Vältä ominaisuustehtaan ansa tekoälypohjaisten oivallusten avulla

Enemmän ominaisuuksia ≠ enemmän arvoa

Tuotepäälliköt työskentelevät usein jatkuvan toimituspaineen alla. Uusien ominaisuuksien nopeasta julkaisemisesta tulee helposti menestyksen oletusmittari – erityisesti nopeasti kasvavissa ympäristöissä. Mutta kun menestystä arvioidaan yksinomaan julkaistujen ominaisuuksien perusteella, ei sen perusteella, ratkaisevatko ne oikeita ongelmia, tiimit joutuvat ominaisuustehtaan ansaan.

Kyseessä on yleinen toimintamalli. Tiimit julkaisevat nopeasti, mutta tulokset jäävät epäselviksi. Vuoden 2023 tuotepäällikkyyden näkemyksiä käsittelevän raportin mukaan 80:tä prosenttia yritysohjelmistojen ominaisuuksista käytetään harvoin tai ei koskaan. Se on valtava määrä hukkaan heitettyä työtä.

Kuten Aakash Gupta toteaa CPO Club -podcastissa, tämä ongelma syntyy usein hienovaraisesti:

”Uskon itse asiassa, että kaikki tiet johtavat ominaisuustehtaaseen... Usein samanaikaisesti tapahtuu alhaalta ylöspäin etenevä prosessi ja ylhäältä alaspäin etenevä prosessi, joka jää näkymättömäksi.”

Juuri nämä näkymättömät voimat – ristiriitaiset prioriteetit, näkyvyyden puute ja prosessien inertia – pitävät tiimit jumissa. Oikean datan avulla näkyvyys kuitenkin paranee. Tässä kohtaa tekoälypohjaiset näkemykset astuvat kuvaan. Harkitusti käytettyinä ne voivat auttaa tuotetiimejä siirtymään tuotokset ensin -ajattelusta tulokset ensin -lähestymistapaan.

Mikä on ominaisuustehdas?

Tuoteajattelija John Cutler otti termin ”ominaisuustehdas” käyttöön vuonna 2016. Sillä viitataan organisaatioihin, jotka asettavat toimituksen löytämisen edelle – julkaisevat ominaisuuksia  ymmärtämättä tai mittaamatta niiden vaikutusta. Tätä ilmiötä on kutsuttu myös rakentamisen ansaksi (termin loi Melissa Perri), ominaisuuksien paisumiseksi, julkaise ja unohda -ajatteluksi, ominaisuusvetoiseksi kehitykseksi sekä yksinkertaisesti ”julkaisemiseksi julkaisemisen vuoksi”.

Gupta määrittelee sen yksinkertaisesti:

”Ominaisuustehdas: ohjelmistoyritys, joka keskittyy jatkuvasti rakentamaan ja julkaisemaan uusia ominaisuuksia sen sijaan, että se rakentaisi tuotetta, jota käyttäjät oikeasti haluavat.”

Nämä tiimit näyttävät usein ulospäin tuottavilta. Ne julkaisevat usein, niiden tiekartat ovat täynnä ja määräajoista pidetään kiinni. Taustalla on kuitenkin vain vähän ymmärrystä vaikutuksista. Ominaisuuksia poistetaan harvoin käytöstä. Käyttäjäpalautteen kehät ovat heikkoja tai niitä ei ole lainkaan. Sidosryhmät pyytävät usein seuraavaa ominaisuutta ennen kuin nykyistä on edes validoitu.

Saatat kuulla merkkejä tästä ohimennen:
”Tiekartta pyörii samaa kehää.”
”Olemme reaktiivisessa rakennustilassa.”
”Kehitysjono on kaatopaikka.”
”Julkaisemme tuotoksia, emme ratkaisuja.”

Ne eivät ole vain ohimeneviä kommentteja – ne ovat oireita tiimistä, joka on juuttunut ominaisuudet edellä etenevään sykliin ja sekoittaa nopeuden arvoon.

Jos tämä kuulostaa tutulta, et ole yksin – etkä ole tuomittu epäonnistumaan. Tekoäly voi tehdä näkymättömän näkyväksi ja tarjota tuotepäälliköille dataa, jonka avulla he voivat johtaa luottavaisesti. Käydään läpi, miten.

Tämän ansan ymmärtäminen on ensimmäinen askel. Seuraavaksi on löydettävä strategisempi tapa edetä – sellainen, joka asettaa oppimisen, käyttäjätiedon ja mitattavan arvon etusijalle. Tässä tekoäly voi saada aikaan merkittävän muutoksen.

Pohdinta: toimitko kuin ominaisuustehdas?

Ennen kuin osoittelet sormella tai uudistat tiekarttoja, kannattaa pysähtyä havainnoimaan. Monet tehokkaasti toimivat tiimit ajautuvat huomaamattaan ominaisuustehtaan toimintatapoihin – eivät välinpitämättömyyttään, vaan siksi, että se on vähimmän vastuksen tie määräaikojen lähestyessä ja näkyvyyden ollessa heikko.

Käytä alla olevia kysymyksiä tiimin pohdintatyökaluna. Voit käyttää niitä keskustelunavauksina seuraavassa retrospektiivissä tai strategiapalaverissa. Tavoitteena ei ole saada ”hyviä pisteitä”, vaan huomata, missä toimintatapasi saattavat olla ristiriidassa tavoitteidesi kanssa.

Kyse ei ole tiukasta itsearvioinnista, vaan tämän pohdinnan tarkoituksena on kutsua koolle rehellinen keskustelu. Jos edes muutama näistä kysymyksistä herättää epämukavuutta, se ei ole epäonnistuminen – se on hyödyllinen havainto. Monet tiimit toimivat näin yksinkertaisesti siksi, ettei niillä ole käytettävissään oikeaa dataa, toimintamalleja tai palautteen kehiä.

Juuri tässä tekoälypohjaiset oivallukset voivat auttaa – eivät korvaamalla tuotearviointia, vaan vahvistamalla sitä. Ne antavat tiimeille selkeyttä ja varmuutta priorisoida tärkeät asiat, arvioida uudelleen ne, joilla ei ole merkitystä, ja edetä määrätietoisesti.

Miten tekoälypohjaiset oivallukset voivat auttaa

1. Tekoälypohjainen priorisointi: keskity olennaiseen

Priorisointi on aina ollut yksi tuotehallinnan haastavimmista osa-alueista. Perinteiset menetelmät perustuvat usein intuitioon, sisäisiin pyyntöihin tai priorisointikehyksiin, jotka eivät tavoita todellista käyttäjäkäyttäytymistä. Tekoäly tuotehallinnassa muuttaa tilanteen antamalla tiimeille selkeämmän kuvan siitä, mikä toimii, mikä ei toimi ja missä todelliset mahdollisuudet piilevät.

Ryhmittelyn, käytön analysoinnin ja luonnollisen kielen käsittelyn avulla tekoäly ominaisuuksien priorisoinnissa voi tuoda esiin malleja miljoonien datapisteiden joukosta ja auttaa tiimejä ymmärtämään, mitkä ominaisuudet lisäävät käyttäjien pysyvyyttä tai aiheuttavat turhautumista. Esimerkiksi Spotify ryhmittelee käyttäjiä kuuntelukäyttäytymisen ja poistumisriskin perusteella, jolloin tuotejohtajat voivat keskittyä suoraan sitoutumiseen vaikuttaviin ominaisuuksiin, kuten personoituihin soittolistoihin.

Adobe käyttää tekoälymoottoriaan Senseitä analysoidakseen, mitä Creative Cloudin työkaluja käytetään useimmin ja ketkä niitä käyttävät. Näiden oivallusten avulla tiimi päättää, mihin parannuksiin kannattaa investoida, sen sijaan että lisättäisiin uusia työkaluja, jotka hajauttaisivat ydinarvoa.

Kun tiimit käyttävät tekoälyä työjonon hallintaan ja prioriteettiensa ohjaamiseen, tuloksena ei ole vain älykkäämpää päätöksentekoa, vaan myös parempi vastaavuus todellisten käyttäjätarpeiden kanssa.

2. Ominaisuuden menestyksen ennustaminen ennen julkaisua

Sen ennustaminen, mistä käyttäjät pitävät tai mitä he jättävät huomiotta, on tunnetusti vaikeaa. Parhaatkin tuotetiimit ovat julkaisseet lupaavilta vaikuttaneita ominaisuuksia ja huomanneet vasta julkaisun jälkeen, että niiden käyttöaste on alhainen tai että ne aiheuttavat kitkaa. Tekoäly auttaa pienentämään prosessin riskejä tuomalla simuloinnin ja ennustamisen osaksi kehityssykliä.

Historiallisella käyttäjäkäyttäytymisellä koulutetut ennakoivan analytiikan mallit voivat ennustaa käyttöönottoprosentteja, sitoutumisen tasoja tai mahdollisia käyttäjien poistumiseen johtavia tekijöitä. Netflixin kaltaiset yritykset käyttävät näitä malleja testatakseen, miten käyttöliittymän muutokset vaikuttavat käyttäjäpolkuun ennen muutosten käyttöönottoa.

Samoin Amazon tukeutuu vahvasti tekoälyyn laajamittaisten A/B-testien hallinnassa. Sen kokeilumoottori voi testata useita versioita reaaliajassa ja poistaa automaattisesti heikosti suoriutuvat versiot käytöstä. Näin Amazon voi hienosäätää ominaisuuksia tietyille käyttäjäryhmille ja välttää sellaisten muutosten käyttöönottoa, joilla ei ole merkittävää vaikutusta.

Sen sijaan että tiimit luottaisivat yksinomaan vaistoonsa tai sidosryhmien vaikutusvaltaan, tekoälyä hyödyntävät tiimit voivat lähestyä tuotelanseerauksia enemmän pilottien tavoin: oppia nopeasti ja mukautua todellisten signaalien perusteella.

3. Päätöksenteon älykkyyden automatisointi jatkuvia palautesilmukoita varten

Yksi ominaisuustehtaan hienovaraisista ansoista on oletus, että ominaisuuden julkaiseminen on päätepiste. Todellisuudessa se on vasta alku. Tekoäly auttaa automatisoimaan julkaisun jälkeistä analysointia ja iterointia sekä tuomaan esiin oivalluksia, jotka muuten jäisivät huomaamatta.

Esimerkiksi Shopify käyttää tekoälyä julkaisujen hallinnassa seuratakseen, miten kauppiaat käyttävät juuri julkaistuja ominaisuuksia. Jos käyttö vähenee tai tehtävien suorittaminen hidastuu, järjestelmä suosittelee parannuksia tai jopa ominaisuuden poistamista. Kyse ei ole täydellisyydestä julkaisuhetkellä, vaan reagointikyvystä julkaisun jälkeen.

LinkedIn soveltaa samanlaista lähestymistapaa sisällönjakamisominaisuuksiin. Sen tekoäly seuraa, mitkä muodot toimivat hyvin, ja syöttää tiedot takaisin sijoittelualgoritmeihin, jotka mukautuvat dynaamisesti edistääkseen sitouttavampaa vuorovaikutusta.

Kuten Aakash Gupta huomauttaa, monet tuotepäätökset saavat vaikutteita tiimien ja sidosryhmien välisestä näkymättömästä dynamiikasta. Tekoäly voi paljastaa näitä malleja seuraamalla, miten päätökset muuttuvat tuloksiksi. Tämä näkyvyys auttaa tiimejä korjaamaan kurssia ajoissa sen sijaan, että ne pahentaisivat kalliita virhearviointeja.

Tässä mielessä tekoäly ei ole vain päätöksenteon tukityökalu, vaan jatkuvan tuoteoppimisen palautemoottori.

Miten saada sidosryhmät sitoutumaan tekoälypohjaiseen tuotestrategiaan

1. Esitä tekoäly liiketoiminnan mahdollistajana

Yksi suurimmista haasteista dataohjautuvamman lähestymistavan omaksumisessa on johdon tuen varmistaminen. Johtoryhmän jäsenet saattavat kiinnostua tekoälystä tuotestrategiassa, mutta he suhtautuvat usein epäilevästi, ellei sitä voida yhdistää suoraan strategisiin tavoitteisiin. Kun perustelet asiaa:

• Yhdistä tekoäly liikevaihtoon → Ennusta, mitkä ominaisuudet lisäävät lisämyyntiä tai vähentävät asiakaspoistumaa
• Yhdistä tekoäly tehokkuuteen → Vähennä hukkaan menevää kehitystyötä ominaisuuksiin, joita käyttäjät eivät ota käyttöön
• Yhdistä tekoäly riskienhallintaan → Suorita simulointeja ennen julkaisua epäonnistumisten ehkäisemiseksi ja kalliiden virheiden vähentämiseksi. 

Sen sijaan että esittelet tekoälyn uutena kykynä, asemoi se keinoksi vähentää investointien riskejä, pienentää kehitystyön hukkaa ja tehdä parempia valintoja.

2. Puhu johdon kieltä

Sen sijaan että sanoisit:

“Haluamme käyttää tekoälyä priorisoinnin optimointiin.”

Sano:

“Voimme vähentää kehitystyön hukkaa 20 % ennustamalla ominaisuuksien suorituskyvyn ennen kehityksen aloittamista.”

Kun tiimit kääntävät tekoälyn tuottamat oivallukset liiketoiminnan kielelle, keskustelut muuttuvat. Se, mikä saattoi tuntua tekniseltä esitykseltä, muuttuukin strategiseksi keskusteluksi – sellaiseksi, jossa kaikki pöydän ääressä olevat haluavat olla mukana.

Käytännön sovellukset: miten johtavat yritykset käyttävät tekoälyä välttääkseen ansan

Eri toimialoilla tuotetiimit ottavat tekoälyä käyttöön eivät korvatakseen ihmisen harkintaa vaan terävöittääkseen sitä. Nämä yritykset tarjoavat hyödyllisiä esimerkkejä siitä, miten ominaisuustehtaan ajattelutavasta voi irtautua:

• Airbnb käyttää tekoälyä hakutulosten ja dynaamisen hinnoittelun kehittämiseen ja varmistaa näin, että kaikki varauskokemukseen lisättävät ominaisuudet vastaavat vieraiden mieltymyksiä ja käyttäytymistä. Sen sijaan että yritys lisäisi jatkuvasti suodattimia tai käyttöliittymämuutoksia, se keskittyy löydettävyyden ja luottamuksen parantamiseen.
• Tesla lähestyy ajoneuvo-ohjelmiston kehittämistä iteratiivisesti ja käyttää tosielämän ajotiedon perusteella toteutettuja langattomia päivityksiä. Autopilotin kaltaiset ominaisuudet kehittyvät jatkuvasti käyttäjien käyttäytymisen perusteella koulutettujen koneoppimismallien avulla.
• Duolingo personoi oppimiskokemusta tekoälymallien avulla, jotka mukauttavat sisällön vaikeustasoa yksilöllisen edistymisen perusteella. Näin varmistetaan, että ominaisuuspäivitykset parantavat oppimistuloksia – eivät ainoastaan lisää sovellukseen uusia vaihtoehtoja.
• Salesforce Einstein käyttää tekoälyä tunnistaakseen, mitkä CRM-automatisoinnit parantavat myynnin tehokkuutta eniten. Tuotetiimit hyödyntävät näitä oivalluksia uusien automaatio-ominaisuuksien priorisointiin ja vähän käytettyjen ominaisuuksien poistamiseen käytöstä.
• Adobe soveltaa Sensei-alustansa tuottamia oivalluksia Photoshopissa ja Premiere Prossa. Sen sijaan että yritys lisäisi ominaisuuksia sisäisen intuition perusteella, se kehittää olemassa olevia työkaluja vastaamaan sitä, miten käyttäjät todella työskentelevät.

Jokainen näistä esimerkeistä heijastaa ajattelutavan muutosta: ominaisuuksien toimittamisesta käyttäjäarvon tuottamiseen. Tekoäly ei tee työtä niiden puolesta – se auttaa niitä tekemään oikeaa työtä.

Eteenpäin: parempia ominaisuusinvestointeja

Ominaisuustehtaan ongelmaan ei ole yhtä kaikille sopivaa ratkaisua. Tuotetiimeillä on kuitenkin enemmän työkaluja kuin koskaan aiemmin selkeyden lisäämiseen. Tekoäly on yksi niistä.

Se voi auttaa tunnistamaan olennaisen, ennustamaan, mikä todennäköisesti toimii, ja oppimaan siitä, mikä on jo tehty. Ehkä vielä tärkeämpää on, että se voi tehdä näkymättömän näkyväksi – auttaen tiimejä näkemään tiekartan tuolle puolen ja tarkastelemaan työnsä todellisia vaikutuksia.

Aloita pienestä. Käy tiekarttasi läpi. Esitä vaikeita kysymyksiä siitä, mitä on toimitettu ja mitä arvoa se on tuottanut. Selvitä sitten, miten tekoäly voisi tukea – ei korvata – tuotearviointiasi.

Tavoitteena ei ole julkaista enemmän. Tavoitteena on julkaista älykkäämmin.

Seuraavat vaiheet

• Tarkasta tiekarttasi “ominaisuustehtaan” toimintamallien varalta
• Tutustu tuoteanalytiikan ja ennustamisen tekoälytyökaluihin
• Katso webinaarimme: Johtavatko kaikki tiet samaan ominaisuustehtaaseen?