Miten generatiivinen tekoäly voi tehdä analytiikasta helpommin lähestyttävää tuote­tiimeille?

Lue haastattelun litterointi:

Kokeilemme podcastiemme litterointia ohjelmiston avulla. Antakaa anteeksi mahdolliset kirjoitusvirheet, sillä botti ei ole sataprosenttisen tarkka.

Hannah Clark: Kutsuitpa sitä dataohjautuvuudeksi, dataan perustuvaksi päätöksenteoksi tai datan lumoksi, sillä ei ole väliä – nykyinen teknologia ei selviä ilman laadukkaita tietoaineistoja JA työkaluja niiden tehokkaaseen hyödyntämiseen. Emme kuitenkaan voi ajatella, että data olisi vain yhden tai kahden organisaation osaston vastuulla. Sen sijaan meidän on aloitettava vuosi 2025 datan demokratisoinnin näkökulmasta. Toisin sanoen liiketoimintamme perustuu asiakkaisiimme, joten sen, mitä asiakkaamme sanovat, pitäisi olla kaikkien asia.

Tämän päivän vieraani on Mario Ciabarra, Quantumin perustaja ja toimitusjohtaja. Quantum on generatiiviseen tekoälyyn perustuva analytiikka-alusta, jonka avulla yritykset voivat muuttaa datan hyödyllisiksi oivalluksiksi eri sidosryhmille. Näin kaikki – ensimmäisestä työpäivästään aloittavasta tuotesuunnittelijasta yrityksen perustajaan – voivat sisällyttää asiakasymmärryksen jokaiseen päätökseen. Keskustelimme siitä, miten tämä toimii käytännössä, datahygieniaan liittyvistä näkökohdista sekä ennusteista siitä, miten generatiivinen tekoäly ohjaa analytiikan kehitystä tänä vuonna ja sen jälkeen. Aloitetaan.

Tervetuloa takaisin The CPO Club -podcastiin. Olemme tänään täällä Mario Ciabarran kanssa.

Mario, kiitos, että ehdit kiireisestä aikataulustasi keskustelemaan kanssamme tänään.

Mario Ciabarra: Hannah, on suuri ilo olla täällä. Kiitos kutsusta.

Hannah Clark: Aloitetaan kuten aina. Voisitko kertoa hieman taustastasi ja siitä, miten päädyit nykyiseen tehtävääsi Quantumiin?

Mario Ciabarra: Totta kai. Jo lapsena olisi voinut nähdä kirjoituksen seinällä ja arvata, että minusta tulee tulevaisuudessa yrittäjä.

Voimme ehkä palata siihen keskustelumme aikana, mutta miten päädyin tähän osana yrittäjäpolkuani? Olen aina ollut intohimoinen ohjelmistoista, tietotekniikan suunnittelusta ja ohjelmistosuunnittelusta – ja siitä, miten kokemuksista tehdään parempia. Se osui suoraan intohimoni ytimeen.

Aluksi ajattelin, miten asioista voisi tehdä nopeampia ja suorituskykyisempiä. Sitten aloin ymmärtää, että vaikka asiat olisivat nopeita, sillä ei ole väliä, jos ne eivät ole hyviä. Miten luodaan mahtavia kokemuksia yleisöille, jotka ulottuvat 13-vuotiaasta tyttärestäni 87-vuotiaaseen isääni? Heillä on erilaiset tarpeet.

Miten varmistamme, että kokemuksemme toimivat kaikille?

Hannah Clark: Haluaisin puhua hieman johtamisnäkemyksestäsi, koska urasi on ollut pitkä ja olet aiemmin maininnut, että intohimosi on kehittynyt tuotteista ja suunnittelusta ihmisiin ja empatiaan keskittymiseksi. Miten tämä on vaikuttanut johtamistapaasi?

Mario Ciabarra: Jos kysyt minulta yrityksestä, ajattelen, että tammikuu on tulossa ja täyteen tulee kymmenen vuotta Quantumissa. Jos olisit kysynyt minulta yhdeksän tai kahdeksan vuotta sitten, mistä olin Quantumissa innostunut, olisin vastannut ehdottomasti tuotteiden luomisesta. Se on edelleen intohimoni. Sitten tapahtui jotain outoa. Tämä on neljäs yritykseni.

Aiemmat yritykseni olivat pieniä, yhden tai kolmen hengen yrityksiä. Rakensimme tuotteita, kehitimme niitä ja veimme niitä kohti menestystä. Hiipien päälleni tuli oivallus siitä, että Quantumissa on nyt yli 400 tiimin jäsentä. Minun ei tarvinnut päästä satoihin ihmisiin asti – ymmärsin jo kymmenien ihmisten kohdalla, että menestyvät yritykset rakennetaan tiimin varaan.

Tarvitaan siis uskomaton tiimi, ja samalla on ymmärrettävä, että toimitusjohtaja, perustaja ja organisaation johtaja vastaa tiimin johtamisesta. Kaikki ei toimi ilman tätä kokonaisuutta. Voit rakentaa kuinka hyvän tuotteen tahansa, mutta se ei toimi. Todellisen menestyksen rakentaminen liittyy ihmisten johtamiseen ja ihmisiin investoimiseen.

Siksi ensimmäinen yritystavoitteemme on onnelliset ihmiset sekä terve ja monimuotoinen kulttuuri. Toinen on asiakkaat suosittelijoina. Kolmas liittyy taloudellisen menestyksen saavuttamiseen vuoden aikana. Kaksi ensimmäistä eivät muutu vuodesta toiseen. Kolmannen tavoitetta siirrämme vuosittain sen mukaan, mitä menestys kyseisenä vuonna tarkoittaa.

Mielestäni jotkut ihmiset ja organisaatiot tekevät tämän väärässä järjestyksessä. He keskittyvät siihen, että saavutetaan jokin taloudellinen mittari. Se on heidän tarkoituksensa tänä vuonna. En usko, että sinne pääsee ilman onnellisia ihmisiä. En myöskään usko, että sinne pääsee ilman asiakkaita, jotka suosittelevat yritystäsi. Kyse on siitä, että haluan taloudellista menestystä.

Totta kai haluan. Mutta keskitytään ihmisiimme ja toimitetaan arvoa asiakkaille, jotka ovat luottaneet meihin ja sijoittaneet meihin rahaa.

Hannah Clark: Empatia on tietenkin suuri osa tätä. Keskitymme tänään generatiiviseen tekoälyyn ja siihen, miten se voi tehdä analytiikasta helpommin lähestyttävää tuotetiimeille.

Ennen kuin siirrymme keskustelun ytimeen, haluan puhua empatian mahdollistamisesta suuressa mittakaavassa, kun huomioitavia käyttäjiä on niin paljon. Miten näet analytiikan roolin empatian edistämisessä suuren käyttäjäjoukon keskuudessa?

Mario Ciabarra: Jos palveltavanasi olisi ihmisiä minkä tahansa tuotteesi tai palvelusi kanssa ja heitä olisi yksinumeroisen luvun verran, en usko, että analytiikasta olisi paljon hyötyä.

Auttaisit yksittäistä henkilöä ja kävisit keskustelun kahden asiakkaasi kanssa. Kun kahdesta tulee kaksi miljoonaa, lamppu syttyy yhtäkkiä: en voi keskustella kaikkien kahden miljoonan kanssa. Tarvitsen analytiikkaa, jotta ymmärrän asiakasta. Viime aikoina olenkin ajatellut, että pitäisi kysyä vähemmän ja kuunnella enemmän.

Sitä analytiikka on. Se on datan avulla kuuntelemista. Kun ajattelen perinteistä analytiikkaa, näen näytöllä olevan kaavion tai kuvaajan. Se on hienoa, näin kuvaajan. Mutta herättääkö se useimmissa ihmisissä empatiaa? Kun pystyn yhdistämään kuvaajan oikeisiin ihmisiin, silloin empatia syntyy minulle.

Olen nähnyt sen asiakkaidemme ja niiden ihmisten silmissä, joiden kanssa keskustelen, sekä tiimimme toiminnassa. Kyse on kuvaajan yhdistämisestä käyttäjiin, joita se edustaa. Se on perusta sille, mitä Quantumista on tullut: miten yhdistän kokemukset tietoon, herätän empatian ja saan aikaan muutoksen?

Hannah Clark: Niinpä. Pidän myös tuosta lainauksesta. Kaikki liittyy kuuntelemiseen. On kiinnostavaa, ettemme yleensä ajattele empatiaa, kun puhumme analytiikasta. Nämä kaksi tuntuvat lähes vastakkaisilta, mutta todellisuudessa niiden avulla tiimimme voivat ymmärtää, mitä käyttäjät yrittävät kertoa meille.

Kerro hieman generatiivisesta tekoälystä ja siitä, miten se voi tehdä tuoteanalytiikasta helpommin lähestyttävää tiimeille, jotta tuotteiden parissa työskentelevät voivat ymmärtää paremmin, mitä käyttäjät yrittävät sanoa.

Mario Ciabarra: Quantumin matkan alkuvaiheessa istuin erään suuren vähittäiskaupan tuotejohtajan kanssa. Hän oli mahtava ihminen.

Olemme pysyneet ystävinä viimeiset seitsemän tai kahdeksan vuotta. Hän on siirtynyt eri organisaatioihin, mutta yksi asia jäi mieleeni. Kun olimme pitäneet muodollisen kokouksen hänen tiiminsä kanssa, hän vei minut huoneeseen ja sanoi: ”Mario, et voisi ymmärtää sitä syyllisyyttä, jota tuotepäälliköt tuntevat siitä, etteivät käytä dataa riittävästi.”

Se on pysynyt mielessäni viimeiset seitsemän vuotta. Miten teemme datasta helposti saavutettavaa, jotta ihmiset eivät tunne syyllisyyttä sen käyttämättä jättämisestä? Miten teemme datasta helposti hyödynnettävää, jotta ihmiset voivat lopulta käyttää kuuntelutaitoa suuressa mittakaavassa ja käsitellä valtavia datamääriä oikeiden päätösten tekemiseksi, jotka edistävät liiketoimintaa?

Mutta liiketoiminta on tietenkin vain asiakkaan palvelemista. Miten he voivat palvella asiakkaitaan paremmin datan avulla? Se on vaikeaa. Siksi hän puhui syyllisyyden tunteesta. Hänellä on päivätyönsä ja hän haluaisi käyttää dataa, mutta oikean, ratkaistavaan ongelmaan liittyvän datan löytäminen tuntuu ylivoimaiselta.

Hän ei tiedä, miten dataan pitäisi päästä käsiksi. Data on 16 eri paikassa eri työkaluissa. Hän ei tiedä, mikä työkalu vastaa oikeaan kysymykseen. Lopulta hän luovuttaa ja luottaa intuitioon. Quantumissa olemme keränneet kaiken tämän datan ja pyrkineet tekemään siihen pääsystä jatkuvasti helpompaa.

Koko yrityksen lähtökohtana olivat alussa paidat, joissa luki ”teemme siitä yksinkertaista”. Teemme analytiikasta yksinkertaista. Olemme aina yrittäneet selvittää, miten siitä voi tehdä vielä yksinkertaisempaa ja helpommin lähestyttävää useille yleisöille: markkinoijille, tuotteiden omistajille, kauppiaille, kehittäjille ja ylläpitäjille, johtajille sekä analytiikkatiimeille.

Kaikkien näiden tiimien on päästävä käsiksi tietoon siitä, mitä asiakkaan näkökulmasta tapahtuu ja miten kokemusta voidaan parantaa. Generatiivinen tekoäly tulee mukaan siinä, että tarkastelemme, mitä tehtäviä nämä tiimit yrittävät tehdä ymmärtääkseen dataa. Monet tuotejohtajat ovat esimerkiksi käyttäneet paljon aikaa käyttäjän istuntojen ja tämän kulun katseluun.

”Vau, en tiennyt, että hän klikkaisi tuota. En tiennyt, että hän menisi ensin tuonne ja tekisi sitten tämän.” Istuntojen toistojen katselussa on valtavasti oivalluksia. Ongelma on se, että se on hidasta ja työlästä. Olen aina nauranut, kun ihmiset sanovat: ”Meillä on elokuvailta, hankimme popcornia ja katsomme sitten ihmisten käyttäjäpolkuja tunnin ajan kokoushuoneessa.” Se on kiinnostavaa, koska se on arvokasta, mutta ajankäyttö ei ole tehokasta.

Mitä jos generatiivinen tekoäly voisi katsoa istuntojen toistot puolestamme? Tämä oli ajatus tammikuussa, koska tiedämme, että generatiivinen tekoäly on erittäin hyvä tiivistämään asioita. Entä jos voisimme käyttää generatiivisen tekoälyn taikaa käyttäjän kulun tiivistämiseen?

Liiketoimintamme on vauhdittunut tämän vuoden 2024 aikana. Julkaisimme Felix AI -tuotteen helmikuun lopussa tai maaliskuun alussa 2024, ja liiketoimintamme on vauhdittunut jokaisella vuosineljänneksellä, koska yhä useammat tiimit saavat sen avulla käyttöönsä ymmärryksen siitä, mikä käyttäjän kannalta toimii ja mikä ei. Tämä tapahtuu suuressa mittakaavassa. Jos yksittäisen käyttäjän ymmärtäminen vie 20 minuuttia ja käyttäjiä on 2 miljoonaa, voit laskea itse.

Se ei yksinkertaisesti toimi. Jos yhden käyttäjän ymmärtämiseen kuluu kaksi sekuntia, tilanne on toinen. Generatiivista tekoälyä voi käyttää myös segmentin luomiseen. Tämä käyttäjä kamppaili. Edustaako sama vaikeus yhtä käyttäjää vai kymmentä miljoonaa? Auta minua selvittämään se automaattisesti. Näin voidaan kuunnella suurempaa ihmisjoukkoa.

Olemme siis todella innoissamme siitä, miten generatiivinen tekoäly voi auttaa ihmisiä kuuntelemaan paremmin.

Hannah Clark: Kuten aiemmin sanoit, tuotepäälliköihin kohdistuu valtavasti painetta olla data-asiantuntijoita, osata tulkita dataa, esittää oikeita kysymyksiä ja etsiä tietoa oikeista lähteistä. Selvitä tämä minulle: kuinka helppokäyttöisestä ratkaisusta oikein puhumme, kun sanomme, että käytämme generatiivista tekoälyä datan tulkitsemiseen esimerkiksi tuotepäällikön käyttäessä alustaa?

Voisitko käydä läpi jonkin tilanteen, jossa he hyödyntävät dataa käytännössä ja käyttävät alustaa?

Mario Ciabarra: Yksi suosikkitarinoistani on tehnyt toimintamme arvon hyvin selväksi: pystymme yhdistämään tämän tiedon eri yleisöihin.

Valitsen esimerkin, johon voimme kaikki samaistua. Hannah, milloin viimeksi soitit pankkiisi, teleoperaattorillesi, terveydenhuollon palveluntarjoajallesi tai lentoyhtiöllesi? Jos ajattelet viimeistä kertaa, kun soitit jollekin tällaiselle palveluntarjoajalle, et luultavasti soittanut ennen kuin yritit ensin hoitaa asian itse, vai mitä?

Olet sovelluksessa tai verkkosivustolla ja yrität hoitaa asian. Se ei onnistu, ja vasta silloin soitat. Et herännyt aamulla ajatellen: ”Ensimmäiseksi soitan terveydenhuollon palveluntarjoajalleni.” Halusit hoitaa asian itse. Kun pääsit itsepalveluyrityksesi loppuun eikä se onnistunut ja soitit, päädyit todennäköisesti puhelinjärjestelmään painamaan numeroita yhdestä yhdeksään pari kertaa päästäksesi oikean henkilön puheille.

He vastaavat: ”Hei Hannah, mitä kuuluu?” Sinä vastaat: ”Kerronpa, mitä minulle kuuluu. Yritän vaihtaa tämän vuoden sairausvakuutukseni tai tarkistaa vakuutusturvani, mutta se ei onnistunut.” ”Odota hetki, Hannah, yhdistän sinut asiantuntijalle.” ”Hei Hannah, mitä kuuluu?”

Eikö olisi mahtavaa, jos keskustelu voisi alkaa näin: ”Tiedämme, mitä Hannah oli tekemässä. Tiedämme, minkä vuoksi hän soittaa. Ohjaamme hänet suoraan asiantuntijalle.” ”Hei Hannah, näyttää siltä, että tarkistit vakuutusturvaa sovelluksessa, mutta sait virheilmoituksen. Pahoittelemme virhettä. Voimmeko auttaa tässä tai jossain muussa?”

Kaikki nämä yritykset ovat keränneet dataa siitä, mitä Hannah on tehnyt verkkosivustolla tai sovelluksessa. Ne eivät vain ole pystyneet viemään tätä tietoa puhelinkeskukseen. Tämä on yksi esimerkki yleisöstä, joka voisi hyötyä tiedosta. Generatiivinen tekoäly on auttanut meitä tiivistämään Hannahin käyttäjäpolun kahdessa sekunnissa.

Aiemmin meillä on aina ollut tämä tieto. Ongelma oli vain se, oliko se käytettävissä reaaliajassa. Quantumissa se on ollut käytettävissä, mutta reaaliaikaisuudestakin huolimatta emme voi sanoa: ”Odota Hannah, katson, mitä olet tehnyt viimeisten 30 minuutin aikana ja palaan asiaan.” On helpompaa kysyä Hannahilta, mitä hän haluaa, tai pyytää häntä painamaan puhelimessa numeroita yhdestä yhdeksään.

Kyky tiivistää, mitä Hannah teki – ja tiedämme, että generatiivinen tekoäly on hyvä tiivistämään – on muuttanut liiketoimintaamme.

Puhelinkeskusesimerkki ei tietenkään liity yhtä suoraan tuoteyleisöömme. Ajattele sen sijaan tuotepäällikköä, joka yrittää ymmärtää, miksi käyttäjä ei muuttanut kävijää asiakkaaksi, miksi hän ei rekisteröitynyt, varannut lentoa tai vaihtanut palveluaan tai osoitettaan oikein – mitä tahansa hän yrittikään tehdä.

Miten ymmärrän käyttäjäpolun taustalla olevan syyn? Siihen tarvitaan usein analytiikkaa, istuntojen toistoja ja erilaisia lokitiedostoja. Miten teemme tästä yksinkertaisempaa? Miten teemme asiakkaan käyttäjäpolun ymmärtämisestä helppoa tuotteen omistajalle? Sitä Quantum tekee generatiivisen tekoälyn avulla.

Muutetaan ymmärrys sekunneiksi. Yksittäisen käyttäjän ymmärtäminen on tärkeää, mutta on myös ymmärrettävä, edustaako tämä kokemus, kitkakohta tai optimointimahdollisuus pientä vai suurta käyttötapausta. Olin tällä viikolla eräässä suuressa yhdysvaltalaisessa pankissa ja hymyilin korvasta korvaan kuullessani yhden tiimin jäsenen sanovan: ”Tämä auttaa minua olemaan operatiivinen tuotepäällikkö.”

En ollut kuullut termiä aiemmin, mutta se puhutteli minua. Meillä on tuotepäälliköitä, ja mielestäni meidän pitäisi muuttaa heidän ajatteluaan kohti operatiivista tuotteenhallintaa. Miten käytän dataa ymmärtääkseni reaaliajassa, mikä asiakkaalleni toimii ja mikä ei, ja mukautan toimintaamme reaaliajassa varmistaakseni asiakkaidemme tyytyväisyyden?

Moni ajattelee tuotteen omistamista näin: ”Minulla on tehtäväni ja sprinttini. Teen ne. Keskityn, saan työn valmiiksi, julkaisen version ja siirryn seuraavaan sprinttiin.” Se on minusta hullua. Minun on käytettävä dataa. Minun on tiedettävä, veikkaanko oikean muutoksen puolesta ja käytettävä dataa varmistaakseni, että muutos, kokeilu tai muu toimintani on käyttäjilleni oikea ja asetettu tärkeysjärjestykseen.

Kun julkaisen muutoksen, olipa kyse kokeilusta tai täydestä julkaisusta, minun on luettava data oikein ja ymmärrettävä, onko sillä oikea vaikutus. Älä siirry seuraavaan sprinttiin. Varmista datan avulla, teetkö hyviä vai huonoja päätöksiä ja pitääkö ajatteluasi muuttaa.

Muutos ei ehkä vaikuta niin kuin ajattelit – tai vaikuttaa. Lisäksi haluan tuoda tämän johtajieni tietoon: käytän resurssimme hyvin ja vaikutan asiakaskokemukseen. Ehkä ansaitsen tänä vuonna ylennyksen, palkankorotuksen tai bonuksen. Data voi auttaa vahvistamaan, teenkö hyviä vai huonoja päätöksiä.

Sitä operatiivinen tuotepäällikkö mielestäni on.

Hannah Clark: Tuotepäälliköihin kohdistuu tällä hetkellä paljon painetta tehdä dataan perustuvia, järkeviä päätöksiä, vaikka he eivät itse ole data-analyytikkoja. On helppoa tehdä virheellisiä oletuksia tai tulkita dataa väärin tavalla, joka johtaa harhaan ja sitä kautta virheellisiin johtopäätöksiin.

Jos generatiivista tekoälyä käytetään eräänlaisena välikätenä ja sen kanssa keskustellaan luonnollisesti, osa näistä oletuksista voidaan ehkä välttää. Onko näin, vai pitääkö meidän edelleen ryhtyä varotoimiin varmistaaksemme, että teemme työkalun avulla järkeviä päätöksiä?

Mario Ciabarra: En ajattele asiaa niin, että kyse olisi generatiivisesta tekoälystä tai sen puuttumisesta. Puhun kuitenkin generatiivisen tekoälyn näkökulmasta. Olennaista on, mitä datalähdettä käytämme. Keräämämme data kertoo kiistattoman totuuden. Asiakkaamme käyttävät näitä sanoja: kun näet asiakkaan yrittävän vaihtaa palveluaan tai teleoperaattoriaan tai varata lennon, mutta se ei onnistu, sitä ei voi sivuuttaa.

Jokaisen tiimin jäsenen käytettävissä on valtava määrä datalähteitä. Otetaan esimerkiksi tuotepäälliköt. Jos sanot minulle: ”Mario, haluan sinun osoittavan, että päätökseni on oikea”, löydän organisaatiosta kirjaimellisesti aina jonkin datalähteen, joka todistaa olevani oikeassa. Se on muuten kauhea lähestymistapa, älä tee niin.

Tämä on kuitenkin osa ongelmaa: kuka tahansa voi löytää dataa, joka vahvistaa vahvistusharhan – ”Teen oikean päätöksen.” Siksi puhuin aiemmin operatiivisesta tuotepäälliköstä, joka käyttää liiketoimintadataa varmistaakseen päätöstensä oikeellisuuden. Kun julkaisu vaikuttaa liiketoiminnan mittareihin, hienoa.

Kyse on siitä, mitä dataa käytän vahvistamiseen. Me keskitymme siihen, miltä kaikki näyttää asiakkaan näkökulmasta. Välitän kyllä lokitiedostoista, taustajärjestelmän palvelinten suorituskyvystä ja muusta vastaavasta, mutta en halua vähätellä niitä. Niistä välitetään silloin, kun niillä on merkitystä. En kuitenkaan usko, että tuotepäälliköiden, johtajien tai liiketoiminnan omistajien pitäisi aloittaa niistä.

Ei ole järkevää ajatella: ”Katsokaa, rajapinta on nopeampi. Hienoa, kaikki saavat tänä vuonna bonuksen.” Asiakas ei soita, täytä kyselyä, twiittaa tai lähetä toimitusjohtajalle sähköpostia sanoakseen: ”Olen kokeiluryhmässä B, kampanjassa C ja tämä rajapinta on rikki.” He sanovat: ”Verkkosivustonne on surkea, sovelluksenne on surkea ja olen turhautunut.”

Miten saamme tuoteorganisaation ajattelemaan asiaa asiakkaan näkökulmasta? Se on kysymyksesi ydin. Haluan ehdottomasti lisätä generatiivisen tekoälyn tekemään datasta helpommin saatavilla olevaa ja ymmärrettävää.

Organisaatioiden ongelmana ei ole pääsy asiakkaan näkökulmaan. Siihen on monia tapoja. Kysymys on siitä, miten tietoa tulkitaan oikeiden ja järkevien päätösten tekemiseksi sen sijaan, että lähdetään liikkeelle ajatuksesta: ”Lokitiedosto sanoo tätä ja rajapinta tuota.” Olen nähnyt tätä organisaatioissa. Olen nähnyt, kuinka kymmenet ihmiset käyttävät tuntikausia yrittäessään tehdä oikeaa päätöstä väärän datan perusteella.

On siis tärkeää kysyä, katsotko asiaa asiakkaan näkökulmasta. Yritystä pitäisi johtaa vain tällä tavalla: asiakas asetetaan etusijalle. Kun asiakas on turhautunut, voimme jäljittää ongelman rajapintaan tai lokitiedoston tiettyyn koodiriviin ja keskittää ponnistelumme sinne.

Joskus käyttäjän piti vain klikata tiettyä painiketta, se oli sivun alaosassa eikä hän koskaan nähnyt sitä. Käyttäjän näkökulmasta on monia asioita, jotka jäävät lokitiedostojen ja rajapintojen ulkopuolelle. Tietolähteen pitäisi olennaisesti kuunnella asiakasta, ei välttämättä kysyä häneltä.

Ajattelen kyselyä, jossa asiakkaalta kysytään, onko hän tyytyväinen. Näen kyselyissä arvoa enkä vähättele muitakaan menetelmiä, mutta niitä pitää käyttää oikealla hetkellä. Ensisijaisesti on katsottava ja kuunneltava asiakkaan näkökulmasta.

Hannah Clark: Olet aiemmin puhunut datan demokratisoinnista organisaatioiden sisällä. Mitä se ensinnäkin tarkoittaa sinulle, ja millaisia haasteita yritykset yleensä kohtaavat yrittäessään tehdä datasta helpommin saatavilla olevaa eri osastoilla?

Mario Ciabarra: Olemme nähneet datan hyödyntämisen kehittyvän vuoteen 2000 asti. Jotkut kuuntelijat varmasti ajattelevat, että dataa käytettiin ennen vuotta 2000, mutta minulle digitaalinen maailma syntyi datan hyödyntämisen kautta. Varhaisille käyttäjille mainitsisin esimerkiksi Webtrendsin. Muistan, että käytin noin vuonna 1995 Webtrendsiä saadakseni lokitiedostoista analyyttista dataa.

Sitten tulivat yritykset kuten Omniture, ja Urchin oli Google Analyticsin edeltäjän nimi. Aloimme kerätä seurantapikseleitä ja ymmärtää käyttäjäpolkuja ja kokemuksia niiden avulla. Aluksi tämä tapahtui markkinoinnin analytiikassa. Jos digitaalisen ymmärtämisen pitäisi sijoittaa jonnekin, se tapahtui markkinoinnissa. Sitten syntyi APM-maailma ja näimme DevOps-analytiikan kehittyvän.

Seuraavaksi näimme kokemusanalytiikan, jota tarjosivat esimerkiksi TeaLeaf ja ClickTale. Niitä ei nykyään yleensä ole alkuperäisissä muodoissaan, mutta ne olivat ensimmäisiä yrityksiä ymmärtää käyttäjäkokemusta lämpökartoista istuntojen toistoihin. Viimeisten 5–10 vuoden aikana tuoteanalytiikasta on tullut oma kategoriansa.

Kun kuuntelen asiakkaitamme, näen kaikkien näiden erilaisten pisteittäisten ratkaisujen ja erillisten analytiikkajärjestelmien yhdistymisen. Kysymys kuuluu: miten otan tämän datan ja demokratisoin sen koko organisaatiossa ymmärtääkseni miksi-kysymyksen?

Missä tahansa näistä järjestelmistä on ollut helppoa ymmärtää mitä-kysymys: ”Katsokaa, suppilon vaiheessa kolme tapahtuu poistumaa, ja vähittäiskaupan verkkosivustomme muuntokurssi on vain kaksi prosenttia.” Mielestäni jokainen järjestelmä on pärjännyt siinä hyvin. Mutta miksi ihmiset poistuvat vaiheessa kolme? Miksi-kysymykseen vastaaminen on erilaista tuotteiden omistajalle, DevOps-vastaavalle, kauppiaalle ja markkinoijalle.

Koska data on näissä käyttötapauksissa hyvin samanlaista, en usko, että tarvitsemme kaikkia näitä pisteittäisiä ratkaisuja. Tavoitteemme on ottaa datan tuottama ymmärrys ja tehdä siitä käyttökelpoista kaikille näille henkilöille. Matka näyttää erilaiselta eri ihmisille.

Otetaan esimerkiksi käyttäjäkokemussuunnittelija. He eivät yleensä vietä aikaansa analytiikkatyökaluissa. Kun analytiikkadata esitetään muodossa, joka on heille tuttu – esimerkiksi suoraan näytöllä – voimme tarkastella, mitä ihmiset klikkaavat ja johtaako se onnistumiseen.

Vähittäiskaupassa tämä yhdistää sisällön, ulkoasun ja tuotteet taloudellisiin tavoitteisiin, joita pyrimme saavuttamaan. Loppujen lopuksi asiakkaat tulivat verkkosivustolle tietyn syyn vuoksi. He eivät yleensä tulleet selaamaan ja lukemaan sisältöä, vaan ajatellen: ”Jos teillä on haluamani tuote oikeaan hintaan, ostan sen.” Miten teemme tämän helpommaksi kuluttajalle?

Datan tekeminen käyttökelpoiseksi käyttäjäkokemussuunnittelijalle tarkoittaa meille sen sijoittamista verkkosivustolle, jota hän tarkastelee. APM-asiantuntija voi haluta tietää, latautuvatko sivut riittävän nopeasti ja esiintyykö rajapinnoissa virheitä. Tuotteen omistaja taas voi kysyä, missä kokeilussa käyttäjä oli ja missä vaiheessa ongelma ilmeni.

On ajateltava, millaisia kysymyksiä eri henkilöt esittävät ja millä tavalla tieto kannattaa esittää heille. Datan demokratisointi tarkoittaa minulle sitä, että sama perusdatakerros tehdään eri henkilöille käyttökelpoiseksi. Näin organisaation ei tarvitse ylläpitää 16:ta erillistä ratkaisua.

Organisaatioissa näen ihmisten väittelevän kaikkein arkisimmista asioista: ”Sinun datasi on erilaista kuin minun. Minulla on 2,3 prosenttia ja sinulla 2,4 prosenttia.” He käyttävät tuntikausia ja päiviä eron selvittämiseen. Jos meillä olisi yksi järjestelmä ja yhteinen määritelmä, se olisi helpompaa. Istunnon tai käyttäjän määritelmä voi vaihdella, eikä 2,3:n ja 2,4:n eroa pitäisi pitää väittelyn aiheena.

Missä käyttäjillä on vaikeuksia? Missä voimme optimoida kokemusta? Miten saamme heidät nopeammin kassalle vähemmillä klikkauksilla tai kitkakohdilla? Miten teemme kokemuksesta paremman?

Generatiivinen tekoäly tarjoaa mahdollisuuden tehdä tästä helpompaa. Kun ymmärsimme Felix AI:n avulla, että voimme tiivistää käyttäjän aikomuksen, oivalsimme, että voimme muotoilla tiedon eri yleisöille. Joku haluaa ehkä nopean yhteenvedon. Puhelinkeskuksen työntekijä ei halua kaikkia yksityiskohtia, vaan tietää, miten asiakkaan kanssa voi toimia tehokkaasti.

Tuotteen omistaja haluaa tietää, missä kokeilussa käyttäjä oli, mitä vaiheita hän kävi läpi ja mitä ominaisuuksia hän käytti. DevOps-asiantuntija haluaa ehkä tietää, mitkä sivut latautuvat hitaasti ja mitkä nopeasti. Generatiivisen tekoälyn vastauksen voi muotoilla yleisön mukaan.

Tämä on muuttanut asiakaskuntaamme merkittävästi, koska halutun tiedon saaminen oikealle henkilölle on nyt helpompaa.

Hannah Clark: Meillä on vielä pari hieman erilaista aihetta käsiteltävänä, joten esitän kysymykset hieman nopeammin.

Datahygienia. Puhutaan siitä. Monet yritykset kamppailevat datahygienian kanssa. Miten generatiivinen tekoäly auttaa lieventämään organisaatioissa yleisesti nähtäviä ongelmia?

Mario Ciabarra: Hannah, hymyilen korvasta korvaan, koska tämä on projekti, joka on ollut minulle tärkeä vuodesta 2015 lähtien.

Kun loimme ensimmäisen selitysvideomme, sanoimme videolla, että tulemme tekemään tämän. En ollut löytänyt siihen keinoa. Nyt generatiivinen tekoäly tulee apuun. Olen todella innoissani siitä, että julkaisemme tämän vuosineljänneksen loppuun mennessä eli muutaman seuraavan viikon aikana tuotteen, joka tekee juuri tämän: löytää liiketoimintamme päätöksentekoon tarvitsemamme datan.

Olen matkustanut viime viikkoina ja kysynyt jokaiselta asiakkaalta ja potentiaaliselta asiakkaalta yksinkertaisen kysymyksen: kuinka usein datanne on oikein ja kuinka usein se on väärin? Yllättyisit siitä, että kaikki sanovat joutuvansa viikoittain tekemään päätöksiä ilman täydellistä dataa.

Kuinka vaikeaa on tehdä päätöksiä, kun käytettävissä ei ole oikeaa dataa? Mikä on aina oikean datan arvo? Markkinoinnissa ja markkinoilla on ollut jonkin verran sekaannusta automaattisesta keräämisestä, automaattisesta merkitsemisestä ja muusta vastaavasta. Emme ole vielä päässeet siihen, että voisimme poimia oikean tiedon liiketoimintamme pyörittämiseen – ehkä siis siirtyä merkinnöistä oikean tiedon keräämiseen.

Näen jatkuvasti ihmisiä, joilla ei ole oikeaa tietoa. Tuotteen omistajilta olen kuullut toistuvasti: ”Olemme sprintissä. Analytiikka kuuluu aikatauluumme. Sprintin loppuvaiheessa ilmestyy joukko virheitä. Voin joko merkitä oikean datan ja saada analyyttisen tiedon tai korjata virheet.” Tiedät, kumman he valitsevat.

He päätyvät julkaisemaan tuotteen ilman analyyttista dataa, jonka avulla ymmärtää, onnistuttiinko uusien ominaisuuksien kanssa. Kuinka järjetöntä se on? Entä jos voisimme automatisoida tämän generatiivisella tekoälyllä? Entä jos voisimme pyytää generatiivista tekoälyä sanomaan: ”Tarvitsen nämä tiedot. Etsi ne kokeiluista A, B ja C” ilman, että minun tarvitsee määrittää tarkasti, mistä tieto löytyy?

Meidän ei tarvitsisi merkitä kaikkea yhdessä insinöörien kanssa. Oikea tieto voitaisiin poimia verkkosivuston ja sovelluksen käyttäjien vuorovaikutuksesta. Kun esittelemme tätä tuotetta, ihmisten ilmeet ovat hämmästyttäviä. Keskustelin toimialan analyytikon kanssa ja sanoin: ”Asteikolla yhdestä kymmeneen, mitä ajattelet tästä?” Näytin tuotteen toiminnassa. Hän vastasi: ”Yli kymmenen. Tämä on uskomatonta.”

Hannah Clark: Niinpä. Se saa silmät kostumaan.

Mario Ciabarra: Olen innoissani vuoden 2025 menestyksestä ja siitä, miten autamme organisaatioita saamaan oikean datan reaaliaikaiseen päätöksentekoon.

Hannah Clark: Se on todella innostavaa. Onnittelut jo etukäteen.

Koska puhumme vuodesta 2025, puhutaan tulevaisuudesta. Olet ennustanut, että tuoteanalytiikka kehittyy seuraavien vuosien aikana asiakas- tai kokemusanalytiikaksi. Mitkä trendit tai innovaatiot mielestäsi vauhdittavat tätä muutosta?

Mario Ciabarra: Asiakkaan ymmärtäminen ja kuunteleminen on enemmän kuin digitaalista analytiikkaa.

Organisaatioissa on jo kerätty paljon tietoa, jota voimme hyödyntää. Tietoja ei vain ole yhdistetty. Annan esimerkin. Quantumissa haemme nykyään kyselydataa ja integroimme palvelumme suuriin kyselyiden tarjoajiin. Joskus haluamme käyttää dataa kuunnellaksemme ilman, että meidän täytyy kysyä asiakkaalta, missä hänen kitkakohtansa ovat.

Joskus on tärkeää kysyä suoraan: ”Hannah, oletko tyytyväinen?” Käytimmekö dataa ymmärtääksemme Hannahin kokemuksen onnistuneesti? Kun vastaus vastaa keräämäämme dataa, hienoa. Kun se ei vastaa, jotain puuttuu, ja voimme etsiä sitä kokemuksen osaa, jota emme ymmärtäneet Hannahin tapauksessa.

Kyselyt eivät kuitenkaan ole ainoa asia. Entä kun Hannah kirjoittaa arvostelun? Emme pyytäneet häntä tekemään sitä. Hän vain sanoi: ”Pidän tästä tuotteesta” tai ”Olen todella tyytymätön tähän tuotteeseen.” Otetaan esimerkiksi teleoperaattori. Kun Hannahin puhelut katkeavat kolme kertaa kuukauden aikana, luuletko hänen jatkavan tai uusivan teleoperaattorin tilaustaan seuraavana kuukautena?

Ehkä tämä ei yksin riitä, mutta entä jos hän tilasi uuden iPhonen, joka saapuu – tai ei saavu lainkaan? Yksi tiimini jäsen tilasi tänä vuonna uuden iPhonen teleoperaattorilta, mutta ei koskaan saanut sitä. Luuletko, että hän haluaa edelleen uusia tilauksensa ja pysyä saman teleoperaattorin asiakkaana?

Voimme tarkastella kaikkia näitä datan osia 360 asteen näkymänä, joka yhdistää sekä verkon ulkopuoliset että verkkokokemukset.

Olemme Quantumin kymmenen vuoden aikana pohjimmiltaan yrittäneet kuunnella asiakkaita. Ovatko he tänään tyytyväisempiä vai vähemmän tyytyväisiä? Ovatko he uskollisempia vai vähemmän uskollisia? Kyse on ehdottomasti muustakin kuin kyselyistä ja digitaalisista kokemuksista.

Miten yhdistämme kaiken tiedon auttaaksemme johtajia, tuotteen omistajia, kehittäjiä ja ylläpitäjiä sekä muita tiimejä ymmärtämään, mitkä asiat ovat tärkeitä asiakkaalle, tilaajalle tai mille tahansa yleisölle, ja miten voimme tehdä kokemuksesta paremman?

Miten keskitymme merkityksellisiin hetkiin?

Hannah Clark: Tämä on ollut erittäin kiinnostavaa. On innostavaa kuulla, miten generatiivinen tekoäly tulee muuttamaan analytiikan toimintatapoja ja tekemään siitä paljon helpommin lähestyttävää kaikille – olipa kyseessä dataan vahvasti keskittyvä tuotepäällikkö tai enemmän vuorovaikutustaitoihin nojaava tuotepäällikkö. Todella kiinnostavaa.

Kiitos, että liityit seuraamme, Mario. Missä kuuntelijamme voivat seurata työtäsi verkossa?

Mario Ciabarra: Minua voi seurata LinkedInissä. Yrityksen työ löytyy osoitteesta quantummetric.com. Siellä on paljon sisältöä asiakkaidemme menestystarinoista sekä tietoa tulevista ja julkaistavista asioista.

Liity siis seuraamme osoitteessa quantummetric.com, seuraa Quantum Metriciä LinkedInissä ja kuuntele tulevia podcasteja täällä Hannahin ja minun kanssani.

Hannah Clark: Mahtavaa. Kiitos paljon, että tulit mukaan.

Mario Ciabarra: Kiitos, Hannah.

Hannah Clark: Kiitos kuuntelusta. Lisää hyödyllisiä näkemyksiä, käytännön oppaita ja työkaluarvosteluja saat tilaamalla uutiskirjeemme osoitteessa theproductmanager.com/subscribe. Voit kuulla lisää tämänkaltaisia keskusteluja tilaamalla The CPO Clubin sieltä, missä kuuntelet podcasteja.