Tuotekehityksen maailmassa käyttäjien tarpeiden ja toiveiden ymmärtäminen on ensiarvoisen tärkeää menestyvien tuotteiden luomisessa.
Tässä jaksossa Hannah Clarkin vieraana on Arrown perustaja ja toimitusjohtaja Craig Watson, joka kertoo onnistuneen tuotelöydön salaisuuksista ja siitä, miten generatiivista tekoälyä voi hyödyntää käyttäjätutkimusprosessissa.
Haastattelun kohokohdat
- Craigin matka: startup-yrityksistä Arrow’hen [01:02]
- Craigilla on 15 vuoden kokemus tuotealan tehtävistä, ja hän aloitti uransa irlantilaisissa startup-yrityksissä.
- Hän työskenteli Soundwave-nimisessä musiikkiteknologian startup-yrityksessä, jonka rahoittivat pääomasijoittajat ja jonka Spotify osti vuonna 2016.
- Craig työskenteli Spotifylla viisi vuotta ja sai seurata merkittävää kasvua: tuotekehityksen työntekijämäärä kasvoi alle tuhannesta yli 3 000:een.
- Hän työskenteli Spotifyn Tukholman-toimistossa kasvutiimissä ja muutti sitten Lontooseen auttamaan tuotehankkeissa, kuten TEO:ssa ja Spotify Duossa.
- Craig siirtyi konsultointiin keskittyen tuotelöytöön ja auttaen yrityksiä parantamaan tutkimuskäytäntöjään.
- Noin puolitoista vuotta sitten Craig ja hänen toinen perustajansa Johannes näkivät mahdollisuuden rakentaa kiinnostavaa teknologiaa, joka liittyi perustavanlaatuisiin suuriin kielimalleihin (LLMs). Tämä johti Arron perustamiseen.
- Tuotelöydön taito ja tiede [03:14]
- Craig pitää tuotelöytöä kiehtovana, koska siinä yhdistyvät tiede ja taito.
- Hän nauttii asiakkaiden tarpeiden ja vaatimusten ymmärtämisestä ja pitää sitä vaikuttavana mutta usein sivuutettuna tuotehallinnan osa-alueena.
- Craig arvostaa tuotehallinnan suppilon varhaisempaa vaihetta, jossa keskitytään ymmärtämään, millainen tuote pitäisi rakentaa.
- Hän näkee taitoa siinä, että osaa esittää oikeita kysymyksiä ja tiedostaa tuotelöytöprosessiin liittyvät mahdolliset ennakkoasenteet.
- Käyttäjätutkimuksen virheistä oppiminen [04:15]
- Craig myöntää tehneensä käyttäjätutkimuksessa klassisia virheitä, kuten siirtyneensä suoraan ratkaisujen suunnitteluun ja validointiharjoituksiin.
- Hän korostaa tuotejohtajien yleistä sudenkuoppaa ja painottaa erilaisen ajattelutavan tarvetta: validoinnin sijaan tulisi keskittyä vääräksi osoittamiseen.
- Hän kertoo henkilökohtaisesta kokemuksestaan parikymppisenä työskennellessään Soundwavella, jolloin he keskittyivät enemmän arvioivaan kuin tuottavaan tutkimukseen.
- Craig korostaa, kuinka tärkeää on sivuuttaa oma ego, kuunnella käyttäjiä ja ymmärtää, missä työnkuluissa voidaan tehdä parannuksia.
Sivuuta oma egosi ja kuuntele ihmisiä ymmärtääksesi, missä puutteet ovat ja miten voit parantaa heidän työnkulkujaan, ja rakenna tuotteesi sen pohjalta.
Craig Watson
- Tekoälyn rooli tuotteen löytämisessä [06:51]
- Craig hahmottelee prosessin, joka alkaa asiakkaiden tehtävien ja ongelmien ymmärtämisestä tuotekehityksen löytämisprosessin perustana.
- Hän käy läpi tutkimusprosessin vaiheet, kuten tutkimustavoitteiden määrittelyn, osallistujien rekrytoinnin, menetelmien valinnan, tiedon syntetisoinnin, oivallusten jakamisen organisaation sisällä ja toimenpiteisiin ryhtymisen.
- Jokaiseen tehtävään liittyy erilaisia tuloksia ja huomioitavia asioita, kuten tietojen vaatimustenmukaisuus, rekrytointimenetelmät ja sitouttamisstrategiat.
- Hän korostaa työnkulkuun perustuvien lähestymistapojen merkitystä erityisesti B2B-konteksteissa yleisten nimikkeiden tai kategorioiden sijaan.
- Craig käsittelee perinteisten asiakashaastatteluprosessien haasteita ja korostaa haastattelujen aikatauluttamiseen, litterointiin, syntetisointiin ja analysointiin liittyvää merkittävää ajan ja vaivan tarvetta.
- Hän tunnistaa prosessissa aukon, jossa tekoäly voisi mahdollisesti täydentää tai korvata tiettyjä moderoitujen haastattelujen toteuttamiseen liittyviä tehtäviä.
- Arron tuotestrategia perustuu tämän tutkimusprosessin aukon täyttämiseen tekoälyteknologian avulla.
- Tekoälyn tulevaisuus tuotehallinnassa [10:14]
- Craig keskustelee suurten kielimallien mahdollisuudesta mullistaa tuotetutkimus erityisesti muuttamalla jäsenneltyä dataa merkityksellisiksi oivalluksiksi.
- Arron generatiiviseen tekoälyyn keskittyvä lähestymistapa pyrkii hyödyntämään suuria kielimalleja haastattelujen toteuttamiseen ja oivallusten syntetisointiin laajassa mittakaavassa.
- Vaikka tekoälyn käyttöönotto teknologia-alalla on yleistä, Craig huomauttaa työpaikoilla käyttöönoton olevan hitaampaa esimerkiksi turvallisuushuolien ja käyttötapausten epäselvyyden vuoksi.
- Sisällön tuottaminen on yksi tekoälyn yleisistä käyttötapauksista. Sitä voidaan hyödyntää esimerkiksi käyttäjätarinoiden, tutkimusehdotusten ja keskusteluoppaiden kirjoittamiseen.
- Lisäksi tekoäly auttaa sisällön analysoinnissa. Esimerkiksi Grainin kaltaiset työkalut mahdollistavat litterointeihin perustuvien kyselyiden tekemisen, joiden avulla keskusteluista voidaan poimia arvokkaita oivalluksia.
- Varhaisista haasteista huolimatta Craig pitää kehittyvää tekoälyliiketoimintojen kenttää lupaavana ja innostavana.
- Tuotteen ja markkinoiden yhteensopivuuden löytäminen tekoälyn avulla [15:49]
- Craig pohtii PMF:ää päättymättömänä matkana ja monivaiheisena kokonaisuutena, johon liittyy erilaisia lähestymistapoja.
- Craig jakaa Spotify-ajaltaan saamiaan oivalluksia ja korostaa, kuinka paljon aikaa ja vaivaa kasvukäyrän muuttaminen ja PMF:n saavuttaminen vaativat.
- Hän keskustelee siitä, että PMF:n saavuttaminen edellyttää aikaa panostusten tekemiseen, kokeilujen toteuttamiseen ja oikeiden päätösten tekemiseen.
- Craig näkee tekoälyn työkaluna, joka voi vähentää PMF:n löytämiseen liittyviin tehtäviin kuluvaa aikaa. Hän myöntää, ettei se tarjoa nopeasti täydellistä ratkaisua, mutta se voi nopeuttaa PMF:n saavuttamista.
- Tekoälyn integroinnin varoitukset ja huomioitavat asiat [18:18]
- Craig tunnustaa huonosti toteutettujen tekoälyominaisuuksien mahdolliset kielteiset vaikutukset ja korostaa vaatimustenmukaisuuden sekä eettisten näkökohtien huomioimisen tarvetta.
- Hän korostaa yritysten taipumusta pakottaa tekoäly osaksi tuotteita ymmärtämättä täysin asiakkaiden tarpeita tai tehtävien vaatimuksia.
- Hän varoittaa joutumasta ”kiiltävän esineen syndrooman” ansaan, jossa tekoälyominaisuuksia lisätään vain niiden uutuusarvon eikä käytännön hyödyn vuoksi.
- Craig kannattaa keskittymistä perusperiaatteisiin ja käyttäjien tarpeiden ymmärtämiseen, jotta voidaan määrittää, parantaako tekoälyn integrointi tehokkuutta, vähentääkö se kustannuksia tai kohentaako se käyttäjäkokemusta.
- Hän korostaa, että tekoälyominaisuuksiin, jotka auttavat suoraan ratkaisemaan käyttäjien ongelmia ja parantamaan tuotteen ydintoiminnallisuutta, on tärkeää investoida aikaa ja resursseja.
- Neuvoja perustajille ja tuotepäälliköille [21:21]
- Craig korostaa startup-yrityksen kontekstin ja kehitysvaiheen huomioimisen tärkeyttä.
- Hän nostaa esiin startupin vaiheeseen perustuvat erilaiset lähestymistavat: oikean markkinaosuuden löytämisen tai tunnetun ongelman ratkaisemisen.
- Craig varoittaa lähestymistavasta, jossa ensin rakennetaan ratkaisu ja sitten etsitään sille sopiva ongelma. Hän myöntää, että näin tapahtuu, mutta se ei ole ihanteellista.
- Craig ehdottaa, että suhteiden rakentaminen ja generatiivinen tutkimus ovat alkuvaiheen startup-yrityksille ratkaisevan tärkeitä asiakkaiden kipupisteiden ymmärtämiseksi.
Suhteiden rakentaminen on ratkaisevan tärkeää. Yhteydenpito potentiaalisiin asiakkaisiin, heidän kipupisteidensä ymmärtäminen ja arvolupaukseesi liittyvän generatiivisen tutkimuksen tekeminen ovat asioita, joihin sinun tulee keskittyä.
Craig Watson
Tutustu vieraaseemme
Craig Watson on tekoälypohjaisen käyttäjätutkimustyökalun Arron perustaja ja toimitusjohtaja. Craig on koko uransa ajan suhtautunut intohimoisesti tuotteen löytämiseen, ja se on antanut hänelle erinomaisia näkemyksiä siitä, miten käyttäjätutkimusprosessia voidaan yksinkertaistaa kasvuyrityksiä ja muita tuotetiimejä varten.
Tuotteen löytämisessä on aina kiehtonut minua tieteen ja taiteen yhdistelmä. On kiinnostavaa perehtyä asiakkaiden toiveisiin, vaatimuksiin ja tarpeisiin. Siihen liittyy kuitenkin myös taiteenlaji – on osattava tietää, mitä kysymyksiä esittää, ja tunnistaa mahdolliset ennakkoluulot.
Craig Watson
Tämän jakson materiaalit:
- Tilaa The CPO Clubin uutiskirje
- Ota yhteyttä Craigiin LinkedInissä
- Tutustu Arroon
Aiheeseen liittyvät artikkelit ja podcastit:
- Tietoa The CPO Club -podcastista
- Näin löydät tuote–markkina-yhteensopivuuden nopeasti ja kustannustehokkaasti
- Näin luot tehokkaan asiakaspalautesilmukan tuotetiimeille
- Tuotekehitysprosessi: näin tuot erinomaiset ideat markkinoille
- Tuotteen käyttöön sitoutuminen: rakastavatko käyttäjät tuotettasi vai jättävätkö he sen?
Lue litterointi:
Kokeilemme podcastiemme litterointia ohjelmistolla. Antakaa anteeksi mahdolliset kirjoitusvirheet, sillä botti ei ole sataprosenttisen tarkka.
Hannah Clark: Tiedän saarnaavani kuorolle, mutta sanon sen silti. Tuotteiden on ennen kaikkea oltava hyödyllisiä. Silti markkinoilla ei ole pulaa tuotteista, jotka on rakennettu kasan oletuksia varaan siitä, mitä käyttäjät oikeasti haluavat. Miksi niin monet organisaatiot siis laiminlyövät tuotteiden löytämisprosessin? Olen varma, että jokainen tuotepäällikkö, joka on samalla toiminut epävirallisena käyttäjätutkimuksen vetäjänä, osaa kertoa miksi. Se vie aikaa, se on kallista ja on todella, todella vaikeaa paitsi saada riittävän suuri otos asiakasdataa myös muuttaa kyseinen data konkreettisiksi toimenpiteiksi.
Vieraanani tänään on Craig Watson, Arron perustaja ja toimitusjohtaja. Arro on tekoälypohjainen käyttäjätutkimustyökalu. Craigin intohimo tuotteiden löytämiseen koko uransa ajan on antanut hänelle erinomaisia näkemyksiä siitä, miten käyttäjätutkimusprosessia voidaan yksinkertaistaa kasvuyrityksissä ja muissa tuotetiimeissä. Hän kertoo myös käytännöllisiä taktiikoita siihen, miten tuotteiden löytämistä voi tehdä paremmin generatiivisen tekoälyn avulla. Aloitetaan.
Tervetuloa takaisin Tuotepäällikön podcastiin. Olen täällä Craig Watsonin kanssa. Hän on Arron perustaja ja toimitusjohtaja.
Craig, kiitos paljon, että liityit seuraamme tänään.
Craig Watson: Kiitos paljon. On hienoa olla täällä.
Hannah Clark: Craig, voisitko kertoa hieman ammatillisesta taustastasi ja siitä, miten päädyit nykyiseen tehtävääsi Arrolle?
Craig Watson: Toki. Olen työskennellyt tuotetehtävissä käytännössä 15 vuotta ja aloitin enemmänkin startup-ympäristössä. Meillä oli Irlannissa muutama startup, joita rakensimme suoraan korkeakoulusta valmistuttuamme. Yritimme oppia projektien edetessä ja todella ymmärtää, miten kuluttajille rakennetaan tuotteita.
Noin neljän vuoden jälkeen siirryimme eteenpäin. Aloitimme vuonna 2012 musiikkiteknologiayrityksen nimeltä Soundwave. Se oli tyypillinen pääomasijoittajien rahoittama startup. Nousuja ja laskuja oli paljon, opimme nopeasti työn ohessa ja opimme tuolloin luultavasti eniten tuotteiden löytämisestä, mihin palaamme tässä keskustelussa.
Tuossa kokemuksessa pidin erityisesti siitä, että olimme uramme alussa ja jouduimme tekemään tuotepäällikkönä niin monia erilaisia tehtäviä. Tajusimme, että meidän täytyy tehdä monenlaisia asioita: käyttäjätutkimusta, toimitusta ja tuotteen hallintaa eri aikoina.
Spotify osti meidät lopulta vuonna 2016, ja siirryimme sinne töihin. Se oli todella hyvä kokemus. En aikonut jäädä niin pitkäksi aikaa, mutta päädyin olemaan siellä viisi vuotta. Spotify kasvoi tuolloin todella nopeasti. Liittyessäni yritykseen tutkimus- ja kehitystehtävissä oli luultavasti alle tuhat ihmistä, ja lähtiessäni heitä oli jo lähes 3 000 tai enemmän. Kasvu oli valtavaa.
Työskentelin pari vuotta Tukholman toimistossa kasvutiimissä. Sen jälkeen siirryin Lontooseen, kun sinne perustettiin toimisto. Autoin käynnistämään joitakin TEO:n, lasten sovelluksen ja Spotify Duon tuotekohtaisia hankkeita sekä muutamia muita kokonaisuuksia. Se oli tietysti hyvin erilainen ympäristö kuin startup-maailma ja hyvin erilainen paikka toimia tuotepäällikkönä, mutta pidin siitä todella paljon.
Viimeksi siirryin noin puolentoista vuoden ajaksi konsultointiin. Työskentelin nimenomaan tuotteiden löytämisen parissa ja yritin auttaa muita yrityksiä parantamaan tutkimuskäytäntöjään, oppimaan, miten asiakkaat tavoitetaan ja miten näyttöön perustuvia päätöksiä tehdään. Pohjimmiltaan autoin niitä rakentamaan parempia tuotteita.
Lyhyesti sanottuna kävi niin, että noin puolitoista vuotta sitten tajusimme olevan mahdollisuus rakentaa kiinnostavaa teknologiaa sen perusteella, miten perustavanlaatuiset kielimallit kehittyvät. Perustajajäseneni Johannes ja minä aloimme tehdä yhteistyötä. Voin kertoa siitä lisää myöhemmin.
Hannah Clark: Ehdottomasti. Ennen kuin siirrymme siihen, voisitko kertoa hieman tuotteiden löytämisestä yleisesti ja siitä, miksi siitä on tullut sinulle niin tärkeä asia?
Craig Watson: Luulen, että tuotteiden löytämisessä minua on aina vetänyt puoleensa tieteen ja taiteen yhdistelmä. On kiinnostavaa pohtia, miten todella ymmärtää, mitä asiakkaat haluavat, millaisia vaatimuksia ja tarpeita heillä on. Mutta siinä on myös taiteellinen puolensa: pitää ymmärtää, mitä kysymyksiä esittää ja tunnistaa, mitkä kysymykset ovat mahdollisesti johdattelevia tai puolueellisia.
Olen aina pitänyt tuotepäällikön työn toimituspuolta ammattina, mutta tuotteen alkupään vaihe, jossa yritetään ymmärtää, mitä tuotetta pitäisi rakentaa, jää usein huomiotta. Se on yleensä vaikuttavin vaihe, ja jostain syystä persoonani on sellainen, että olen kiinnostunut siitä. Se on mielestäni yksinkertaisesti kiehtovaa.
Hannah Clark: Tietenkin. Mikä voisi olla kiehtovampaa kuin sen ymmärtäminen, mitä ihmiset todella haluavat? Kun ajattelet aiempaa työtäsi tuotteiden löytämisen parissa, ennen kuin tekoälystä tuli nykyinen työkalumme, millainen prosessisi oli käyttäjien kipupisteiden syvällisempään ymmärtämiseen ja rakennettavista asioista päättämiseen?
Craig Watson: Tässä on syytä mainita, että teimme kaikki klassiset virheet, joita käyttäjätutkimuksen aloittamisessa tehdään. Opimme kantapään kautta, että joskus hyppäsimme suoraan ratkaisuvaiheeseen, teimme tyypillisen validointiharjoituksen ja yritimme todistaa jonkin asian oikeaksi.
Luulen, että tämä on yleisin sudenkuoppa, jonka olen nähnyt tuotepäälliköillä. Vääräksi osoittaminen vaatii hyvin erilaisen ajattelutavan. Se on vaikeaa, koska sinulla on idea, olet siitä innoissasi, sinun täytyy saada ihmiset innostumaan siitä ja saada sidosryhmät kiinnostumaan. Hyvät tutkijat ja tieteellinen prosessi perustuvat kuitenkin tehokkaasti ajateltuna vääräksi osoittamiseen.
On pyrittävä selvittämään, mikä ei toimi. Meiltä kesti jonkin aikaa sopeutua tähän ajattelutapaan. Tähän liittyy myös menetelmä: kysymyksiä esitettäessä on varmistettava, ettei johdattele vastaajaa, ja oltava objektiivinen. Voin kertoa tästä hieman taustaa.
Olimme ensimmäisen kerran parikymppisiä, kun Soundwave alkoi menestyä. Sovelluksella oli yli miljoona asennusta, ja yritimme rakentaa uutta ominaisuutta. Keskustelimme ihmisten kanssa kahden kesken ja teimme haastattelut tuolloin kasvotusten, ennen kuin etähaastatteluista tuli yleisempiä.
Opimme nopeasti, mitä ihmiset halusivat. Olimme innoissamme rakenteilla olevasta asiasta, mutta tutkimus oli tavallaan itseensä viittaavaa, koska tarkastelimme melko pientä ominaisuusjoukkoa. Emme todella päässeet käsiksi ongelmiin. Tutkimus ei ollut luovaa vaan pikemminkin arvioivaa.
Ajattelimme esimerkiksi: tässä on muutamia asioita, joita harkitsemme rakentavamme. Yritimme oppia lisää ihmisten kiinnostuksen kohteista ja erityisesti musiikista. Otimme mukaan ulkopuolisen johtajan, joka konsultoi meitä ja auttoi haastatteluissa. Hän sanoi: ”Se, mitä teette, on mielestäni ihan hyvää, mutta teidän on varottava paikallisia maksimeja.”
Optimoimme tuotetta, mutta startupin tässä vaiheessa meidän olisi todella pitänyt ajatella enemmän luovaa ja perustavanlaatuista tutkimusta. Meidän olisi pitänyt ymmärtää, mitä tehtäviä ihmiset haluavat suorittaa, missä kontekstissa he toimivat ja millaisia tuloksia he yrittävät saavuttaa.
Sen jälkeen ratkaisu pitäisi rakentaa näiden asioiden ympärille. Tämä oli toinen suuri oppi. Kun ajattelet ratkaisukeskeisesti ja haluat tuoda esiin hienoja ideoita, on vaikeaa laittaa oma ego sivuun, kuunnella ihmisiä ja ymmärtää, missä aukot ovat, mitä vaiheita heidän työnkulussaan voisi parantaa ja rakentaa tuote todella niiden ympärille.
En siis väitä hallitsevani tätä täydellisesti, ja tarvitsen ehdottomasti vielä apua. Olen työskennellyt vuosien mittaan loistavien tutkijoiden ja data-analyytikoiden kanssa. Luulen ainakin ymmärtäväni tässä vaiheessa hieman paremmin ajattelumallit ja viitekehykset.
Hannah Clark: Hienoa. Kuulostaa siltä, että olet todella omaksunut tehtävien suorittamisen viitekehyksen keskeiseksi osaksi prosessia.
Voisitko käydä hieman läpi, miltä tuo löytämisprosessi näytti ja miten sovelsit näitä tekniikoita Arron perustamiseen?
Craig Watson: Meillä on nykyään prosessi, jossa aloitamme tarkastelemalla tehtäviä. Kun puhun tehtävistä, tutkimuksen yksityiskohtaisuus riippuu siitä, kuinka tarkalle tasolle halutaan mennä, mutta pohjimmiltaan yritämme oppia asiakkailtamme.
Yritämme ymmärtää, mitä he haluavat tai millaisia ongelmia heidän elämässään on. Aloitamme kysymällä: mitä tämä käytännössä tarkoittaa? Mitä pitää tehdä tutkimuksen suunnittelemiseksi? On päätettävä, mitä halutaan oppia.
Sen jälkeen on rekrytoitava osallistujat ja päätettävä, millä menetelmällä asiakkaisiin ollaan yhteydessä. On myös pohdittava, miten tiedot syntetisoidaan, miten niistä opitaan, miten havainnot jaetaan organisaation sisällä tiimin tai sidosryhmien kanssa ja miten niiden perusteella toimitaan.
Tämä on melko abstrakti ja yleisellä tasolla kuvattu kokonaisuus, mutta jokaisen tehtävän sisällä on suuri joukko tuloksia. Jos ajatellaan esimerkiksi tutkimukseen osallistuvien rekrytointia, mitä siihen kuuluu? Pitääkö tietokannasta hakea lista ihmisistä ja ymmärtää asiakassegmentti?
Rekrytoidaanko ulkopuolisesta paneelista, jolloin prosessi on nopeampi mutta osallistujat eivät ehkä kuulu nykyiseen asiakaskuntaan? Millaiset tietosuojaan ja vaatimustenmukaisuuteen liittyvät asiat on huomioitava asiakkaiden kanssa toimittaessa? Jokaisen tehtävän alla on tällainen pitkä lista tuloksia.
Se kuulostaa hieman kuivalta, melkein numeroiden mukaan maalaamiselta, mutta kun kaikki vaiheet ja erilaiset tulokset kartoitetaan, saa viitekehyksen, jonka avulla voi ymmärtää, mitkä osat ovat alipalveltuja ja mitkä ylitarjottuja.
Olen lainannut paljon muilta kirjoittajilta ja asiantuntijoilta, kuten tehtävien suorittamisen menetelmän kirjoittajilta ja Anthony Ulwickilta, joka kirjoitti tuloskeskeisestä innovaatiosta. Sittemmin monet ovat kehittäneet ajatusta edelleen. Ohjelmistoissa on kuitenkin helppo eksyä esimerkiksi persooniin, nimikkeisiin ja kategorioihin, jotka eivät ole yhtä olennaisia sen kannalta, mitä yrität oppia.
Jos ajattelet yritysten välistä liiketoimintaa omalla alallamme, kaikki perustuu työnkulkuihin ja tulee aina perustumaan niihin. Tutkimuksessa ihmisillä on tehtävä: he yrittävät korjata jotain. Näin lähestyimme asiaa Arrossa.
Kartoitimme kokonaisuuden, löysimme aukot ja sama asia nousi esiin kerta toisensa jälkeen: asiakashaastatteluihin liittyi valtavasti hitautta. Ihmisiä oli todella vaikea saada puheluun. Prosessissa oli jälleen useita vaiheita. Ensin on löydettävä ihmiset, sitten oltava heihin yhteydessä, sovittava aika, käytävä keskustelu, litteroitava se, syntetisoitava ja koodattava kaikki tulokset, tehtävä temaattinen analyysi ja maksettava osallistujille. Kaikki tämä on tehtävä esimerkiksi 50, 10 tai viidelle ihmiselle.
Sen jälkeen kootusta näkökulmasta pitää vielä yrittää saada tolkkua. Tämä on edelleen yleisin tapa tehdä tutkimusta. Kannatan vahvasti kahdenkeskisiä asiakashaastatteluja, mutta tajusimme, että tässä saattaa olla aukko. Tekoälyn kehityksen ansiosta ei ole epärealistista ajatella, että suuri osa moderoituihin haastatteluihin liittyvistä alitehtävistä voitaisiin korvata tai niitä voitaisiin täydentää tekoälyllä.
Juuri tähän aukkoon halusimme keskittyä. Olemme rakentaneet tuotteen strategian käytännössä sen ympärille.
Hannah Clark: Jos jatketaan tästä, mitkä ovat sellaisia osa-alueita, joihin kielimallit voivat mielestäsi vaikuttaa merkittävästi? Näetkö tällaista muutosta jo nyt?
Craig Watson: Ilmeisimmät käyttötapaukset tuotetutkimuksessa ovat tähän mennessä liittyneet jäsentämättömän datan muuttamiseen jäsennellyksi dataksi. Kielimallit ovat siinä todella hyviä, monissa tapauksissa ihmisiä parempia, koska ne pystyvät käsittelemään valtavia määriä jäsentämätöntä tekstiä ja useita tietopisteitä ja muuttamaan ne merkitykselliseksi ja useimmiten tarkaksi kokonaisuudeksi, vaikkei aina täydelliseksi.
Tiimit kehittyvät kuitenkin myös siinä, miten lähteet yhdistetään väitteisiin. On mahdollista nähdä todistusaineiston ketju: kuka sanoi mitä ja miten se liittyy tiettyyn tiimiin. Alkuvaiheen hyödyt ovat mielestäni keskittyneet enimmäkseen syntetisointiin.
Uskon kehityksen suuntautuvan myös luovempaan puoleen. Jos ajattelet, mitä Arro tekee, se on tapa toteuttaa haastatteluja eli käydä tekoälyn avulla keskusteluja osallistujien kanssa.
Määrittelet kysymyksiä, tekoäly käy keskustelun, ottaa talteen oivallukset, syntetisoi ne ja tuottaa raportin siitä, mitä 50, 100 tai 1 000 ihmiseltä on opittu. Tekoälyn etu on, että sen avulla toiminta skaalautuu paljon helpommin. Halusimme siksi käyttää enemmän aikaa generatiivisen tekoälyn osa-alueeseen, sillä haastattelut ovat luonteeltaan generatiivisia. Se on mielestäni erittäin kiinnostavaa.
Toinen asia, jota alamme tarkastella, ovat näkörajapinnat ja multimodaalinen käsittely. Voitaisiin ymmärtää, miten ihmiset navigoivat käyttöliittymässä tai tuotteessa. Uskon tästä tulevan paljon merkittävämpi ominaisuus seuraavien 12–18 kuukauden aikana, koska teknologia on nyt saavuttamassa tarvittavan tason.
Työkaluja on jo paljon, ja jos ajatellaan jälleen tehtävien viitekehystä, ne käyttävät esimerkiksi upotettuja kehyksiä ymmärtääkseen, miten ihmiset navigoivat Figman prototyypissä. Muutaman vuoden kuluttua näin ei kuitenkaan ehkä enää kannata toimia. Olisi paljon helpompaa, halvempaa ja tarkempaa antaa tekoälyn seurata, mitä käyttäjän näkörajapinnassa tapahtuu, mahdollisesti moderoida käytettävyystestejä ja palata sitten havaintojen kanssa. Näitä kahta asiaa tarkastelemme parhaillaan.
Hannah Clark: On todella kiehtovaa ajatella asioita, joita emme vielä pari vuotta sitten olisi pitäneet mahdollisina. On kiinnostavaa nähdä, kuinka nopeasti kehitys liikkuu tähän suuntaan.
Millä muilla tavoilla näet tuotetiimien hyödyntävän tekoälyä vuonna 2024 ollakseen tehokkaampia tuotteiden löytämisvaiheessa?
Craig Watson: Tapoja on useita. Olemme tehneet omia asiakashaastatteluja luultavasti noin 150–200 tässä vaiheessa. Olemme puhuneet monien tuoteammattilaisten, käyttäjätutkijoiden, tuotesuunnittelijoiden ja tuotepäälliköiden kanssa. Olen joskus yllättynyt siitä, kuinka harvoin tekoälyä käytetään.
Se voi kuulostaa hieman oudolta, koska teknologia-alalla useimmat ihmiset ovat varhaisia omaksujia ja ottavat nopeasti käyttöön uusimmat innovaatiot. Työpaikoilla käyttöönotto on kuitenkin vielä hidasta. Syitä on monia: sisäiset määräykset, tietoturvahuolenaiheet tai yksinkertaisesti epävarmuus käyttötapauksesta.
Vaikka elämme teknologia-alan kuplassa, teimme hiljattain kyselyn, jossa oli vain noin sata vastaajaa, joten otos ei ollut kovin edustava. Oli silti kiinnostavaa saada suuntaa-antavia havaintoja.
Monet ovat edelleen epävarmoja siitä, miten tekoälystä saa työpaikalla eniten irti. Henkilökohtaisessa elämässään he saattavat käyttää ChatGPT:tä, kokeilla Perplexityä tai Midjourneyta, mutta kaikki on vielä hyvin alkuvaiheessa.
Minua innostaa eniten juuri se, että olemme vasta alussa. Jos Twitteriä seuraa, voi tuntua siltä, että kaikki liittyy tekoälyyn, se on vallannut maailman ja yleinen tekoäly on aivan nurkan takana. Todellisuudessa olemme vasta alussa, ja yritysten välisessä liiketoiminnassa vielä aikaisemmassa vaiheessa.
Kysymykseesi siitä, miten ihmiset käyttävät tekoälyä: sisällön tuottaminen on luultavasti yleisin käyttötapaus. Tuotepäällikkö voi käyttää sitä käyttäjätarinoiden kirjoittamiseen. Tutkija voi käyttää sitä tutkimuksen tai ehdotuksen suunnitteluun tai keskusteluoppaan luomiseen.
Myös syntetisoinnissa sitä käytetään yhä enemmän. Tämä ei välttämättä tapahdu erityisten työkalujen kautta, vaan ihmiset voivat esimerkiksi syöttää Zoomista tai muusta palvelusta saadun litteroinnin tekoälylle.
Käytämme Grain-nimistä työkalua kaikkien videoidemme tallentamiseen. Se on erinomainen, koska se litteroi keskustelun, minkä jälkeen omaa tietomallia voi hyödyntää ja litteroinneille voi esittää kysymyksiä. Se on kiehtovaa. Voit kysyä esimerkiksi, mitä tehtäviä keskustelussa tunnistettiin tai millaisia persoonia keskustelun perusteella nousi esiin.
Näemme siis näiden kahden pään käytön: joko sisällön luomisen tai sisällön ymmärtämiseen tarvittavan työn vähentämisen. Ne ovat luultavasti yleisimmät käyttötavat. Ja tämä on vasta alkua, mikä on innostavaa.
Hannah Clark: Erittäin innostavaa. Se saa ajattelemaan, kuinka paljon tutkijat ovat aiemmin joutuneet tekemään työtä syntetisoidakseen suuren määrän hyvin epäjärjestelmällistä tietoa.
Käsittelette ihmisten vastauksia, joten hienovaraisten oivallusten kaivaminen voi olla todella vaikeaa, varsinkin jos tuotteesta on tehty paljon tutkimusta. On kiinnostavaa nähdä, miten tämä kehittyy.
Kun puhumme näistä samoista työkaluista, monet niistä liittyvät mielestäni myös tuotteen ja markkinan yhteensopivuuden löytämiseen. Mietin, näetkö tekoälyn auttavan tuotetiimejä löytämään tämän yhteensopivuuden tulevaisuudessa.
Craig Watson: Hyvä kysymys. Tuotteen ja markkinan yhteensopivuus on kiistanalainen aihe, kun startup-yrityksiä on pyörittänyt pitkään. Se on kaikkien tavoittelema Graalin malja, mutta matka ei tunnu koskaan päättyvän. Kohdetta ei koskaan saavuteta täydellisesti, koska markkinat tai tuote muuttuvat.
On vaikea sanoa, että yksi tai kaksi tiettyä lähestymistapaa auttaisi pääsemään sinne. Kyse on mielestäni yhdistelmästä, jossa liikutaan vähitellen kohti tavoitetta useilla eri tavoilla.
Konkreettisena esimerkkinä voidaan mainita muutama vuosi sitten kiertänyt kuuluisa kysely, jonka Superhumanin Rahul Vohra teki tuotteen ja markkinan yhteensopivuudesta. Siinä oli kyse segmentoinnista ja siitä, miten nopeasti voidaan selvittää, onko tuotteella markkinasopivuus. Menetelmässä on ansionsa: ymmärretään, kuinka pettyneitä ihmiset olisivat, jos heidän tuotteensa poistettaisiin. Se on kuitenkin vain tilannekuva eikä välttämättä auta saavuttamaan yhteensopivuutta.
Yksi suurista Spotifylla oppimistani asioista oli se, kuinka kauan kasvukäyrän suunnan muuttamiseen voi kulua. Yrityksessä oli tätä varten sisäinen podcast nimeltä The Curve, jossa CPO Gustav Söderström haastatteli ihmisiä eri puolilta yritystä.
Olin siellä viisi vuotta ja Gustav on ollut siellä ehkä 12 vuotta. Hänestä on tullut yksi yrityksen vaikutusvaltaisimmista johtajista. Hänen johtopäätöksensä näiden 12 vuoden ajalta on mielestäni se, että tuotteen ja markkinan yhteensopivuuden saavuttamiseksi on tehtävä panostuksia, kokeiluja ja oikeita päätöksiä 12 vuoden ajan.
Se ei tapahdu nopeasti eikä mikään yksittäinen työkalu vie sinne. Kyse on kaikkien eri osien yhteensovittamisen hienovaraisuudesta. Tekoäly voi kuitenkin erittäin hyvin lyhentää kaikkien näiden tehtävien vaatimaa aikaa. Se ei välttämättä tarjoa täydellistä ratkaisua, joka syntyy nopeasti, mutta se nopeuttaa etenemistä kohti tavoitetta.
Hannah Clark: Se käy järkeen. Palatakseni vääräksi osoittamisen ajatukseen: olen samaa mieltä siitä, että monien on vaikea laittaa egonsa sivuun. Haluaisin puhua hieman tekoälyominaisuuksien sopivuudesta eri tuotteisiin.
Monissa yrityksissä, sekä vakiintuneissa että startup-yrityksissä, vaikuttaa olevan meneillään kiiltävän uuden esineen syndrooma. Tekoälyominaisuuksia halutaan integroida tuotteisiin, koska se vaikuttaa välttämättömältä. Olen kuitenkin nähnyt tekoälyn toteutuksia, jotka eivät mielestäni ole tuottaneet paljon arvoa.
Miten voisi ymmärtää, onko tekoälyn käyttö ylipäätään tarpeellista tai onko tekoälyominaisuuden lisääminen olemassa olevaan tuotteeseen investoinnin arvoista?
Craig Watson: Olemme kaikki nähneet pelottavia käyttötapauksia, joissa chatbot on yrittänyt myydä auton tai lähtenyt täysin väärille raiteille. Kun näin tapahtuu ja asia leviää julkisuuteen, se ei ole mukavaa. Yrityksille voi syntyä valtava brändihaitta, jos ne tekevät asian väärin.
On siis oikein kyseenalaistaa käyttötapaukset ja varmistaa, että toteutus on sääntöjen mukainen ja eettinen.
Olen nähnyt yritysten pakottavan tekoälyn mukaan tilanteissa, joissa palataan siihen, mistä aiemmin puhuimme: ollaan ratkaisutilassa eikä ymmärretä, mitä asiakas yrittää saavuttaa tietyn tehtävän avulla ohjelmistossa.
Otetaan esimerkiksi Notion. Käytämme Notionia etäyrityksemme tietopohjana ja luotamme siihen paljon. Jaamme siellä kirjallisia asiakirjoja. Se sopii tietysti erinomaisesti tekoälylle, koska haluan joskus kirjoittaa luonnoksen ja pyytää tekoälyä jatkamaan tai parantamaan tekstiäni. Se sopii suoraan työnkulkuuni. Siinä on nopea palautesilmukka: voin korjata tekstin ja jatkaa eteenpäin.
Kiiltävän uuden esineen syndrooma iskee, kun ei ymmärretä, mitä loppukäyttäjä yrittää saavuttaa. Jos optimoit jotain, joka ei oikeastaan auta käyttäjää hänen tehtävässään, se näyttää vain hienolta tai kiinnostavalta.
Se ei todellisuudessa paranna asioita eikä auta käyttäjää. Meille opetus on ollut palata aina perusasioihin: mitä joku yrittää täällä saavuttaa ja miten tekoäly voisi nopeuttaa työnkulkua, pienentää kustannuksia tai tuoda jonkin muun tehokkuushyödyn, joka oikeuttaa tuotekehitykseen tehtävän investoinnin.
Tämä ei ole tae. On todella tarkistettava, onko investointi kannattava. Joskus pienet ja ilahduttavat ominaisuudet ovat investoinnin arvoisia. Olemme esimerkiksi käyttäneet kuukausia Arron keskustelukäyttöliittymän hiomiseen, koska se on tuotteemme ydinmoottori. Tuotteen keskeiseen ominaisuuteen on oikein käyttää 80–90 prosenttia ajasta.
Emme ole käyttäneet loppua ajasta satunnaisten tekoälyominaisuuksien lisäämiseen tuotteeseen vain siksi, että se näyttäisi hienolta ja käyttäjä voisi napsauttaa taikasauvaa tai taikapainiketta saadakseen jotain mukavaa aikaan. Kaikki palautuu siihen, mitä ihmiset yrittävät saavuttaa, miten sitä voidaan nopeuttaa ja miten sitä voidaan parantaa. Jos tekoäly sopii siihen hyvin, investointi on ehdottomasti kannattava.
Hannah Clark: Olen täysin samaa mieltä. Kun puhutaan hieman kyseenalaisista päätöksistä, jotka liittyvät ajan tai rahan sijoittamiseen, mitä muita varoituksia perustajana antaisit muille perustajille tai tuotepäälliköille, jotta he osaisivat ottaa ne huomioon löytämisvaiheessa ja erityisesti nykyisessä toimintaympäristössä?
Craig Watson: Se riippuu paljon tilanteesta ja siitä, missä vaiheessa ollaan. Jos ollaan aivan alkuvaiheessa, yritetään käytännössä löytää oikea markkina, johon tuote voidaan sijoittaa, ja ymmärtää markkina erittäin hyvin. Joskus startup rakennetaan ongelman ympärille, jonka perustaja itse tuntee.
Silloin ongelma tunnetaan jo valmiiksi. Toisinaan taas kiinnostutaan tietystä markkinasta ja halutaan lähestyä sitä kiinnostavalla tavalla. Huonoin tapa on rakentaa jokin ratkaisu ja yrittää sen jälkeen löytää sille sopiva ongelma, mutta tätäkin tapahtuu.
Vaiheesta riippuen tilanne on erilainen. Kasvuyrityksillä, kuten monilla Arron asiakkailla, on usein kypsä tuote, mutta ei välttämättä riittävästi tutkimuskapasiteettia, jotta ne voisivat selvittää, miten uusi ominaisuus pitäisi rakentaa.
Arron kaltainen työkalu auttaa niitä skaalaamaan tutkimustyötään ja tavoittamaan enemmän asiakkaita, jotta ne voivat saada käyttöönsä enemmän oivalluksia. En kuitenkaan sanoisi, että se sopii yhtä hyvin hyvin varhaisen vaiheen yritykselle, koska ihmissuhteiden rakentaminen on mielestäni silloin erittäin tärkeää. On päästävä mahdollisten asiakkaiden eteen, opittava heidän kipupisteistään ja tehtävä arvolupaukseen liittyvää luovaa tutkimusta.
Neuvoni riippuu siis tapauksesta. Yksi ratkaisu ei sovi kaikille. Saatavilla on myös paljon erinomaisia kirjoja. Teresa Torres on kirjoittanut jatkuvasta tuotteiden löytämisestä. Michele Hansen on kirjoittanut kirjan siitä, miten asiakkaiden kanssa keskustellaan. Myös tehtävien suorittamiseen liittyvä kirjallisuus on hyödyllistä.
Kaikki riippuu siitä, missä vaiheessa olet, mutta hyviä lähteitä on nykyään paljon enemmän kuin vielä viisi vuotta sitten. Tuotteiden löytämisen osaaminen on kehittynyt valtavasti. Jokaiselle löytyy jotakin.
Hannah Clark: Olen samaa mieltä. Meillä oli juuri hieno jakso Steve Portigalin kanssa. Hän kirjoitti käyttäjien haastattelemisesta ja puhui kiinnostavasti ihmisten kanssa keskustelemisen psykologiasta sekä siitä, miten parhaat oivallukset voidaan saada vaikuttamatta keskusteluun ja sen lopputulokseen.
Tämä on ollut hieno keskustelu, Craig. Arvostan todella paljon sitä, että liityit seuraamme tänään. Missä kuuntelijat voivat seurata työtäsi verkossa?
Craig Watson: Arron voi tarkistaa osoitteessa www.arro.co. Minuun voi myös ottaa yhteyttä LinkedInissä nimellä Craig Watson. Olen yksi Arron perustajista. Twitterissä käyttäjänimeni on cdcwatson.
Keskustelen mielelläni ihmisten kanssa ja vastaan kysymyksiin. Ottakaa rohkeasti yhteyttä.
Hannah Clark: Kiitos paljon, että tulit mukaan. Arvostamme sitä todella ja kiitos, että jaoit kaikki näkemyksesi.
Craig Watson: Oli ilo olla mukana. Kiitos kutsusta, Hannah. Oli hienoa keskustella kanssasi.
Hannah Clark: Kiitos kuuntelusta. Jos haluat lisää hyödyllisiä näkemyksiä, käytännön oppaita ja työkaluarvosteluja, tilaa uutiskirjeemme osoitteessa theproductmanager.com/subscribe. Voit kuunnella lisää tämän kaltaisia keskusteluja tilaamalla Tuotepäällikön podcastin sieltä, missä yleensä kuuntelet podcasteja.
