenter reagerer?
• Hvor falder folk fra?
• Hvilken adfærd korrelerer med fastholdelse?
• Hvad bør vi teste som det næste?

Det betyder ikke, at AI træffer beslutningen for os. Det ændrer, hvad vi bruger vores tid på.

Menneskets rolle bevæger sig væk fra at hente data og hen imod at stille bedre spørgsmål.

En model kan identificere ændringer i målinger, segmentere ændringen og foreslå mulige forklaringer, men i sidste ende kan menneskelig produktdømmekraft faktisk fortælle dig, hvilke hypoteser der er troværdige, om ændringen er vigtig, og hvad du skal gøre som det næste.

Hvordan hurtig prototyping ændrer samtalen

AI reducerer afstanden mellem en idé og reel kundefeedback.

Vi bruger AI intensivt under den tidlige produktudvikling. I stedet for at begynde med et skriftligt konceptdokument udvikler vi nu hurtigt prototyper og interaktive oplevelser ved hjælp af AI, så teamet kan mærke produktet, før vi forpligter os til udviklingsressourcer.

Det har ændret kvaliteten af de samtaler, vi har internt og eksternt.

En produktidé kan lyde fantastisk i et dokument, men i det øjeblik nogen interagerer med den, lægger man mærke til ting, man ellers ville overse: friktion for brugeren, følelsesmæssige reaktioner, forvirrende arbejdsgange eller antagelser, der ikke holder.

Vi stresstester prototyper grundigt, indsamler feedback, itererer og går først derefter videre til den fulde udvikling.

Og det er særligt vigtigt, fordi AI også gør det nemmere at bygge imponerende ting, som ikke løser meningsfulde problemer. Hos Data Dumpling eksperimenterede vi for eksempel med syntetiske kundepersonaer, fordi vi havde omfattende viden om virksomheder, købere og beslutningstagere. Vi kunne simulere, hvordan forskellige personaer ville reagere på budskaber eller kampagner. Teknisk set var det noget af det mest interessante, vi byggede. Men vores kunder havde ikke brug for det.

Taras tanker

Vi stresstester prototyper grundigt, indsamler feedback, itererer og går først derefter videre til den fulde udvikling. Og det er særligt vigtigt, fordi AI også gør det nemmere at bygge imponerende ting, som ikke løser meningsfulde problemer.

Hvordan AI påvirker kundeindsigt og produktplaner

Historisk set var kundeindsigt forbundet med informationstab. En produktchef tog noter, opsummerede samtaler, identificerede temaer og omsatte disse indsigter til beslutninger om produktplanen. Meget afhang af, hvad nogen kunne huske eller havde dokumenteret.

Jeg har genopbygget denne arbejdsgang med AI. Read AI registrerer alle samtaler med kunder og potentielle kunder, og Claude syntetiserer dem. Vi har udviklet tilpassede funktioner, der sammenholder disse samtaler direkte med vores produktplan, så vi kan forstå, hvilke problemer der dukker op igen og igen, hvilke kundesegmenter der bekymrer sig om dem, og hvordan disse ønsker hænger sammen med muligheder for at skabe omsætning.

Vi kan til enhver tid forstå ikke blot, hvor mange kunder der har bedt om en funktion, men også hvor vigtigt problemet er, hvem der oplever det, og om løsningen bringer virksomheden fremad.

Resultatet er, at produktbeslutninger bygger på et system til løbende opdateret kundeindsigt frem for en samling statiske noter og enkeltstående samtaler.

Hvorfor produktchefer bør være varsomme med at bygge ud fra, hvad grundmodeller kan

Hvis du bygger AI-produkter, er du nødt til at forstå, hvor hurtigt grundmodeller forbedres. Så sent som sidste år involverede en af de første AI-funktioner, vi byggede hos Data Dumpling, indholdsgenerering. På det tidspunkt føltes det som en reel konkurrencefordel at generere meget kontekstuel opsøgende kommunikation ved hjælp af virksomhedsindsigt.

Ved årets udgang var modellernes evne til at forstå billeder, links og kontekst i lang form samt til at generere indhold af høj kvalitet direkte fra start forbedret markant. Noget, der oprindeligt føltes differentieret, blev bemærkelsesværdigt hurtigt en grundlæggende forventning.

Jeg mener, det er farligt at bygge produkter, hvis primære værdi afhænger af, hvad modellen ikke kan i dag. I stedet fokuserer vi på at bygge omkring kundearbejdsgange, proprietære data og systemer, der bliver mere værdifulde over tid.

Hvorfor produktledere skal eksperimentere, men være beslutsomme

Mit råd er enkelt: Vær nysgerrig, men vær beslutsom.

Nye modeller, værktøjer og funktioner dukker op næsten hver uge. Ingen har alle svarene, så de teams, der lærer hurtigst, er dem, der er villige til at eksperimentere.

Start med en langsom, gentagende eller frustrerende del af din produktudviklingsproces. Prøv forskellige AI-værktøjer. Se, hvad der reelt forbedrer dit teams arbejde. Mål effekten, behold det, der fungerer, og vær ikke bange for at opgive det, der ikke gør.

Samtidig er der lige nu en fristelse til at bygge alting om, fordi AI findes. Det er ikke den rigtige tilgang.

Hvis en proces allerede fungerer godt, hører AI ikke nødvendigvis hjemme der. AI skal løse reelle problemer, ikke skabe nye.

Desuden bør ikke alle beslutninger automatiseres. Hos Data Dumpling automatiserer AI ganske vist en stor del af identificeringen af leads, kortlægningen af indkøbsudvalg og analysen af intentsignaler, men vi bygger hele vores arbejdsgang op omkring et menneske i processen. AI er fremragende til at afdække muligheder, forbinde signaler og prioritere, hvor opmærksomheden skal rettes. Men en person træffer stadig den endelige beslutning, uanset om det handler om at forfølge en konto, ændre en strategi eller beslutte, hvordan man skal reagere på et komplekst købsignal.

Det er et bevidst designvalg. Målet er ikke at erstatte dømmekraft. Det handler om at give mennesker bedre kontekst, så de kan træffe bedre beslutninger.

I sidste ende kommer succes i AI-æraen ikke af at bruge flest værktøjer. Den kommer af at vide, hvor AI skaber løftestangseffekt, og hvor menneskelig dømmekraft stadig er vigtig.

Følg med

Du kan følge Tara Sakhuja på LinkedIn og Instagram. Og tag et kig på Data Dumpling og Luv or Pop.

Der kommer flere ekspertinterviews på The CPO Club!