Jak wykorzystać sztuczną inteligencję do przyspieszenia wzrostu opartego na produkcie

Przeczytaj transkrypcję:

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

Hannah Clark: Gdybyśmy mieli wymienić najważniejsze zmiany paradygmatów w obszarze produktu z ostatnich 10 lat, powiedziałabym, że sztuczna inteligencja i wzrost oparty na produkcie znalazłyby się na szczycie tej listy. Oba te pojęcia sprowadzają się do zwiększania efektywności i osiągania większych rezultatów przy mniejszych zasobach. Prawdziwym kodem do sukcesu jest jednak połączenie obu tych obszarów i wykorzystanie oszczędzającej czas mocy dużych modeli językowych do udoskonalenia strategii wzrostu opartego na produkcie.

Podczas niedawnego panelu poświęconego temu, jak wykorzystać sztuczną inteligencję do przyspieszenia wzrostu opartego na produkcie, zebraliśmy troje świetnych ekspertów w tej dziedzinie — Ramliego Johna, założyciela Delight Path, Dani Grant, dyrektor generalną Jam.dev, oraz Anuja Adhiyę, autora książki „Growth Hacking for Dummies”. Rozmawiali o tym, jak zespoły produktowe mogą już teraz wykorzystywać technologię sztucznej inteligencji, aby usprawnić każdy etap podróży użytkownika.

Najbardziej podobało mi się w tym wydarzeniu to, jak wiedza każdego z panelistów uzupełniała się w niezwykle wartościowy sposób, oferując wiele praktycznych metod dostosowywania i modyfikowania strategii wzrostu z użyciem narzędzi sztucznej inteligencji. Byli też po prostu bardzo sympatycznymi ludźmi. Zaczynajmy.

Dzisiejsza sesja będzie poświęcona temu, jak wykorzystać sztuczną inteligencję do przyspieszenia wzrostu opartego na produkcie. Porozmawiamy z niezwykłymi osobami działającymi w tej dziedzinie. Mamy dziś naprawdę świetny skład i z ogromną przyjemnością chciałabym go przedstawić.

Dołącza do nas Ramli John, autor książki „Product-Led Onboarding”. Jest również uznanym ekspertem w zakresie strategii wzrostu opartego na produkcie. Ramli doskonale rozumie, jak zmieniać potencjalnych klientów w zaangażowanych użytkowników. Przygotowaliśmy dziś dla Ramliego małe pytanie w stylu teleturnieju.

Ramli, przez niektóre z największych firm SaaS nazywany jesteś czarodziejem wdrażania użytkowników, a twoja książka „Product-Led Onboarding” zmieniła podejście niezliczonych zespołów produktowych. W tej chwili naprawdę cię zachwalamy. Gdybyś mógł pomachać magiczną różdżką i natychmiast naprawić najczęstszy błąd we wdrażaniu użytkowników, który widziałeś, co by to było?

Ramli John: Wielkie dzięki, Hannah. Powiedziałbym, że tak naprawdę nie ma to związku z produktem. Największym problemem podczas wdrażania użytkowników jest często tarcie wewnętrzne, a nie tarcie związane z produktem. Mam na myśli to, że zespół produktowy zajmuje się produktem w ramach produktu, marketing przygotowuje wiadomości e-mail dotyczące wdrożenia, a dział obsługi klienta prowadzi własny proces wdrażania klienta.

I te zespoły ze sobą nie rozmawiają. To właśnie wydarzyło się, gdy pracowaliśmy w firmie zajmującej się wdrażaniem użytkowników, Appcues, która oferowała oprogramowanie do zwiększania adopcji produktu. Mieliśmy dokładnie ten sam problem. Gdybym mógł pomachać magiczną różdżką, sprawiłbym, aby zespoły częściej ze sobą rozmawiały i uzgodniły, jak wygląda sukces użytkownika. To trudny problem, więc od tego bym zaczął.

Hannah Clark: Izolowanie zespołów to jeden z tych odwiecznych problemów. Dziękuję za tę odpowiedź.

Dołącza do nas również Dani Grant. Jest założycielką Jam.dev i byłą liderką produktu. Dani słynie z wykorzystywania danych produktowych do projektowania płynnych, wysokiej jakości doświadczeń użytkowników, a także jest po prostu świetną osobą. Dani, bardzo dziękuję, że jesteś z nami.

Mam do ciebie pytanie. Jam błyskawicznie osiągnął 150 000 użytkowników w 32 różnych firmach z listy Fortune 100, co jest niesamowite. Występujesz też podczas wydarzeń i konferencji, a codziennie jesteś aktywna na LinkedInie. Szczerze mówiąc, zazdroszczę ci tego, jak udaje ci się to wszystko pogodzić. Jaki jest twój sekret na realizowanie tylu zadań i zachowanie zdrowia psychicznego?

Dani Grant: Po pierwsze, każdy tutaj powinien przeczytać książkę Ramliego. Jest naprawdę świetna. Mój współzałożyciel przeczytał ją jako pierwszy w naszej firmie, a potem powiedział mi, że muszę ją przeczytać. Zrobiłam to. Teraz jest to lektura obowiązkowa dla naszego zespołu wzrostu produktu. Książka całkowicie zmieni wasze podejście do tego, czym jest wdrażanie użytkowników.

Wszyscy, jako menedżerowie produktu, cały czas myślimy o wdrażaniu użytkowników. Zwykle postrzegamy je jednak jako okres od rejestracji do momentu skorzystania z produktu. Książka Ramliego pokaże wam, że wdrażanie zaczyna się znacznie wcześniej i kończy znacznie później. Takie podejście do wdrażania zmieni rezultaty osiągane przez wasz produkt — tak jak zmieniło je w naszym przypadku.

W każdym razie Ramli jest genialny. Przeczytajcie jego książkę. Jeśli chodzi o wystąpienia, mamy ogromne szczęście. Wszyscy nasi użytkownicy są twórcami. Działają w świecie i próbują go zmieniać za pomocą oprogramowania. My budujemy tutaj naszą firmę, a nasi użytkownicy budują tam swoje firmy. Naszym zadaniem jest dzielenie się z innymi tym, czego uczymy się podczas budowania Jam.

Dlatego publikujemy w internecie wnioski z naszej pracy i dołączamy do wydarzeń takich jak to. To ogromny przywilej i zaszczyt. Dziękuję, że mnie zaprosiliście.

Hannah Clark: Doceniam, że znalazłaś czas, aby dołączyć do naszego panelu. To wspaniałe. Widzicie? Mówiłam wam, że jest świetną osobą.

Dołącza do nas dziś również Anuj Adhiya. Anuj jest ekspertem w dziedzinie wzrostu i autorem książki „Growth Hacking for Dummies”. Publikuje na productled.com i ma bogate doświadczenie w pomaganiu firmom SaaS we wdrażaniu strategii wzrostu opartego na produkcie. Anuj, bardzo się cieszę, że jesteś dziś z nami.

Podczas naszej rozmowy przed wydarzeniem wspomniałeś, że planujesz ustanowić rekord Guinnessa, gromadząc — moim zdaniem to naprawdę świetny pomysł — największą liczbę osób w czapkach imprezowych w Bostonie. Potrzebujemy więcej kontekstu. Możesz opowiedzieć nam, co planujesz i jak można się zaangażować? Dokąd mamy wysłać czapki imprezowe?

Anuj Adhiya: Przede wszystkim dziękuję za zaproszenie. To bardzo przyjemna grupa, której można być częścią. Na pierwszy rzut oka może się wydawać, że nie ma to nic wspólnego ze wzrostem opartym na produkcie, ale w rzeczywistości ma, ponieważ jest to duży eksperyment.

Doradzam aplikacji do zapraszania na imprezy o nazwie PartyClick. Jeśli chcecie, zajrzyjcie do niej — to najłatwiejszy sposób na zorganizowanie wydarzenia. Zaczęliśmy się zastanawiać, jak możemy pokazać ją większej liczbie osób. Pojawiło się wiele pomysłów, szczególnie takich jak: „Może zrobimy własny konkurs na sobowtóra celebryty, podobny do tego z Timothée Chalametem?”. Pomyślałem: dobrze, ale co jeszcze możemy zrobić?

Wtedy ktoś z zespołu powiedział: „Czy nie istnieją rekordy świata dotyczące największych zgromadzeń?”. Tak, właśnie to powinniśmy zrobić. Sprawdziłem Księgę rekordów Guinnessa i rzeczywiście istnieje rekord świata dotyczący osób w czapkach imprezowych. Pomyślałem: świetnie. Pasuje to do nazwy produktu — czapki imprezowe, PartyClick.

Powinniśmy to zrobić. W tym tygodniu przechodzę przez proces składania wniosku do Księgi Guinnessa i błagam miasto Boston, aby pozwoliło mi zgromadzić 2500 osób na Boston Common. Zobaczymy, jak blisko uda mi się dotrzeć do tego celu. Mówię o tym publicznie przede wszystkim po to, aby zmotywować się do działania i zawstydzić, jeśli nie uda mi się tego zrealizować.

Hannah Clark: Jeśli jesteście w okolicach Bostonu, przynieście swoje czapki imprezowe. Jaka była data w grudniu?

Anuj Adhiya: Myślimy o 22 grudnia.

Hannah Clark: Dobrze, teraz już wiecie.

Anuj Adhiya: Jeśli jesteście w okolicy, przemyśleliśmy to. A jeśli nie uda mi się tego zrealizować, wiecie, w kogo rzucić cegłą.

Hannah Clark: Przejdźmy więc do przygotowania gruntu i przecięcia się sztucznej inteligencji ze wzrostem opartym na produkcie.

To pytanie do Ramliego. Czy wzrost oparty na produkcie stał się ogólnie niezbędny w branży SaaS? Widzimy to pojęcie jako modne hasło. Na jakim etapie jesteśmy obecnie?

Ramli John: Powiedziałbym, że to zależy. Tak, zależy. To niezbyt satysfakcjonująca odpowiedź, ale naprawdę zależy od tego, jak definiujesz podejście oparte na produkcie. Jeśli przez podejście oparte na produkcie rozumiesz bezpłatny okres próbny albo model freemium, to nie sądzę. Właściwie sugeruję, aby startupy zaczynały od modelu wymagającego bezpośredniego kontaktu i dobrze poznały swoich klientów. Jeśli jednak przez podejście oparte na produkcie rozumiesz usuwanie zbędnych przeszkód i tworzenie świetnego doświadczenia użytkownika, to uważam, że taka definicja jest dziś niezbędna.

Standard i oczekiwania ludzi wobec doświadczeń związanych z produktem znacząco wzrosły. Dziesięć lat temu coś irytującego było po prostu uznawane za normę. Dziś, jeśli coś mnie irytuje, mam sto innych możliwości, z których mogę skorzystać. Na rynku jest znacznie więcej produktów. Naprawdę wierzę, że tworzenie świetnych doświadczeń dla użytkowników końcowych będzie kluczowe dla utrzymania, aktywacji i wszystkich pozostałych elementów lejka, o których będziemy rozmawiać później.

Będziemy omawiać to, jak sztuczna inteligencja wpłynie na pozostałe etapy lejka. Jeśli taka jest definicja podejścia opartego na produkcie, to tak, uważam je za niezbędne. Jeśli pytasz o bezpłatny okres próbny i freemium, to nie.

Hannah Clark: Niuansowana odpowiedź. Czy ktoś chciałby coś dodać na temat znaczenia lub obecnego stanu wzrostu opartego na produkcie?

Dani Grant: To niezwykle potężne podejście.

Ramli John: Dodam tylko, że wielu założycieli zadaje niewłaściwe pytanie. Pytają: „Jak mogę być bardziej podobny do Slacka?” albo „Jak mogę być bardziej podobny do…?”, podczas gdy powinni pytać: „Jak mogę lepiej wykorzystać mój produkt, aby zaspokoić potrzeby mojego klienta lub użytkownika?”.

Może to przyjmować wiele różnych form. Otwiera to znacznie skuteczniejsze możliwości wdrażania podejścia opartego na produkcie niż próba skopiowania czegoś, co nigdy nie zadziała w waszym przypadku.

Hannah Clark: To prawda.

Przejdźmy więc do tego, w jaki sposób sztuczna inteligencja wkracza w tę przestrzeń. To pytanie do Dani. Jak powiedziałabyś, że sztuczna inteligencja może przyspieszyć strategie wzrostu opartego na produkcie? Czy masz przykłady tego, jak wykorzystaliście ją w Jam?

Dani Grant: Za chwilę przejdziemy do wszystkich taktyk, ale na szerokim poziomie w modelu wzrostu opartym na produkcie to produkt sprzedaje sam siebie. Sprzedaż jest skuteczniejsza, gdy jest spersonalizowana, wymaga dużej ilości treści i przekonywania.

To coś, w czym sztuczna inteligencja jest naprawdę dobra. Firmy od dawna próbują to robić — wykorzystywały uczenie maszynowe do personalizacji i bardzo szczegółowej segmentacji z dużą ilością treści. Teraz można robić to lepiej niż kiedykolwiek. Trzeba rozumieć ogromne ilości nieuporządkowanych danych.

Dlatego z przyjemnością przejdę do konkretnych taktyk. To po prostu obszar, w którym sztuczna inteligencja jest bardzo skuteczna. Dodam jeszcze jedną rzecz: najlepszą strategią wzrostu opartego na produkcie jest stworzenie tak dobrego produktu, że ludzie nie mogą powstrzymać się od polecania go innym. Dzięki sztucznej inteligencji można teraz budować jeszcze bardziej zaawansowane funkcje dla użytkowników.

To również bardzo ważny element całej układanki.

Hannah Clark: Przejdźmy więc do budowania fundamentów i roli sztucznej inteligencji w całej podróży użytkownika. Myślę, że ta część zajmie większość sesji, więc zdecydowanie warto jej wysłuchać. Odłóżcie teraz telefony. Przejdźmy przez każdy etap wzrostu opartego na produkcie i pokażmy, jak sztuczna inteligencja może go wspierać.

Zacznijmy od pozyskiwania. Dani, czy możesz opowiedzieć, jak wasz zespół wykorzystuje sztuczną inteligencję, aby wspierać ten etap?

Dani Grant: Warto wspomnieć o dwóch rzeczach. Pierwsza jest prawdopodobnie najbardziej oczywista: w modelu wzrostu opartym na produkcie klienci znajdują produkt, ponieważ produkt w pewien sposób sam się sprzedaje, a następnie samodzielnie przechodzą proces wdrażania.

Jednym z obszarów, w których trzeba tworzyć ogromne ilości treści, jest SEO, a sztuczna inteligencja może być bardzo pomocna. Niestety wszyscy widzieliśmy, jak wygląda to w złym wydaniu. Treści stają się niezrozumiałym bełkotem wygenerowanym przez sztuczną inteligencję i w rzeczywistości nie osiągają wysokich pozycji. Sztuczna inteligencja może jednak bardzo pomóc w SEO. Oto jak wykorzystujemy ją w praktyce.

Sztuczna inteligencja tworzy konspekt zgodny z najlepszymi praktykami SEO. Bierzesz artykuł o najlepszych praktykach SEO, przekazujesz go dużemu modelowi językowemu i prosisz o przygotowanie konspektu zgodnego ze wszystkimi tymi zasadami. Sztuczna inteligencja może także edytować treści SEO lub przedstawiać rekomendacje dotyczące najlepszych praktyk. Możesz użyć narzędzia Perplexity do wyszukania narzędzi, o których będziesz wspominać, oraz zebrania ich cen.

Jest to bardzo pomocne. Poza tym cały czas zastanawiamy się, jak tworzyć treści angażujące naszą społeczność w internecie. Naszymi odbiorcami są programiści, a w obszarze tworzenia stron internetowych dzieje się bardzo dużo. Ta przestrzeń szybko się zmienia. Chcieliśmy więc tworzyć treści na ten temat.

Pomyśleliśmy: stwórzmy newsletter i podcast o tym, co wydarzyło się w tym tygodniu w JavaScript. Jeśli was to interesuje, możecie odwiedzić stronę thisweekinJavaScript.com i co tydzień w cztery minuty lub krócej poznać najważniejsze wiadomości dotyczące JavaScriptu. Jesteśmy małym zespołem startupowym i nie możemy co tydzień nagrywać podcastu. Sztuczna inteligencja bardzo nam pomaga i pozwala tworzyć dobre treści.

W naszych newsletterach osiągamy współczynnik otwarć przekraczający 50%, a podcast cieszy się dużą popularnością. Sztuczna inteligencja bardzo nam w tym pomaga. To dwa sposoby, w jakie wykorzystujemy ją na etapie pozyskiwania w modelu wzrostu opartym na produkcie.

Hannah Clark: To bardzo ciekawe.

Ramli John: Innym obszarem, w którym wykorzystuję sztuczną inteligencję w kontekście pozyskiwania, jest ponowne wykorzystywanie treści.

Można na przykład wziąć odcinek podcastu i wprowadzić go do Castmagic, czyli narzędzia do tworzenia podsumowań. Generuje ono wpisy na bloga, posty na Twitterze i LinkedInie oraz treści do newslettera. Wymaga to trochę dopracowania. Nie jest idealne, ale uważam, że to kolejny obszar, w którym sztuczna inteligencja sprawdza się w pozyskiwaniu.

Jak wycisnąć więcej soku z cytryny? Czy tak brzmi to powiedzenie? Nie jestem pewien. Chodzi zasadniczo o to, jak uzyskać więcej z tworzonych treści. To jeden ze sposobów wykorzystania sztucznej inteligencji w pozyskiwaniu.

Dani Grant: My robimy dokładnie to samo. Jednym z naszych podstawowych przekonań jest to, że sprzedaż prowadzona przez założycieli w 2024 roku odbywa się w dużej mierze w internecie.

Kiedyś trzeba było uzyskać rekomendację od znajomego, odbyć pierwsze spotkanie, a następnie założyciel przedstawiał się klientowi. Dziś dzieje się to pasywnie w internecie, gdy ludzie przewijają LinkedIn. Dlatego cały czas próbujemy dzielić się w internecie naszym spojrzeniem na świat i zmianami, które chcemy w nim wprowadzać.

Wykorzystujemy do tego częściowo sztuczną inteligencję, przede wszystkim do ponownego wykorzystania treści. Jeśli ktoś z zespołu wystąpi w podcaście, pobieramy link do YouTube i umieszczamy go w narzędziu takim jak OpusClip. Narzędzie tworzy krótkie klipy wideo do publikacji w internecie albo wyodrębnia fragmenty będące momentami przełomowego zrozumienia.

Daje nam to krótkie, wartościowe fragmenty, o których możemy później mówić i pisać. To również bardzo pomaga w pozyskiwaniu.

Hannah Clark: Myślę, że to obecnie niezwykle ważne. Oboje wspomnieliście o możliwości maksymalnego ponownego wykorzystania treści i wyciśnięcia z nich jak najwięcej. To świetne. Możemy więc przejść do etapu aktywacji.

Ramli, jesteś ekspertem od wdrażania użytkowników. Jakie praktyki wspierane przez sztuczną inteligencję poleciłbyś na tym etapie?

Ramli John: Odkryłem to, gdy rozmawiałem z inną firmą o sposobie wykorzystywania przez nią sztucznej inteligencji podczas wdrażania użytkowników.

Jednym z wyzwań, a zarazem możliwości w modelu wzrostu opartym na produkcie jest to, że naprawdę trzeba mieć silne kompetencje w zakresie badań użytkowników lub klientów. W tradycyjnym podejściu sprzedażowym pozostajesz w bezpośrednim kontakcie z klientami i słyszysz ich zastrzeżenia. Gdy produkt sprzedaje się sam, nie słyszysz tych zastrzeżeń — użytkownicy po prostu odchodzą.

Jak zdobyć te cenne informacje i zrozumieć „dlaczego”, którego nie pokazują dane ilościowe? Jedna z firm wykorzystuje sztuczną inteligencję w bardzo ciekawy sposób. Zbiera wszystkie rozmowy sprzedażowe. Ma hybrydowe podejście, a więc oprócz rozmów sprzedażowych prowadzi również intensywny proces wdrażania klientów z segmentu przedsiębiorstw.

Nagrania rozmów są wprowadzane do ChatGPT w celu wytrenowania dużego modelu językowego. Następnie firma wykorzystuje go do tworzenia różnych materiałów. Jednym z nich jest dokument przekazania klienta z zespołu sprzedaży do zespołu sukcesu klienta, zawierający informacje o kolejnych działaniach.

Można też poprosić model o przygotowanie sekwencji pięciu wiadomości e-mail dotyczących wdrożenia, opartej na problemach wskazanych podczas rozmów sprzedażowych i wdrożeniowych. Ponieważ model został wytrenowany na zastrzeżeniach pojawiających się podczas rozmów sprzedażowych oraz pytaniach i niejasnościach z rozmów wdrożeniowych, lepiej rozumie to, przez co faktycznie przechodzą klienci.

Zasugerowałem również, aby firma dodała do tego modelu najczęściej zgłaszane zgłoszenia do działu wsparcia oraz informacje istotne dla etapu aktywacji. Dzięki temu podczas tworzenia sekwencji wiadomości lub przewodnika po produkcie model może lepiej pomóc.

To jeden ze sposobów wykorzystania ChatGPT. Widziałem też bardziej zaawansowane narzędzia sztucznej inteligencji, które po podłączeniu danych potrafią analizować wskaźniki utrzymania. Można na przykład podłączyć dane do Amplitude albo June.so, a narzędzie powie: „Większość waszych skutecznych użytkowników wykonuje działania X, Y i Z, a 30% z nich pozostaje aktywnych”. Oczywiście podchodziłbym do tego ostrożnie, ale może to dostarczyć wartościowych informacji, szczególnie gdy ma się odpowiednio dużą bazę użytkowników.

Jeśli ma się dziesięciu użytkowników, podłączenie ich danych do takiego modelu nie dostarczy wystarczającej ilości informacji. To ważne zastrzeżenie dotyczące tego rodzaju analiz. Jeśli jednak z czasem zgromadzisz wystarczająco duży zbiór danych, możesz prawdopodobnie wykorzystać go do odkrywania takich informacji.

Hannah Clark: Ma to sens. Czy ktoś jeszcze chciałby podzielić się wskazówkami dotyczącymi wspierania etapu aktywacji w modelu wzrostu opartym na produkcie?

Dani Grant: To oczywiste, ale kiedy już ustalisz, czym jest dobra aktywacja i jakie kroki musi wykonać użytkownik, musisz wymyślić wiele pomysłów na to, jak skłonić użytkowników do wykonania tych kroków.

W naszym przypadku uznajemy użytkownika za aktywowanego, jeśli utworzy cztery zgłoszenia błędów w Jam. Dlatego cały czas zastanawiamy się, jak skłonić większą liczbę użytkowników do utworzenia trzeciego i czwartego zgłoszenia, jak zachęcić ich i pokazać im wartość. Podczas burzy mózgów sztuczna inteligencja jest całkiem dobra w generowaniu wielu złych pomysłów, które pomagają nam wpaść na dobre pomysły.

To kolejny oczywisty sposób wykorzystania sztucznej inteligencji na tym etapie.

Hannah Clark: Podoba mi się pomysł generowania złych pomysłów, które pomagają dojść do dobrych wniosków.

Dani Grant: Z ludźmi jest tak, że trudno im wykazać się czystą wyobraźnią i stworzyć pomysł z niczego. Jeśli kiedykolwiek poproszono cię o napisanie pierwszego szkicu, wiesz, jak trudne to jest.

Ludzie są jednak bardzo dobrzy w ocenianiu i reagowaniu, ponieważ tak działają nasze mózgi. Widzimy coś, a następnie uruchamiają się kolejne pomysły. Jeśli więc masz jeden zły pierwszy szkic albo jeden zły pierwszy pomysł, nagle jesteś bardzo dobry w tworzeniu drugiej wersji. Sztuczna inteligencja dobrze radzi sobie z dostarczeniem pierwszego materiału, który pobudza mózg do działania.

Hannah Clark: Uwielbiam tę radę. Przepraszam, chyba trochę ci przerwałam.

Ramli John: Nie, tylko dodam, że wspaniałą rzeczą w dużym modelu językowym jest możliwość jego trenowania. Możesz powiedzieć: „To jest złe. Oto dlaczego uważam, że jest złe” i przekazać mu informację zwrotną.

Usłyszałem kiedyś świetny cytat w podcaście z Nathanem Berry’m, który działa w Kit. Powiedział, że trzeba traktować sztuczną inteligencję jak bardzo początkującego stażystę. Przekazywanie jej dobrej informacji zwrotnej pozwala jej uczyć się, co jest dobre, a co złe. Gdy dostarczy zły pomysł, przekazujesz jej opinię i z czasem zaczyna generować coraz lepsze wyniki.

Hannah Clark: A może przynajmniej zła wersja stanie się lepszym punktem wyjścia, dzięki czemu wasze pomysły będą jeszcze lepsze. Nie wiem, czy to tak działa, ale może.

Anuj Adhiya: Ramli, ja nazywam ją pijanym stażystą.

Ramli John: To jeszcze lepsze określenie, bo rzeczywiście zachowuje się dość nietypowo.

Anuj Adhiya: Dodam jeszcze jedną rzecz, która może być przejściem do kolejnego tematu. Aktywacja nie jest z perspektywy użytkownika osobnym etapem, ponieważ gdy użytkownik znajdzie się w produkcie, po prostu już w nim jest. Pomogło mi połączenie wszystkich elementów poprzez myślenie o aktywacji jako o krótkoterminowym utrzymaniu użytkownika.

Gdy użytkownik znajdzie się w produkcie, właśnie o to chodzi: jak go zatrzymać na dłużej, jak lepiej go monetyzować i jak osiągnąć wszystkie pozostałe cele. To, co użytkownik robi na początku, łączy się z tym, co wydarzy się później. Wszystko odbywa się w ramach ciągłego procesu utrzymania użytkownika. W jego umyśle nie ma przełącznika: „Zostałem aktywowany, a teraz jestem utrzymany”. To wszystko jest jednym procesem.

Hannah Clark: Tak. Trzeba myśleć nie tylko o etapach widzianych przez firmę, lecz także o tym, jak postrzega je użytkownik.

Dani Grant: To możliwe. Używasz produktu na początku, a następnie na końcu. Jako użytkownik, a nie osoba zajmująca się produktem, widzę różnicę między momentem, w którym coś sprawdzam, a momentem, w którym faktycznie tego używam.

Uważam, że aktywacja następuje pomiędzy tymi momentami. Z perspektywy użytkownika te etapy są więc częściowo różne.

Hannah Clark: Anuj, jakie znasz przypadki wykorzystania sztucznej inteligencji na etapie utrzymania użytkownika? Mamy już użytkownika w produkcie — co dalej?

Anuj Adhiya: Część tego, co powiem, będzie rozwinięciem wcześniejszych wypowiedzi, ponieważ najbardziej fascynuje mnie w utrzymaniu użytkowników i wzroście opartym na produkcie to, jak bardzo zmieniają one naszą zdolność do rozumienia wzorców zachowań użytkowników i reagowania na nie.

Wiele zespołów, z którymi pracuję, siedzi na ogromnych zbiorach danych dotyczących wykorzystania produktu. Wszyscy mają Amplitude, Heap, Mixpanel i podobne narzędzia. Z różnych powodów — etapu rozwoju firmy, braku wystarczającej liczby analityków danych i tak dalej — mają jednak trudności z szybkim wydobywaniem właściwych, możliwych do wykorzystania informacji.

Zmianę przynosi połączenie tradycyjnych platform analitycznych, takich jak Mixpanel, Amplitude i Heap, z nowoczesnymi możliwościami analizy opartej na sztucznej inteligencji. To tak, jakby ludzie wcześniej działali w ciemności, a teraz ktoś włączył światło.

Zacząłem zauważać, że nawet osoby korzystające od lat z narzędzi analityki produktowej, które uważały się za kompetentne, po podłączeniu danych do prywatnych wersji ChatGPT zaczynają odkrywać niezwykle interesujące mikrogrupy. Ręczne znalezienie ich lub odkrycie ich wyłącznie na podstawie własnej znajomości narzędzi byłoby niemal niemożliwe.

Można na przykład odkryć, że użytkownicy, którzy w pierwszym tygodniu wykonują określoną sekwencję działań, stają się zaawansowanymi użytkownikami trzy razy częściej niż pozostali. Jeden z naszych klientów odkrył, że użytkownicy, którzy w ciągu pierwszych kilku dni eksportują dane i udostępniają je członkom zespołu, wykazują znacznie silniejsze zaangażowanie.

Największa siła tkwi tu w połączeniu analizy i automatyzacji. Firmy zaczynają tworzyć lepsze ścieżki wyzwalane zachowaniem. Gdy system wykryje, że użytkownik podąża określonym, wartościowym wzorcem, może automatycznie zmienić treść lub doświadczenie, aby szybciej doprowadzić go do pożądanej ścieżki.

W jednym przypadku wykraczało to poza działania w samym produkcie. Użytkownicy o wysokim potencjale byli zapraszani do programu beta albo do rady doradczej klientów na podstawie rzeczywistych wzorców wykorzystania produktu. Firmy chcą zbliżyć się do klientów, ale wcześniej nie potrafiły robić tego wystarczająco szybko.

Prawdziwą zmianą jest dla mnie także wykorzystanie tych narzędzi do połączenia danych ilościowych z jakościowymi. Uczenie maszynowe może analizować wzorce w zgłoszeniach do działu wsparcia, społeczności i opiniach dotyczących produktu. Gdy połączy się te informacje z danymi o wykorzystaniu produktu, na przykład z Gongiem lub narzędziami analityki produktowej, otrzymuje się znacznie pełniejszy, 360-stopniowy obraz — nie tylko tego, co użytkownicy robią, ale także dlaczego to robią.

Hannah Clark: Czy ty lub inni paneliści macie przykłady takiego zastosowania w praktyce? Od dawna problemem jest łączenie danych jakościowych i ilościowych oraz skuteczne opowiadanie wynikającej z nich historii.

Anuj Adhiya: Podam kolejny przykład. W wielu zespołach te działania są od siebie odseparowane. Jeden zespół przeprowadza badanie dopasowania produktu do rynku, inna baza danych zawiera zgłoszenia do działu wsparcia, a jeszcze inna rozmowy sprzedażowe. Często nawet nie wiadomo, do kogo należy połączenie tych informacji.

To nie wynika z czyjejś winy — po prostu nikt nie powiedział konkretnej osobie, że jest to jej zadanie. Można więc wyznaczyć sztuczną inteligencję jako pracownika, który zbierze wszystkie te dane i przedstawi je zainteresowanym stronom. Coraz częściej widzę takie podejście.

Koszt czekania i niezdecydowania jest tak wysoki, że warto zacząć od minimalnej wersji: połączyć kilka źródeł danych, a jeśli nie da się tego zautomatyzować, wyeksportować dane z kilku arkuszy, wprowadzić je do jednego systemu i pozwolić mu odkryć wzorce. To minimalny sposób na przyspieszenie zdobywania informacji i działania na ich podstawie.

Hannah Clark: Projektanci stron internetowych, ta część jest dla was. Mam 30 sekund, aby opowiedzieć o Wix Studio, platformie internetowej dla agencji i przedsiębiorstw. Oto cztery rzeczy, które możecie zrobić w Studio w 30 sekund lub krócej: dopasować projekty do każdego urządzenia dzięki responsywnej sztucznej inteligencji; ponownie wykorzystać zasoby, takie jak szablony, widżety, sekcje i biblioteki projektów, w wielu witrynach oraz udostępniać je zespołowi; dodawać animacje bez kodu i gradientowe tła bezpośrednio w edytorze; a także eksportować projekty z Sigma do Wix Studio jednym kliknięciem. Czas minął, ale lista jest dłuższa. Wypróbujcie Wix Studio i przekonajcie się sami.

To, co słyszę, to wykorzystanie sztucznej inteligencji do przełamywania izolacji między działami. Czy sugerujesz tworzenie międzydziałowego raportu o stanie firmy, który dawałby wszystkim przegląd tego, co dzieje się w różnych obszarach?

Anuj Adhiya: Tak, zdecydowanie. Wzrost jest sportem zespołowym i z definicji wymaga współpracy wielu funkcji, szczególnie w świecie produktów rozwijanych w modelu wzrostu opartego na produkcie. Trzeba połączyć treści, edukację, społeczność, produkt, sprzedaż i wiele innych zespołów.

Celem zespołu wzrostu jest zebranie wszystkich kluczowych interesariuszy, aby zrozumieć aktualny stan wzrostu, problemy i możliwości. Każdemu trudno jest określić nie tylko własną rolę, lecz także to, co w danym momencie może przynieść największy wpływ.

Lider wzrostu musi opowiadać historie i komunikować wnioski, a nie tylko przedstawiać dane. Nie polegaj wyłącznie na własnych umiejętnościach. Poproś sztuczną inteligencję o pomoc w dopasowaniu sposobu komunikowania danych do działu sprzedaży, relacji z deweloperami, produktu i innych zespołów.

Przełamywanie izolacji i doprowadzanie wszystkich do wspólnego rozumienia sytuacji jest zdecydowanie niedoceniane.

Hannah Clark: Bardzo podoba mi się ta taktyka. Rozmawialiśmy o podobnym procesie z Michele Ronsen, znaną badaczką UX. Jej rekomendacja była bardziej analogowa i niekoniecznie wykorzystywała sztuczną inteligencję.

Chodziło o to, aby po przeprowadzeniu badań zastanowić się, jak ich wyniki mogą być wykorzystywane przez wszystkie powiązane działy. Zalecała przedstawianie wniosków dział po dziale: jakie działania i kolejne kroki wynikają z tych ustaleń dla każdego zespołu.

Widzę w tym odpowiednik wspierany przez sztuczną inteligencję, w którym narzędzie tłumaczy wyniki między działami i pomaga określić działania, które poprawią współpracę.

Dani Grant: To nie jest wykorzystanie sztucznej inteligencji do współpracy międzyfunkcyjnej, ale po co firmy zatrudniają menedżerów produktu? Każdy uczestnik tej rozmowy wie, że chodzi o wyznaczenie jednej osoby, która dotrze do sedna problemu, bierze odpowiedzialność za całość i zrobi wszystko, aby produkt odniósł sukces.

Kiedy coś nie jest niczyim problemem albo ktoś rozumie to tylko na poziomie arkusza kalkulacyjnego, a nie użytkownika, właśnie wtedy widać wartość menedżerów produktu. Nie ma menedżera produktu, który mówi: „To nie mój problem”. Ich zadaniem jest doprowadzenie produktu do sukcesu.

Jedną z bardzo pomocnych taktyk jest regularne rozmawianie z klientami. Jeśli menedżer produktu chce czegoś dowiedzieć się więcej, łatwo może dołączyć do istniejących rozmów z klientami, zamiast tworzyć nowy proces od zera.

Co tydzień 100 najważniejszych użytkowników z poprzedniego tygodnia, z którymi niedawno się nie kontaktowaliśmy, otrzymuje wiadomość e-mail od założyciela Jam z pytaniem, jak im idzie. Jeśli odpowiedź jest przemyślana, proponujemy rozmowę. Dzięki temu regularnie prowadzimy rozmowy z klientami.

Nie jest to związane ze sztuczną inteligencją, ale bardzo polecam tę taktykę.

Hannah Clark: Świetnie. Nie wszystko musi być związane ze sztuczną inteligencją. Po prostu chcemy rosnąć.

Przejdźmy do etapu ekspansji. Anuj, możesz poprowadzić tę część i powiedzieć coś o rozszerzaniu wykorzystania produktu, a następnie przejdziemy do wskazówek Dani.

Anuj Adhiya: Wszystko jest dla mnie częścią jednego kontinuum. Jeśli spojrzymy na tradycyjny model ekspansji, zwykle czekamy na sygnały dotyczące wykorzystania produktu albo zespół sukcesu klienta przeprowadza kwartalne przeglądy. Czasem firmy po prostu mają nadzieję, że zauważą sygnały ekspansji.

Praktyczny przykład: jedna z firm SaaS wykorzystuje Gong do analizowania interakcji z klientami we wszystkich punktach kontaktu — rozmów sprzedażowych, zgłoszeń do wsparcia, kwartalnych przeglądów i innych. System jest trenowany tak, aby rozpoznawać konkretne sygnały ekspansji.

Nie chodzi tylko o oczywiste zdania typu „Potrzebujemy więcej licencji”. System może rozpoznawać wzorce związane z rozmowami o sąsiednich przypadkach użycia, wzmiankami o nowym członku zespołu lub dziale albo problemem, który można rozwiązać dzięki dodatkowej funkcji.

Połączenie danych rozmów z analityką wykorzystania produktu pozwala tworzyć wskaźniki intencji ekspansji oparte na wielu sygnałach. Gdy użytkownicy osiągają określone poziomy wykorzystania — na przykład zbliżają się do limitu API albo próbują korzystać z funkcji premium — a zachowaniu temu towarzyszą określone wzorce rozmów, powstaje wyraźny sygnał możliwości ekspansji.

Chodzi nie tylko o identyfikowanie takich możliwości, ale również o to, aby proces był bardziej naturalny i zgodny z wartością dla klienta.

Hannah Clark: Rozumiem.

Dani miała opowiedzieć o procesie wykorzystywania transkrypcji rozmów do tworzenia pierwszych wiadomości podsumowujących i kolejnych wiadomości e-mail. Czy możesz nas przez niego przeprowadzić?

Dani Grant: To dość oczywiste. Jako osoby zajmujące się produktem wierzymy, że produkt powinien wykonywać większość ciężkiej pracy. Aby jednak zmieniać ludzkie zachowania, potrzebujesz również zaufanej osoby, dlatego etap ekspansji jest w dużej mierze prowadzony przez ludzi.

W dobrze działającym procesie odbywa się wiele następujących po sobie rozmów pomagających zespołom rozszerzać wykorzystanie produktu. Po takich rozmowach warto wysłać przemyślaną wiadomość. Trudno jest zacząć od pustej strony, ale znacznie łatwiej zacząć od pierwszego szkicu. Można przekazać transkrypcję rozmowy Claude’owi i zapytać: „Jakie trzy najważniejsze kwestie przekazała mi ta osoba?”.

Następnie można przygotować wiadomość: „Oto, co usłyszeliśmy”. Jest to łatwiejsze niż zaczynanie od zera, szczególnie po ośmiu rozmowach odbywających się jedna po drugiej, gdy pod koniec dnia trudno już wszystko dokładnie pamiętać.

Hannah Clark: Doceniam wszystko, co pozwala oszczędzić wysiłek pod koniec tygodnia.

Przejdziemy teraz do trzeciej części: od wizji do realizacji. Chodzi o budowanie strategii wzrostu opartego na produkcie wspieranej przez sztuczną inteligencję. Ramli, ponieważ przez kilka minut cię nie słyszeliśmy, chciałabym, abyś opowiedział o typowych pułapkach i błędnych przekonaniach związanych ze wzrostem opartym na produkcie oraz wykorzystaniem sztucznej inteligencji.

Jakie poważne pułapki widziałeś w swojej pracy?

Ramli John: Jeśli chodzi o samą sztuczną inteligencję, wynik jest tak dobry, jak dane wejściowe. Jeśli dostarczysz jej niewiele informacji albo informacje złej jakości, otrzymasz wynik złej jakości. Nie zaczynaj od pustej strony. Trzeba dostarczyć właściwe informacje, zwłaszcza dotyczące najlepszych doświadczeń klientów i najlepszych rozmów.

Należy zapewnić odpowiedni kontekst. W przypadku ekspansji warto przekazać rozmowy i dokumenty dotyczące klienta, a następnie poprosić o wynik na ich podstawie. Trzeba jasno określić, co próbujesz osiągnąć, czego oczekujesz i jakie trzy punkty ma przedstawić model.

Anuj nazwał sztuczną inteligencję pijanym stażystą. Ja powiedziałbym, że należy traktować ją jak stażystę rozpoczynającego pracę. Na początku trzeba być bardziej szczegółowym i jasno powiedzieć: „Oto, czego szukam. Oto oczekiwany wynik. Oto kontekst i informacje”.

Można również poprosić model, aby zachowywał się jak dyrektor sukcesu klienta lub dyrektor produktu w konkretnej firmie. Następnie przekazać informacje o firmie i profil LinkedIn danej osoby oraz zapytać, jakie trzy kwestie mogą być dla niej istotne na podstawie dotychczasowych rozmów.

Jasność, bezpośredniość i zwięzłość bardzo pomagają w wykorzystywaniu sztucznej inteligencji.

Dani Grant: Dodałabym jeszcze jedną pułapkę, szczególnie dotyczącą młodszych osób w zespole. Jedną z najtrudniejszych umiejętności do zdobycia na początku kariery jest zrozumienie, co oznacza „zrobione”. Im mniej doświadczona jest osoba, tym częściej „zrobione” oznacza dla niej po prostu „ukończone”, zamiast zrozumienia wpływu, jaki może mieć naprawdę dobra praca.

Wykorzystując sztuczną inteligencję, młodsza osoba może uznać, że zadanie jest wykonane, ponieważ model przeprowadził analizę. Bardziej doświadczona osoba zapytałaby jednak, czy analiza ujawniła nowe pytania, które należy zbadać, czy wynik ma sens, czy nie jest halucynacją oraz czy przygotowana wiadomość nie jest niezrozumiałym tekstem, którego nie należy wysyłać.

To duża pułapka. Aby jej uniknąć, trzeba rozmawiać o tym, co oznacza „zrobione” w danym zespole i firmie — niezależnie od tego, czy używa się sztucznej inteligencji.

Hannah Clark: To świetna ogólna rada dotycząca rozwoju kariery: stale zadawaj pytanie, co oznacza „zrobione”, i regularnie o tym rozmawiaj.

Anuj Adhiya: Chciałbym dodać dwie rzeczy. Ramli mówił o zasadzie „śmieci na wejściu, śmieci na wyjściu”. Zauważyłem, że wiele osób nie potrafi nawet poprawnie korzystać z Google. Dlatego czasem proszę ludzi o wykonanie kilku podstawowych wyszukiwań i obserwuję, jak do tego podchodzą. To daje mi sygnał, czy ktoś potrzebuje dodatkowego szkolenia, zanim zacznie korzystać z takiego systemu.

Druga kwestia dotyczy tego, co Dani powiedziała o uznawaniu zadania za ukończone. Dlatego warto, aby każdy członek zespołu rozumiał najważniejszy wskaźnik firmy. Wszyscy muszą wiedzieć, w jaki sposób dostarczamy wartość użytkownikom i klientom. Wszystko, co robimy, powinno służyć zwiększaniu tej wartości.

Dotyczy to również formułowania poleceń dla systemu. To właśnie perspektywa zwiększania wartości dla użytkowników powinna być kontekstem, a nie wyłącznie perspektywa konkretnego zadania lub analizy.

Wspólnym motywem całej rozmowy jest potrzeba zapewnienia większego kontekstu i tła osobom, które będą korzystać z tych systemów. Najpierw powinny zrozumieć szerszą perspektywę użytkownika, a dopiero potem wyciągać wnioski z działania sztucznej inteligencji.

Hannah Clark: Wyłania się kilka wspólnych tematów, w tym wyzwania związane ze współpracą różnych zespołów. Przejdźmy do krótkiego podsumowania. Zwykle w tym momencie opowiadalibyśmy o naszej kolejnej sesji. Jeśli regularnie uczestniczycie w naszych spotkaniach, informujemy, że w grudniu nie odbędzie się panel.

Robimy przerwę świąteczną. W styczniu wrócimy z sesją bardziej skoncentrowaną na karierze, dotyczącą przechodzenia do kariery w zarządzaniu produktem.

Rejestracja rozpocznie się w grudniu. Wyślemy link naszym subskrybentom, gdy będzie dostępny. To powinna być świetna sesja. Dla osób obecnych tutaj może nie być tak istotna, ponieważ wszyscy jesteście już menedżerami produktu. Jeśli znacie jednak kogoś zainteresowanego tą karierą, kto zadaje wam wiele pytań i rozważa taką zmianę, przekażcie mu tę informację.

Przejdźmy do pytań i odpowiedzi. Najczęściej głosowane pytanie pochodzi od DM: „Sztuczna inteligencja może wykazywać uprzedzenia podczas interpretowania złożonych danych, prowadząc do mylących wniosków. Jak w kontekście wzrostu opartego na produkcie możemy strategicznie wykorzystywać sztuczną inteligencję do poprawy doświadczeń użytkowników i zwiększania wzrostu, jednocześnie ograniczając te ryzyka?”.

Dani Grant: Sztuczna inteligencja nie rozwiązuje ludzkich problemów. Trzeba korzystać z własnego osądu. To świetne narzędzie, ale potrzebny jest sceptyczny umysł. Samo posiadanie odpowiedzi nie rozwiązuje problemu. Korzystając ze sztucznej inteligencji, trzeba być jeszcze bardziej uważnym, obecnym i zaangażowanym w pracę.

Ramli John: Zgadzam się. To wiąże się z etyką sztucznej inteligencji — potrzebna jest interwencja człowieka. Jeśli pojawiają się uprzedzenia, człowiek powinien je wychwycić. Sztuczna inteligencja jest tylko jednym z elementów procesu decyzyjnego. Można korzystać z danych jakościowych, ilościowych, sugestii sztucznej inteligencji, opinii dyrektora generalnego i zespołu sukcesu klienta.

Ostatecznie decyzję powinien podjąć człowiek. Byłbym bardzo ostrożny, gdybyśmy pozwolili sztucznej inteligencji podejmować decyzje za nas, ponieważ może nie wykryć własnych uprzedzeń.

Anuj Adhiya: Nie wolno zapominać, jak wyglądały procesy przed wprowadzeniem sztucznej inteligencji. Trzeba mieć punkt odniesienia i wiedzieć, jak wcześniej wykonywaliśmy dane zadania. W przeciwnym razie skąd będziemy wiedzieć, czy system halucynuje?

Ważne jest również podejście oparte na triangulacji. Jeśli system oznaczy niektórych użytkowników jako zagrożonych odejściem, nie można przyjąć tego bez sprawdzenia. Trzeba przeanalizować surowe dane produktowe, opinie oraz informacje od zespołu sukcesu klienta i zweryfikować, czy sygnały się pokrywają.

Niektóre narzędzia, takie jak Heap Analytics, próbują uwzględniać różnorodność danych treningowych. Modele uczą się na danych użytkowników z firm o różnej wielkości, różnych branż i różnych przypadków użycia. Pomaga to wykryć sytuacje, w których system nadmiernie koncentruje się na zachowaniach dużych lub aktywnych klientów, pomijając sygnały od mniejszych klientów.

Nie zapominajmy więc o wcześniejszych sposobach pracy i zawsze weryfikujmy wyniki ręcznie.

Hannah Clark: Dobre wskazówki.

Kolejne wysoko ocenione pytanie brzmi: „Czy zalecalibyście wykorzystanie sztucznej inteligencji zamiast tradycyjnych zespołów wsparcia i sukcesu klienta?”. W pewnym sensie już na nie odpowiedzieliśmy, ale możemy dodać więcej kontekstu.

Te role są zwykle odpowiedzialne za utrzymanie użytkowników w poszczególnych grupach, a jednocześnie właśnie w tych obszarach obserwujemy dynamiczny rozwój narzędzi wykorzystujących autonomicznych agentów sztucznej inteligencji.

Dani Grant: Najważniejsze w 2024 roku jest doświadczenie użytkownika. Konkurencja jest większa niż kiedykolwiek, a zmiana narzędzia stała się łatwiejsza. Jeśli ktoś frustruje się korzystaniem z produktu, niedługo później może rozpocząć bezpłatny okres próbny innego narzędzia.

Decyzję należy podejmować na podstawie doświadczenia, jakie chcesz zapewnić użytkownikom. Jeśli masz dużą dokumentację i chcesz ułatwić jej przeszukiwanie za pomocą języka naturalnego, autonomiczne wsparcie klienta może być świetnym rozwiązaniem. Jeśli chcesz zapewnić użytkownikom człowieka, który jest dostępny przez całą dobę i towarzyszy im na każdym etapie podróży, takie rozwiązanie może nie być odpowiednie.

Nie należy patrzeć na problem przez pryzmat narzędzia, lecz przez pryzmat oczekiwanego doświadczenia użytkownika.

Ramli John: Zgadzam się. Wraz z rozwojem sztucznej inteligencji ludzie coraz bardziej potrzebują kontaktu z drugim człowiekiem. Istnieje paradoks automatyzacji: im bardziej wydajna jest automatyzacja, tym ważniejsze staje się doświadczenie ludzkie.

Użytkownicy cieszą się, gdy rozmawiają z prawdziwym człowiekiem. Podczas wydarzeń stacjonarnych często słyszę: „Jesteś prawdziwy, a nie chatbot”. Czują, że ktoś się o nich troszczy i że są ważnymi klientami.

W miarę automatyzowania przez firmy wsparcia, marketingu i stron internetowych za pomocą sztucznej inteligencji obecność ludzi będzie coraz ważniejsza, szczególnie w produktach B2B.

Dani Grant: Jednocześnie rosną oczekiwania wobec jakości doświadczeń opartych na sztucznej inteligencji. Jeśli firma wprowadza funkcję sztucznej inteligencji lub czat oparty na sztucznej inteligencji, a doświadczenie jest niskiej jakości, użytkownicy mogą znienawidzić ją jeszcze bardziej niż w przypadku zwykłej funkcji lub zwykłego czatu.

Jeśli sztuczna inteligencja ma obsługiwać tak kluczową funkcję produktu jak wsparcie klienta, a klient wie, że rozmawia z systemem, rozwiązanie musi być naprawdę bardzo dobre. Poprzeczka jest wyższa niż w przypadku tradycyjnego rozwiązania.

Hannah Clark: Ostatnie pytanie na dziś: jak równoważyć personalizację za pomocą sztucznej inteligencji z obawami dotyczącymi prywatności użytkowników?

Dani Grant: Należy przestrzegać polityki prywatności. Jeśli coś wydaje ci się niewłaściwe, nie rób tego. Jeśli polityka prywatności mówi, że możesz analizować zagregowane wskaźniki wykorzystania w celu ulepszania produktu, sztuczna inteligencja może w tym pomóc.

Jeśli polityka prywatności nie mówi, że możesz analizować wszystkie dane użytkowników, nie rób tego. Zaufanie użytkowników jest najważniejsze.

Hannah Clark: Nie sądzę, żeby było tu wiele więcej do dodania.

Ramli John: Jest tu pewien niuans. Otrzymywałem wiadomości e-mail w rodzaju: „Ramli, zauważyliśmy, że zrobiłeś w naszym produkcie X, Y i Z”. Może to być wartościowe, gdy użytkownik utknął i potrzebuje pomocy. Jeśli jednak użytkownik czuje, że ktoś go obserwuje, może odebrać to negatywnie.

Anuj Adhiya: To prowadzi do pytania, nad którym się zastanawiam: jak można personalizować doświadczenie z szacunkiem. Kluczowa jest przejrzystość dotycząca wymiany wartości.

Nie sądzę, aby użytkownicy nie spodziewali się wykorzystywania sztucznej inteligencji do personalizacji doświadczeń. Warto jednak kierować się prostą zasadą: jeśli zbierasz konkretną informację, wewnętrznie powinieneś jasno wskazać, jaką konkretną korzyść odniesie z tego użytkownik.

Hannah Clark: Wszystkie te spostrzeżenia były bardzo wartościowe. Niestety kończy nam się czas. Zawsze popełniamy ten sam błąd i zostawiamy sobie zbyt mało czasu na wszystkie pytania. Dziękuję wszystkim za aktywny udział, pytania i obecność.

Ramli, Anuj, Dani — dziękuję wam za udział w panelu. Byliście wspaniali. Dziękuję wszystkim i życzę miłego dnia.

Dziękujemy za wysłuchanie. Aby uzyskać więcej wartościowych informacji, poradników i recenzji narzędzi, zasubskrybuj nasz newsletter pod adresem theproductmanager.com/subscribe. Więcej podobnych rozmów znajdziesz, subskrybując The CPO Club w dowolnej aplikacji, w której słuchasz podcastów.