Jos meidän pitäisi asettaa viimeisten 10 vuoden merkittävimmät tuotealan paradigman muutokset järjestykseen, sanoisin, että tekoäly ja tuotevetoinen kasvu olisivat listan kärjessä. Molemmissa käsitteissä on pohjimmiltaan kyse tehokkuuden lisäämisestä ja siitä, että saadaan enemmän aikaan vähemmällä. Todellinen oikotie on kuitenkin niiden yhdistäminen ja suurten kielimallien ajansäästövoiman hyödyntäminen PLG-strategian tehostamiseksi.
Äskettäisessä paneelitapahtumassa ”Kuinka tekoälyä käytetään tuotevetoisen kasvun tehostamiseen” kokosimme yhteen kolme mahtavaa PLG-asiantuntijaa — Delight Pathin perustajan Ramli Johnin, Jam.devin toimitusjohtajan Dani Grantin ja Kasvuhakkerointi aloittelijoille -kirjan kirjoittajan Anuj Adhiyan. Keskustelimme heidän kanssaan tavoista, joilla tuotetiimit voivat hyödyntää tekoälyteknologiaa jo nyt käyttäjäpolun jokaisen vaiheen tehostamiseksi.
Haastattelun kohokohdat
- Ramli Johnin näkemyksiä käyttöönotosta [01:16]
- Ramli pitää suurimpana käyttöönoton ongelmana sisäistä kitkaa, ei tuotteeseen liittyvää kitkaa.
- Tuote-, markkinointi- ja asiakasmenestystiimit työskentelevät usein siiloissa ilman yhteistyötä.
- Ramli kertoo, että tämä ongelma oli olemassa jopa Appcuesissa, tuotteen käyttöönotto-ohjelmistoja tarjoavassa yrityksessä.
- Hänen ratkaisunsa on parantaa tiimien välistä viestintää ja muodostaa yhteinen näkemys siitä, miltä käyttäjän menestys näyttää.
- Dani Grant kasvun ja sitoutumisen tasapainottamisesta [02:12]
- Jam.dev on kasvanut 150 000 käyttäjään 32 Fortune 100 -yrityksessä.
- Dani kehuu Ramlin kirjaa Tuotevetoinen käyttöönotto mullistavaksi ja kertoo sen olevan pakollista luettavaa hänen kasvusta vastaavalle tuotetiimilleen.
- Kirja määrittelee käyttöönoton uudelleen prosessiksi, joka alkaa jo ennen rekisteröitymistä ja jatkuu pitkään sen jälkeen, mikä parantaa tuotteen tuloksia.
- Dani pitää Jamin kasvun syynä sitä, että yritys jakaa tuotteen rakentamisesta saamiaan oppeja rakentajakeskeisen käyttäjäkuntansa kanssa.
- Hän korostaa, kuinka etuoikeutettua on saada osallistua tällaisiin tapahtumiin ja keskusteluihin.
- Anuj Adhiyan ainutlaatuinen lähestymistapa PLG:hen [03:49]
- Anuj suunnittelee Guinnessin maailmanennätysyritystä, jossa Bostonissa järjestettäisiin suurin juhlahattuja käyttävien ihmisten kokoontuminen.
- Tapahtuma liittyy hänen työhönsä PartyClickin kanssa. Hän toimii sovelluksen konsulttina.
- Idea syntyi luovana tapana mainostaa sovellusta ja pitää se linjassa brändinsä kanssa.
- Anuj hakee parhaillaan hyväksyntää Guinnessilta ja koordinoi järjestelyjä 2 500 ihmisen kokoamiseksi Boston Commoniin.
- Hän kertoo suunnitelmasta julkisesti pysyäkseen vastuullisena ja motivoituneena viemään hankkeen loppuun.
- Tekoälyn ja PLG:n risteyskohta [05:51]
- Jos PLG tarkoittaa ilmaista kokeilujaksoa tai freemium-mallia, se ei ole aina välttämätöntä, etenkään startup-yrityksille.
- Ramli neuvoo startup-yrityksiä aloittamaan henkilökohtaisesta lähestymistavasta läheisten asiakassuhteiden rakentamiseksi.
- Jos PLG tarkoittaa kitkan poistamista ja erinomaisten käyttökokemusten luomista, se on välttämätöntä.
- Käyttäjien odotukset saumattomista kokemuksista ovat kasvaneet merkittävästi, mikä vaikuttaa asiakkaiden säilyttämiseen ja aktivointiin.
- Ramli korostaa, että tekoälyn rooli tuotekokemuksen parantamisessa tulee olemaan tulevaisuudessa ratkaiseva.
- Ramli huomauttaa, että monet perustajat esittävät väärän kysymyksen keskittyessään menestyneiden yritysten, kuten Slackin, jäljittelemiseen.
- Hän neuvoo perustajia kysymään sen sijaan, miten he voisivat hyödyntää tuotettaan paremmin asiakkaidensa tarpeiden täyttämiseen.
- Tämä lähestymistapa johtaa tehokkaampiin ja paremmin kohdennettuihin tuotevetoisiin strategioihin sen sijaan, että muita kopioitaisiin sokeasti.
Näen monien perustajien esittävän väärän kysymyksen. Heidän pitäisi kysyä: Miten voin hyödyntää tuotettani paremmin palvellakseni asiakkaideni tai käyttäjieni perimmäisiä tarpeita?
Ramli John
- Tekoäly- ja PLG-strategiat [07:58]
- Dani selittää, että PLG:ssä yksilöllinen myynti on avainasemassa ja että tekoäly voi tehostaa sitä merkittävästi käsittelemällä suuria määriä järjestämätöntä dataa paremman segmentoinnin ja sisällön jakelun mahdollistamiseksi.
- Tekoäly tekee personoinnista ja supersegmentoinnista helpompaa kuin koskaan aiemmin ja auttaa yrityksiä parantamaan PLG-strategioitaan.
- Paras PLG-strategia on poikkeuksellinen tuote, joka synnyttää suosittelua, ja tekoäly voi auttaa luomaan entistä tehokkaampia tuoteominaisuuksia.
- Dani odottaa innolla taktiikoiden tarkempaa tutkimista, sillä tekoälyllä on merkittävä rooli käyttökokemuksen ja tulosten parantamisessa.
- Tekoäly PLG:n hankintavaiheessa [09:11]
- Dani kertoo, miten Jam hyödyntää tekoälyä PLG:n hankintavaiheessa.
- Tekoäly auttaa hakukoneoptimoinnissa luomalla jäsennyksiä ja muokkaamalla sisältöä hakukoneoptimoinnin parhaiden käytäntöjen mukaisesti, mikä parantaa sijoituksia hakutuloksissa.
- Tekoäly auttaa keräämään tietoja, kuten hinnoittelutietoja, sisällön tarkkuuden ja merkityksellisyyden parantamiseksi.
- Jam käyttää tekoälyä JavaScript-uutiskirjeen ja podcastin luomiseen kehittäjäyleisölleen ja tarjoaa joka viikko nopeasti omaksuttavaa ja kiinnostavaa sisältöä.
- Tekoälyn käyttö on johtanut korkeaan sitoutumiseen: uutiskirjeiden avausprosentti on yli 50 %, ja podcastilla on paljon kuuntelijoita.
- Ramli hyödyntää tekoälyä sisällön uudelleenkäyttöön hankintaa varten, esimerkiksi muuttamalla podcast-jaksoja blogikirjoituksiksi, Twitter-julkaisuiksi, LinkedIn-julkaisuiksi ja uutiskirjesisällöksi.
- Hän käyttää Castmagicin kaltaisia työkaluja tiivistelmien ja sisällön luomiseen, mikä edellyttää jonkin verran muokkaamista.
- Tekoäly auttaa maksimoimaan sisällön arvon ja mahdollistaa tehokkaamman jakelun ja sitouttamisen.
- Danin tiimi uskoo, että perustajavetoista myyntiä tapahtuu vuonna 2024 verkossa, kun perustajat jakavat visiotaan passiivisesti LinkedInin kaltaisten alustojen kautta.
- He käyttävät tekoälyä sisällön uudelleenkäyttöön esimerkiksi ottamalla podcastien YouTube-linkkejä ja käyttämällä OpusClipin kaltaisia työkaluja videoleikkeiden tai "ahaa-hetkien" luomiseen.
- Nämä tekoälyn luomat leikkeet tarjoavat arvokasta sisältöä jatkokeskusteluihin ja jakamiseen sekä tukevat hankintaprosessia.
- Dani kertoo, miten Jam hyödyntää tekoälyä PLG:n hankintavaiheessa.
- Tekoäly PLG:n aktivointivaiheessa [12:48]
- Tekoäly käyttöönoton aktivoinnissa: Eräs yritys käyttää tekoälyä myyntipuheluiden tallenteiden analysointiin ja yksilöllisten asiakasmenestysasiakirjojen luomiseen.
- Tekoäly auttaa laatimaan sähköpostipohjaisia käyttöönoton viestisarjoja myynti- ja käyttöönottopuheluissa esiin nousseiden kipukohtien perusteella.
- ChatGPT:tä koulutetaan vastaväitteillä ja tukipyyntötiedoilla asiakasaktivoinnin parantamiseksi.
- Amplituden ja June.son kaltaiset tekoälytyökalut analysoivat käyttäjätietoja tunnistaakseen säilyttämisen mittareita, mikä auttaa ennustamaan käyttäjien käyttäytymistä ja parantamaan sitoutumista.
- Datan määrä on tärkeä – tekoälymallit toimivat parhaiten suuren käyttäjäkannan kanssa, jotta niistä saadaan tarkkoja oivalluksia.
- Käyttäjien aktivoinnin edistämiseksi kannattaa keskittyä kannustamaan keskeisiin toimintoihin, kuten neljän virheraportin luomiseen Jamissa.
- Tekoäly on hyödyllinen apuväline monien ideoiden aivoriihessä, vaikka osa ideoista olisi huonoja, sillä ne voivat innostaa parempiin ratkaisuihin.
- Tavoitteena on löytää tehokkaita tapoja ohjata käyttäjiä tiettyihin toimintoihin, jotka osoittavat tuotteen arvon.
- Ihmisten on vaikea luoda ideoita tyhjästä, mutta he ovat erinomaisia arvioimaan olemassa olevia ideoita ja reagoimaan niihin.
- Tekoäly auttaa tarjoamalla ensimmäisen luonnoksen tai idean, joka käynnistää lisää luovaa ajattelua.
- Kun lähtökohta on annettu, ihmiset ovat parempia hiomaan ja parantamaan konseptia.
- Suuria kielimalleja voidaan kouluttaa palautteen avulla niiden tuotosten parantamiseksi.
- Tekoälyä kannattaa kohdella uransa alkuvaiheessa olevan harjoittelijan tavoin, joka oppii palautteesta, mikä on hyvää ja mikä huonoa.
- Palautteen antaminen auttaa tekoälyä tuottamaan ajan mittaan parempia ideoita ja tuloksia.
- Aktivointi liittyy lyhyen aikavälin säilyttämiseen eikä ole erillinen vaihe.
- Kun käyttäjät ovat tuotteessa, painopiste siirtyy heidän pitämiseensä mukana pidempään ja ansaintamallin parantamiseen.
- Aktivointi ja säilyttäminen tapahtuvat jatkuvalla jatkumolla eivätkä erillisinä vaiheina.
- Tekoäly PLG:n säilyttämisvaiheessa [19:07]
- Säilyttämistä muutetaan yhdistämällä perinteinen analytiikka tekoälyanalyysiin.
- Tekoäly auttaa löytämään mikrokohortteja ja toimivia oivalluksia tuotteen käyttötiedoista.
- Tekoäly voi tunnistaa keskeisiä käyttäytymismalleja, kuten tietojen viemisen ja jakamisen tiimin jäsenten kanssa, jotka johtavat vahvempaan käyttäjien sitoutumiseen.
- Tekoäly mahdollistaa käyttäytymisen laukaisemat asiakaspolut, joissa sisältöä ja kokemuksia mukautetaan käyttäjän toimien perusteella.
- Hyödyntämismallien perusteella voidaan tunnistaa potentiaaliset käyttäjät betaohjelmiin tai neuvonantajaryhmiin.
- Määrällisen datan yhdistäminen laadullisiin oivalluksiin tarjoaa 360 asteen näkymän käyttäjien käyttäytymiseen ja tarpeisiin.
- Tekoälyn ja analytiikan yhdistelmä parantaa käyttäjäoivallusten nopeutta ja tarkkuutta.
- Määrällisen ja laadullisen datan yhdistäminen tekoälyn avulla [22:52]
- Tiimeillä on usein toisistaan irrallisia tietolähteitä, kuten tuotemarkkinoiden sopivuutta mittaavia kyselyitä, tukipyyntöjä ja myyntikeskusteluja.
- Haasteena on näiden tietolähteiden yhdistäminen epäselvän omistajuuden vuoksi.
- Tekoäly voi toimia "työntekijänä", joka kokoaa ja esittelee nämä tiedot sidosryhmille sekä poistaa päättämättömyyden.
- Vaikka täysi automaatio ei olisi mahdollista, vietyjen taulukkolaskentatiedostojen yhdistäminen voi nopeuttaa oivallusten saamista ja päätöksentekoa.
- Oivallusten odottamisen vaihtoehtoiskustannus on suuri, joten nopea yhdistäminen ja toiminta ovat välttämättömiä.
- Osastosiilojen purkaminen tekoälyn avulla [25:05]
- Kasvu on toimintojen välistä yhteistyötä edellyttävä ponnistus, jossa sisällön, koulutuksen, yhteisön, tuotteen ja myynnin tiimien on tehtävä yhteistyötä.
- Kasvutiimin tavoitteena on tuoda sidosryhmät yhteen, jotta kasvun tila voidaan ymmärtää, ongelmat tunnistaa ja mahdollisuuksiin tarttua.
- Oivallusten tehokas viestintä osastojen välillä on ratkaisevan tärkeää – kyse ei ole vain datan esittämisestä.
- Tekoäly voi auttaa johtajia muotoilemaan ja viestimään datapisteitä tavalla, joka puhuttelee eri tiimejä ja purkaa siiloja.
- Tarinoiden voima ja selkeä viestintä ovat elintärkeitä sen varmistamisessa, että kaikki osastot ovat linjassa keskenään.
- Tuotepäälliköt (PM:t) omistavat tuotteen menestyksen ja ovat vastuussa ongelmien ratkaisemisesta haasteesta riippumatta.
- Taulukkolaskentatason datasta käyttäjätason oivalluksiin siirtyminen voi olla vaikeaa, mutta PM:t saavat sen toimimaan.
- Hyödyllinen taktiikka on säännöllinen vuorovaikutus asiakkaiden kanssa: perustajat lähettävät edellisen viikon sadalle aktiivisimmalle käyttäjälle sähköpostia ja pyytävät palautetta.
- Harkitut vastaukset johtavat mahdollisuuksiin järjestää seurantapuheluita ja varmistavat jatkuvan palautesilmukan.
- Tämä taktiikka tarjoaa PM:ille helpon pääsyn käyttäjäoivalluksiin ilman uuden asiakaspuheluprosessin luomista.
- Laajentuminen tekoälyn avulla: käytännön esimerkkejä [29:20]
- Laajentuminen nähdään osana jatkuvaa prosessia, joka yhdistää eri vaiheet.
- Perinteiset laajentumisstrategiat perustuvat usein käyttöön liittyvien signaalien tai neljännesvuosikatsausten odottamiseen.
- Esimerkki: SaaS-yritys käyttää Gongia asiakasvuorovaikutusten, kuten myyntipuheluiden ja tukipyyntöjen, analysointiin laajentumisen merkkien löytämiseksi.
- Järjestelmä tunnistaa hienovaraisia merkkejä, kuten keskusteluja viereisistä käyttötapauksista, uusista tiimin jäsenistä tai kipukohdista.
- Yhdistämällä keskusteludatan tuotteen käyttöanalytiikkaan yritys luo "laajentumisaikomuksen pisteytyksiä".
- Selkeät laajentumissignaalit aktivoituvat, kun käyttäjät saavuttavat käyttörajoja, kuten lähestyvät API-rajoja tai tutustuvat premium-ominaisuuksiin.
- Tavoitteena on tunnistaa laajentumismahdollisuudet ja samalla tehdä prosessista asiakkaalle luonnollinen ja arvoa tuottava.
- Tuotteen pitäisi hoitaa suurin osa työstä, mutta käyttäytymisen muuttaminen edellyttää luotettuja kasvoja.
- Laajentumisvaihe on usein ihmisen johtama, ja tiimien auttamiseksi käytön laajentamisessa järjestetään useita peräkkäisiä puheluita.
- Puheluiden jälkeen seurannan tulisi olla harkittua, mutta alusta aloittaminen voi olla haastavaa.
- Clauden kaltaiset tekoälytyökalut voivat auttaa tiivistämällä puhelutranskriptien keskeiset kohdat, jotta seurantaviestien luonnokset voidaan laatia nopeasti.
- Tämä lähestymistapa on erityisen hyödyllinen useiden puheluiden jälkeen, kun energia on vähissä tai yksityiskohtia on vaikea palauttaa mieleen.
- Tekoälyä hyödyntävän PLG-strategian rakentaminen [32:20]
- Tekoälyn tuotoksen laatu riippuu syötteen laadusta: heikko syöte johtaa heikkoon tuotokseen.
- Älä aloita tyhjästä, vaan anna tekoälylle olennaista ja tarkkaa dataa.
- Kouluta tekoäly parhailla asiakaskokemuksillasi ja keskeisillä asiakirjoillasi.
- Anna tekoälylle selkeä konteksti ja täsmälliset ohjeet siitä, mitä etsit.
- Kohtaa tekoäly kuin uusi harjoittelija – kerro yksityiskohtaisesti ja suoraan odotuksista.
- Käytä täsmällisiä kehotteita, kuten pyydä tekoälyä luomaan luettelomerkit asiakasvuorovaikutusten ja yrityksen tietojen perusteella.
- Nuoremmat tiimin jäsenet saattavat pitää "valmista" vain "loppuun saatettuna" eivätkä ymmärrä vaikutusta.
- Kokeneemmat tiimin jäsenet tunnistavat tekoälyn tuottaman työn seuraavat vaiheet tai virheet.
- Tekoälyn käytön vaarana on olettaa, että työn valmistuminen riittää ilman syvempää analyysia.
- Tämän välttämiseksi tiimissä ja yrityksessä kannattaa keskustella siitä, mitä "valmis" tarkoittaa tekoälyn kanssa tai ilman sitä.
- Asianmukainen kehottaminen on ratkaisevan tärkeää tekoälyjärjestelmille; perustason Google-hakujen testaaminen voi osoittaa jonkun kyvyn laatia tehokkaita kehotteita.
- Tiimin jäsenten tulisi ymmärtää tuotteen tärkein mittari, jotta kaikki tehtävät ovat linjassa käyttäjäarvon kasvattamisen kanssa.
- Kontekstin asettaminen ja laajemman käyttäjänäkökulman ymmärtäminen ovat olennaisia ennen tekoälyjärjestelmien kanssa toimimista.
Varmista, että kaikki tiimin jäsenet ymmärtävät tuotteen tärkeimmän mittarin. Tämä on ratkaisevan tärkeää, koska se auttaa kaikkia hahmottamaan, miten tuotamme arvoa käyttäjillemme ja asiakkaillemme. Kaiken toimintamme tarkoituksena on kasvattaa tätä arvoa.
Anuj Adhiya
- Tekoälyn vinoumien torjuminen PLG-strategioissa [38:22]
- Tekoäly on työkalu, mutta ihmisen harkinta on ratkaisevan tärkeää vinoumien ja harhaanjohtavien johtopäätösten välttämiseksi.
- Tekoälyä käytettäessä tarvitaan skeptistä ajattelutapaa kriittisen ajattelun ja tietoisuuden varmistamiseksi.
- Pelkkä tekoälyn antama vastaus ei välttämättä ratkaise ongelmaa, vaan tarvitaan huolellista analyysiä.
- Tekoälyä tulisi käyttää yhtenä päätöksenteon tietolähteenä laadullisen datan ja muiden lähteiden rinnalla.
- Inhimillinen väliintulo on tarpeen vinoumien havaitsemiseksi ja lopullisten päätösten tekemiseksi.
- Tekoäly voi antaa ehdotuksia, mutta ihmisten on lopulta päätettävä suunnasta kaikkien tietojen perusteella.
- On oltava varovainen, jotta tekoälyn ei anneta tehdä päätöksiä itsenäisesti.
- On tärkeää muistaa aiemmat menetelmät vertailua ja tekoälyn virheiden havaitsemista varten.
- Käytä triangulaatiomenetelmää: varmista tekoälyn havainnot raakadatalla, palautteella ja asiakasmenestystiimin näkemyksillä.
- Varmista, että tekoälyjärjestelmien koulutusdata on monipuolista ja huomioi erikokoiset yritykset, toimialat ja käyttötapaukset.
- Jotkin työkalut, kuten Heap Analytics, on suunniteltu vähentämään tekoälymallien vinoumia.
- Varmista aina tekoälyn tulokset manuaalisesti, jotta luottamus järjestelmään säilyy.
Tekoälyssä on se puoli, ettei se ratkaise inhimillisiä ongelmia – sinun on edelleen käytettävä omaa harkintaasi. Se on loistava työkalu, mutta sinun on säilytettävä skeptinen ajattelutapa.
Dani Grant
- Tekoäly verrattuna perinteiseen tukeen vuonna 2024 [41:47]
- Vuonna 2024 käyttäjäkokemus on ensisijainen tavoite kilpailun kiristymisen ja työkalujen vaihtamisen helppouden vuoksi.
- Tekoälytyökalut voivat olla hyödyllisiä asiakastuessa, jos ne parantavat käyttäjäkokemusta esimerkiksi tarjoamalla helpon pääsyn dokumentaatioon.
- Päätöksen tekoälyn käytöstä tulisi perustua tavoiteltuun käyttäjäkokemukseen: halutaanko automatisoitua tukea vai henkilökohtaista, ympäri vuorokauden saatavilla olevaa ihmistukea.
- Tietyille yleisöille, kuten kehittäjille, nopeat kyselytyökalut voivat riittää, kun taas yritysasiakkaat saattavat tarvita henkilökohtaisempaa tukea.
- Tekoälyn automaation lisääntyessä ihmiset kaipaavat enemmän inhimillistä yhteyttä.
- Asiakkaat arvostavat ihmisten välistä vuorovaikutusta, erityisesti asiakastuessa ja asiakasmenestyksen parissa.
- Henkilökohtainen kohtaaminen tai inhimillinen ote B2B-tuotteissa voi luoda vahvempia yhteyksiä ja enemmän arvoa.
- Tekoälyn kehityksestä huolimatta ihmisten osallistuminen on edelleen ratkaisevan tärkeää asiakkaiden luottamuksen ja uskollisuuden rakentamisessa.
- Tekoälykokemusten laatu on yhä tärkeämpää.
- Heikkolaatuiset tekoälyominaisuudet tai keskustelutuki voivat turhauttaa käyttäjiä enemmän kuin perinteinen tuki.
- Jos tekoäly otetaan käyttöön, erityisesti asiakastuessa, sen on oltava laadukasta.
- Tekoälytoiminnallisuuksille asetettu rima on asiakkaiden odotusten vuoksi korkeammalla kuin perinteisille ominaisuuksille.
- Tekoälyn personoinnin ja käyttäjien yksityisyyden tasapainottaminen [45:17]
- Noudata tietosuojakäytäntöäsi, kun käytät tekoälyä personointiin.
- Käytä vain tietosuojakäytäntösi sallimia tietoja.
- Jos käyttäjätiedot eivät kuulu käytännön piiriin, älä käytä niitä.
- Aseta käyttäjien luottamus kaiken muun edelle.
- Personoidusta tuesta voi olla hyötyä, kun käyttäjät ovat jumissa.
- Yksityisyyteen liittyviä huolenaiheita syntyy, jos käyttäjistä tuntuu, että heitä tarkkaillaan.
- Käyttäjät saattavat odottaa jonkinasteista seurantaa tuotteen sisällä.
- ”Kunnioittava personointi” tarkoittaa avoimuutta vastineeksi saadusta arvosta.
- Käyttäjät odottavat tekoälypohjaista personointia, mutta edellyttävät selkeitä hyötyjä.
- Varmista, että tietojen keräämisestä on käyttäjille osoitettavissa oleva hyöty.
Tutustu vieraisiimme
Delight Pathin perustaja Ramli John on johtava B2B SaaS -yritysten tuotelähtöisen käyttöönoton asiantuntija. Tuotelähtöinen käyttöönotto -kirjan bestseller-kirjailijana hän on myynyt yli 35 000 kappaletta ja auttaa tuotetiimejä suunnittelemaan käyttöönottoelämyksiä, jotka edistävät aktivointia ja asiakkaiden pysyvyyttä. Markkinoinnin, UX-suunnittelun ja ohjelmistokehityksen taustansa ansiosta hän on neuvonut esimerkiksi Zapieria, Appcuesia ja Mixpanelia sekä luonut käytännönläheisiä strategioita, jotka kasvattavat kuukausittaista toistuvaa liikevaihtoa ja asiakasmenestystä.
Jos voisin heilauttaa taikasauvaa, saisin tiimit viestimään enemmän ja sopimaan siitä, miltä menestys näyttää käyttäjän näkökulmasta. Se on haastava ongelma, mutta siitä aloittaisin.
Ramli John
Dani Grant on Jam.dev-yhtiön toinen perustaja ja toimitusjohtaja. Jam.dev on kehittäjätyökalu, joka mahdollistaa nopeamman viestinnän tuote- ja suunnittelutiimien välillä virheistä ja korjauksista. Nykyään Jam on saavuttanut suurten asiakkaiden, kuten Unileverin, Staplesin, T-Mobilen ja Dellin, suosion.
Paras PLG-strategia on rakentaa niin loistava tuote, etteivät ihmiset voi olla puhumatta siitä muille.
Dani Grant
Anuj Adhiya on kasvun asiantuntija ja Kasvuhakkerointi vasta-alkajille -kirjan kirjoittaja, jolla on vankka kokemus SaaS-yritysten ohjaamisesta tuotelähtöisten kasvustrategioiden käyttöönotossa. Dataohjauksestaan tunnettu Anuj on auttanut startup-yrityksiä kasvamaan rakentamalla kasvun viitekehyksiä, jotka edistävät käyttäjähankintaa, käyttäjien pysyvyyttä ja pitkäaikaista sitoutumista. Hän puhuu usein kasvusta ja PLG:stä, ja hänen näkemyksensä auttavat tuotetiimejä vapauttamaan kestävän kasvun sovittamalla datan, kokeilut ja strategian yhteen.
Kasvu on yleisesti ottaen joukkuelaji. Se on määritelmän mukaan monialaista, ja tämä pätee erityisesti tuotelähtöisessä maailmassa. Kokoat yhteen sisältö-, koulutus-, yhteisö-, tuote- ja myyntitiimit sekä monet muut tiimit, joiden on työskenneltävä sopusoinnussa.
Anuj Adhiya
Tämän jakson resurssit:
- Tilaa The CPO Clubin uutiskirje
- Tutustu tämän jakson sponsoriin: Wix Studioon
- Ota LinkedInissä yhteyttä henkilöihin Ramli, Dani ja Anuj
- Tutustu yrityksiin Delight Path, Jam.dev ja Techstars
Aiheeseen liittyvät artikkelit ja podcastit:
- Tietoa The CPO Club -podcastista
- Opas tuotelähtöisen kasvun perusteisiin
- Näin hyödynnät kasvuhakkerointia, vaikka et olisikaan kasvuun keskittyvä tuotepäällikkö
- 6 esimerkkiä tuotelähtöisestä kasvusta: yritykset, jotka hyödyntävät PLG:tä oikein
- Näin hyödynnät kolmea kasvusilmukkaa
- Tuotelähtöisen kasvun mittaaminen: tärkeät mittarit & niiden hyödyntäminen
- Tuotelähtöisen kasvun vauhtipyörä: pakollista luettavaa PLG:ssä menestymiseen
Lue litterointi:
Kokeilemme podcastiemme litterointia ohjelmistolla. Anteeksi mahdolliset kirjoitusvirheet, sillä botti ei ole aina sataprosenttisen tarkka.
Hannah Clark: Jos meidän pitäisi laittaa viimeisen kymmenen vuoden tärkeimmät tuotealan paradigman muutokset järjestykseen, veikkaisin, että tekoäly ja tuotepohjainen kasvu olisivat listan kärjessä. Molemmissa on pohjimmiltaan kyse tehokkuuden vahvistamisesta ja siitä, että tehdään enemmän vähemmällä. Todellinen oikotie on kuitenkin yhdistää nämä kaksi ja käyttää suurten kielimallien ajansäästöön perustuvaa voimaa tuotepohjaisen kasvun strategian tehostamiseen.
Äskettäisessä paneelitapahtumassa, jonka aiheena oli tekoälyn hyödyntäminen tuotepohjaisen kasvun tehostamisessa, kokosimme yhteen kolme erinomaista tuotepohjaisen kasvun asiantuntijaa — Delight Pathin perustajan Ramli Johnin, Jam.dev:n toimitusjohtajan Dani Grantin ja Growth Hacking for Dummies -kirjan kirjoittajan Anuj Adhiyan. He keskustelivat tavoista, joilla tuotetiimit voivat hyödyntää tekoälyteknologiaa juuri nyt käyttäjäpolun jokaisen vaiheen tehostamiseen.
Pidin tapahtumassa erityisesti siitä, miten jokaisen panelistin asiantuntemus täydensi toisiaan, ja keskustelussa esitettiin paljon käytännöllisiä tapoja mukauttaa ja säätää kasvustrategiaa tekoälytyökalujen avulla. He olivat myös todella mukavia ihmisiä. Aloitetaan.
Tämän päivän keskustelun aiheena on siis tekoälyn hyödyntäminen tuotepohjaisen kasvun tehostamisessa. Keskustelemme alan upeiden asiantuntijoiden kanssa. Tänään meillä on todella kiinnostava kokoonpano, ja esittelen heidät mielelläni.
Mukana on Product-Led Onboarding -kirjan kirjoittaja Ramli John, joka on myös tunnettu tuotepohjaisen kasvun strategian asiantuntija. Ramli ymmärtää syvällisesti, miten potentiaalisista asiakkaista tehdään innokkaita käyttäjiä. Meillä on Ramliä varten tänään pieni tietovisakysymys.
Ramli, jotkut SaaS-alan suurimmista nimistä ovat kutsuneet sinua perehdytyksen velhoksi, ja kirjasi Product-Led Onboarding on muuttanut lukemattomien tuotetiimien toimintaa. Kehumme sinua nyt oikein kunnolla. Jos voisit heilauttaa taikasauvaa ja korjata välittömästi yleisimmän näkemäsi perehdytysvirheen, mikä se olisi?
Ramli John: Kiitos paljon, Hannah. Sanoisin, ettei kyse oikeastaan ole tuotteesta. Perehdytyksen suurin ongelma liittyy usein sisäiseen kitkaan, ei tuotteen aiheuttamaan kitkaan. Tarkoitan tällä sitä, että tuotetiimi hoitaa oman osuutensa tuotteessa, markkinointi lähettää perehdytysviestinsä ja asiakasmenestystiimi hoitaa oman asiakasperehdytyksensä.
He eivät kuitenkaan keskustele keskenään. Näin kävi jopa silloin, kun työskentelimme Appcues-nimisessä perehdytysyrityksessä, joka oli siis tuotteen käyttöönotto-ohjelmisto, ja meillä oli sama ongelma. Jos voisin heilauttaa taikasauvaa, saisin tiimit keskustelemaan enemmän keskenään ja sopimaan siitä, miltä käyttäjän onnistuminen näyttää. Se on vaikea ongelma, mutta siitä aloittaisin.
Hannah Clark: Siiloutuminen on todellakin yksi ikuisista ongelmista. Kiitos tästä.
Mukana on myös Dani Grant. Hän on Jam.dev:n perustaja ja entinen tuotepäällikkö. Dani tunnetaan siitä, että hän käyttää tuotetietoa saumattomien ja vaikuttavien käyttäjäkokemusten suunnitteluun, ja hän on muutenkin aivan mahtava ihminen. Dani, kiitos paljon, että olet mukana.
Kysymys sinulle: Jam on kasvanut huimasti 150 000 käyttäjään 32 eri Fortune 100 -yrityksessä, mikä on uskomatonta. Lisäksi puhut tapahtumissa ja konferensseissa ja olet aktiivinen LinkedInissä päivittäin. Olen rehellisesti sanottuna hieman kateellinen sille, miten saat kaiken tämän toimimaan. Mikä on salaisuutesi kaiken tämän tekemiseen ja järjissä pysymiseen?
Dani Grant: Ensinnäkin kaikkien täällä pitäisi lukea Ramlin kirja. Se on todella hyvä. Kanssaperustajani luki sen ensin yrityksessämme ja sanoi sitten, että minun täytyy lukea se. Luin sen, ja nyt se on kasvutuotetiimimme pakollista luettavaa. Se muuttaa täysin käsityksesi siitä, mitä perehdytys tarkoittaa.
Me kaikki tuotepäälliköt ajattelemme perehdytystä jatkuvasti. Ajattelemme sitä kuitenkin yleensä ajanjaksona rekisteröitymisestä siihen, kun käyttäjä on käyttänyt tuotetta. Ramlin kirja osoittaa, että perehdytys alkaa paljon aikaisemmin ja päättyy paljon myöhemmin. Kun perehdytystä tarkastellaan tällä tavalla, tuotteen tulokset muuttuvat, kuten meille on käynyt.
Joka tapauksessa Ramli on loistava. Lukekaa hänen kirjansa. Puhumisen osalta olemme todella onnekkaita. Kaikki käyttäjämme ovat rakentajia. He yrittävät muuttaa maailmaa ohjelmistojen avulla. Me rakennamme täällä yritystämme, ja käyttäjämme rakentavat omia yrityksiään. Tehtävämme on jakaa se, mitä opimme Jamin rakentamisesta, kaikkien muiden omia asioitaan rakentavien kanssa.
Siksi julkaisemme oppimiskokemuksia verkossa ja osallistumme tällaisiin keskusteluihin. Se on suuri etuoikeus ja kunnia. Kiitos, että kutsuitte minut.
Hannah Clark: Arvostan sitä, että käytit aikaa liittyäksesi paneeliin. Hienoa. Sanoinhan, että hän on mahtava ihminen.
Mukana on myös Anuj Adhiya. Anuj on kasvun asiantuntija ja Growth Hacking for Dummies -kirjan kirjoittaja. Hän kirjoittaa productled.com-sivustolle ja hänellä on laaja kokemus SaaS-yritysten auttamisesta tuotepohjaisten kasvustrategioiden käyttöönotossa. On kunnia saada sinut mukaan tänään, Anuj.
Keskustelimme ennen tilaisuutta siitä, että suunnittelet Guinnessin maailmanennätyksen tekemistä kokoamalla Bostoniin mahdollisesti maailman suurimman määrän juhlahattuja käyttäviä ihmisiä. Se on mielestäni todella hienoa, mutta tarvitsemme hieman taustaa. Voitko kertoa lisää suunnitelmastasi ja siitä, miten ihmiset voivat osallistua? Mihin juhlahatun voi lähettää?
Anuj Adhiya: Ensinnäkin kiitos kutsusta. Tämä on todella hauska ryhmä, johon on hienoa kuulua. Pinnalta katsottuna tämä ei ehkä liity mitenkään tuotepohjaiseen kasvuun, mutta oikeasti liittyy, koska kyseessä on suuri kokeilu.
Konsultoin PartyClick-nimistä juhlakutsusovellusta. Käykää tutustumassa siihen, jos haluatte helpon tavan järjestää tapahtuman. Aloimme miettiä, miten voisimme saada sen useampien ihmisten eteen. Esille tuli paljon ideoita, kuten oman julkkisten kaksoisolentotapahtuman järjestäminen — samaan tapaan kuin äskettäinen Timothée Chalamet -tapaus.
Sitten joku tiimistä kysyi, eikö suurimmista kokoontumisista ole olemassa maailmanennätyksiä. Niinpä ajattelimme, että juuri niin meidän pitäisi tehdä. Katsoin Guinnessin ennätysten kirjaa ja huomasin, että juhlahattuja käyttävistä ihmisistä on olemassa maailmanennätys. Ajattelin, että hienoa — tämä sopii tuotteen nimeen, juhlahatut ja PartyClick.
Joten meidän pitäisi vain tehdä tämä. Tällä viikolla olen yrittänyt saada hakemuksen läpi Guinnessin ennätysten kirjaan ja suostutella Bostonin kaupunkia antamaan 2 500 ihmisen kokoontua Boston Commoniin. Katsotaan, kuinka lähelle tavoitetta pääsen. Kerron tästä julkisesti ennen kaikkea siksi, että pysyn itse vastuussa ja ihmiset voivat hävetäkseni muistuttaa minua, jos en saa tätä toteutettua.
Hannah Clark: Jos olet Bostonin alueella, ota juhlahattusi mukaan. Mikä päivä joulukuussa se olikaan?
Anuj Adhiya: Ajattelimme joulukuun 22. päivää.
Hannah Clark: Selvä, nyt tiedätte.
Anuj Adhiya: Jos olet alueella, mietimme tätä, ja jos en saa sitä toteutettua, tiedät, kenelle tiili pitää heittää takaisin.
Hannah Clark: Siirrytään seuraavaksi taustan luomiseen: tekoälyn ja tuotepohjaisen kasvun risteyskohtaan.
Tämä kysymys on Ramliä varten. Yleisellä tasolla: onko tuotepohjaisesta kasvusta tullut SaaS-alalle välttämätöntä? Näemme termin usein muotisanana. Missä tilanteessa olemme tällä hetkellä?
Ramli John: Sanoisin, että se riippuu. Niin, se riippuu. Se on huono vastaus, mutta kaikki riippuu siitä, miten tuotepohjainen toiminta määritellään. Jos tarkoitat tuotepohjaisuudella ilmaista kokeilujaksoa tai freemium-mallia, en usko, että se on välttämätöntä. Itse asiassa suosittelen, että startupit aloittavat korkean kosketuksen mallilla ja tutustuvat asiakkaisiinsa.
Jos tuotepohjaisuus tarkoittaa kaiken tarpeettoman kitkan poistamista ja hyvän käyttökokemuksen luomista, uskon sen olevan välttämätöntä. Tuotekokemusta koskevat odotukset ovat kasvaneet huomattavasti viimeisen kymmenen vuoden aikana. Aiemmin ärsyttävä asia saatettiin hyväksyä normaalina, mutta nyt käyttäjä voi siirtyä satojen muiden vaihtoehtojen pariin.
Hyvän käyttökokemuksen luominen loppukäyttäjille on ratkaisevaa säilyttämisen, aktivoinnin ja kaikkien muiden myöhemmin käsiteltävien asioiden kannalta. Jos tuotepohjainen tarkoittaa tätä, kyllä, se on välttämätöntä. Jos sillä tarkoitetaan vain ilmaista kokeilujaksoa tai freemium-mallia, ei, se ei mielestäni ole välttämätöntä.
Hannah Clark: Hienovarainen vastaus. Onko kenelläkään lisättävää tuotepohjaisen kasvun merkityksestä tai nykytilasta?
Dani Grant: Se on todella tehokasta.
Ramli John: Haluaisin lisätä, että monet perustajat kysyvät mielestäni väärän kysymyksen. He kysyvät, miten voisin olla enemmän Slackin kaltainen, vaikka heidän pitäisi kysyä, miten voisin hyödyntää tuotettani paremmin asiakkaani tai käyttäjäni tarpeiden palvelemiseen.
Se voi tarkoittaa monia eri asioita ja avaa paljon tehokkaampia tapoja toteuttaa tuotepohjainen lähestymistapa kuin jonkin sellaisen kopioiminen, joka ei koskaan toimi omassa yrityksessä.
Hannah Clark: Totta.
Siirrytään siihen, missä tekoäly tulee mukaan. Tämä kysymys on Danille. Miten tekoäly voisi mielestäsi tehostaa tuotepohjaisia kasvustrategioita? Onko teillä Jamissa kokemuksia sen hyödyntämisestä?
Dani Grant: Käymme kohta läpi kaikki taktiikat, mutta laajemmalla tasolla tuotepohjaisessa kasvussa tuotteesi myy itseään. Myyminen on tehokkaampaa, kun se on personoitua, ja se vaatii paljon sisältöä ja vakuuttamista.
Tämä on juuri sitä, missä tekoäly on todella hyvä. Yritykset ovat yrittäneet tehdä tätä pitkään koneoppimisen ja personoinnin avulla sekä segmentoimalla yleisöjä suurella määrällä sisältöä. Nyt tämän tekeminen hyvin on helpompaa kuin koskaan. On kuitenkin ymmärrettävä suuria määriä järjestämätöntä dataa.
Odotan innolla käytännön taktiikoihin siirtymistä. Tämä tuntuu yksinkertaisesti asialta, jossa tekoäly on todella hyvä. Haluan vielä sanoa, että paras tuotepohjainen kasvustrategia on rakentaa niin hyvä tuote, etteivät ihmiset voi olla puhumatta siitä muille. Tekoälyn avulla käyttäjille voi nyt rakentaa entistä tehokkaampia ominaisuuksia.
Se on mielestäni myös erittäin tärkeä osa kokonaisuutta.
Hannah Clark: Siirrytään perustan rakentamiseen ja tekoälyn rooliin käyttäjäpolun eri vaiheissa. Tämä on todennäköisesti keskustelun laajin osio, joten kannattaa kuunnella tarkasti. Laittakaa puhelimet sivuun. Käydään läpi tuotepohjaisen kasvun jokainen vaihe ja katsotaan, miten tekoäly voi tukea niitä.
Aloitetaan hankinnasta. Dani, haluatko kertoa, miten tiiminne käyttää tekoälyä hankintavaiheen tehostamiseen?
Dani Grant: Tässä on kaksi mainitsemisen arvoista asiaa. Ensimmäinen on ehkä ilmeisin: tuotepohjaisessa kasvussa asiakkaat löytävät tuotteen, koska tuote on tavallaan myynyt itsensä, ja he perehdyttävät itsensä.
Yksi alue, jolla täytyy tuottaa valtavasti sisältöä, on hakukoneoptimointi, jossa tekoäly voi olla erittäin hyödyllinen. Olemme kaikki nähneet, miltä huono toteutus näyttää. Sisältö vaikuttaa tekoälyn tuottamalta sekavalta tekstiltä eikä sijoitu hakutuloksissa. Tekoälystä on silti paljon hyötyä hakukoneoptimoinnissa. Näin käytämme sitä käytännössä.
Tekoäly laatii rungon hakukoneoptimoinnin parhaiden käytäntöjen perusteella. Otat artikkelin hakukoneoptimoinnin parhaista käytännöistä, annat sen suurelle kielimallille ja pyydät sitä kirjoittamaan rungon, joka noudattaa näitä käytäntöjä. Tekoäly voi muokata hakukoneoptimointiasi tai antaa suosituksia parhaista käytännöistä. Voit käyttää Perplexityä mainitsemiesi työkalujen etsimiseen ja pyytää sitä hakemaan kaikkien työkalujen hinnat.
Se on erittäin hyödyllistä. Lisäksi mietimme jatkuvasti, miten voisimme rakentaa sisältöä, joka kiinnostaa yleisöämme verkossa. Yleisömme koostuu kehittäjistä, ja verkkokehityksessä tapahtuu jatkuvasti paljon. Ala muuttuu nopeasti, joten halusimme tuottaa siitä sisältöä yleisöllemme.
Päätimme perustaa uutiskirjeen ja podcastin JavaScript-maailman viikon tapahtumista. Jos aihe kiinnostaa, osoitteessa thisweekinJavaScript.com voi saada joka viikko JavaScript-uutiset neljässä minuutissa tai nopeammin. Olemme pieni startup-tiimi emmekä pysty nauhoittamaan podcastia joka viikko. Tekoäly auttaa meitä merkittävästi ja mahdollistaa laadukkaan sisällön tuottamisen.
Uutiskirjeidemme avausaste on yli 50 prosenttia ja podcastia kuunnellaan paljon. Tekoäly auttaa meitä todella tekemään tämän. Nämä ovat kaksi tapaa, joilla käytämme tekoälyä tuotepohjaisen kasvun hankintavaiheessa.
Hannah Clark: Todella hienoa.
Ramli John: Olen käyttänyt tekoälyä hankintavaiheessa myös sisällön uudelleenkäyttöön. Otetaan esimerkiksi podcast-jakso ja syötetään se Castmagiciin tai vastaavaan työkaluun. Se tuottaa blogikirjoituksia, Twitter- ja LinkedIn-julkaisuja sekä uutiskirjeeseen sopivaa sisältöä. Sitä täytyy hieman muokata, eikä tulos ole täydellinen, mutta tämä on toinen alue, jolla olen nähnyt tekoälyn toimivan hankinnassa.
Miten sisällöstä saadaan enemmän irti? Miten yhdestä sisällöstä saadaan enemmän hyötyä? Se on yksi tapa käyttää tekoälyä hankintaan.
Dani Grant: Me teemme itse asiassa täsmälleen samaa. Yksi keskeisistä uskomuksistamme on, että vuonna 2024 perustajavetoinen myynti tapahtuu suurelta osin verkossa.
Aiemmin tarvittiin lämmin esittely ja ensimmäinen tapaaminen, jossa perustaja esitteli itsensä asiakkaalle. Nykyään tämä tapahtuu passiivisesti verkossa, kun ihmiset selaavat LinkedIniä. Siksi yritämme jatkuvasti jakaa verkossa näkemyksiämme maailmasta ja muutoksista, joita haluamme saada aikaan.
Käytämme tekoälyä osassa tätä prosessia, erityisesti sisällön uudelleenkäytössä. Jos joku tiimistämme esiintyy podcastissa, haemme YouTube-linkin ja syötämme sen OpusClipin kaltaiseen työkaluun. Se leikkaa videosta jaettavia katkelmia tai nostaa esiin oivalluksia herättäviä kohtia.
Näistä saamme pieniä aiheita, joista voimme puhua ja kirjoittaa myöhemmin. Tämä on ollut erittäin hyödyllistä myös hankintavaiheessa.
Hannah Clark: Tämä on tällä hetkellä todella merkittävä asia. Molemmat puhuitte siitä, miten sisältöä voidaan käyttää mahdollisimman monipuolisesti ja miten siitä saadaan mahdollisimman paljon irti. Hienoa. Siirrytään aktivointivaiheeseen.
Ramli, olet perehdytyksen asiantuntija. Millaisia tekoälyä hyödyntäviä käytäntöjä suosittelisit aktivointivaiheen tukemiseen?
Ramli John: Olen kuullut yrityksestä, joka käytti tekoälyä perehdytyksessään. Tuotepohjaisessa kasvussa yksi haasteista tai mahdollisuuksista on vahvan käyttäjä- tai asiakastutkimuksen osaamisen tarve. Myynnissä olet suorassa yhteydessä asiakkaisiin ja kuulet vastaväitteet. Kun tuote myy itseään, näitä vastaväitteitä ei kuulla, vaan käyttäjät vain lähtevät.
Miten siis saadaan arvokkaita näkemyksiä ja ymmärretään syitä, joita määrällinen data ei paljasta? Tämä yritys otti kaikki myyntipuhelunsa ja yhdisti ne korkean kosketuksen perehdytyskokemukseen suuryritysasiakkaille. He syöttivät puhelutallenteet ChatGPT:hen ja alkoivat käyttää niitä sisällön luomiseen.
Yksi kiinnostava käyttötapaus oli myynnin ja asiakasmenestyksen välisen siirtodokumentin luominen. Toinen oli viiden sähköpostin perehdytyssarjan laatiminen myynti- ja asiakasperehdytyspuheluissa esiin tulleiden kipupisteiden perusteella.
Koska malli oli koulutettu myyntipuheluissa esiin tulleilla vastaväitteillä sekä perehdytyspuheluiden kysymyksillä ja epäselvyyksillä, se ymmärsi paremmin, mitä asiakkaat kävivät läpi. Ehdotin, että he syöttäisivät mukaan myös useimmin pyydetyt tukipyynnöt. Tällöin aktivointivaiheen sähköpostisarjoja ja tuotteen opastuksia voisi rakentaa arvokkaamman tiedon perusteella.
Olen nähnyt myös edistyneempiä tekoälytyökaluja, joihin voi yhdistää yrityksen dataa ja jotka auttavat selvittämään säilyttämisen mittareita. Esimerkiksi Amplituden tai June.son kaltaisilla työkaluilla dataa voidaan analysoida ja saada selville, että menestyneimmät käyttäjät tekevät tiettyjä asioita ja että tietty osuus heistä pysyy mukana.
Tähän kannattaa suhtautua varauksella, mutta suuren käyttäjämäärän tapauksessa se voi tarjota arvokasta tietoa. Jos käyttäjiä on vain kymmenen, mallilla ei todennäköisesti ole tarpeeksi dataa luotettavien johtopäätösten tekemiseen. Tämä on tärkeä huomio tällaisessa analyysissä.
Hannah Clark: Käykö järkeen? Onko muilla vinkkejä tuotepohjaisen kasvun aktivointivaiheen tukemiseen?
Dani Grant: Kun hyvä aktivointi on määritelty ja käyttäjän tiedetään ottavan tietyt askeleet, täytyy keksiä ideoita, joilla käyttäjät saadaan ottamaan ne askeleet. Meillä käyttäjä on aktivoitunut, kun hän luo Jamilla neljä virheraporttia. Siksi mietimme jatkuvasti, miten saisimme käyttäjät tekemään kolmannen ja neljännen virheraportin.
Tekoäly on ihan kelvollinen tuottamaan paljon huonoja ideoita, jotka auttavat ihmisiä keksimään hyviä ideoita. Se on ehkä toinen ilmeinen tapa käyttää tekoälyä tässä vaiheessa.
Hannah Clark: Pidän ajatuksesta, että huonojen ideoiden avulla päädytään hyviin ideoihin.
Dani Grant: Ihmisten on vaikea käyttää puhdasta mielikuvitusta ja keksiä idea tyhjästä. Ensimmäisen luonnoksen kirjoittaminen on vaikeaa. Ihmiset ovat kuitenkin hyviä arvioimaan ja reagoimaan, koska aivomme toimivat niin. Näemme jotakin, mikä laukaisee uusia ideoita.
Kun käytössä on yksi huono ensimmäinen luonnos tai idea, toisen luonnoksen tekeminen on yhtäkkiä paljon helpompaa. Tekoäly auttaa tarjoamalla ensimmäisen version, joka saa aivot ajattelemaan.
Hannah Clark: Loistava neuvo. Anteeksi, taisin hieman keskeyttää sinut.
Ramli John: Halusin vain lisätä, että suurten kielimallien hyvä puoli on niiden koulutettavuus. Voit sanoa: tämä on huonoa, ja tässä syy. Anna sille palautetta. Kuulin Nathan Berryn podcastissa erinomaisen vertauksen: tekoälyä pitäisi kohdella aivan uransa alkuvaiheessa olevana harjoittelijana. Kun sille antaa hyvää palautetta, se oppii, mikä on hyvää ja mikä huonoa. Silloin huonosta ideasta annetun palautteen avulla tulokset paranevat vähitellen.
Hannah Clark: Tai ainakin huono versio toimii parempana lähtökohtana, jolloin omat ideasi ovat vielä parempia. En tiedä, toimiiko se aivan niin, mutta ehkä.
Anuj Adhiya: Ramli, olen kutsunut sitä päihtyneeksi harjoittelijaksi.
Ramli John: Se on parempi ilmaus, koska se on hyvin omalaatuinen.
Anuj Adhiya: Haluan lisätä vielä yhden asian, joka johdattaa ehkä seuraavaan aiheeseen. Aktivointi ei oikeastaan ole käyttäjän näkökulmasta erillinen vaihe. Kun käyttäjä on tuotteessa, hän on tuotteessa. Aktivointia kannattaa ajatella lyhyen aikavälin säilyttämisenä. Kun käyttäjä on tuotteessa, peli on käynnissä: miten hänet pidetään mukana pidempään, miten häntä voidaan palvella ja kaupallistaa paremmin ja niin edelleen.
Käyttäjän mielessä ei ole erillistä kytkintä, joka vaihtuu tilasta “olen aktivoitunut” tilaan “minut on säilytetty”. Kaikki tapahtuu säilyttämisen jatkumolla.
Hannah Clark: Käyttäjän asemaa on siis ajateltava sen perusteella, missä hän itse kokee olevansa, ei ainoastaan yrityksen määrittelemien vaiheiden mukaan.
Dani Grant: Käyttäjä voi käyttää tuotetta alussa ja lopussa. Tuotepäällikön sijaan käyttäjän näkökulmasta tarkasteltuna on vaihe, jossa hän tutustuu tuotteeseen, ja vaihe, jossa hän käyttää sitä. Aktivointi tapahtuu mielestäni siinä välissä, joten ne ovat käyttäjän näkökulmasta jossain määrin eri asioita.
Hannah Clark: Anuj, millaisia käyttötapauksia tai ideoita olet nähnyt tekoälyn hyödyntämisestä säilyttämisvaiheessa, kun käyttäjä on saatu tuotteeseen?
Anuj Adhiya: Tämä kuulostaa osittain jo sanotun laajentamiselta, mutta tuotepohjaisen kasvun ja säilyttämisen kannalta kiehtovaa on kykymme ymmärtää ja hyödyntää käyttäytymismalleja.
Monilla tiimeillä on valtavat määrät tuotteen käyttötietoa. Käytössä on esimerkiksi Amplitude, Heap ja Mixpanel. Silti sopivien, toimintaan johtavien oivallusten nopea tuottaminen on vaikeaa, koska data-analyytikkoja ei ole riittävästi tai yritys on vielä varhaisessa vaiheessa.
Tilanne muuttuu, kun perinteiset analytiikka-alustat yhdistetään nykyaikaisiin tekoälypohjaisiin analyysikykyihin. Aiemmin ihmiset toimivat pimeässä, mutta nyt valot on sytytetty.
Kun olen yhdistänyt dataa yksityisiin ChatGPT-versioihin tai vastaaviin työkaluihin, ne ovat tunnistaneet kiehtovia mikrosegmenttejä, joita olisi lähes mahdoton löytää käsin. Saatat huomata esimerkiksi, että käyttäjistä tulee tehokäyttäjiä kolme kertaa tavallista todennäköisemmin, jos he suorittavat tietyn toimintasarjan ensimmäisen viikon aikana.
Eräs asiakas huomasi, että käyttäjät, jotka sekä veivät dataa ulos että jakoivat sitä työtovereilleen ensimmäisten päivien aikana, osoittivat huomattavasti vahvempaa sitoutumista. Tässä yhdistyvät analyysi ja automaatio. Kun järjestelmä havaitsee käyttäjän noudattavan arvokasta toimintamallia, se voi muuttaa sisältöä tai kokemusta ja ohjata käyttäjän nopeammin kohti toimivaa polkua.
Joissakin tapauksissa tämä ulottuu tuotteen ulkopuolelle. Käyttömallien perusteella potentiaaliset käyttäjät voidaan kutsua beta-ohjelmaan tai asiakasneuvottelukuntaan. Näin asiakasta voidaan lähestyä nopeammin.
Todellinen läpimurto on määrällisen ja laadullisen tiedon yhdistäminen. Koneoppiminen voi analysoida tukipyyntöjen, yhteisön ja tuotepalautteen malleja, mutta kun nämä yhdistetään käyttötietoon, saadaan paljon syvempi kokonaiskuva siitä, mitä käyttäjät tekevät ja miksi he tekevät niin.
Hannah Clark: Onko kenelläkään esimerkkejä tämän käytännön toteutuksesta? Määrällisen ja laadullisen tiedon yhdistäminen on jatkuva haaste.
Anuj Adhiya: Monilla tiimeillä nämä toiminnot ovat erillään. Yksi tiimi tekee tuotteen markkinasopivuustutkimuksen, toinen tietokanta sisältää tukipyynnöt ja kolmas myyntikeskustelut. Joskus ei ole edes selvää, kenen vastuulla tietojen yhdistäminen on.
Tekoälyn määrittäminen eräänlaiseksi työntekijäksi voi poistaa epävarmuuden ja päätöksenteon ongelman. Se voi koota kaikki tiedot ja esittää ne sidosryhmille. Aloittaa voi pienesti yhdistämällä muutaman tietolähteen tai tuomalla useita taulukoita samaan järjestelmään ja pyytämällä sitä paljastamaan toimintamallit.
Hannah Clark: Verkkosuunnittelijat, tämä on teitä varten. Minulla on 30 sekuntia aikaa kertoa Wix Studiosta, toimistojen ja suuryritysten verkkosivualustasta. Studiossa voit mukauttaa suunnitelmasi jokaiselle laitteelle responsiivisen tekoälyn avulla, käyttää uudelleen mallipohjia, pienoisohjelmia, osioita ja suunnittelukirjastoja, lisätä koodittomia animaatioita ja liukuvärjättyjä taustoja sekä viedä suunnitelmat Sigmasta Wix Studioon yhdellä napsautuksella. Aika loppui, mutta luettelo jatkuu. Tutustu Wix Studioon itse.
Anuj Adhiya: Kasvu on monen pelaajan laji ja eri toimintojen välistä yhteistyötä. Tuotepohjaisessa maailmassa sisältö, koulutus, yhteisö, tuote ja myynti on saatava toimimaan yhdessä. Kasvutiimin tehtävä on tuoda keskeiset sidosryhmät yhteen ymmärtämään kasvun nykytila, ongelmat ja mahdollisuudet.
Tärkeää ei ole vain tietää omaa rooliaan, vaan ymmärtää, mikä olisi vaikuttavin asia, jonka voisi tehdä juuri nyt. Kasvun johtaminen on myös tarinankerrontaa ja oivallusten viestimistä. Tekoälyltä voi pyytää apua siihen, miten sama tieto ilmaistaan paremmin myynnille, kehittäjäsuhteille tai tuotetiimille.
Hannah Clark: Pidän tästä taktiikasta. Meillä oli podcast-jakso tunnetun UX-tutkijan Michele Ronsenin kanssa. Hän suositteli samankaltaista, mutta enemmän manuaalista prosessia. Kun tutkimus on tehty, pitää miettiä, miten eri osastot voivat hyödyntää sitä. Hänen ehdotuksensa oli jäsentää löydökset osastoittain: mitä nämä havainnot tarkoittavat kunkin osaston seuraavien toimenpiteiden kannalta.
Tekoälyä voidaan käyttää tähän vastaavasti kääntämällä eri osastojen havainnot yhteisiksi toimintasuosituksiksi. Näin tiimit voivat työskennellä paremmin yhdessä.
Dani Grant: Tämä ei ole tekoälyä toimintojen väliseen yhteistyöhön, mutta yritykset palkkaavat tuotepäälliköitä, koska tarvitaan henkilö, joka selvittää asiat perinpohjaisesti, omistaa koko ongelman ja vastaa tuotteen onnistumisesta.
Jos jokin asia ei kuulu kenellekään, joku voi ymmärtää sen taulukon tasolla muttei käyttäjän tasolla. Siksi tuotepäälliköt ovat niin arvokkaita. He eivät sano, ettei asia kuulu heille, vaan tekevät kaikkensa tuotteen onnistumisen eteen.
Yksi hyödyllinen käytäntö on järjestää jatkuvasti asiakaskeskusteluja. Kun tuotepäällikkö törmää kysymykseen tai asiaan, jota ei ymmärrä, hänen ei tarvitse aloittaa asiakastapaamisia tyhjästä.
Meillä sadalle edellisen viikon aktiivisimmalle käyttäjälle, joihin emme ole olleet viime aikoina yhteydessä, lähetetään joka viikko Jam-yrityksen perustajan sähköposti, jossa kysytään kuulumisia. Jos vastaus on harkittu, kysymme, haluaisiko käyttäjä keskustella puhelussa. Näin asiakaskeskusteluista tulee jatkuva rytmi.
Hannah Clark: Hienoa. Sen ei tarvitse olla tekoälyä. Tavoitteena on kasvu.
Siirrytään laajentamisvaiheeseen. Anuj, haluatko aloittaa tästäkin?
Anuj Adhiya: Kaikki on minulle jatkumo. Perinteisessä laajentamisen mallissa odotetaan käyttöön liittyviä merkkejä tai asiakasmenestystiimi tekee neljännesvuosikatsauksia. Jotkut tiimit vain toivovat havaitsevansa laajentumisen signaaleja.
Eräs SaaS-yritys käyttää Gongia asiakasvuorovaikutusten analysointiin kaikissa kosketuspisteissä: myyntipuheluissa, tukipyynnöissä ja katsauksissa. Järjestelmä opetetaan etsimään tiettyjä laajentumisen merkkejä. Se ei etsi vain ilmeisiä ilmauksia, kuten lisenssien tarvetta, vaan tunnistaa keskusteluja viereisistä käyttötapauksista, uusista tiimin jäsenistä tai osastoista sekä kipupisteistä, jotka voitaisiin ratkaista lisäominaisuuksilla.
Kun keskusteludata yhdistetään tuotteen käyttötietoihin, voidaan muodostaa laajentumisaikomuksen pisteitä useiden signaalien perusteella. Kun käyttö saavuttaa tietyn rajan, kuten API-rajoituksen lähestymisen tai premium-ominaisuuksien käytön, ja tämä yhdistyy tiettyihin keskustelumalleihin, laajentamismahdollisuus näkyy selkeämmin.
Tavoitteena ei ole vain tunnistaa mahdollisuuksia, vaan tehdä prosessista asiakkaalle luonnollisempi ja arvoon paremmin sopiva.
Hannah Clark: Selvä.
Dani aikoi kertoa prosessista, jossa puheluiden litterointeja käytetään ensimmäisten seurantaviestien tuottamiseen.
Haluatko käydä prosessin läpi?
Dani Grant: Prosessi on melko itsestään selvä. Tuoteihmisinä uskomme, että tuotteen pitäisi tehdä suurin työ, mutta ihmisten käyttäytymisen muuttamiseksi tarvitaan myös luotettava ihminen. Siksi laajentamisvaihe on usein hyvin ihmislähtöinen.
Hyvin toimivassa prosessissa tiimeillä on peräkkäisiä puheluita, joiden avulla käyttöä laajennetaan. Puheluiden jälkeen halutaan lähettää harkittu viesti. Tyhjästä aloittaminen on vaikeaa, mutta ensimmäisestä luonnoksesta aloittaminen on helpompaa. Puhelun litteroinnin voi antaa Claudelle ja kysyä, mitkä olivat kolme tärkeintä asiaa, jotka henkilö viestitti. Sen jälkeen voi laatia luonnoksen siitä, mitä kuulimme.
Tämä on erityisen hyödyllistä, jos puheluita on kahdeksan peräkkäin ja viestit kirjoitetaan päivän päätteeksi, jolloin muisti ja keskittymiskyky ovat koetuksella.
Hannah Clark: Arvostan kaikkea, mikä säästää aivoja viikon lopussa.
Siirrytään kolmanteen osioon: visiosta toteutukseen. Tässä rakennetaan tekoälyllä vahvistettua tuotepohjaisen kasvun strategiaa. Ramli, emme ole kuulleet sinua hetkeen. Voisitko kertoa yleisimmistä tuotepohjaiseen kasvuun ja tekoälyn käyttöön liittyvistä sudenkuopista ja väärinkäsityksistä?
Ramli John: Tuotos on vain niin hyvä kuin syöte. Jos sille annetaan tyhjää tai huonolaatuista tietoa, tuloskin on huono. Dani sanoi aiemmin, ettei pidä aloittaa tyhjältä sivulta. Mallille on annettava oikeanlaista tietoa, kuten parhaat asiakaskokemukset ja parhaat puhelut.
Laajentamisessa on annettava puhelut ja niihin liittyvät asiakirjat sekä kerrottava tarkasti, mitä halutaan saada aikaan. Hyvä kehote kertoo tavoitteen, odotetun tuloksen ja tarvittavan kontekstin. Tekoälyä kannattaa kohdella juuri aloittaneena harjoittelijana: ohjeiden on oltava aluksi yksityiskohtaisia ja suoria.
Voit myös pyytää sitä toimimaan asiakasmenestyksen tai tuotteen johtajana, antaa tietoa yrityksestä ja henkilön LinkedIn-profiilin sekä kysyä, mitkä kolme asiaa henkilöä voisi kiinnostaa käytyjen keskustelujen perusteella. Selkeys ja täsmällisyys auttavat paljon.
Dani Grant: Yksi sudenkuoppa liittyy erityisesti nuorempiin tiimin jäseniin. Yksi vaikeimmista opittavista asioista työelämässä on ymmärtää, mitä valmis tarkoittaa. Mitä nuorempi työntekijä on, sitä helpommin valmis tarkoittaa vain loppuun saatettua tehtävää eikä ymmärrystä siitä, millaisen vaikutuksen hyvä työ voi saada aikaan.
Tekoäly voi suorittaa analyysin, mutta kokeneempi henkilö huomaa, että analyysi herättää uusia kysymyksiä, jotka pitäisi selvittää seuraavaksi. Hän voi myös havaita, että tulos on hallusinaatio tai että sähköpostiluonnos on sekava eikä sitä pidä lähettää. Tämän välttämiseksi tiimissä on keskusteltava siitä, mitä valmis tarkoittaa yrityksessä ja tekoälyä käytettäessä.
Hannah Clark: Erinomainen yleinen urakehitysvinkki on kysyä jatkuvasti: mitä valmis tarkoittaa?
Anuj Adhiya: Haluan lisätä pari asiaa. Ramli puhui roskasta sisään, roskaa ulos. Olen huomannut, etteivät monet ihmiset osaa edes käyttää Googlea kunnolla. Siksi annan joskus ihmisille yksinkertaisia Google-hakuja ja katson, miten he lähestyvät niitä. Se kertoo, tarvitsevatko he lisää koulutusta ennen järjestelmien käyttöä.
Danin mainitsemaan valmiuden tunteeseen liittyen olen havainnut hyödylliseksi sen, että tiimi ymmärtää tuotteen tärkeimmän pohjoistähtimittarin. Kaikkien pitää tietää, miten käyttäjille ja asiakkaille tuotetaan arvoa. Tämä näkökulma on annettava myös tekoälylle. Sen ei pidä tarkastella tehtävää irrallaan suuremmasta tavoitteesta.
Yhteinen teema on, että järjestelmien käyttäjillä pitää olla riittävä konteksti ja taustatieto ennen kuin he alkavat poimia tekoälyn tuottamia oivalluksia.
Hannah Clark: Tässä nousee esiin yhteisiä teemoja, kuten eri tiimien yhteistyön haasteet. Ennen lopetusta kerromme normaalisti seuraavasta tapahtumastamme. Emme järjestä paneelia joulukuussa, koska pidämme lomataukoa. Palaamme tammikuussa urapainotteisella keskustelulla, jonka aiheena on siirtyminen tuotepäällikön uralle.
Ilmoittautuminen alkaa joulukuussa, ja lähetämme tilaajille linkin, kun ilmoittautuminen avautuu. Jos tiedät jonkun, joka pohtii alalle siirtymistä, kerro hänelle tapahtumasta.
Siirrytään kysymyksiin. Q&A. Eniten ääniä saanut kysymys kuuluu: tekoäly voi olla puolueellinen tulkitessaan vivahteikasta dataa ja johtaa harhaanjohtaviin päätelmiin. Miten tekoälyä voidaan tuotepohjaisessa kasvussa hyödyntää strategisesti käyttäjäkokemuksen ja kasvun parantamiseen samalla, kun riskejä lievennetään?
Dani Grant: Tekoäly ei ratkaise inhimillisiä ongelmia, joten omaa harkintaa on käytettävä. Se on erinomainen työkalu, mutta tarvitaan skeptinen mieli. Vastauksen saaminen ei itsessään ratkaise ongelmaa. Tekoälyä käytettäessä on oltava tarkkaavainen, läsnä ja ajateltava aktiivisesti.
Ramli John: Olen samaa mieltä. Tämä liittyy tekoälyn etiikkaan. Tarvitaan ihmisen väliintuloa ja ihmistä havaitsemaan mahdolliset vinoumat. Tekoäly on yksi päätöksenteon syöte muiden joukossa. Muita syötteitä voivat olla laadullinen ja määrällinen data sekä näkemykset toimitusjohtajalta ja asiakasmenestyksestä.
Lopullisen päätöksen tekee ihminen. Suhtaudun varauksella siihen, että tekoälyn annettaisiin päättää puolestamme, sillä se ei välttämättä havaitse omia vinoumiaan.
Anuj Adhiya: On tärkeää muistaa, miten asiat tehtiin ennen tekoälyä. Tarvitaan vertailukohtia, jotta voidaan arvioida, tuottaako järjestelmä hallusinaatioita. Lisäksi tarvitaan triangulaatiota. Jos tekoäly esimerkiksi merkitsee joitakin käyttäjiä riskiryhmään, on tarkasteltava raakaa tuotetietoa, palautetta ja asiakasmenestyksen näkemyksiä.
Jos eri lähteiden signaalit ovat linjassa, luottamus kasvaa. Jotkin analytiikkatyökalut pyrkivät huomioimaan monimuotoisuuden koulutusdatassa, jotta mallit oppivat eri kokoisista yrityksistä, toimialoista ja käyttötapauksista. Näin voidaan havaita, jos tekoäly painottaa liikaa suurten tai aktiivisten asiakkaiden käyttäytymistä ja jättää pienemmät asiakkaat huomiotta.
Hannah Clark: Hyviä vinkkejä.
Seuraava kysymys: suosittelisitteko tekoälyn käyttämistä perinteisten tuen tai asiakasmenestyksen tiimien sijaan? Olemme jo sivunneet tätä, mutta voimme antaa lisää taustaa.
Dani Grant: Vuonna 2024 tärkeintä on käyttäjäkokemus. Kilpailua on enemmän kuin koskaan ja työkalun vaihtaminen on helpompaa kuin koskaan. Jos käyttäjä turhautuu tuotteeseesi, hän voi vielä saman päivän aikana aloittaa toisen tuotteen ilmaisen kokeilun.
Päätös pitää tehdä käyttäjille halutun kokemuksen perusteella. Jos halutaan helppo tapa etsiä laajasta dokumentaatiosta luonnollisella kielellä, tekoälypohjainen asiakastuki voi olla erinomainen ratkaisu. Jos halutaan tarjota ihminen, joka on läsnä ympäri vuorokauden ja välittää ongelman ratkaisemisesta, tekoäly ei välttämättä ole oikea kokemus.
Ajattele asiaa käyttäjäkokemuksen, ei työkalujen näkökulmasta.
Ramli John: Ihmiset kaipaavat inhimillistä yhteyttä tekoälyn yleistyessä. Josh Kaufman on kutsunut tätä automaation paradoksiksi: mitä tehokkaampaa automaatio on, sitä tärkeämmäksi inhimillinen kokemus muuttuu.
Asiakkaat ilahtuvat, kun he keskustelevat oikean ihmisen kanssa. He haluavat tuntea, että joku välittää ja pitää heitä arvokkaina asiakkaina. Mitä enemmän yritykset automatisoivat tukea, markkinointia ja verkkosivustoja, sitä tärkeämpää on pitää ihmiset mukana, erityisesti yritysten välisissä tuotteissa.
Dani Grant: Samalla laadukkaan tekoälykokemuksen rima nousee. Jos tekoälyominaisuus tai -tuki on heikkolaatuinen, käyttäjä saattaa vihata yritystä enemmän kuin tavallisen ominaisuuden kohdalla. Jos tekoäly otetaan käyttöön tuotteen keskeisessä toiminnossa, kuten asiakastuessa, sen pitää olla todella hyvä.
Hannah Clark: Päivän viimeinen kysymys: miten tekoälyn mahdollistama personointi sovitetaan yhteen käyttäjien yksityisyyttä koskevien huolien kanssa?
Dani Grant: Noudata tietosuojakäytäntöäsi. Jos jokin tuntuu väärältä, älä tee sitä. Jos tietosuojakäytännössä sanotaan, että ylemmän tason käyttötietoja voidaan tarkastella tuotteen parantamiseksi, tekoälyä voi käyttää tähän. Jos käytäntö ei salli kaiken käyttäjädatan tarkastelua, älä tee sitä. Käyttäjien luottamus on tärkeintä.
Hannah Clark: Tästä ei taida olla paljon muuta sanottavaa.
Ramli John: Tässä on kuitenkin jonkin verran vivahteita. Olen saanut sähköposteja, joissa sanotaan, että olen tehnyt tuotteessa tiettyjä asioita. Se voi olla hyödyllistä, jos olen jumissa ja tarvitsen apua. Toisaalta voi tuntua epämukavalta, jos yritys tarkkailee liikaa. Yksityisyyttä pitää siis kunnioittaa, vaikka käyttäjä odottaisikin tuotteen näkevän jonkin verran hänen toimintaansa.
Anuj Adhiya: Tämä liittyy niin sanottuun kunnioittavaan personointiin. Keskeistä on olla avoin arvonvaihdosta. Ihmiset varmasti odottavat tekoälyä käytettävän kokemusten personointiin, mutta kannattaa noudattaa yksinkertaista sääntöä: jos keräät tietyn datapisteen, sinulla pitää olla selkeästi osoitettavissa oleva hyöty käyttäjälle.
Hannah Clark: Kaikki olivat erittäin oivaltavia. Valitettavasti aikamme loppui. Teemme tämän aina: varaamme kysymyksille liian vähän aikaa. Kiitos kaikille aktiivisesta keskustelusta, chat-osallistumisesta, kysymyksistä ja mukanaolosta.
Kiitos panelisteillemme Ramli, Anuj ja Dani. Olette olleet mahtavia. On ollut ilo saada teidät mukaan. Kiitos kaikille ja hyvää päivänjatkoa.
Kiitos kuuntelusta. Saat lisää oivalluksia, käyttöoppaita ja työkaluarvioita tilaamalla uutiskirjeemme osoitteessa theproductmanager.com/subscribe. Voit kuunnella lisää tämän kaltaisia keskusteluja tilaamalla CPO-klubin sieltä, mistä kuuntelet podcastisi.
