Luv or Popin tuotepäällikkö ja tekoälyn ehdoilla toimiva perustaja kertoo, kuinka tiekarttaa hallitaan älykkäästi tekoälyn avulla

Tara Sakhuja on Luv or Popin CPO ja Data Dumpling -nimisen tekoälylähtöisen yrityksen perustaja. Ennen näitä tehtäviä hän työskenteli tuotetiimeissä Metan ja Bumblen kaltaisissa yrityksissä.

Juttelimme Taran kanssa siitä, miten hän muuttaa PM-työskentelytapojaan tekoälyn avulla. Keskustelun aikana hän kertoi myös yhdestä suurimmista ansoista, joihin tekoälytuotteiden rakentajat voivat langeta.

Älykkäät tuotteet rakennetaan älykkäästi

Olen Tara Sakhuja. Työskentelen tekoälyn, tuotestrategian ja ihmisten käyttäytymisen risteyskohdassa.

Olen Data Dumplingin perustaja ja toimitusjohtaja. Data Dumpling on tekoälyalusta, joka auttaa yrityksiä ymmärtämään, keitä niiden asiakkaat ovat, millä signaaleilla on merkitystä ja mihin niiden tiimien tulisi keskittyä. Toimin myös Luv or Popin tuotejohtajana, jossa uudistamme deittailua ja verkkoyhteisöjä yhden maailman viraaleimman ohjelman, Pop the Balloon or Find Love with Arlette Amulin, avulla.

Ennen tätä vietin vuosikymmenen rakentaen tuotteita Metalla ja myöhemmin Bumblella. Työskentelin mainonnan, kaupankäynnin, yritysviestinnän, sisällön eheyden, luottamuksen ja koneoppimisjärjestelmien parissa.

Kaikkia näitä kokemuksia yhdistää yksi kysymys: Miten rakennetaan järjestelmiä, jotka auttavat ihmisiä tekemään parempia päätöksiä?

Metalla rakensin järjestelmiä, jotka toimivat miljardien käyttäjien mittakaavassa. Bumblella keskityin turvallisuuteen, luottamukseen ja siihen, miten tekoäly vaikuttaa syvästi inhimillisiin kokemuksiin. Nyt perustajana rakennan tekoälylähtöisiä tuotteita perusteista alkaen.

Olemme siirtymässä yhteen tuotekehityksen suurimmista murroksista sitten mobiilin yleistymisen. Suurin muutos ei ole se, että tuotteista tulee älykkäitä. Muutos on siinä, että myös tuotteiden rakennustavan on muututtava älykkääksi.

Tuotteiden seuraava sukupolvi

Data Dumpling on tekoälylähtöinen. Se yhdistää yritystiedon, ostopäätöksiin osallistuvat henkilöt, suhteisiin liittyvät signaalit ja reaaliaikaisen ostoaikomuksen. Näin se auttaa tiimejä tunnistamaan arvokkaimmat mahdollisuutensa ja ymmärtämään, mitä seuraavaksi pitäisi tehdä. Työskentelemme yritysteknologian, konsultoinnin ja teollisuuden aloilla toimivien yritysten kanssa ja autamme myynti- ja markkinointitiimejä siirtymään staattisista listoista ja manuaalisesta tutkimuksesta tekoälypohjaisiin päätöksentekojärjestelmiin.

Luv or Popissa johdan sellaisen kuluttajille suunnatun sosiaalisen alustan tuotestrategiaa, joka uudistaa deittailua luottamuksen, identiteetin ja yhteisön avulla. Olemme laajentuneet kymmeniin tuhansiin käyttäjiin Yhdysvalloissa, Isossa-Britanniassa, Kanadassa ja osissa Afrikkaa. Rakennamme järjestelmiä käyttäjien varmentamiseen, yhteensovittamiseen ja aitoon ihmisten väliseen yhteyteen.

Vaikka tuotteet vaikuttavat hyvin erilaisilta, niiden taustalla oleva tuoteajattelu on sama: tuotteiden seuraava sukupolvi ei ainoastaan auta ihmisiä tekemään enemmän työtä. Se auttaa ihmisiä tekemään parempia päätöksiä.

Olipa kyse sitten siitä, että autetaan GTM-tiimiä löytämään seuraava asiakkaansa tai jotakuta löytämään merkityksellinen ihmissuhde, haasteena on suunnitella teknologiaa, joka vahvistaa ihmisen harkintakykyä.

Miten tekoäly auttaa pienempiä tiimejä saavuttamaan perusteellisuuden tuotekehityksessä

Yksi suurimmista muutoksista omalla kohdallani on se, miten tekoäly on lisännyt pienten tuotetiimien toiminnallista vipuvaikutusta.

Kun työskentelin Metalla, meillä oli merkittävä päätöksenteon infrastruktuuri. Erilliset tiimit, kehittyneet kokeilualustat, koontinäytöt, datatieteilijät, tutkijat ja analyytikot auttoivat tuotetiimejä ymmärtämään käyttäjien toimintaa ja tekemään parempia päätöksiä.

Aiemmin vain yritykset, joissa työskenteli satoja tai tuhansia ihmisiä, pystyivät saavuttamaan tällaisen perusteellisuuden tuotekehityksessä. Tekoäly muuttaa tämän.

Pienemmissäkin tiimeissäni hyödynnämme tekoälyä paljon ymmärtääksemme käyttäjien toimintaa ja määrittääksemme seuraavat painopistealueemme.

Yhdistämme tuotetietomme Claudeen ja käytämme Mixpanelin kaltaisia työkaluja ymmärtääksemme käyttäjien toimintaa. Aiemmin pieni tiimi olisi käyttänyt huomattavan paljon aikaa koontinäyttöjen rakentamiseen, kyselyiden kirjoittamiseen ja mallien manuaaliseen analysointiin ennen tuotekysymykseen vastaamista. Nyt voimme keskustella datamme kanssa.

Kun siis julkaisemme uuden ominaisuuden tai toteutamme kampanjan, voimme nopeasti ymmärtää:

• Mitkä käyttäjäsegmentit reagoivat?
• Missä vaiheessa ihmiset keskeyttävät?
• Mitkä käyttäytymismallit korreloivat asiakaspysyvyyden kanssa?
• Mitä meidän pitäisi testata seuraavaksi?

Se ei tarkoita, että tekoäly tekisi päätöksen puolestamme. Se muuttaa sitä, mihin käytämme aikamme.

Ihmisen rooli siirtyy datan keräämisestä parempien kysymysten esittämiseen.

Malli voi tunnistaa mittareiden muutokset, segmentoida muutoksen ja ehdottaa mahdollisia selityksiä, mutta loppujen lopuksi ihmisen tuotearviointi voi kertoa, mitkä hypoteesit ovat uskottavia, onko muutoksella merkitystä ja mitä pitäisi tehdä seuraavaksi.

Miten nopea prototypointi muuttaa keskustelua

Tekoäly lyhentää idean ja todellisen asiakaspalautteen välistä etäisyyttä.

Hyödynnämme tekoälyä laajasti tuotekehityksen alkuvaiheessa. Sen sijaan, että aloittaisimme kirjallisesta konseptidokumentista, rakennamme nyt nopeasti tekoälyn avulla prototyyppejä ja vuorovaikutteisia kokemuksia, joiden avulla tiimi voi tutustua tuotteeseen ennen teknisten resurssien sitomista.

Tämä on muuttanut sisäisten ja ulkoisten keskustelujemme laatua.

Tuoteidea voi kuulostaa dokumentissa hyvältä, mutta heti kun joku käyttää sitä, huomaat asioita, jotka muuten jäisivät huomaamatta: käyttäjien kohtaaman kitkan, tunnereaktiot, sekavat työnkulut tai oletukset, jotka eivät kestä tarkastelua.

Testaamme prototyyppejä perusteellisesti, keräämme palautetta, iteroimme ja siirrymme täysimittaiseen kehitykseen vasta sen jälkeen.

Tämä on erityisen tärkeää myös siksi, että tekoäly helpottaa vaikuttavien mutta merkityksellisiä ongelmia ratkaisemattomien asioiden rakentamista. Esimerkiksi Data Dumplingissa kokeilimme synteettisiä asiakaspersoonia, koska meillä oli runsaasti tietoa yrityksistä, ostajista ja päätöksentekijöistä. Pystyimme simuloimaan, miten erilaiset persoonat saattaisivat reagoida viesteihin tai kampanjoihin. Teknologisesti se oli yksi kiinnostavimmista rakentamistamme asioista. Asiakkaamme eivät kuitenkaan tarvinneet sitä.

Taran ajatuksia

Testaamme prototyyppejä perusteellisesti, keräämme palautetta, iteroimme ja siirrymme täysimittaiseen kehitykseen vasta sen jälkeen. Tämä on erityisen tärkeää myös siksi, että tekoäly helpottaa vaikuttavien mutta merkityksellisiä ongelmia ratkaisemattomien asioiden rakentamista.

Miten tekoäly vaikuttaa asiakasymmärrykseen ja tuotekehityksen tiekarttoihin

Perinteisesti asiakasymmärryksen hankinta oli tietoa hukkaavaa. Tuotepäällikkö teki muistiinpanoja, tiivisti keskusteluja, tunnisti teemoja ja muunsi nämä oivallukset tuotekehityksen tiekarttaa koskeviksi päätöksiksi. Paljon riippui siitä, mitä joku muisti tai dokumentoi.

Olen rakentanut tämän työnkulun uudelleen tekoälyn avulla. Read AI tallentaa jokaisen asiakas- ja prospektikeskustelun, ja Claude kokoaa niistä synteesin. Olemme rakentaneet mukautettuja taitoja, jotka yhdistävät nämä keskustelut suoraan tuotekehityksen tiekarttaamme. Näin ymmärrämme, mitkä ongelmat toistuvat, mitkä asiakassegmentit välittävät niistä ja miten nämä pyynnöt liittyvät liikevaihtomahdollisuuksiin.

Voimme milloin tahansa ymmärtää paitsi sen, kuinka moni asiakas on pyytänyt ominaisuutta, myös sen, kuinka tärkeä ongelma on, kuka sitä kokee ja viekö sen ratkaiseminen liiketoimintaa eteenpäin.

Tuloksena on, että tuotepäätökset perustuvat jatkuvasti päivittyvään asiakasymmärrysjärjestelmään staattisten muistiinpanojen ja yksittäisten keskustelujen kokoelman sijaan.

Miksi tuotepäälliköiden kannattaa suhtautua varauksella rakentamiseen sen perusteella, mihin perusmallit pystyvät

Jos rakennat tekoälytuotteita, sinun on ymmärrettävä, kuinka nopeasti perustamallit kehittyvät. Vielä viime vuonna yksi ensimmäisistä Data Dumplingissa rakentamistamme tekoälyominaisuuksista liittyi sisällön luomiseen. Tuolloin erittäin kontekstuaalisen, yritystietoon perustuvan yhteydenoton luominen tuntui todelliselta kilpailuedulta.

Vuoden loppuun mennessä mallien kyky ymmärtää kuvia, linkkejä ja pitkää kontekstia sekä tuottaa korkealaatuista sisältöä suoraan oli parantunut dramaattisesti. Se, mikä aluksi tuntui erottavalta tekijältä, muuttui hämmästyttävän nopeasti perusvaatimukseksi.

Mielestäni on vaarallista rakentaa tuotteita, joiden ensisijainen arvo perustuu siihen, mihin malli ei tällä hetkellä pysty. Sen sijaan keskitymme rakentamaan asiakastyönkulkujen, omistusdatan ja järjestelmien ympärille, jotka muuttuvat ajan myötä yhä arvokkaammiksi.

Miksi tuotejohtajien on kokeiltava, mutta tehtävä päätöksiä määrätietoisesti

Neuvoni on yksinkertainen: ole utelias, mutta tee päätöksiä määrätietoisesti.

Uusia malleja, työkaluja ja ominaisuuksia tulee markkinoille lähes joka viikko. Kenelläkään ei ole kaikkia vastauksia, joten nopeimmin oppivat ne tiimit, jotka ovat valmiita kokeilemaan.

Aloita jostakin tuotekehitysprosessisi hitaasta, toistuvasta tai turhauttavasta vaiheesta. Kokeile erilaisia tekoälytyökaluja. Selvitä, mikä todella parantaa tiimisi työtä. Mittaa vaikutus, säilytä toimivat ratkaisut äläkä pelkää luopua niistä, jotka eivät toimi.

Samalla tällä hetkellä on houkutus rakentaa kaikki uudelleen vain siksi, että tekoäly on olemassa. Se ei ole oikea lähestymistapa.

Jos prosessi toimii jo hyvin, tekoäly ei välttämättä kuulu siihen. Tekoälyn pitäisi ratkaista todellisia ongelmia, ei luoda uusia.

Kaikkia päätöksiä ei myöskään pidä automatisoida. Data Dumplingissa tekoäly automatisoi suuren osan liidien löytämisestä, ostokomitean kartoittamisesta ja ostoaikomusten signaalien analysoinnista, mutta rakennamme koko työnkulkumme ihmisen osallistumisen ympärille. Tekoäly on erinomainen löytämään mahdollisuuksia, yhdistämään signaaleja ja asettamaan tärkeysjärjestykseen sen, mihin huomiota kannattaa keskittää. Lopullisen päätöksen tekee kuitenkin edelleen ihminen – päättää hän sitten tilin tavoittelemisesta, strategian muuttamisesta tai siitä, miten monimutkaiseen ostoaikomussignaaliin tulisi reagoida.

Se on tietoinen suunnitteluvalinta. Tavoitteena ei ole korvata harkintakykyä, vaan tarjota ihmisille parempi konteksti, jotta he voivat tehdä parempia päätöksiä.

Loppujen lopuksi menestys tekoälyn aikakaudella ei synny useimpien työkalujen käyttämisestä. Se syntyy siitä, että tiedetään, missä tekoäly luo vipuvaikutusta ja missä ihmisen harkinnalla on edelleen merkitystä.

Pysy mukana

Voit seurata Tara Sakhujaan työtä LinkedInissä ja Instagramissa. Tutustu myös Data Dumplingiin ja Luv or Popiin.

Lisää asiantuntijahaastatteluja on tulossa The CPO Clubissa!