Hvordan AI forvandler produktoppdagelse

Les transkripsjonen:

Vi prøver ut å transkribere podkastene våre ved hjelp av et program. Tilgi eventuelle skrivefeil, siden roboten ikke er korrekt 100 % av tiden.

Hannah Clark: Jeg vet at jeg taler til de allerede omvendte, men jeg sier det likevel. Produkter må først og fremst være nyttige. Likevel finnes det fortsatt mange produkter som ble bygget basert på en haug med antakelser om hva brukerne faktisk ønsker. Så hvorfor er det så mange organisasjoner som forsømmer produktoppdagelsesprosessen? Jeg er sikker på at enhver produktleder som også har fungert som de facto-ansvarlig for brukerundersøkelser, kan fortelle deg hvorfor. Det er tidkrevende, det er dyrt, og det er virkelig, virkelig vanskelig ikke bare å få et godt nok utvalg av kundedata, men også å omsette disse dataene til konkrete tiltak.

Dagens gjest er Craig Watson, grunnlegger og administrerende direktør i Arro, et AI-drevet verktøy for brukerundersøkelser. Craigs lidenskap for produktoppdagelse gjennom karrieren har gitt ham verdifull innsikt i hvordan brukerundersøkelsesprosessen kan forenkles for vekstselskaper og andre produktteam. Du vil høre ham dele konkrete taktikker for å gjennomføre produktoppdagelse bedre ved hjelp av generativ AI. La oss sette i gang.

Velkommen tilbake til podkasten for produktledere. Jeg er her med Craig Watson. Han er grunnlegger og administrerende direktør i Arro.

Craig, tusen takk for at du blir med oss i dag.

Craig Watson: Tusen takk. Jeg gleder meg til å være her.

Hannah Clark: Craig, kan du fortelle litt om yrkesbakgrunnen din og hvordan du endte opp der du er i dag, i Arro?

Craig Watson: Ja, selvfølgelig. Jeg har jobbet i produktroller i omtrent 15 år, og begynte i større grad i oppstartsvirksomheter. Vi hadde noen oppstartsselskaper med base i Irland, der vi bygget ting rett etter college. Vi prøvde å lære mens vi tok på oss disse prosjektene, og få et ordentlig grep om hvordan man faktisk bygger produkter for forbrukere på den tiden.

Etter omtrent fire år gikk vi videre til et teknologiselskap innen musikk som vi startet i 2012, kalt Soundwave. Det var et klassisk oppstartsselskap finansiert av venturekapital. Igjen var det mange oppturer og nedturer, og jeg lærte svært raskt på jobben. Jeg lærte sannsynligvis mest om produktoppdagelse på det tidspunktet, noe vi kommer tilbake til i denne samtalen.

Det jeg virkelig likte med den erfaringen, var at vi var så tidlig i karrieren at vi ble tvunget til å ha mange ulike roller som produktleder. Man innser at man må utføre mange forskjellige typer aktiviteter, ikke sant? Alt fra brukerundersøkelser til leveranser og produktledelse på ulike tidspunkter.

Vi endte opp med å bli kjøpt opp av Spotify i 2016 og flyttet dit, noe som var en veldig god erfaring. Jeg hadde ikke planlagt å bli der så lenge, men endte opp med å bli i fem år. Det var en flott erfaring, og Spotify vokste svært raskt på den tiden. Jeg tror det var færre enn tusen personer innen forskning og utvikling da jeg begynte, og nærmere 3000 eller mer da jeg sluttet. Det var en enorm vekst.

Jeg jobbet på Stockholm-kontoret i et par år i vekstteamet. Deretter flyttet jeg til London da de etablerte et kontor, for å hjelpe til med å starte opp noen av produktinitiativene for TEO, velge barneappen og Spotify Duo, samt noen andre ting. Det var selvsagt svært annerledes enn oppstartsverdenen, og et helt annet miljø å være produktleder i, men jeg trivdes veldig godt.

Senest gikk jeg faktisk over til rådgivning i omtrent halvannet år. Da jobbet jeg spesifikt med produktoppdagelse og forsøkte å hjelpe andre selskaper med å forbedre undersøkelsespraksisen sin, lære hvordan de kunne komme i kontakt med kunder, ta beslutninger basert på dokumentasjon og i utgangspunktet hjelpe dem med å bygge bedre produkter.

For å komme til poenget: For omtrent halvannet år siden innså vi at det fantes en mulighet til å bygge interessant teknologi, i takt med utviklingen innen grunnmodeller og store språkmodeller. Medgründeren min Johannes og jeg fant sammen. Jeg kan fortelle litt mer om det senere.

Hannah Clark: Absolutt. Før vi går videre, kan du fortelle litt om produktoppdagelse generelt og hvorfor det har blitt en slik lidenskap for deg?

Craig Watson: Jeg tror det som alltid har trukket meg mot produktoppdagelse, er blandingen av vitenskap og kunst. Det er interessant å tenke på hvordan man virkelig kan forstå hva kundene ønsker, hvilke krav de har og hvilke behov de har. Men det finnes også et kunstnerisk element i det – å forstå hvilke spørsmål man skal stille, og vite hva som potensielt er ledende eller partisk.

Jeg har alltid likt leveransedelen av produktledelse som fag, men det er den tidligere delen av trakten, der man faktisk prøver å forstå hvilket produkt man skal bygge, som ofte blir oversett, selv om den vanligvis har stor effekt. Av en eller annen grunn har personligheten min gjort at jeg har blitt tiltrukket av dette, fordi jeg synes det er fascinerende.

Hannah Clark: Ja, selvfølgelig. Det finnes vel ikke noe mer fascinerende enn å forstå hva folk egentlig ønsker. Når du tenker på det tidligere arbeidet ditt med produktoppdagelse, før AI ble det verktøyet det er i dag, hvordan har du gått frem for å forstå brukernes smertepunkter mer inngående og avgjøre hva dere skulle bygge?

Craig Watson: Jeg synes det er verdt å nevne at vi gjorde mange av de klassiske feilene man gjør når man begynner med brukerundersøkelser. Vi lærte på den harde måten. Noen ganger hoppet vi rett inn i løsningsmodus, gjorde den klassiske valideringsøvelsen og prøvde å bevise at noe var riktig.

Jeg tror dette er den vanligste fallgruven jeg har sett hos produktledere. Det krever en helt annen tankegang å forsøke å falsifisere noe. Det er ganske vanskelig, fordi man har en idé og er begeistret for den. Man må samle folk rundt ideen og få interessenter engasjert, men gode undersøkelser – og den vitenskapelige prosessen – handler i praksis om falsifisering.

Man må faktisk ut og se hva som ikke fungerer. Det tok oss en stund å tilpasse oss denne tankegangen. En del av dette handler også om metodikken når man stiller spørsmål: å sørge for at man ikke leder respondentene, at man er objektiv og så videre. Jeg kan gi deg litt bakgrunn.

Første gang var vi i tjueårene. Soundwave var i ferd med å ta av, vi hadde over en million installasjoner av appen, og vi forsøkte å bygge en ny funksjon. Vi hadde én-til-én-samtaler med folk, faktisk ansikt til ansikt på den tiden, før det ble vanligere å gjøre dette på avstand.

Vi lærte raskt hva folk ønsket. Vi var begeistret for det som ble bygget, men på mange måter var det ganske selvrefererende fordi funksjonssettet vi utforsket, var så lite. Vi kom egentlig ikke inn på problemene. Det var ikke generativt, men mer evaluerende.

Det var mer slik: Her er noen ting vi vurderer å bygge. Vi prøver å lære mer om interessene deres og om musikk spesielt på det tidspunktet. Vi hentet faktisk inn en ekstern leder som hjalp oss med rådgivning, og han hjalp til med noen av disse intervjuene. Han sa: «Jeg synes det dere gjør, er greit, men dere må være oppmerksomme på at det kan finnes lokale maksimumspunkter her.»

Dere optimaliserer produktet, men på dette stadiet i oppstartsselskapet deres må dere tenke større. Dere må tenke mer på generative og grunnleggende undersøkelser, forstå oppgavene folk ønsker å utføre, forstå konteksten og hvilke resultater de prøver å oppnå.

Deretter kan dere bygge løsningen rundt dette. Det var en annen viktig lærdom. Det er vanskelig når man har en løsningsorientert tankegang og ønsker å komme ut med en optimalisering fordi man føler at man har gode ideer. Igjen handler det om å legge egoet til side, lytte til folk og forstå hvor hullene finnes, hvilke trinn i arbeidsflyten deres som kan forbedres, og virkelig bygge produktet rundt det.

Jeg tror ikke jeg har knekt koden, og jeg trenger definitivt fortsatt hjelp. Jeg har jobbet med noen fantastiske forskere og dataforskere gjennom årene. Jeg tror i det minste at jeg forstår de mentale modellene og rammeverkene litt bedre nå.

Hannah Clark: Det er fantastisk. Det høres virkelig ut som om du har tatt rammeverket «jobbene som skal utføres» til deg som en sentral del av prosessen.

Kan du gå gjennom hvordan denne oppdagelsesprosessen så ut, og hvordan du brukte disse metodene da du grunnla Arro?

Craig Watson: Vi har en prosess nå der vi begynner med å se på jobbene. Når jeg sier «jobber», mener jeg undersøkelser – det avhenger av hvor detaljert man ønsker å gå inn i det – men i praksis prøver man å lære av kundene sine.

Man prøver å forstå hva de ønsker, eller hvilke problemer de har i livet sitt. Vi begynner med å se på hva dette faktisk betyr i praksis. Hva må man gjøre når man skal utforme en undersøkelse? Man må bestemme hva man prøver å lære.

Deretter må man rekruttere deltakere og tenke på hvilken metode man skal bruke for å engasjere kundene. Man må tenke på hvordan man skal sammenfatte informasjonen, hva man skal ta med seg videre og lære av den, hvordan man skal dele innsikten internt med teamet eller interessentene, og hvordan man skal handle på bakgrunn av den.

Dette er ganske abstrakt og overordnet, men innenfor hver av disse jobbene finnes det en rekke resultater. Hvis man for eksempel tenker på rekruttering til undersøkelser, hva innebærer det? Må man hente en liste over personer fra en database og forstå et kundesegment?

Vil man rekruttere fra et eksternt panel fordi det går raskere, selv om det kanskje ikke er den eksisterende kundebasen? Hvilke hensyn rundt databehandling og samsvar må man være bevisst på når man tar kontakt med kunder? Det blir som en lang liste over resultater som ligger under hver jobb. Det høres litt tørt ut, nesten som å male etter tall, men når man kartlegger alle trinnene og de ulike resultatene, får man et rammeverk for å forstå hvilke deler som ikke får nok oppmerksomhet, og hvilke som får for mye.

Jeg har hentet mye fra andre forfattere og eksperter, som forfattere innen «Jobs To Be Done», Anthony Ulwick og andre som skrev om innovasjon drevet av resultater. Senere har mange forbedret dette. Men jeg tror det er lett å gå seg vill, særlig innen programvare, i ting som personaer, etiketter og kategorier som ikke er like relevante for det man prøver å lære. Hvis man tenker på B2B-området vi befinner oss i, er det svært arbeidsflytbasert, og det vil det alltid være. Når det gjelder undersøkelser, har folk en jobb de skal gjøre. De prøver å løse noe. Det var derfor vi gikk frem på denne måten med Arro.

Vi kartla landskapet, så hvor hullene var, og det som stadig kom tilbake til oss, var at det fantes så mye treghet rundt kundeintervjuer. Det var virkelig vanskelig å få folk med på en samtale. Det var så mange trinn. Hva var trinnene i prosessen? Først må man finne folk, så må man komme i kontakt med dem, avtale et tidspunkt, faktisk ha samtalen, transkribere samtalen, sammenfatte den, kode alle resultatene, gjøre en tematisk analyse, betale dem og deretter gjøre dette for 50 personer, eller hva det nå er – 5 eller 10 personer.

Så må man prøve å forstå dette samlede perspektivet. Dette er fortsatt den vanligste måten å gjennomføre undersøkelser på. Jeg er en stor tilhenger av én-til-én-intervjuer med kunder, men det fikk oss til å innse at det kanskje fantes et hull her. Med tanke på hvordan AI utvikler seg, er det ikke urealistisk å tenke at mange av disse underoppgavene knyttet til gjennomføring av modererte intervjuer kan erstattes eller utvides av AI.

Det var dette hullet vi ønsket å gå inn i. Vi har i praksis bygget produktstrategien vår rundt det.

Hannah Clark: Når vi bygger videre på dette, hvilke elementer tror du har stort potensial for å bli forstyrret av store språkmodeller, eller ser du allerede at noe av dette skjer?

Craig Watson: De mest åpenbare bruksområdene så langt, spesielt innen produktundersøkelser, har vært å ta ustrukturerte data og gjøre dem strukturerte. Store språkmodeller er svært gode på dette, i mange tilfeller bedre enn mennesker, fordi de kan ta enorme mengder ustrukturert tekst fra mange datapunkter og omforme det til noe meningsfylt og stort sett nøyaktig, selv om det ikke alltid er riktig.

Det jeg tror teamene blir bedre på, er ting som attribusjon – å kunne se beviskjeden mellom hvem som sa hva, og forstå hvordan det henger sammen med et bestemt tema. Mange av de tidlige gevinstene i dette området har etter min mening ligget i selve sammenfatningen. Jeg tror det som kommer til å utvikle seg, og grunnen til at vi har lent oss mer mot den generative siden, er at Arro er en måte for folk å gjennomføre intervjuer på – AI-genererte samtaler med deltakere.

Man angir noen spørsmål, AI-en gjennomfører samtalen, og deretter henter den ut innsiktene, sammenfatter dem og lager en rapport over hva man har lært fra 50, 100 eller 1000 personer. Det er én fordel med AI: Man kan skalere mye enklere. Vi ønsket derfor å bruke litt mer tid på den generative AI-delen, fordi selve intervjuene er mer generative av natur, og jeg synes det er svært interessant.

En annen ting vi begynner å tenke på, er syns-API-er og multimodale løsninger. Da kan man forstå hvordan folk navigerer i et brukergrensesnitt og gjennom et produkt. Jeg tror dette kommer til å bli en mye viktigere funksjon de neste 12–18 månedene, fordi teknologien nå er i ferd med å ta igjen behovene.

Det finnes allerede mange verktøy som bruker ting som iframes for å forstå hvordan folk navigerer gjennom en Figma-prototype. Men om et par år gir det sannsynligvis ikke mening å gjøre det på den måten. Det vil være enklere, billigere og mer nøyaktig å få en AI til å observere hva som skjer i syns-API-et, kanskje til og med moderere brukervennlighetstester, og deretter komme tilbake med innsiktene. Det er to ting vi ser på.

Hannah Clark: Ja, det er så fascinerende, og dette er ting vi ikke ville ha trodd var mulig for bare et par år siden. Det er virkelig interessant å se hvor raskt utviklingen går i den retningen.

Hvilke andre måter ser du at produktteam bruker AI til sin fordel på i 2024 for å bli mer effektive i produktoppdagelsesfasen?

Craig Watson: Det finnes ganske mange. Vi har gjennomført egne kundeintervjuer, sannsynligvis rundt 150–200 på dette stadiet. Vi har snakket med mange produktfolk, brukerforskere, produktdesignere og produktledere. Jeg blir faktisk noen ganger overrasket over hvor sjelden AI brukes.

Det høres kanskje litt rart ut, siden de fleste i teknologibransjen er tidlige brukere og raskt tar i bruk den nyeste innovasjonen, men jeg tror fortsatt det finnes en viss tilbakeholdenhet mot å ta dette i bruk på arbeidsplassen. Det kan skyldes mange ulike ting.

Noen ganger handler det om interne retningslinjer. Det kan være sikkerhetsbekymringer, eller ganske enkelt at man ikke er sikker på bruksområdet. Selv om vi befinner oss i en teknologiboble, gjennomførte vi nylig en undersøkelse med et lite utvalg på rundt hundre personer. Den var ikke særlig representativ, men det var interessant å få noen overordnede innsikter.

Mange er fortsatt usikre på hvordan de kan få mest mulig ut av AI på arbeidsplassen. Privat bruker de kanskje ChatGPT, prøver Perplexity eller har lekt med Midjourney. De utforsker og eksperimenterer, men det er fortsatt svært tidlig. Vi er bare i de første omgangene.

Det er dette som begeistrer meg mest. Noen ganger tenker man: «Dette er overalt.» Hvis man går på Twitter, handler alt om AI, og det føles som om det har tatt over verden og at kunstig generell intelligens er rett rundt hjørnet. Men det er fortsatt svært tidlig. I B2B-sammenheng er vi enda tidligere i utviklingen.

Det er derfor veldig interessant å tenke på hva som kan skje. Når det gjelder spørsmålet ditt om hvordan folk bruker AI, tror jeg innholdsproduksjon er det vanligste bruksområdet. Det kan være å få hjelp til å skrive brukerhistorier hvis man er produktleder.

Det kan også være hjelp til å utforme en undersøkelse eller et forslag hvis man er forsker, eller å lage en intervjuguide. På sammenfatningssiden har folk også begynt å bruke AI, ikke nødvendigvis gjennom dedikerte verktøy, men ved å lime inn en transkripsjon eller bruke en transkripsjon fra Zoom eller et annet automatisert transkripsjonsverktøy.

Vi bruker et verktøy som heter Grain til å ta opp alle videosamtalene våre, og det er utmerket. Det transkriberer hele samtalen, men man kan også legge inn sin egen datamodell og stille spørsmål til transkripsjonene. Det er fascinerende. Man kan spørre hvilke jobber som skulle utføres, som ble identifisert i samtalen, eller hvilke personaer som ser ut til å ha kommet frem.

Vi begynner altså å se disse to ytterpunktene: enten å skape innholdet eller å redusere innsatsen som kreves for å forstå innholdet. Det er sannsynligvis de vanligste bruksområdene. Men igjen, det er de tidlige dagene, og det er nettopp det som er spennende.

Hannah Clark: Veldig spennende. Det får en til å tenke på all tiden forskere tidligere har måttet bruke på å sammenfatte store mengder informasjon som kan være svært uorganisert.

Man arbeider med menneskers svar. Det kan derfor være vanskelig å trekke ut de mer nyanserte innsiktene, særlig hvis man har gjennomført mye forskning for et hvilket som helst antall produkter. Jeg er derfor veldig interessert i å se hvordan dette utvikler seg. Når vi snakker om noen av de samme verktøyene, gjelder mye av dette også for å finne produkt–marked-tilpasning.

Jeg lurer på om det finnes noe du tror vil komme på dette området når det gjelder AI som hjelper produktteam med å finne en slik tilpasning.

Craig Watson: Det er et godt spørsmål. Produkt–marked-tilpasning er et kontroversielt tema etter at man har drevet oppstartsselskaper så lenge som jeg har. Det er den hellige gralen alle ønsker å nå, men det er alltid en reise uten ende. Man når aldri helt frem til målet, fordi markedet eller produktet endrer seg. Jeg tror det er vanskelig å si at én bestemt eller to bestemte tilnærminger vil hjelpe deg dit. Det handler mer om en kombinasjon av flere tiltak som gradvis beveger deg i riktig retning.

Et konkret eksempel er de berømte undersøkelsene som sirkulerte for noen år siden. Jeg tror Rahul Vohra fra Superhuman brukte spørreskjemaet for produkt–marked-tilpasning, som handlet om segmentering. Det var den moderne måten å gå ut og raskt finne ut om man hadde produkt–marked-tilpasning. Metoden har absolutt verdi. Man forstår hvor skuffet folk ville blitt dersom produktet ble tatt bort, men det er bare en temperaturmåling og hjelper deg ikke nødvendigvis med å komme dit.

En av de store lærdommene fra Spotify var hvor lang tid det kan ta å endre helningen på vekstkurven. Dette er offentlig kjent, men Spotify hadde en intern podkast som het The Curve av nettopp den grunnen. Den daværende produktdirektøren, Gustav Söderström, intervjuet ulike personer i selskapet.

Jeg var der i fem år, mens Gustav har vært der i omtrent tolv år og i praksis blitt en av de mest innflytelsesrike lederne i selskapet. Jeg vil si at hans lærdom fra disse tolv årene er at man må bruke tolv år på å gjøre satsinger, gjennomføre eksperimenter og ta riktige beslutninger for å nå produkt–marked-tilpasning.

Det er ikke noe som skjer raskt. Det er ikke slik at et verktøy kan få deg dit. Det handler om at alle de ulike delene kommer sammen. Men det AI er svært godt egnet til, er å redusere tiden det tar å utføre alle disse oppgavene. AI gir deg ikke nødvendigvis den perfekte løsningen som får deg raskt frem, men det kan korte ned tiden det tar å oppnå fremgang på enkelte av områdene.

Hannah Clark: Det gir mening. Og dette knytter tilbake til hele ideen om falsifisering. Jeg er enig i at det er en stor utfordring, og mange har vanskelig for å legge egoet til side. Men jeg vil gjerne snakke litt om hvor egnet AI-funksjoner er i enkelte produkter.

Jeg tror det nå finnes en form for «skinnende objekt»-syndrom hos mange etablerte selskaper og oppstartsselskaper. Det virker som om det er et stort press for å integrere AI-funksjoner i produkter fordi det oppfattes som et minstekrav. Samtidig har jeg sett enkelte AI-integrasjoner som etter min mening ikke har tilført særlig mye verdi.

Hvordan kan man forstå om det faktisk er nødvendig å bruke AI, eller om det er verdt å investere i en AI-funksjon i et eksisterende produkt, og vurdere om investeringen gir verdi?

Craig Watson: Vi har alle sett noen ganske skremmende eksempler, der en chatbot har forsøkt å selge deg en bil eller sporet av. Det er ubehagelig når det skjer, og det blir raskt offentlig. Det kan få store konsekvenser for merkevaren hvis selskaper gjør dette feil. Folk har derfor helt rett i å stille spørsmål ved bruksområdene og sørge for at det gjøres på en måte som ivaretar både samsvar og etikk.

Slik jeg har sett selskaper presse dette inn, handler det igjen om det vi snakket om: Man er i løsningsmodus og forstår egentlig ikke hva kunden prøver å oppnå med den aktuelle jobben i programvaren. Ta Notion som eksempel. Vi bruker Notion som kunnskapsbase i det fjernarbeidende selskapet vårt.

Vi er derfor svært avhengige av det og deler mange skriftlige dokumenter. Det passer åpenbart godt for AI, fordi jeg noen ganger bare vil skrive en disposisjon og kan be AI-en fortsette å skrive eller forbedre teksten. Det passer rett inn i arbeidsflyten min. Det finnes en rask tilbakemeldingssløyfe.

Jeg kan rette det og gå videre. «Skinnende objekt»-syndromet oppstår når folk ikke egentlig forstår hva sluttbrukeren prøver å oppnå. Hvis man optimaliserer noe som uansett ikke hjelper dem med jobben, ser det bare litt kult eller interessant ut.

Det kommer aldri til å forbedre ting på ordentlig. Det kommer ikke til å hjelpe. Det vi har lært, er derfor igjen å gå tilbake til de grunnleggende prinsippene: Hva prøver personen å oppnå, og hvordan kan AI enten gjøre arbeidsflyten raskere, redusere kostnadene eller skape en annen effektivisering som gjør investeringen verdt det fra et produktutviklingsperspektiv?

Det er ingen garanti. Man må virkelig kontrollere om investeringen er verdt det. Noen små, behagelige forbedringer kan være verdt å investere i. Vi har personlig brukt flere måneder på å få den samtalebaserte brukeropplevelsen i Arro riktig, fordi det er kjernen i produktet vårt. Det handler om å gå ut og snakke med folk.

Det er riktig at vi har brukt 80–90 % av tiden på dette. Vi har ikke brukt resten av tiden på å legge inn tilfeldige små AI-funksjoner i hele produktet bare for at det skal se kult ut, eller slik at man kan trykke på en liten tryllestav eller en magisk knapp og få noe fint til å skje. Det kommer alltid tilbake til hva folk prøver å oppnå. Hvordan kan man gjøre det raskere eller bedre? Hvis AI passer godt til dette, er investeringen absolutt verdt det.

Hannah Clark: Det er jeg helt enig i. Når vi snakker om å ta kanskje litt tvilsomme beslutninger, enten det gjelder investering av tid eller penger, hvilke andre forbehold vil du som grunnlegger advare andre grunnleggere eller produktledere mot i oppdagelsesfasen, særlig i dagens landskap?

Craig Watson: Det avhenger ganske mye av situasjonen og hvilket stadium man befinner seg på. Hvis man er helt tidlig i utviklingen, handler det nesten om å finne riktig marked å plassere produktet i og forstå dette markedet svært godt. Noen bygger et oppstartsselskap rundt et problem de selv har.

Da kjenner de problemet. Andre liker et bestemt marked og ønsker å angripe det, for så å finne interessante måter å gjøre det på. Den dårligste måten er å bygge en løsning og deretter prøve å finne et problem den passer til, men det skjer også. Avhengig av hvilket stadium man er på, er situasjonen derfor forskjellig.

Hvis man er et selskap i vekst, slik mange av kundene som bruker Arro nå er, har man kanskje et modent produkt, men ikke nødvendigvis nok kapasitet innen undersøkelser til å forstå hvordan man skal bygge en ny funksjon.

Et verktøy som Arro hjelper dem med å skalere undersøkelsesarbeidet, komme i kontakt med flere kunder og hente inn mer innsikt. Samtidig vil jeg si at Arro kanskje ikke passer like godt hvis man er helt i startfasen, fordi jeg mener relasjonsbygging er så viktig. Man må komme i kontakt med potensielle kunder, lære om smertepunktene deres og gjennomføre den generative undersøkelsen rundt verdiforslaget.

Rådet mitt avhenger derfor litt av hvert enkelt tilfelle. Det finnes ingen løsning som passer for alle. Det finnes også mange gode bøker. Teresa Torres har skrevet om kontinuerlig produktoppdagelse. Michele Hansen har skrevet en bok om hvordan man snakker med kunder. Mye av materialet om «Jobs To Be Done» er også svært bra.

Det avhenger virkelig av hvilket stadium man er på, men det finnes mange gode kilder der ute. Sammenlignet med for bare fem år siden har produktoppdagelse kommet langt når det gjelder kunnskap og metoder. Det finnes derfor noe for alle.

Hannah Clark: Ja, det er jeg enig i. Vi hadde nylig en flott episode med Steve Portigal, som skrev boken «Interviewing Users». Han delte interessante innsikter om psykologien ved å snakke med mennesker, og hvordan man kan få best mulig innsikt uten å sette seg selv inn i samtalen og påvirke resultatet.

Dette har vært en flott samtale, Craig. Jeg setter stor pris på at du ble med oss i dag. Hvor kan lytterne følge arbeidet ditt på nettet?

Craig Watson: Dere kan gjerne sjekke ut Arro på www.arro.co. Ta også gjerne kontakt med meg på LinkedIn – jeg heter Craig Watson. Jeg er en av medgrunnleggerne av Arro. På Twitter finner dere meg under brukernavnet cdcwatson.

Jeg snakker gjerne med folk. Hvis dere har spørsmål, er det bare å ta kontakt.

Hannah Clark: Tusen takk for at du ble med. Vi setter stor pris på det, og takk for at du delte alle innsiktene dine.

Craig Watson: Det var en fornøyelse. Takk for invitasjonen, Hannah. Det var hyggelig å snakke med deg.

Hannah Clark: Takk for at du lyttet. For flere gode innsikter, veiledninger og verktøyanmeldelser kan du abonnere på nyhetsbrevet vårt på theproductmanager.com/subscribe. Du kan høre flere samtaler som denne ved å abonnere på «The Product Manager» der du vanligvis hører på podkaster.