Jak generatywna sztuczna inteligencja może sprawić, że analityka stanie się bardziej dostępna dla zespołów produktowych?

Przeczytaj transkrypcję:

Wypróbowujemy oprogramowanie do transkrypcji naszych podcastów. Wybaczcie wszelkie literówki, ponieważ bot nie zawsze jest w 100% poprawny.

Hannah Clark: Niezależnie od tego, czy preferujesz określenie „oparty na danych”, „kierujący się danymi” czy „olśniony danymi”, nie ma to znaczenia — dzisiejsza technologia nie może funkcjonować bez wysokiej jakości zbiorów danych ORAZ narzędzi do ich skutecznego wykorzystywania. Nie możemy jednak pozwolić sobie na myślenie o danych jako o odpowiedzialności zaledwie jednego lub dwóch działów w organizacji. Zamiast tego musimy wkroczyć w rok 2025 z nastawieniem na demokratyzację danych. Innymi słowy, nasza firma to nasi klienci, więc to, co mówią nasi klienci, powinno być sprawą wszystkich.

Moim dzisiejszym gościem jest Mario Ciabarra, założyciel i dyrektor generalny Quantum Metric. Quantum to platforma analityczna oparta na generatywnej sztucznej inteligencji, która pozwala firmom przekształcać dane w użyteczne informacje dla różnych interesariuszy, dzięki czemu każdy — od projektanta produktu w pierwszym dniu pracy po założyciela firmy — może uwzględniać empatię wobec klientów w każdej decyzji. Rozmawialiśmy o tym, jak działa to w praktyce, o kwestiach związanych z higieną danych oraz o przewidywaniach dotyczących tego, jak generatywna sztuczna inteligencja będzie napędzać rozwój analityki w tym roku i w kolejnych latach. Zaczynajmy.

Witamy ponownie w podcaście Klubu CPO. Dziś naszym gościem jest Mario Ciabarra.

Mario, dziękuję, że znalazłeś czas w swoim napiętym harmonogramie, aby dziś z nami porozmawiać.

Mario Ciabarra: Hannah, to dla mnie absolutna przyjemność. Dziękuję za zaproszenie.

Hannah Clark: Zacznijmy tak, jak zawsze. Czy możesz opowiedzieć nam trochę o swoim doświadczeniu i o tym, jak trafiłeś do miejsca, w którym jesteś dziś, czyli do Quantum Metric?

Mario Ciabarra: Oczywiście, z przyjemnością. Już jako małe dziecko dawałem znaki, że w przyszłości zostanę przedsiębiorcą.

Być może w trakcie naszej rozmowy opowiem o tym więcej, ale jak w ramach tej przedsiębiorczej podróży znalazłem się tutaj, gdzie jestem dzisiaj? Zawsze pasjonowały mnie oprogramowanie, inżynieria komputerowa i inżynieria oprogramowania, a odkrywanie, jak poprawiać doświadczenia, idealnie wpisywało się w centrum tej pasji.

Początkowo chodziło o to, jak sprawić, żeby wszystko działało szybciej i wydajniej. Z czasem zacząłem sobie uświadamiać: można sprawić, że coś będzie szybkie, ale jeśli nie będzie świetne, to nie ma to znaczenia. Jak tworzyć świetne doświadczenia dla odbiorców — od mojej 13-letniej córki po mojego 87-letniego ojca, którzy mają zupełnie różne potrzeby?

Jak upewnić się, że nasze doświadczenia działają dla wszystkich?

Hannah Clark: Chcę trochę porozmawiać o twoim podejściu do przywództwa, ponieważ twoja kariera była bardzo ciekawa, a wcześniej wspominałeś, że twoja pasja ewoluowała od produktu i inżynierii w kierunku ludzi i empatii. Jak wpłynęło to na twoje podejście do przywództwa?

Mario Ciabarra: Jeśli pytasz mnie o firmę, właśnie zbliża się styczeń, co oznacza, że minie dziesięć lat od mojego dołączenia do Quantum. Gdybyś zapytała mnie dziewięć czy osiem lat temu, czym pasjonowałem się w Quantum, odpowiedziałbym, że zdecydowanie tworzeniem produktów. Nadal jest to moja pasja. Wydarzyło się jednak coś dziwnego, bo to moja czwarta firma.

Poprzednie firmy były małe. Pracowało w nich od jednej do trzech osób. Tworzyliśmy produkty, zajmowaliśmy się ich inżynierią i rozwijaliśmy je aż do osiągnięcia sukcesu. To, co mnie zaskoczyło, to fakt, że w Quantum jest dziś ponad 400 członków zespołu. Nie chodziło o to, że musiałem dotrzeć do setek osób. To właśnie wtedy, gdy było nas kilkadziesiąt, uświadomiłem sobie, że odnoszące sukcesy firmy buduje się na fundamencie zespołu.

Trzeba więc mieć niesamowity zespół, a następnie zrozumieć, że dyrektor generalny, założyciel i lider organizacji odpowiada za prowadzenie tego zespołu. Bez tego wszystko nie będzie dobrze współdziałać. Możesz mieć najlepszy produkt, jaki tylko chcesz, ale to nie wystarczy. Prawdziwy sukces opiera się na przywództwie skoncentrowanym na ludziach i inwestowaniu w ludzi.

Dlatego pierwszy cel naszej firmy brzmi: szczęśliwi ludzie oraz zdrowa i różnorodna kultura. Drugi to klienci będący naszymi największymi fanami. Trzeci dotyczy osiągnięcia określonego sukcesu ekonomicznego w danym roku. Jednak te dwa pierwsze cele nie zmieniają się z roku na rok. Oczywiście w przypadku trzeciego co roku przesuwamy poprzeczkę, jeśli chodzi o nasz sukces.

Myślę, że niektórzy ludzie i niektóre organizacje odwracają tę kolejność. Skupiają się na tym, by osiągnąć wynik finansowy i mówią: „Hej, to jest nasz cel na ten rok”. Nie sądzę, by można było go osiągnąć bez szczęśliwych ludzi. Nie sądzę też, by można było go osiągnąć bez klientów, którzy są naszymi największymi fanami. Chodzi o to, by oczywiście dążyć do sukcesu ekonomicznego.

Oczywiście, że go chcę. Skupmy się jednak na naszych ludziach i na dostarczaniu wartości klientom, którzy obdarzyli nas zaufaniem i zainwestowali w nas swoje pieniądze.

Hannah Clark: Oczywiście ogromną częścią tego jest empatia. Dziś skupimy się na generatywnej sztucznej inteligencji i na tym, jak może ona sprawić, że analityka stanie się bardziej dostępna dla zespołów produktowych.

Zanim jednak przejdziemy do sedna tej rozmowy, chciałabym porozmawiać o rozwijaniu empatii na dużą skalę, przy uwzględnieniu tak wielu użytkowników. Jak twoim zdaniem analityka może pomóc w budowaniu empatii wśród dużej bazy użytkowników?

Mario Ciabarra: Jeśli miałbyś obsługiwać ludzi za pomocą dowolnego produktu lub usługi, a ich liczba byłaby jednocyfrowa, nie sądzę, by analityka była pomocna.

Po prostu pomagasz tej osobie, rozmawiasz z dwoma klientami, których masz. Kiedy liczba dwóch osób zmienia się w dwa miliony, nagle pojawia się olśnienie: nie mogę porozmawiać z wszystkimi dwoma milionami. Potrzebuję analityki, aby zrozumieć klienta. Dlatego ostatnio myślę o tym, by mniej pytać, a więcej słuchać.

I właśnie tym jest analityka. To słuchanie za pomocą danych. Kiedy myślę o tradycyjnej analityce, widzę wykres lub diagram na ekranie. To świetnie, zobaczyłem wykres. Ale czy często wzbudza on empatię u większości ludzi? Dla mnie empatia pojawia się wtedy, gdy mogę połączyć ten wykres z prawdziwymi ludźmi.

Widziałem to w oczach naszych klientów i osób, z którymi rozmawiam, a także naszego zespołu. Chodzi naprawdę o połączenie wykresu z użytkownikami, których on reprezentuje. To fundament tego, czym stało się Quantum: jak połączyć doświadczenia z informacjami i wzbudzić empatię, aby wywołać zmianę?

Hannah Clark: Tak. Podoba mi się ten cytat, bo wszystko sprowadza się do słuchania. To bardzo interesujące podejście. Zwykle nie myślimy o empatii, kiedy myślimy o analityce. Te dwie rzeczy niemal wydają się sobie przeciwstawne, ale w rzeczywistości pozwalają naszym zespołom zrozumieć, co użytkownicy próbują nam powiedzieć.

Opowiedz mi trochę o generatywnej sztucznej inteligencji i o tym, jak może ona sprawić, że analityka produktu stanie się bardziej dostępna dla zespołów, aby osoby pracujące nad produktami mogły lepiej zrozumieć, co próbują powiedzieć użytkownicy.

Mario Ciabarra: Na początku tej drogi w Quantum usiadłem z ważnym liderem produktu z branży handlowej, świetnym człowiekiem.

Przez ostatnie siedem czy osiem lat pozostaliśmy przyjaciółmi. Pracował w różnych organizacjach, ale utkwiła mi w pamięci sytuacja, gdy po formalnym spotkaniu z jego zespołem zabrał mnie do pokoju i powiedział: „Mario, nie zdajesz sobie sprawy z poczucia winy, jakie odczuwają menedżerowie produktu, ponieważ nie wykorzystują danych wystarczająco często”.

Te słowa zostały ze mną przez ostatnie siedem lat. Jak sprawić, aby dane były dostępne i aby ludzie nie czuli się winni, że z nich nie korzystają? Jak sprawić, by łatwo było je przyswajać, tak aby ludzie mogli wykorzystywać umiejętność słuchania na dużą skalę i na podstawie ogromnych ilości danych podejmować właściwe decyzje, które rozwijają ich biznes?

Oczywiście ten biznes polega po prostu na obsługiwaniu klienta. Jak dzięki danym mogą lepiej obsługiwać swoich klientów? To trudne. Właśnie dlatego mówił o poczuciu winy. Ma swoją codzienną pracę i chce korzystać z danych, ale znalezienie właściwych danych, które odnoszą się do problemu, jaki próbuje rozwiązać, wydaje się przytłaczające.

Nie wie, jak się z nimi komunikować. Są rozproszone w 16 różnych miejscach i narzędziach. Nie wie, które narzędzie odpowie na właściwe pytanie. W końcu się poddaje i mówi: „Będę kierować się intuicją. Mam dość”. Dlatego gromadzimy wszystkie te dane i staramy się, aby dostęp do nich był coraz łatwiejszy.

W rzeczywistości u podstaw całej firmy od początku leżało hasło, które umieściliśmy nawet na koszulkach: „Upraszczamy”. Upraszczamy analitykę i zawsze staramy się znaleźć sposób, aby była jeszcze prostsza i bardziej dostępna dla różnych odbiorców: marketingowców, właścicieli produktów, merchandiserów, zespołów DevOps, kadry kierowniczej i zespołów analitycznych.

Wszystkie te zespoły potrzebują dostępu do informacji o tym, co dzieje się z perspektywy klienta, i o tym, jak można to poprawić. Generatywna sztuczna inteligencja wkracza tutaj, gdy pytamy: jakie zadania próbują wykonywać te zespoły, aby zrozumieć dane? Wielu liderów produktu spędza na przykład czas, oglądając nagrania sesji użytkowników i obserwując ich ścieżkę.

„Wow, nie wiedziałem, że klikną właśnie tam. Nie wiedziałem, że najpierw pójdą w to miejsce, a potem zrobią to”. Pojawia się wiele niezwykłych spostrzeżeń. Problem polega na tym, że oglądanie nagrań sesji jest bardzo powolne i żmudne. Zawsze śmiałem się, gdy ludzie mówili: „Tak, organizujemy wieczór filmowy, kupujemy popcorn, a potem przez godzinę oglądamy w sali konferencyjnej użytkowników i ich ścieżki”. To interesujące, bo wartościowe, ale nie jest dobrym wykorzystaniem czasu.

A gdyby generatywna sztuczna inteligencja mogła oglądać te nagrania za nas? Taki był pomysł na początku stycznia, ponieważ wiemy, że generatywna sztuczna inteligencja świetnie radzi sobie z podsumowywaniem. A gdybyśmy mogli wykorzystać jej możliwości do podsumowania ścieżki użytkownika?

Nasz biznes przyspieszył dzięki temu w 2024 roku. Pod koniec lutego lub na początku marca 2024 roku wprowadziliśmy produkt o nazwie Felix AI. W każdym kwartale nasz biznes przyspieszał, ponieważ produkt zapewniał większej liczbie zespołów dostęp do informacji o tym, co działa, a co nie działa z perspektywy użytkownika — i robił to na dużą skalę. Jeśli zrozumienie pojedynczego użytkownika zajmuje 20 minut, a masz ich 2 miliony, możesz sam wykonać obliczenia.

To po prostu nie działa. Jeśli możemy poświęcić dwie sekundy na zrozumienie pojedynczego użytkownika, sytuacja wygląda zupełnie inaczej. Generatywnej sztucznej inteligencji możemy również użyć do tworzenia segmentu. „Dobrze, ten użytkownik miał trudności. Czy te trudności dotyczą jednej osoby, czy 10 milionów? Pomóż mi zidentyfikować to automatycznie”. W ten sposób ułatwiamy słuchanie większej grupy ludzi.

Jesteśmy więc bardzo podekscytowani tym, jak generatywna sztuczna inteligencja może umożliwić ludziom lepsze słuchanie.

Hannah Clark: Nawiązując do tego, co powiedziałeś wcześniej, myślę, że istnieje ogromna presja, aby być ekspertem od danych, umieć je analizować, zadawać właściwe pytania i korzystać z odpowiednich źródeł. Wyjaśnij mi, jak łatwe jest to w rzeczywistości, gdy mówimy o wykorzystaniu generatywnej sztucznej inteligencji do analizowania danych przez na przykład menedżera produktu korzystającego z platformy.

Czy możesz przeprowadzić mnie przez jakiś scenariusz, pokazując, jak w praktyce mógłby on wykorzystywać te dane i platformę?

Mario Ciabarra: Jedna z moich ulubionych historii bardzo jasno pokazuje wartość tego, co robimy, czyli możliwość łączenia tych informacji z różnymi odbiorcami.

Wybiorę przykład, z którym wszyscy możemy się utożsamić. Hannah, kiedy ostatnio dzwoniłaś do banku, operatora telekomunikacyjnego, dostawcy opieki zdrowotnej albo linii lotniczej? Jeśli przypomnisz sobie, kiedy ostatnio dzwoniłaś do jednego z tych dostawców lub usługodawców, prawdopodobnie nie zadzwoniłaś, dopóki najpierw nie spróbowałaś samodzielnie rozwiązać problemu, prawda?

Jesteś w ich aplikacji albo na ich stronie internetowej. Próbujesz coś zrobić. Nie działa. Dopiero wtedy dzwonisz. Nie budzisz się rano z myślą: „Pierwszą rzeczą, jaką dziś zrobię, będzie telefon do mojego dostawcy opieki zdrowotnej”. Chcesz samodzielnie załatwić sprawę. Kiedy jednak dotarłaś do końca tej próby i nic nie zadziałało, zadzwoniłaś i prawdopodobnie trafiłaś do systemu IVR, naciskając kilka razy cyfry od 1 do 9, aby dotrzeć do właściwego działu.

Ktoś odbiera i mówi: „Cześć, Hannah. Jak się masz?”. A ty odpowiadasz: „Pozwól, że opowiem, jak ja się mam, prawda? Próbuję zmienić ubezpieczenie zdrowotne na ten rok albo sprawdzić zakres ochrony, ale to nie zadziałało”. „Och, chwileczkę, Hannah. Połączę cię ze specjalistą”. „Cześć, Hannah. Jak się masz?”.

Czy nie byłoby wspaniale, gdybyśmy mogli zmienić tę rozmowę na: „Wiemy, co robiła Hannah. Wiemy, w jakiej sprawie do nas dzwoni. Połączymy ją bezpośrednio ze specjalistą. Cześć, Hannah. Wygląda na to, że sprawdzałaś zakres ochrony w aplikacji, ale pojawił się błąd. Bardzo przepraszamy za problem. Czy możemy ci w tym pomóc albo zająć się czymś innym?”.

Wszystkie te firmy gromadziły dane o tym, co Hannah robiła na ich stronie internetowej lub w aplikacji. Nie potrafiły jednak przekazać tych informacji do centrum obsługi telefonicznej. To tylko jeden przykład grupy odbiorców, dla której takie informacje mogą być wartościowe. Generatywna sztuczna inteligencja pozwoliła nam podsumować ścieżkę Hannah w dwie sekundy.

W przeszłości zawsze mieliśmy te dane, ale czy były dostępne w czasie rzeczywistym? Quantum oferuje taką możliwość. Jednak nawet przy dostępie w czasie rzeczywistym nie można powiedzieć: „Chwileczkę, Hannah, pozwól, że obejrzę, co robiłaś przez ostatnie 30 minut, a potem do ciebie wrócę”. Łatwiej po prostu zapytać Hannah, czego chce, albo kazać jej nacisnąć cyfry od 1 do 9. Możliwość podsumowania tego, co robiła Hannah, a wiemy, że generatywna sztuczna inteligencja świetnie radzi sobie z podsumowaniami, zmieniła nasz biznes.

Przypadek centrum obsługi telefonicznej nie dotyczy oczywiście bezpośrednio odbiorców naszego produktu, ale pomyśl o menedżerze produktu. Próbuje zrozumieć, dlaczego użytkownik nie dokonał konwersji, nie zarejestrował się, nie zarezerwował lotu, nie zmienił poprawnie usługi ani adresu — cokolwiek próbował osiągnąć.

Jak zrozumieć, dlaczego tak wyglądała jego ścieżka? Zwykle wymaga to analityki, nagrań sesji i wielu różnych narzędzi, a także plików dziennika. Jak to uprościć? Jak ułatwić właścicielowi produktu zrozumienie ścieżki klienta? Właśnie to Quantum robi za pomocą generatywnej sztucznej inteligencji.

Przekształćmy to rozumienie w sekundy. Ważne jest zrozumienie pojedynczej osoby, ale trzeba też wiedzieć, czy dane doświadczenie, punkt tarcia albo obszar optymalizacji dotyczy małego przypadku użycia, czy dużej grupy. W tym tygodniu byłem w jednym z największych banków w USA i aż się uśmiechnąłem, gdy usłyszałem wypowiedź jednego z członków zespołu: „To pomaga mi być operacyjnym menedżerem produktu”.

Nigdy wcześniej nie słyszałem tego określenia, ale bardzo do mnie przemówiło. Mamy menedżerów produktu, a moim zdaniem musimy przekształcić ich sposób myślenia w kierunku operacyjnego zarządzania produktem. Jak wykorzystywać dane, aby w czasie rzeczywistym rozumieć, co działa, a co nie działa dla klienta, i w czasie rzeczywistym zmieniać kierunek, aby zapewniać klientom satysfakcję?

Wiele osób postrzega zarządzanie produktem tak: „Mam swoje zadania i sprinty. Zajmę się nimi, skoncentruję się i skończę. Gdy zakończę wydanie, moja praca jest skończona i przechodzę do następnego sprintu”. To dla mnie szaleństwo. Muszę wykorzystywać dane i wiedzieć, czy obstawiam właściwą zmianę. Dane pomagają upewnić się, że zmiana, eksperyment lub cokolwiek, co robię, jest właściwe dla moich użytkowników i odpowiednio ustalone pod względem priorytetu.

Następnie, gdy wdrażam zmianę — niezależnie od tego, czy jest to eksperyment, czy pełne wydanie — muszę poprawnie odczytać dane, aby zrozumieć, czy przyniosła właściwy efekt. Nie przechodź od razu do kolejnego sprintu. Używaj danych, aby potwierdzić, że podejmujesz dobre decyzje, albo zrozumieć, że podejmujesz złe i musisz zmienić sposób myślenia.

Być może zmiana nie poruszyła wskaźnika w oczekiwany sposób, a może właśnie go poruszyła. Chcę też przekazać tę informację kierownictwu: dobrze wykorzystuję nasze zasoby i wpływam na doświadczenie klienta. Może w tym roku należy mi się awans, podwyżka albo premia. Dane mogą pomóc potwierdzić, czy podejmuję dobre, czy złe decyzje.

I właśnie tym, moim zdaniem, jest operacyjny menedżer produktu.

Hannah Clark: Obecnie istnieje problem polegający na tym, że na menedżerach produktu spoczywa ogromna presja, aby podejmowali bardzo trafne decyzje na podstawie danych, mimo że sami nie są naukowcami zajmującymi się danymi. Bardzo łatwo wyciągnąć błędne wnioski albo zinterpretować dane w sposób, który zniekształca nasze rozumienie, a w konsekwencji prowadzi do nieprawidłowych założeń.

Wydaje mi się, że jeśli używasz generatywnej sztucznej inteligencji jako pośrednika i komunikujesz się z nią w sposób konwersacyjny, możesz ograniczyć część tych założeń. Czy tak jest? Czy nadal musimy zachowywać ostrożność, aby mieć pewność, że podejmujemy trafne decyzje przy użyciu tego narzędzia?

Mario Ciabarra: Nie sądzę, aby chodziło o wybór między generatywną sztuczną inteligencją a jej brakiem, ale odniosę się do jej roli. Moim zdaniem najważniejsze jest to, z jakiego źródła danych korzystamy. W danych, które gromadzimy, podoba mi się to, że przedstawiają niepodważalną prawdę. Tak mówią nasi klienci. Kiedy widzisz, że klient próbuje zmienić usługę, operatora telekomunikacyjnego albo zarezerwować lot, ale to nie działa, nie możesz odwrócić wzroku.

Każdy członek zespołu ma dostęp do ogromnej liczby źródeł danych. Skupmy się na menedżerach produktu. Jeśli powiesz: „Mario, muszę, żebyś pokazał mi, że moja decyzja jest właściwa”, dosłownie możesz znaleźć w organizacji źródło danych, które to potwierdzi. To fatalne podejście, więc go nie stosuj.

Częścią problemu jest to, że każdy może znaleźć dane potwierdzające jego stronniczość poznawczą: „Podejmuję właściwą decyzję”. Dlatego wspominałem wcześniej o operacyjnym menedżerze produktu, który wykorzystuje dane biznesowe, aby potwierdzić trafność swoich decyzji. Kiedy wdrożona zmiana wpływa na wskaźniki biznesowe, to świetnie.

Chodzi więc o to, jakich danych używam do potwierdzenia decyzji. Myślę o tym, na czym się koncentrujemy: jak wszystko wygląda z perspektywy klienta? Oczywiście zależy mi na plikach dziennika, wydajności serwera i podobnych kwestiach. Nie chcę ich pomijać. Po prostu interesują mnie wtedy, gdy rzeczywiście muszę się nimi zainteresować.

Nie sądzę, aby menedżerowie produktu, kadra kierownicza i właściciele firm powinni od tego zaczynać. Nie zaczyna się od stwierdzenia: „Hej, interfejs API działa szybciej. Świetnie, wszyscy dostaną w tym roku premię”. Kogo to obchodzi? Nie twierdzę, że mnie to nie obchodzi. Pytam tylko: czy powinno to być najważniejsze?

Klient nie dzwoni, nie wypełnia ankiety, nie publikuje wpisu ani nie wysyła wiadomości e-mail do dyrektora generalnego z reklamacją: „Jestem w eksperymencie B, w kampanii C, a ten interfejs API nie działa”. Klienci tak nie mówią. Mówią: „Wasza strona jest beznadziejna, aplikacja jest beznadziejna i jestem sfrustrowany”.

Jak więc sprawić, aby organizacja produktowa zaczęła myśleć z perspektywy klienta? To jest klucz do odpowiedzi na twoje pytanie. I tak, zdecydowanie chcę używać generatywnej sztucznej inteligencji, aby ułatwić dostęp do danych i ich zrozumienie.

Nie chodzi o to, że organizacje nie mają dostępu do perspektywy klienta. Można to osiągnąć na wiele sposobów. Pytanie brzmi, jak interpretować te informacje, aby podejmować trafne decyzje, zamiast mówić: „Ten plik dziennika pokazuje to, a ten interfejs API pokazuje tamto”. Widziałem, jak dzieje się to w organizacjach. Widziałem dziesiątki osób, które spędzały godziny na próbach podjęcia właściwej decyzji na podstawie niewłaściwych danych.

Najważniejsze jest więc to, czy patrzysz z perspektywy klienta. To jedyny sposób, w jaki firma powinna działać: najpierw skupiać się na kliencie. Następnie, gdy widzisz, że klient jest sfrustrowany, możesz prześledzić problem aż do interfejsu API albo pliku dziennika i skierować tam energię oraz wysiłki.

Czasami jednak nie było oczywiste, że użytkownik powinien kliknąć dany przycisk, albo przycisk znajdował się poniżej widocznej części strony i użytkownik nigdy go nie zobaczył. Z perspektywy użytkownika istnieje wiele elementów, których nie widać w plikach dziennika i interfejsach API. Źródłem danych powinno być przede wszystkim słuchanie klienta, a niekoniecznie pytanie go.

Kiedy myślę o ankiecie, kojarzę ją z pytaniem, czy klient jest zadowolony. Widzę wartość w ankietach i nie odrzucam żadnej z tych technik, ale powinny być stosowane we właściwym momencie. Najpierw trzeba patrzeć i słuchać z perspektywy klienta.

Hannah Clark: W przeszłości promowałeś demokratyzację danych w organizacjach. Chciałabym wiedzieć, co to dla ciebie oznacza i z jakimi wyzwaniami zwykle mierzą się firmy, gdy próbują zwiększyć dostępność danych w różnych działach?

Mario Ciabarra: Obserwowaliśmy ewolucję korzystania z danych aż do roku 2000. Wiem, że niektórzy słuchacze pomyślą: „Ludzie korzystali z danych także przed 2000 rokiem”, ale dla mnie era cyfrowa zaczęła się od wykorzystywania danych. Dla starszych słuchaczy jako przykład podam Webtrends. Pamiętam, jak około 1995 roku używałem Webtrends do uzyskiwania danych analitycznych z plików dziennika.

Następnie pojawiły się firmy takie jak Omniture, a Urchin było wcześniejszą nazwą Google Analytics. Zaczęliśmy gromadzić dane za pomocą pikseli oraz rozumieć ścieżki i doświadczenia w ten sposób. Początkowo analityka cyfrowa rozwijała się więc w marketingu. Później pojawił się świat APM oraz analityka DevOps.

Następnie zaczęliśmy obserwować rozwój analityki doświadczeń wraz z firmami takimi jak TeaLeaf i ClickTale. Dziś zasadniczo nie istnieją już w swoich pierwotnych formach, ale były pierwszymi próbami zrozumienia doświadczeń użytkowników — od map cieplnych po nagrania sesji. W ciągu ostatnich 5–10 lat jako kategoria pojawiła się analityka produktu.

Patrzę na to z dystansu i słucham naszych klientów. Widzę konsolidację wszystkich tych różnych rozwiązań punktowych i odizolowanych systemów analitycznych. Chodzi o to, jak wykorzystać te dane i zdemokratyzować je w całej organizacji, aby zrozumieć „dlaczego”.

W każdym z tych systemów łatwo było zrozumieć „co”: „Spójrz, na trzecim etapie lejka mamy odpływ, a na naszej stronie handlowej współczynnik konwersji wynosi tylko 2%”. Myślę, że każdy system radził sobie z tym całkiem dobrze. Pytanie „dlaczego ludzie odpadają na trzecim kroku?” wygląda jednak inaczej dla właściciela produktu, osoby odpowiedzialnej za DevOps, merchandisera czy marketingowca.

Ponieważ dane są bardzo podobne w tych przypadkach użycia, nie sądzę, aby utrzymywanie wszystkich tych rozwiązań punktowych miało sens. Naszym celem jest więc sprawić, aby to samo rozumienie danych było możliwe do wykorzystania przez różne osoby. Ich ścieżka będzie wyglądać inaczej, podobnie jak narzędzia.

Weźmy na przykład projektanta doświadczeń użytkownika. Zwykle nie spędza on czasu w narzędziach analitycznych. Kiedy jednak przedstawimy dane analityczne w formacie, z którym czuje się komfortowo — na przykład bezpośrednio na ekranie — możemy pokazać, co użytkownicy klikają i czy prowadzi to do sukcesu.

W przypadku handlu detalicznego zaczyna to łączyć treść, układ i ofertę produktową z celami finansowymi, które chcemy osiągnąć. Ostatecznie właśnie po to klienci odwiedzają stronę. Zwykle nie przychodzą tylko po to, by przeglądać i czytać treści. Przychodzą z myślą: „Jeśli macie produkt, którego potrzebuję, i oferujecie go w odpowiedniej cenie, kupię go”. Jak ułatwić to konsumentowi?

Przekazanie danych projektantowi doświadczeń użytkownika oznaczało dla nas nałożenie danych na stronę, na której pracuje. Osoba zajmująca się APM może potrzebować informacji o czasie ładowania strony, błędach interfejsu API i podobnych kwestiach. Właściciel produktu może pytać: „W jakim eksperymencie uczestniczył użytkownik i na którym etapie wystąpił problem?”.

Trzeba zastanowić się, jakie pytania zadają różne osoby i w jakim formacie należy przedstawić im te informacje. Właśnie to oznacza dla mnie demokratyzacja danych: sprawienie, aby ta sama podstawowa warstwa danych była dostępna dla różnych osób. Dzięki temu organizacja nie musi utrzymywać 16 rozwiązań punktowych.

W organizacjach często widzę, jak ludzie spierają się o najbardziej błahe rzeczy: „Twoje dane różnią się od moich. Ja mam 2,3%, a ty 2,4%. Coś jest nie tak”. Spędzają godziny i dni, próbując to wyjaśnić. Gdybyśmy mieli jeden system i uzgodnili definicje, byłoby łatwiej. Nie sądzę, aby różnica między 2,3% a 2,4% była najważniejszym punktem sporu.

Zaakceptujmy, że nasza definicja sesji lub użytkownika może się różnić. Zastanówmy się, gdzie użytkownicy mają trudności, co możemy zoptymalizować, jak szybciej przeprowadzić ich przez proces płatności, ograniczyć liczbę kliknięć i zmniejszyć liczbę punktów tarcia. Jak poprawić doświadczenie?

Generatywna sztuczna inteligencja może to uprościć. Gdy w Felix AI zrozumieliśmy, że możemy podsumowywać intencje użytkownika, pomyśleliśmy: „Możemy dostosować to do różnych odbiorców”. Ktoś może chcieć krótkiego podsumowania. Wspominałem o osobie z centrum obsługi telefonicznej — nie potrzebuje ona szczegółów. Chce wiedzieć, jak skutecznie rozmawiać z klientem.

Właściciel produktu może chcieć wiedzieć, w jakim eksperymencie uczestniczył użytkownik, jakie kroki wykonał i z jakimi funkcjami miał kontakt. Osoba z zespołu DevOps może chcieć wiedzieć, które strony ładowały się wolno, a które szybko. Możemy dostosować odpowiedź generatywnej sztucznej inteligencji do każdego odbiorcy.

To zmieniło sytuację naszych klientów, ponieważ ułatwia dostęp do informacji potrzebnych właściwej osobie.

Hannah Clark: Zostały nam jeszcze dwa tematy, które są nieco odmienne, więc przejdę do nich dość szybko.

Higiena danych. Porozmawiajmy o niej. Wiele firm ma problemy z higieną danych. Jak generatywna sztuczna inteligencja pomaga ograniczać niektóre z typowych problemów występujących w organizacjach?

Mario Ciabarra: Hannah, aż się uśmiecham, bo to projekt szczególnie bliski mojemu sercu od 2015 roku.

Wtedy stworzyliśmy nasz pierwszy film wyjaśniający. Powiedzieliśmy w nim, że zrobimy coś konkretnego, ale nie znalazłem sposobu, aby to osiągnąć. Teraz pojawiła się generatywna sztuczna inteligencja. Jestem bardzo podekscytowany, ponieważ pod koniec tego kwartału, czyli w ciągu najbliższych kilku tygodni, wprowadzimy produkt, który rzeczywiście to robi — znajduje dane potrzebne do podejmowania decyzji biznesowych.

W ciągu ostatnich kilku tygodni dużo podróżowałem i każdemu klientowi oraz potencjalnemu klientowi zadawałem proste pytanie: „Jak często wasze dane są prawidłowe, a jak często są błędne?”. Zdziwiłoby cię, że wszyscy mówią, iż co tydzień muszą podejmować decyzje bez pełnych danych.

Jak trudno podejmować decyzje bez właściwych danych? Jaka jest wartość posiadania zawsze poprawnych danych? W marketingu i na rynku pojawiło się pewne nieporozumienie dotyczące automatycznego przechwytywania, automatycznego tagowania i podobnych funkcji. Nadal nie osiągnęliśmy punktu, w którym możemy wydobywać właściwe informacje — być może wykraczając poza samo tagowanie — aby gromadzić dane potrzebne do prowadzenia firmy.

Wciąż widzę ludzi, którzy nie mają właściwych informacji. Właściciele produktów wielokrotnie mówią mi: „Jesteśmy w trakcie sprintu. Analityka jest częścią naszego harmonogramu. Pod koniec sprintu pojawia się mnóstwo błędów. Mogę otagować właściwe dane i uzyskać informacje analityczne albo naprawić błędy”. Wiesz, co wszyscy wybierają.

W efekcie wdrażają produkt bez danych analitycznych, które pozwoliłyby zrozumieć, czy nowe funkcje odniosły sukces. Jak to możliwe? A gdybyśmy mogli zautomatyzować to za pomocą generatywnej sztucznej inteligencji? A gdybyśmy mogli powiedzieć: „Potrzebuję tych informacji. Znajdź je w eksperymentach A, B i C”, bez konieczności wskazywania dokładnego miejsca?

Nie trzeba byłoby tagować danych przy pomocy inżynierów. Wystarczyłoby wydobyć właściwe informacje z interakcji użytkowników naszej strony i aplikacji. Kiedy pokazujemy ten produkt, reakcje są niezwykłe. Rozmawiałem z analityczką branżową i powiedziałem: „W skali od 1 do 10 powiedz mi, co o tym myślisz”.

Pokazałem jej działający produkt. Odpowiedziała: „Ponad 10. To niesamowite”.

Hannah Clark: To wystarczy, żeby łza zakręciła się w oku.

Mario Ciabarra: Jestem podekscytowany sukcesem w 2025 roku i tym, jak możemy pomóc organizacjom posiadać właściwe dane do podejmowania decyzji w czasie rzeczywistym.

Hannah Clark: To naprawdę ekscytujące. Z góry gratuluję.

Skoro rozmawiamy o 2025 roku, porozmawiajmy o przyszłości. Przewidujesz, że w ciągu najbliższych kilku lat analityka produktu przekształci się w analitykę klienta lub doświadczeń. Jakie trendy lub innowacje będą napędzać tę transformację?

Mario Ciabarra: Zrozumienie klienta i słuchanie klienta to coś więcej niż analityka cyfrowa.

Organizacje już zgromadziły wiele informacji. Problem polega na tym, że nie są one ze sobą łączone. Podam przykład. W Quantum pobieramy dziś dane z ankiet i integrujemy się z głównymi dostawcami ankiet. Czasami chcemy wykorzystywać dane do słuchania bez konieczności pytania, gdzie występują punkty tarcia.

Czasami jednak warto po prostu zapytać: „Hannah, jesteś zadowolona czy nie?”. Czy wykorzystaliśmy dane, aby skutecznie zrozumieć doświadczenie Hannah? Jeśli odpowiedź z ankiety zgadza się z gromadzonymi danymi, świetnie. Jeśli nie, oznacza to, że czegoś nie dostrzegamy i możemy znaleźć część doświadczenia, której nie rozumieliśmy.

Ankiety to jednak nie wszystko. Co się dzieje, gdy Hannah wystawia opinię? Nie musieliśmy jej o nią prosić. Sama mówi: „Uwielbiam ten produkt” albo „Jestem bardzo niezadowolona z tego produktu”. Weźmy operatora telekomunikacyjnego. Hannah miała w tym miesiącu trzy zerwane połączenia. Czy sądzisz, że w przyszłym miesiącu przedłuży albo odnowi subskrypcję u tego operatora?

Może nie jest to jedyny czynnik, ale wyobraź sobie, że zamówiła nowego iPhone’a i go nie otrzymała. Jeden z członków mojego zespołu zamówił w tym roku nowego iPhone’a u operatora i nigdy go nie dostał. Czy sądzisz, że nadal chce przedłużyć umowę i pozostać przy tym operatorze?

Istnieją więc wszystkie te elementy danych, które możemy zrozumieć, tworząc pełny, 360-stopniowy obraz — obejmujący zarówno doświadczenia offline, jak i online. Przez całe dziesięć lat działalności Quantum próbowaliśmy przede wszystkim słuchać klientów. Czy są dziś bardziej zadowoleni, czy mniej? Czy są bardziej lojalni, czy mniej lojalni?

To zdecydowanie coś więcej niż ankiety. To zdecydowanie coś więcej niż doświadczenia cyfrowe. Jak połączyć wszystkie te informacje, aby pomóc kadrze kierowniczej, właścicielom produktów, zespołom DevOps i wszystkim innym zespołom zrozumieć, które elementy są ważne dla klienta, subskrybenta lub dowolnej grupy odbiorców, i jak możemy je poprawić?

Jak skupić się na momentach, które mają znaczenie?

Hannah Clark: To wszystko było niezwykle interesujące. Bardzo ekscytujące jest słuchanie o tym, jak generatywna sztuczna inteligencja całkowicie zmieni analitykę i sprawi, że będzie ona znacznie łatwiejsza oraz bardziej dostępna dla każdego — niezależnie od tego, czy jesteś menedżerem produktu mocno skoncentrowanym na danych, czy osobą, która w większym stopniu korzysta z umiejętności miękkich. To bardzo ekscytujący temat.

Dziękuję, że do nas dołączyłeś, Mario. Gdzie nasi słuchacze mogą śledzić twoją pracę w internecie?

Mario Ciabarra: Zachęcam do obserwowania mnie na LinkedIn, a informacje o mojej pracy i firmie znajdziecie na stronie quantummetric.com. Udostępniamy tam wiele treści, w tym historie sukcesu naszych klientów oraz informacje o tym, co nadchodzi i co właśnie wprowadzamy.

Dołączcie do nas na quantummetric.com, obserwujcie Quantum Metric na LinkedIn i słuchajcie kolejnych podcastów z Hannah i ze mną.

Hannah Clark: Świetnie. Bardzo dziękuję, że do nas dołączyłeś.

Mario Ciabarra: Dziękuję, Hannah.

Hannah Clark: Dziękujemy za wysłuchanie. Więcej świetnych spostrzeżeń, poradników i recenzji narzędzi znajdziesz, zapisując się do naszego newslettera pod adresem theproductmanager.com/subscribe. Więcej takich rozmów usłyszysz, subskrybując Klub CPO w dowolnym miejscu, w którym słuchasz podcastów.