Hoe je AI gebruikt om productgestuurde groei een enorme impuls te geven

Lees het transcript:

We proberen onze podcasts te transcriberen met behulp van een softwareprogramma. Vergeef ons eventuele typefouten, want de bot is niet altijd voor 100% correct.

Hannah Clark: Als we de belangrijkste paradigmaverschuivingen binnen productontwikkeling van de afgelopen tien jaar zouden rangschikken, zou ik zeggen dat AI en productgestuurde groei bovenaan die lijst zouden staan. Beide concepten draaien uiteindelijk om het vergroten van efficiëntie: meer doen met minder. Maar de echte truc is om ze samen te brengen en de tijdsbesparende kracht van LLM's te gebruiken om je PLG-strategie te versterken.

Tijdens een recent panelgesprek, Hoe je AI gebruikt om productgestuurde groei een enorme impuls te geven, brachten we drie geweldige PLG-experts samen: Ramli John, oprichter van Delight Path, Dani Grant, CEO van Jam.dev, en Anuj Adhiya, auteur van Growth Hacking for Dummies. We lieten hen praten over de manieren waarop productteams AI-technologie nu al kunnen inzetten om iedere fase van de gebruikersreis te verbeteren.

Wat ik geweldig vond aan dit evenement, was hoe de expertise van elke panellid op zo'n mooie manier samenkwam en veel praktische manieren bood om je groeistrategie met AI-tools aan te passen en te verbeteren. Bovendien waren het gewoon ontzettend aardige mensen. Laten we beginnen.

De sessie van vandaag gaat over hoe je AI kunt gebruiken om productgestuurde groei een enorme impuls te geven. We spreken met enkele geweldige stemmen uit dit vakgebied. We hebben vandaag een bijzonder interessante line-up en ik stel hen graag aan jullie voor.

We hebben Ramli John, auteur van Product-Led Onboarding. Hij is ook een gerenommeerd expert op het gebied van PLG-strategie. Ramli heeft een diepgaand inzicht in hoe je prospects omzet in enthousiaste gebruikers. We hebben vandaag een kleine kennisvraag voor Ramli.

Ramli, enkele van de grootste namen in SaaS noemen je de onboardingwizard, en je boek Product-Led Onboarding is voor talloze productteams een echte gamechanger geweest. We zijn je op dit moment behoorlijk aan het ophemelen. Als je met een toverstaf kon zwaaien en de meest voorkomende onboardingfout die je hebt gezien onmiddellijk kon oplossen, welke fout zou dat dan zijn?

Ramli John: Heel erg bedankt, Hannah. Ik zou zeggen dat het eigenlijk niets met het product te maken heeft. Het grootste probleem bij onboarding is vaak interne wrijving, niet wrijving binnen het product. Wat ik daarmee bedoel, is dat product zijn productwerk binnen het product doet, marketing zijn onboardingmails verstuurt en customer success zijn eigen onboarding uitvoert.

En ze praten niet met elkaar. Dit gebeurde zelfs toen we werkten bij een onboardingbedrijf genaamd Appcues, een soort software voor productadoptie. We hadden daar hetzelfde probleem. Dus als ik met een toverstaf kon zwaaien, zou ik ervoor zorgen dat de teams meer met elkaar praten en overeenkomen over hoe succes er voor de gebruiker uitziet. Dat is een lastig probleem, dus daar zou ik beginnen.

Hannah Clark: Ja, werken in silo's is een van die hardnekkige problemen. Bedankt daarvoor.

We hebben ook Dani Grant bij ons. Zij is de oprichter van Jam.dev en voormalig productlead. Dani staat bekend om het gebruik van productdata om naadloze gebruikerservaringen met grote impact te ontwerpen, en ze is ook gewoon een geweldig persoon. Dani, heel erg bedankt dat je erbij bent.

Een vraag voor jou. Jam is enorm gegroeid naar 150.000 gebruikers bij 32 verschillende Fortune 100-bedrijven, wat ongelooflijk is. Maar je spreekt ook op evenementen en conferenties en bent dagelijks actief op LinkedIn. Eerlijk gezegd ben ik jaloers op hoe je dit allemaal voor elkaar krijgt. Wat is je geheim om al deze dingen gedaan te krijgen en toch bij je verstand te blijven?

Dani Grant: Allereerst zou iedereen hier Ramli's boek moeten lezen. Het is zo goed. Mijn medeoprichter las het eerst binnen ons bedrijf en zei vervolgens dat ik het moest lezen. Ik las het en nu is het verplichte lectuur voor ons growthproductteam. Het boek verandert je kijk op onboarding volledig.

Wij productmanagers denken voortdurend na over onboarding. Maar we zien het allemaal als de periode vanaf het moment dat iemand zich aanmeldt tot het moment waarop die persoon het product heeft gebruikt. Ramli's boek laat zien dat onboarding veel eerder begint en veel later eindigt. Door op die manier naar onboarding te kijken, veranderen de resultaten van je product, zoals dat bij ons is gebeurd.

Hoe dan ook, Ramli is briljant. Lees zijn boek. Wat spreken betreft hebben we enorm veel geluk. Al onze gebruikers zijn bouwers. Ze proberen in de wereld de wereld te veranderen door software te gebruiken. Wij bouwen hier ons bedrijf, terwijl onze gebruikers daar hun bedrijven bouwen. Het is onze taak om te delen wat we leren tijdens het bouwen van Jam met iedereen die zijn eigen dingen bouwt.

Daarom plaatsen we lessen online en doen we mee aan bijeenkomsten zoals deze. Het is een voorrecht en een eer. Bedankt dat je me hebt uitgenodigd.

Hannah Clark: Ik waardeer het dat je de tijd hebt genomen om een andere panellid op te volgen. Dat is geweldig. Zie je wel, ik zei toch dat ze een geweldig persoon is.

We hebben vandaag ook Anuj Adhiya bij ons. Anuj is een groeiexpert en auteur van Growth Hacking for Dummies. Hij heeft geschreven voor productled.com en heeft veel ervaring met het begeleiden van SaaS-bedrijven bij het implementeren van productgestuurde groeistrategieën. We zijn zeer vereerd dat je vandaag bij ons bent, Anuj.

Tijdens ons voorgesprek vertelde je dat je van plan bent een Guinness-wereldrecord te organiseren door, naar ik meen, het grootste aantal mensen met feesthoedjes in Boston bijeen te brengen. Ik vind dit echt geweldig. Kun je wat meer context geven? Kun je vertellen wat je doet en hoe mensen kunnen meedoen? Waar moeten we de feesthoedjes naartoe sturen?

Anuj Adhiya: Om te beginnen bedankt dat ik erbij mag zijn. Dit is zo'n leuke groep om deel van uit te maken. Op het eerste gezicht lijkt het inderdaad niets met productgestuurde groei te maken te hebben, maar dat is wel degelijk zo, omdat het een groot experiment is.

Er is een app voor feestuitnodigingen waarvoor ik advies geef, genaamd PartyClick. Ga vooral eens kijken; het is een eenvoudige manier om een evenement op te zetten. We probeerden na te denken over manieren om dit bij meer mensen onder de aandacht te brengen. Er kwamen veel ideeën naar voren, zoals: we zouden onze eigen imitatie van beroemdheden kunnen organiseren, vergelijkbaar met het Timothée Chalamet-evenement dat onlangs plaatsvond.

Maar wat kunnen we nog meer doen? Toen zei iemand uit het team: bestaan er geen wereldrecords voor de grootste bijeenkomsten? Ja, dat is wat we moeten doen. Ik zocht het Guinness Book of World Records op en inderdaad: er bestaat een wereldrecord voor mensen met feesthoedjes. Ik dacht: geweldig. Dit past bij de naam van het product: feesthoedjes, PartyClick.

Dus dat moeten we gewoon doen. Deze week ben ik bezig met de aanvraag bij het Guinness Book en probeer ik de stad Boston over te halen om 2.500 mensen op Boston Common toe te laten. We zullen zien hoe dicht ik bij dat doel kom. De echte reden waarom ik dit publiekelijk vertel, is vooral om mezelf verantwoordelijk te houden en mezelf voor schut te zetten als het niet lukt.

Hannah Clark: Dus als je in de omgeving van Boston bent, neem dan je feesthoedje mee. Wat was de datum ook alweer in december?

Anuj Adhiya: We denken aan 22 december.

Hannah Clark: Oké, nu staat het vast.

Anuj Adhiya: Als je in de buurt bent, hadden we het erover. En als het niet lukt, weet je op wie je de steen terug moet gooien.

Hannah Clark: Dan gaan we verder met het schetsen van de context: het snijvlak van AI en PLG.

Deze vraag is voor Ramli. Een algemene vraag: is PLG in het algemeen essentieel geworden voor de SaaS-sector? We zien het als een modewoord. Waar staan we momenteel?

Ramli John: Ik zou zeggen dat het ervan afhangt. Ja, het hangt ervan af. Dat is een onbevredigend antwoord, maar het hangt ervan af hoe je productgestuurd definieert. Als je zegt: productgestuurd, is PLG dan noodzakelijk?

Als je een gratis proefperiode of freemium hebt? Ik denk het niet. Ik zou startups juist aanraden om te beginnen met veel persoonlijk contact en dicht bij hun klanten te staan. Als je met productgestuurd bedoelt dat je onnodige wrijving verwijdert en een geweldige ervaring voor gebruikers creëert, dan denk ik wel dat dit essentieel is. De standaard en lat voor wat mensen van een productervaring verwachten, is hoger geworden.

Die verwachting is exponentieel veel sterker gegroeid dan tien jaar geleden. Toen was iets vervelends gewoon normaal. Nu geldt: als iets vervelend is, heb ik honderd andere opties waar ik naar kan overstappen. Er zijn veel meer producten. Ik geloof echt dat het creëren van een geweldige ervaring voor eindgebruikers cruciaal is voor retentie, activatie en alle andere onderwerpen die we later zullen bespreken.

We zullen bekijken hoe AI de rest van de trechter beïnvloedt. Als dat de definitie van productgestuurd is, dan is het inderdaad essentieel. Bedoel je alleen een gratis proefperiode en freemium? Dan niet.

Hannah Clark: Wauw. Een genuanceerd antwoord. Heeft iemand iets toe te voegen over de relevantie of de huidige staat van PLG?

Dani Grant: Het is ontzettend krachtig.

Ramli John: Ik wil eraan toevoegen dat ik veel oprichters eigenlijk de verkeerde vraag zie stellen. Ze vragen: hoe kan ik meer zoals Slack worden? Terwijl ze eigenlijk zouden moeten vragen: hoe kan ik mijn product beter gebruiken om in de behoeften van mijn klant of gebruiker te voorzien?

Dat kan allerlei vormen aannemen. Het opent veel krachtigere mogelijkheden om een productgestuurde aanpak te implementeren dan simpelweg iets proberen te kopiëren dat voor jou nooit zal werken.

Hannah Clark: Absoluut.

Laten we kijken naar de manier waarop AI dit vakgebied binnenkomt. Deze vraag is voor Dani. Hoe kan AI volgens jou PLG-strategieën een enorme impuls geven? Misschien heb je voorbeelden van hoe jullie dit bij Jam hebben ingezet.

Dani Grant: We gaan zo meteen alle tactieken bespreken, maar op hoofdlijnen geldt binnen PLG dat je product de verkoop doet. Verkopen werkt beter wanneer het gepersonaliseerd is, en dat vereist veel content en overtuigingskracht.

Daar is AI juist heel goed in. Bedrijven proberen dit al heel lang te doen, bijvoorbeeld met machinelearning voor personalisatie en zeer vergaande segmentatie met veel content. Het is nu eenvoudiger dan ooit om dit goed te doen. Je moet grote hoeveelheden ongeorganiseerde data begrijpen.

Ik kijk ernaar uit om de tactieken te bespreken. Dit voelt gewoon als iets waar AI heel goed in is. Nog één ding: de beste PLG-strategie is een product dat zo goed is dat mensen er vanzelf met anderen over praten. Met AI kun je nu nog krachtigere functies voor je gebruikers bouwen.

Dat is volgens mij ook een belangrijk deel van de puzzel.

Hannah Clark: Goed, dan gaan we naar het leggen van de basis: de rol van AI gedurende de gebruikersreis. Dit wordt volgens mij het grootste onderdeel van de sessie. Zeker de moeite waard om te beluisteren. Leg je telefoons dus maar weg. We lopen elke fase van PLG door en laten zien hoe AI elke fase kan ondersteunen.

Laten we beginnen met het aantrekken van gebruikers. Dani, wil je vertellen hoe jullie team AI gebruikt om die acquisitiefase te versterken?

Dani Grant: Er zijn twee dingen die ik wil noemen. Het eerste is misschien het meest voor de hand liggend: binnen PLG vinden klanten je product omdat het product zichzelf op een bepaalde manier verkoopt en ze zelfstandig onboarden.

Een gebied waarin je veel content moet maken, is SEO, en AI kan daar enorm behulpzaam zijn. We hebben allemaal gezien hoe het eruitziet wanneer het misgaat. Het wordt dan onzinnige AI-tekst en scoort niet. Maar AI is echt nuttig voor SEO. Dit is hoe wij het praktisch gebruiken.

AI schrijft de structuur volgens SEO-best practices. Je neemt letterlijk een artikel over SEO-best practices, geeft het aan de LLM en zegt: schrijf een structuur die al deze best practices volgt. AI kan je SEO-content redigeren of aanbevelingen geven. Met Perplexity zoeken we naar de tools die we willen noemen en vragen we bijvoorbeeld om alle prijzen van die tools.

Op die manier is het heel nuttig. Daarnaast denken we voortdurend na over hoe we content kunnen maken die ons online publiek aanspreekt. Ons publiek bestaat uit ontwikkelaars en in webontwikkeling gebeurt ontzettend veel. Het vakgebied verandert heel snel. We wilden daar content over maken.

We dachten: laten we een nieuwsbrief en podcast maken over wat er deze week in JavaScript gebeurt. Als dat je interessant lijkt, kun je naar thisweekinJavaScript.com gaan. Elke week krijg je in vier minuten of minder het JavaScript-nieuws van die week. We zijn een klein startupteam en kunnen niet elke week een podcast opnemen. AI helpt ons enorm en stelt ons in staat om goede content te schrijven.

We hebben bij deze nieuwsbrieven een openingspercentage van meer dan 50 procent en de podcast wordt goed beluisterd. AI helpt ons dit allemaal te doen. Dat zijn twee manieren waarop we AI gebruiken voor de acquisitiefase van PLG.

Hannah Clark: Heel gaaf.

Ramli John: Een ander gebied waarvoor ik AI gebruik bij acquisitie is het hergebruiken van content.

Je kunt bijvoorbeeld een podcastaflevering nemen en die in Castmagic plaatsen, een tool voor samenvattingen. Die produceert blogposts, berichten voor Twitter en LinkedIn en teksten voor nieuwsbrieven. Er is wat nabewerking nodig; het is niet perfect. Maar dit is nog een gebied waarop ik AI voor acquisitie zie werken: hoe haal je meer sap uit de citroen? Ik weet niet zeker of dat de uitdrukking is. Hoe haal je in feite meer uit je content? Dat is één manier waarop ik AI voor acquisitie heb zien worden gebruikt.

Dani Grant: Wij doen precies hetzelfde. Een van onze kernopvattingen is dat founder-led sales in 2024 grotendeels online plaatsvindt.

Vroeger had je een warme introductie nodig, gevolgd door een eerste gesprek waarin de oprichter zichzelf aan de klant voorstelde. Tegenwoordig gebeurt dit passief online, terwijl mensen door LinkedIn scrollen. Je probeert dus voortdurend online te delen hoe jij de wereld ziet en welke veranderingen je in de wereld wilt realiseren.

Daarvoor gebruiken we AI gedeeltelijk, namelijk voor het hergebruiken van content. Wanneer iemand uit het team ergens in een podcast verschijnt, pakken we de YouTube-link en plaatsen die in een tool zoals OpusClip. Die knipt de YouTube-link op en geeft ons videofragmenten om online te delen, of haalt fragmenten uit momenten waarop een belangrijk inzicht naar voren kwam.

Dat levert ons later ideeën op om over te praten en te schrijven. Ook voor acquisitie is dat erg nuttig.

Hannah Clark: Ik denk dat dit momenteel enorm belangrijk is. Jullie hebben allebei gesproken over het zo veel mogelijk hergebruiken van content en zo veel mogelijk sap uit de citroen halen, zoals Ramli het noemde. Geweldig. Dan kunnen we naar de activatiefase gaan.

Ramli, jij bent de onboardingman. Wat zou je aanraden als het gaat om AI-ondersteunde werkwijzen voor de activatiefase?

Ramli John: Dit is iets wat ik een ander bedrijf heb zien doen toen we spraken over hoe zij AI inzetten voor onboarding.

Een van de uitdagingen en ook kansen van productgestuurd werken is dat je een sterk vermogen tot gebruikers- of klantonderzoek nodig hebt. Bij een verkoopgerichte aanpak sta je rechtstreeks in contact met klanten en hoor je hun bezwaren. Wanneer je product zelf verkoopt, hoor je die bezwaren niet; mensen vertrekken gewoon.

Hoe krijg je dan die waardevolle inzichten, het waarom dat kwantitatieve data niet kan laten zien? Een bedrijf gebruikt AI op een manier die ik interessant vond. Ze nemen al hun verkoopgesprekken op. Ze hebben een hybride aanpak en bieden daarnaast een intensieve onboardingervaring voor enterprisebedrijven.

Ze nemen de opnames en stoppen die in ChatGPT om het taalmodel te trainen. Daarna gebruiken ze het om allerlei dingen te maken. Een daarvan vond ik bijzonder interessant: een overdrachtsdocument van sales naar customer success. Ook kunnen ze vragen om een onboardingreeks van vijf e-mails te maken op basis van de pijnpunten uit verkoop- en onboardinggesprekken.

Omdat het model is getraind op de bezwaren uit verkoopgesprekken en de vragen en verwarring tijdens onboardinggesprekken, begrijpt het beter wat klanten daadwerkelijk doormaken.

Ik stelde voor om ook de meest aangevraagde supporttickets in die chatbot of ChatGPT te stoppen en informatie toe te voegen die waardevol is voor de activatiefase. Zo kan het model helpen bij het schrijven van een reeks of het ontwerpen van een rondleiding.

Ik heb ook geavanceerdere AI-tools gezien die je data analyseren en retentiemaatstaven berekenen. Met tools zoals Amplitude of June.so voeg je je data toe en krijg je bijvoorbeeld te horen dat de meeste succesvolle gebruikers handeling X, Y en Z uitvoeren en dat 30 procent vervolgens blijft.

Dat moet je natuurlijk met enige voorzichtigheid bekijken, maar het kan waardevolle informatie opleveren, vooral als je een voldoende grote gebruikersgroep hebt. Met tien gebruikers heb je niet genoeg data om betrouwbare informatie uit het model te halen. Dat is een belangrijke kanttekening bij dit soort analyses.

Hannah Clark: Ja, dat is logisch. Heeft iemand anders tips voor het ondersteunen van de activatiefase van PLG?

Dani Grant: Het is misschien vanzelfsprekend, maar zodra je hebt vastgesteld wat goede activatie inhoudt en welke stappen de gebruiker moet zetten, moet je bedenken welke ideeën je kunt uitproberen om gebruikers die stappen te laten zetten.

Bij ons is een gebruiker geactiveerd wanneer die vier bugrapporten met Jam heeft gemaakt. We proberen dus voortdurend meer gebruikers naar hun derde en vierde bugrapport te krijgen. Hoe kunnen we hen aanmoedigen en de waarde laten zien? AI is redelijk goed in het bedenken van veel slechte ideeën die je vervolgens op goede ideeën brengen.

Dat is misschien nog een voor de hand liggende manier om AI in deze stap te gebruiken.

Hannah Clark: Ik vind het idee goed om slechte ideeën te genereren die je helpen tot goede ideeën te komen.

Dani Grant: Dit is het bijzondere aan mensen: het is heel moeilijk om vanuit het niets pure verbeeldingskracht te gebruiken om een idee te bedenken. Als je als eerste persoon een eerste versie moet schrijven, is dat ontzettend moeilijk.

Maar mensen zijn heel goed in beoordelen en reageren. Zo zijn onze hersenen nu eenmaal geprogrammeerd. We zien iets en dat roept andere ideeën op. Zolang je dus één slechte eerste versie of één slecht eerste idee hebt, ben je plotseling heel goed in de tweede versie. AI is goed in het geven van dat eerste aanknopingspunt dat je hersenen activeert.

Hannah Clark: Geweldig advies. Sorry, ik denk dat ik je een beetje onderbrak.

Ramli John: Nee, ik wilde alleen toevoegen dat het mooie van dit soort taalmodellen is dat je ze kunt trainen. Je kunt zeggen: dit is slecht en dit is waarom. Vervolgens geef je feedback.

Ik hoorde een geweldige uitspraak in een podcastaflevering met Nathan Berry van Kit: je moet AI behandelen als een zeer beginnende stagiair. Door goede feedback te geven, leert het wat goed en slecht is. Als het een slecht idee aandraagt, geef je feedback en zal het steeds betere resultaten produceren.

Hannah Clark: Of misschien wordt in ieder geval de slechte versie een betere basis, zodat je ideeën nog beter worden. Ik weet niet of het zo werkt, maar misschien.

Anuj Adhiya: Ramli, ik noem het een dronken stagiair.

Ramli John: Dat is beter, want het is inderdaad nogal ongewoon.

Anuj Adhiya: Het enige andere dat ik hier wil toevoegen, en misschien vormt dit een overgang naar het volgende onderwerp, is dat activatie vanuit het perspectief van de gebruiker geen afzonderlijke stap is. Zodra iemand in het product zit, zit die persoon in het product.

Wat mij heeft geholpen om de verbanden stroomafwaarts en stroomopwaarts te leggen, is activatie te zien als kortetermijnretentie. Zodra iemand in het product zit, is dat het spel. Hoe houd je die persoon langer vast? Hoe verdien je er meer aan? Alles gebeurt op een continuüm van retentie. In het hoofd van de gebruiker is er geen schakelaar die zegt: ik ben nu geactiveerd, nu ben ik behouden. Het is allemaal hetzelfde.

Hannah Clark: Ja. Je moet niet alleen nadenken vanuit de fasen die jij ziet, maar ook vanuit de plek waar de gebruiker zichzelf ziet.

Dani Grant: Het is inderdaad één doorlopend proces. Je gebruikt het product in het begin en aan het einde. Als gebruiker, niet als productpersoon, ervaar ik wel een moment waarop ik iets aan het bekijken ben en een moment waarop ik het echt gebruik.

Ik denk dat activatie in het midden plaatsvindt. Vanuit het perspectief van de gebruiker zijn ze dus enigszins verschillend.

Hannah Clark: Anuj, welke toepassingen of ideeën heb je al gezien voor AI in de retentiefase, nu de gebruiker in het product zit? Waar gaan we vanaf hier naartoe?

Anuj Adhiya: Een deel hiervan klinkt als een uitbreiding van wat al is gezegd. Wat mij het meest fascineert aan retentie en PLG, is hoe het ons vermogen om patronen in gebruikersgedrag te begrijpen en erop te handelen volledig verandert.

Veel teams waarmee ik werk zitten, net als vrijwel iedereen in het publiek, op bergen productgebruiksdata. Iedereen heeft Amplitude, Heap, Mixpanel of iets vergelijkbaars. Toch lukt het hen om allerlei redenen niet om snel genoeg de juiste, bruikbare inzichten te halen.

Wat de spelregels verandert, is de combinatie van traditionele analyseplatforms met moderne AI-analyse. Het is bijna alsof mensen in het donker werkten en nu het licht is aangedaan.

Toen ik data in privéversies van ChatGPT en vergelijkbare systemen begon te stoppen, ontdekte ik fascinerende microcohorten die handmatig of op basis van je kennis van deze tools vrijwel onmogelijk te vinden waren.

Je kunt bijvoorbeeld ontdekken dat gebruikers die in hun eerste week een bepaalde reeks handelingen uitvoeren, drie keer zo vaak krachtige gebruikers worden. Een klant ontdekte dat gebruikers die in hun eerste dagen data exporteerden én met teamgenoten deelden, veel sterkere betrokkenheidspatronen vertoonden.

De combinatie van analyse en automatisering is hier bijzonder krachtig. Bedrijven beginnen gedragsgestuurde klantreizen op te zetten. Wanneer het systeem detecteert dat een gebruiker een waardevol patroon volgt, kan het automatisch de content of ervaring aanpassen om die gebruiker sneller op dat pad te krijgen.

In een geval ging dit verder dan wat er in het product gebeurde. Gebruikers met een groot potentieel werden uitgenodigd voor een bètaprogramma of een adviesraad voor klanten op basis van hun daadwerkelijke gebruikspatronen. Dat sluit aan bij Ramli's eerdere punt over dichter bij de klant komen, iets wat teams vaak niet snel genoeg konden doen.

De echte doorbraak is voor mij het verbinden van kwantitatieve en kwalitatieve informatie. Machinelearning kan patronen analyseren in support, community en productfeedback. Wanneer je die inzichten koppelt aan gebruiksdata, bijvoorbeeld met Gong of je productanalyse, krijg je een veel vollediger beeld: niet alleen wat gebruikers doen, maar ook waarom.

Dat inzicht en de snelheid waarmee je het krijgt, zijn waardevol. Je vertrouwt steeds minder op aannames en steeds meer op wat daadwerkelijk uit gebruikerspatronen en behoeften blijkt.

Hannah Clark: Ik ben benieuwd of jij of andere panelleden voorbeelden hebben van dit soort toepassingen in de praktijk. Het combineren van kwalitatieve en kwantitatieve data is immers een hardnekkig probleem.

Anuj Adhiya: Ik geef nog een voorbeeld. Bij veel teams staan deze oefeningen los van elkaar. Het ene team voert een product-markt-fit-enquête uit, terwijl een compleet aparte database alle supporttickets bevat en een andere database de verkoopgesprekken. Soms is het zelfs niet duidelijk wiens taak het is om dit allemaal samen te brengen.

Het kan krachtig zijn om die taak aan een AI-medewerker toe te wijzen. Die haalt de beslissing uit je handen, verzamelt alle data en presenteert die aan alle betrokken belanghebbenden.

De kosten van wachten of besluiteloosheid zijn vaak zo hoog dat dit een goede minimale eerste stap is: verbind een paar databronnen, of voeg meerdere spreadsheets toe en laat het systeem patronen voor je verduidelijken. Zo versnel je in ieder geval de snelheid waarmee je inzichten krijgt en ernaar kunt handelen.

Hannah Clark: Webdesigners, deze is voor jullie. Ik heb 30 seconden om jullie te vertellen over Wix Studio, het webplatform voor bureaus en ondernemingen. Dit zijn vier dingen die je in 30 seconden of minder in Studio kunt doen. Pas je ontwerpen aan voor elk apparaat met responsieve AI. Hergebruik middelen zoals sjablonen, widgets, secties en ontwerpbibliotheken op verschillende sites en deel ze met je team. Voeg rechtstreeks in de editor animaties zonder code en verloopachtergronden toe. Exporteer je ontwerpen met één klik van Sigma naar Wix Studio. De tijd is om, maar de lijst gaat door. Ga naar Wix Studio en ontdek het zelf.

Wat ik hier hoor, is dat AI kan helpen om de silo's tussen afdelingen af te breken. Stel je een afdelingsoverschrijdend rapport over de stand van zaken voor, zodat iedereen een overzicht krijgt van wat er in de verschillende gebieden gebeurt.

Anuj Adhiya: Absoluut. Groei is in het algemeen een teamsport en per definitie functieoverschrijdend. Dat geldt zeker in de productgestuurde wereld, waarin content, educatie, community, product en sales moeten samenwerken.

Het doel van een groeiteam is alle belangrijke belanghebbenden samenbrengen om de huidige staat van groei te begrijpen: waar zitten de problemen en waar liggen de kansen? Het is voor iedereen een uitdaging om niet alleen te begrijpen welke rol zij spelen, maar ook wat het meest impactvolle is dat zij nu kunnen doen.

Een groeileider houdt zich net zo goed bezig met verhalen vertellen en inzichten communiceren als met data. Gebruik dus niet alleen je eigen vaardigheden. Laat AI helpen om te bepalen hoe je hetzelfde datapunt beter communiceert naar sales, ontwikkelaarsrelaties of product.

Het afbreken van silo's en iedereen op één lijn krijgen wordt sterk onderschat.

Hannah Clark: Ik vind deze tactiek erg interessant. We hadden een podcastaflevering met Michele Ronsen, een bekende UX-onderzoeker. Zij stelde een vergelijkbaar proces voor, maar dan meer analoog.

Wanneer je al dat onderzoek hebt uitgevoerd, is het geweldig, maar hoe is het bruikbaar voor alle afdelingen waarmee het verband houdt? Haar aanbeveling was om het per afdeling te formuleren: welke acties en vervolgstappen worden door deze inzichten geïnformeerd?

Ik zie dit als een AI-ondersteunde versie daarvan, waarbij AI de bevindingen voor de verschillende afdelingen vertaalt en helpt bepalen welke acties we kunnen afleiden om beter samen te werken.

Dani Grant: Dit gaat niet over AI voor functieoverschrijdende samenwerking, maar waarom nemen bedrijven productmanagers aan? Omdat ze één aanspreekpunt willen dat de kern van een probleem bereikt, eigenaar is van het volledige probleem en verantwoordelijk is voor het succes van het product.

Wat Anuj zegt klopt: iets is misschien op spreadsheetniveau begrepen, maar niet op gebruikersniveau. Dat is precies de kracht van productmanagers. Geen enkele productmanager zegt: dat is mijn probleem niet. Ze zijn er om het product te laten slagen.

Een tactiek die ons erg heeft geholpen, is voortdurend met klanten praten. Wanneer een productmanager iets niet begrijpt of meer wil weten, is er dan al een eenvoudig proces om aan te haken in plaats van vanaf nul nieuwe klantgesprekken te organiseren.

Elke week krijgen de honderd belangrijkste gebruikers van de voorgaande week die recent niets van ons hebben gehoord een e-mail van een oprichter van Jam waarin wordt gevraagd hoe het gaat. Als ze uitgebreid reageren, vragen we of ze meer willen vertellen tijdens een gesprek. Zo hebben we voortdurend klantgesprekken.

Het is geen AI-tactiek, maar ik raad het iedereen aan.

Hannah Clark: Geweldig. Het hoeft niet altijd AI te zijn. We willen gewoon groeien.

Dan gaan we naar de uitbreidingsfase. Anuj, wil jij deze ook leiden? Daarna kunnen we naar Dani's aanpak gaan.

Anuj Adhiya: Voor mij is alles een continuüm. Als je kijkt naar het traditionele uitbreidingsmodel, wacht je op gebruikssignalen en heb je misschien een customer-successteam dat elk kwartaal een evaluatie doet. Sommige teams hopen simpelweg uitbreidingssignalen op te vangen.

Een praktisch voorbeeld: een SaaS-bedrijf gebruikt Gong om klantinteracties op elk contactpunt te analyseren: verkoopgesprekken, supporttickets, kwartaalgesprekken en meer. Ze trainen het systeem om specifieke uitbreidingsindicatoren te herkennen.

Het gaat niet alleen om duidelijke zinnen zoals: we hebben meer licenties nodig. Het systeem kan patronen herkennen rond aangrenzende toepassingen, een nieuw teamlid of een nieuwe afdeling, of pijnpunten die met extra functionaliteit kunnen worden opgelost.

Wanneer je die gespreksdata combineert met productgebruiksanalyse, kun je uitbreidingsintentiescores maken op basis van meerdere signalen. Wanneer gebruikers bepaalde gebruiksdrempels bereiken, zoals het naderen van een API-limiet of het proberen te gebruiken van premiumfuncties, en dit samenvalt met bepaalde gespreks patronen, ontstaat een duidelijk signaal voor uitbreidingskansen.

Het gaat dus niet alleen om het identificeren van uitbreidingskansen, maar ook om een natuurlijker proces dat beter aansluit bij de waarde voor de klant.

Hannah Clark: Dat klinkt goed.

Dani heeft een proces waarbij ze gesprekstranscripten gebruikt om eerste opvolgmails te maken. Wil je ons daar doorheen leiden, Dani?

Dani Grant: Het spreekt eigenlijk voor zich. Als productmensen geloven we dat het product het meeste werk moet doen. Maar om gedrag te veranderen, wil je ook een betrouwbaar menselijk gezicht hebben. De uitbreidingsfase wordt dus vaak meer door mensen geleid dan door het product.

In een goed lopend proces heb je veel opeenvolgende gesprekken om teams te helpen hun gebruik uit te breiden. Je wilt na die gesprekken iets doordachts sturen. Het is veel eenvoudiger om met een eerste concept te beginnen dan met een leeg scherm. Geef een gesprekstranscript aan Claude en vraag: wat waren de drie belangrijkste punten die deze persoon aan mij heeft meegedeeld?

Gebruik dat vervolgens om een concept te maken met de strekking: dit is wat we hebben gehoord. Dat is veel gemakkelijker dan vanaf nul beginnen, vooral wanneer je acht gesprekken achter elkaar hebt en je aan het einde van de dag niet alles meer precies weet.

Hannah Clark: Alles wat ons brein aan het einde van de week kan ontzien, waardeer ik.

We gaan naar het derde onderdeel: van visie naar uitvoering. Dit gaat over het bouwen van een AI-versterkte PLG-strategie. Ik geef het woord aan Ramli, omdat we hem een paar minuten niet hebben gehoord. Kun je ons meenemen in veelvoorkomende valkuilen en misvattingen rond PLG en het gebruik van AI als ondersteuning?

Ramli John: De uitvoer is zo goed als de invoer. Als je het systeem niets of slechte informatie geeft, krijg je ook slechte uitvoer. Zoals Dani zei: begin niet met een lege pagina.

Je moet het voorzien van het juiste soort informatie, vooral informatie over je beste klantervaringen en beste gesprekken. Geef de juiste context, zoals de gesprekken die je met een klant hebt gevoerd en de documenten die je over die klant hebt. Vraag vervolgens om de gewenste uitvoer.

Wees duidelijk over je opdracht en de verwachte resultaten. Geef bijvoorbeeld drie punten en beschrijf de context. Dat sluit aan bij wat Anuj eerder zei: behandel AI als een dronken stagiair, of als een stagiair die net aan zijn baan begint. Wees uitgebreider en duidelijker in het begin en zeg wat je zoekt en welke uitvoer je verwacht.

Ik heb ook prompts gezien waarin je zegt: doe alsof je de directeur customer success of product bent voor dit bedrijf. Hier is informatie over het bedrijf en het LinkedIn-profiel van deze persoon. Wat zou ik schrijven? Welke drie punten zouden voor deze persoon relevant kunnen zijn op basis van onze gesprekken?

Duidelijkheid, volledigheid en beknoptheid helpen bij het gebruik van AI.

Dani Grant: Een extra valkuil, vooral bij junior mensen in je team, is dat je moet weten wat 'klaar' betekent. Hoe juniorer je bent, hoe meer klaar simpelweg voltooid betekent, in plaats van inzicht in de impact die goed werk kan hebben.

Bij het gebruik van AI kan iemand dus denken dat een analyse klaar is zodra die is uitgevoerd. Een senior persoon zou zeggen: deze analyse heeft nieuwe vragen opgeleverd die we logisch gezien moeten onderzoeken. Of: dit klopt niet, het moet een hallucinatie zijn. Of: deze e-mail klinkt als onzin en die mogen we uiteraard niet versturen.

Dat is een grote valkuil. Je voorkomt die door voortdurend te bespreken wat 'klaar' betekent binnen het team en het bedrijf, met of zonder AI.

Hannah Clark: Dat is in het algemeen goed loopbaanadvies: blijf vragen wat 'klaar' betekent.

Anuj Adhiya: Ik wil twee dingen toevoegen. Over de opmerking van Dani: de meeste mensen weten niet eens hoe ze goed moeten googelen. Dat is voor mij een vroege aanwijzing of iemand een taak goed aan een AI-systeem kan geven. Ik laat mensen soms eenvoudige zoekopdrachten uitvoeren en kijk hoe ze reageren. Dat laat zien of ze meer training nodig hebben voordat ik ze met zo'n systeem laat werken.

Over wat Dani zei over iets dat voltooid lijkt: daarom laat ik teams altijd eerst begrijpen wat hun belangrijkste productdoelstelling is. Iedereen moet weten hoe het bedrijf waarde levert aan gebruikers en klanten. Alles wat we doen staat in dienst van het vergroten van die waarde.

Dat geldt ook voor prompts. Het systeem moet het grotere perspectief kennen, niet alleen het perspectief van de specifieke taak of analyse. De vraag is altijd: draagt dit bij aan het vergroten van de waarde voor gebruikers?

De rode draad is dat mensen die met deze systemen werken meer context en achtergrond nodig hebben. Ze moeten het perspectief van de gebruiker begrijpen voordat ze inzichten uit het systeem halen.

Hannah Clark: Ik zie inderdaad enkele terugkerende thema's, waaronder de uitdagingen van samenwerking tussen teams. We doen nu een korte afsluiting. Normaal zouden we vertellen over onze volgende sessie. Voor iedereen die maand na maand deelneemt: in december organiseren we geen panel. We nemen een korte vakantiepauze.

In januari zijn we terug met een sessie die meer op loopbanen is gericht, over de overstap naar een carrière in productmanagement. De registratie daarvoor begint in december. We sturen onze abonnees een link zodra de registratie geopend is.

Als je iemand kent die geïnteresseerd is in dit vakgebied en vragen stelt over die overstap, laat het die persoon dan weten. We zouden het geweldig vinden als je ons helpt het nieuws te verspreiden.

We gaan nu naar de vragen. Vragen en antwoorden. De vraag met de meeste stemmen komt van DM: AI kan bevooroordeeld zijn bij het interpreteren van genuanceerde data, wat tot misleidende conclusies leidt. Hoe kunnen we AI binnen PLG strategisch inzetten om gebruikerservaringen te verbeteren en groei te stimuleren, terwijl we deze risico's beperken?

Dani Grant: AI lost menselijke problemen niet op. Je moet je beoordelingsvermogen gebruiken. Het is een geweldig hulpmiddel, maar je hebt een kritische blik nodig. Alleen een antwoord hebben lost je probleem niet op. Wanneer je AI gebruikt, moet je extra bewust en aanwezig zijn en echt nadenken over je werk.

Ramli John: Daar ben ik het volledig mee eens. Dit raakt aan de ethiek van AI. Er moet menselijke tussenkomst zijn. Waar sprake is van vooroordelen, moet er een mens zijn die ze opmerkt. AI is slechts een onderdeel van je besluitvormingsproces. Je kunt ook kwalitatieve en kwantitatieve data gebruiken, iemand van customer success raadplegen of je CEO vragen.

Uiteindelijk moet een mens de beslissing nemen. Ik zou erg voorzichtig zijn met AI zelfstandig beslissingen laten nemen, omdat het bepaalde vooroordelen mogelijk niet zelf herkent.

Anuj Adhiya: Vergeet niet hoe dingen vóór AI werden gedaan. Beschouw dat als een nulmeting. Hoe deden we dit vroeger? Zo heb je een duidelijk vergelijkingspunt en kun je bepalen of het systeem hallucineert.

Daarnaast is triangulatie belangrijk. Als een AI-systeem bepaalde gebruikers als risicovol markeert, neem je dat niet zomaar aan. Je kijkt naar de ruwe productanalyse, feedback en wat het customer-successteam hoort. Als die signalen handmatig overeenkomen, krijg je meer vertrouwen in het systeem.

Sommige analysetools houden inmiddels rekening met diversiteit in trainingsdata. In PLG betekent dit dat modellen leren van gebruikers uit verschillende bedrijfsgroottes, sectoren en gebruikssituaties. Zo voorkom je dat het systeem te veel nadruk legt op gedrag van grote of actieve klanten en signalen van kleinere klanten mist.

Vergeet dus niet hoe je het vroeger deed en controleer de resultaten handmatig.

Hannah Clark: Goede tips.

De volgende vraag is: raden jullie aan AI te gebruiken in plaats van traditionele support- of customer-successteams? We hebben dit al gedeeltelijk beantwoord, maar kunnen er meer context aan geven.

Die functies worden vaak verantwoordelijk gehouden voor cohortretentie, terwijl juist daar een explosieve groei van autonome AI-tools plaatsvindt. Wie wil deze vraag beantwoorden?

Dani Grant: Het belangrijkste in 2024 is de ervaring van je gebruiker. Er is meer concurrentie dan ooit en het is gemakkelijker dan ooit om van tool te wisselen. Als iemand gefrustreerd raakt door je product, kan die persoon later diezelfde dag nog een gratis proefperiode bij een ander product starten.

De beslissing moet daarom afhangen van de gebruikerservaring die je wilt bieden. Als je veel documentatie hebt en het gemakkelijk wilt maken om met natuurlijke taal door die documentatie te zoeken, kan autonome klantenondersteuning geweldig zijn. Het is dan gewoon een prettige interface voor je documentatie.

Als je daarentegen wilt bieden dat er 24 uur per dag, zeven dagen per week iemand klaarstaat die om het probleem geeft en de gebruiker door elke stap van de productreis begeleidt, dan is AI misschien niet de juiste ervaring.

Denk dus niet primair vanuit tools, maar vanuit de gebruikerservaring.

Ramli John: Ik ben het ermee eens. Met de opkomst van AI verlangen mensen volgens mij steeds meer naar menselijke verbinding. Josh Kaufman, auteur van The Personal MBA, noemt dit de paradox van automatisering: hoe efficiënter automatisering wordt, hoe belangrijker de menselijke ervaring wordt.

Mensen zijn blij wanneer ze met een echte medewerker praten. Bij persoonlijke evenementen vinden ze het prettig om te merken dat iemand echt is en geen chatbot die automatisch antwoorden uitspuugt. Ze voelen zich gewaardeerd als klant.

Dat wordt nog belangrijker naarmate bedrijven meer zaken automatiseren via AI, in support, marketingwebsites en e-mail. Vooral bij B2B-producten blijft menselijk contact belangrijk.

Dani Grant: Tegelijkertijd wordt de lat voor een hoogwaardige AI-ervaring steeds hoger. Als een AI-functie of AI-chatondersteuning slecht werkt, hebben gebruikers daar vaak nog meer een hekel aan dan aan een gewone functie die slecht werkt.

Als je een kerntaak zoals klantenondersteuning met AI uitvoert en klanten weten dat het AI is, moet de ervaring bijzonder goed zijn. De lat ligt zelfs hoger dan anders.

Hannah Clark: Onze laatste vraag van vandaag: hoe breng je personalisatie door AI in balans met zorgen over privacy?

Dani Grant: Volg je privacybeleid. Als je denkt dat iets niet klopt, doe het dan niet. Als je privacybeleid zegt dat je algemene gebruiksstatistieken mag bekijken om je product te verbeteren, kan AI daarbij helpen. Als je beleid niet zegt dat je alle gebruikersdata mag bekijken, doe dat dan niet. Vertrouwen van gebruikers staat boven alles.

Hannah Clark: Daar valt weinig aan toe te voegen.

Ramli John: Er zit zeker nuance in. Ik heb e-mails gekregen met de tekst: Ramli, ik zag dat je X, Y en Z in ons product hebt gedaan. Dat kan waardevol zijn wanneer ik vastloop en hulp nodig heb. Maar er is een grens. Ik kan het gevoel krijgen dat iemand mij bespioneert. Tegelijkertijd zit ik wel in hun product, dus ik verwacht misschien ook dat ze enigszins zien wat ik doe.

Anuj Adhiya: Dit raakt aan een vraag waar ik over nadenk: respectvolle personalisatie. De sleutel is transparant zijn over de waarde-uitwisseling.

Mensen zullen waarschijnlijk verwachten dat we AI gebruiken om ervaringen te personaliseren. Toch zijn eenvoudige regels nuttig. Als je een bepaald datapunt verzamelt, moet er intern een duidelijk aantoonbaar voordeel voor de gebruiker tegenover staan. Dat moet je leidraad zijn.

Hannah Clark: Dit waren allemaal zeer waardevolle inzichten. Helaas is onze tijd om. Dat gebeurt altijd: we laten niet genoeg tijd over voor alle vragen. Bedankt iedereen voor deze betrokken sessie, voor jullie deelname aan de chat, jullie vragen en jullie aanwezigheid.

Heel fijn dat jullie tijd hebben vrijgemaakt. Ik hoop dat de sessie nuttig was voor iedereen die aanwezig was. Veel dank aan onze panelleden Ramli, Anuj en Dani. Jullie waren geweldig. Het was een genoegen om jullie bij ons te hebben. Bedankt allemaal en nog een fijne dag.

Bedankt voor het luisteren. Abonneer je voor meer geweldige inzichten, praktische handleidingen en beoordelingen van tools op onze nieuwsbrief via theproductmanager.com/subscribe. Je kunt meer gesprekken zoals dit beluisteren door je te abonneren op The CPO Club, waar je ook naar podcasts luistert.