2025’te Ürün Yönetimine Nasıl Girilir? (Microsoft’ta Ürün Yöneticisi Mariana Antaya ile)

Transkripti Okuyun:

Podcast’lerimizin transkripsiyonunu bir yazılım programı kullanarak yapmayı deniyoruz. Bot her zaman %100 doğru olmadığı için lütfen olası yazım hatalarını mazur görün.

Hannah Clark: Çok uzun zamandır görmediğiniz biriyle karşılaştığınızda ve biriniz, “Ee, sende neler yeni?” diye sorduğunda, onu en son görmenizin üzerinden o kadar uzun zaman geçmiş olur ki nereden başlayacağınızı bilemezsiniz ya; Mariana Antaya ile konuşurken ben de tam olarak böyle hissettim. Mariana, Şubat 2024’te programımıza konuk olmuştu.

Mariana o zaman programa katıldığında, ürün yöneticisi olarak kariyeri henüz başlamıştı, TikTok hesabını yeni açmıştı ve kripto stratejisi optimizasyon aracı quantifAI’ın kurucusu olarak üçüncü yılına giriyordu. Ancak alana girmek isteyen aday ürün yöneticileri için son derece pratik bazı ipuçları verdi ve bu bölüm bugüne kadar en çok indirilen bölümümüz oldu.

Şu anda bunun sadece bir yıl önce olduğuna inanamıyorum. O zamandan beri yapay zekâ ana akıma yerleşti, teknoloji iş piyasası tamamen farklı bir görünüme kavuştu ve her ikimizin platformu da önemli ölçüde büyüdü. Bu nedenle Mariana’yı programa yeniden davet edip neler yaptığını konuşmanın ve daha da önemlisi, bugünün aday ürün yöneticilerine 2025’te başarılı bir ürün yöneticisi olmak için bilmeleri gerekenleri anlatmanın tam zamanı olduğunu düşündük. Hadi başlayalım.

Bu arada, her hafta böyle sohbetler gerçekleştiriyoruz. Bu size ilginç geliyorsa neden abone olmayasınız? Tamam, şimdi başlayalım.

Ürün Yöneticisi podcastine tekrar hoş geldiniz. Bugün çok özel bir bölümümüz var. Bugün bize, aslında bir yıldan biraz daha uzun bir süre önce podcast’imize konuk olan Mariana Antaya katılıyor. Aramızda uzun zamandır bulunmayanlar için kendimi bu hikâyeyi anlatan gururlu bir anne gibi hissediyorum. Mariana benim kızım değil ama yine de onunla çok gurur duyuyorum; çünkü tanışmamızın nedeni LinkedIn’de bize ulaşmasıydı. Bölümlerimizden biri hakkındaki bir paylaşıma, “Bir gün bir podcast’te yer almayı çok isterim” şeklinde gelişigüzel bir yorum yazmıştı.

Yapımcımız Becca ile konuşuyorduk ve “Onu programa alalım, bakalım neler anlatacak” dedik. Sonuçta bu, aradaki fark oldukça büyük olacak şekilde tüm zamanların en popüler bölümümüz oldu. Mariana artık Microsoft’ta ürün yöneticisi ve sanki burada değilmiş gibi ondan bahsediyorum. Bu nedenle bize katıldığın için teşekkürler.

Mariana Antaya: Elbette. Kesinlikle. Seninle yeniden bir araya gelip yapay zekâ ve ürün alanındaki en son gelişmeleri konuşacağım için çok heyecanlıyım; bu gerçekten bir yolculuk oldu. İkimiz de çok büyüdük, bu nedenle seninle gurur duyuyorum.

Hannah Clark: Ben de. Aman tanrım.

Tamam, son konuştuğumuzda bu programa yeni başlıyorduk. Sen de kariyerinin henüz başındaydın. TikTok kullanmaya yeni başlamıştın. Biz de bölümleri kaydedip yayınlamaya yeni başlamıştık. İkimiz de hayatlarımızda çok büyük bir değişim yaşadık. O yüzden yeterince bizden bahsettik. Bize kendinden bahset. Kariyerinde neler oluyor? Sosyal medya içeriklerinde neler oluyor? Her şeyi anlat.

Mariana Antaya: Evet, harika. Kariyerim çok iyi gidiyor. Hâlâ Microsoft’tayım ve çoğu şirket gibi biz de kesinlikle yapay zekâ odaklı bir ürün ve stratejiye kaydık. Bu değişimin gerçekten hayata geçtiğini ve şirket kültürü içinde geliştiğini görmek çok ilginçti.

İçerik tarafında ise çok sayıda ürün içeriği, aynı zamanda da yapay zekâ içeriği üretiyorum. Yapay zekânın işletmeler için kullanım alanlarını veya kitlemin günlük hayatta ilgisini çekecek kullanım alanlarını öne çıkarıyorum. En son yaptıklarımdan biri, kendi hobilerimden biri olan Formula 1 yarışının sonuçlarını tahmin etmekti.

Bunu neden paylaşmayayım ve insanların ilgisini çekip çekmeyeceğine bakmayayım diye düşündüm. Anlaşılan insanlar tüm kodlama projelerine ve yapay zekânın ortaya çıkardığı gerçekten harika kullanım alanlarına büyük ilgi gösteriyor.

Hannah Clark: Evet, kesinlikle. Bu konuya dalacağımız için çok heyecanlıyım; çünkü oyunlarının zirvesindeki, yapay zekâyı bir kuruluşta liderlik perspektifinden uygulamaya koyan ürün direktörleri ve baş ürün yöneticileriyle çok konuşuyoruz. Şimdi ise bunu her gün uygulayarak işin içinde olan bir uygulamacıyla konuşuyoruz.

Kültürdeki ve yapay zekâdaki değişim hakkında biraz konuşalım. Yapay zekâ konusunu ayrıntılı biçimde ele alacağız ama genel olarak, kariyerine başladığındaki ürün kültürünü ve senden daha deneyimsiz olarak işe giren insanları düşündüğünde şimdi neler farklı?

Mariana Antaya: Teknolojinin ilerlediği alanlarda büyük bir değişim var. Birincisi, ben yeni başladığımda ChatGPT’nin var olduğunu bile sanmıyorum.

Şimdi onu iş akışımızda her gün kullanıyoruz. Bu nedenle değişikliklerden biri, teknolojinin çok kısa sürede son derece ilerlemiş olması. Bununla birlikte büyük bir şirketin bu teknolojiyi iş akışlarımıza nasıl entegre edebileceğini anlamak ve müşterilerin kullanmak isteyeceği kullanım alanları ve çözümler sunabilmek gerekiyor.

Dolayısıyla kültürde bütünsel bir yaklaşımdan, biraz daha deneysel bir yaklaşıma doğru büyük bir kayma var. Hangi kullanım alanları için müşterilerin ödeme yapmaya ve satın almaya istekli olduğunu ya da bu yeni alanda hangi kullanım alanlarının gerçekten tutacağını daha iyi anlamak için daha hızlı yinelemeler yapmaya çalışıyoruz.

Başladığım zamana kıyasla kesinlikle daha deneysel ve daha hızlı ilerleyen bir dönemdeyiz.

Hannah Clark: Kültür olarak ve elbette programda da sıkça konuştuğumuz şeylerden biri işten çıkarmalar ve teknoloji piyasasındaki dalgalanma. Senin bakış açına göre, mesleğe girmek isteyen insanların daha fazla rekabetle karşılaştığı bir dönem mi, yoksa insanlar sadece farklı beceriler mi arıyor?

Mariana Antaya: İnsanların bu kullanım alanları için farklı ve daha niş beceriler aramaya başlayacağını düşünüyorum. Bir alan uzmanıysanız, bunun bu dönemde öne çıkacağına inanıyorum. Çünkü belirli bir hedef pazarının ihtiyaçlarına yönelik özel istemler veya kullanım alanları gerçekten karşılık bulacak.

Bu nedenle uzmanlığa veya uygulamalı deneyime sahip olduğunuz bir nişe gerçekten odaklanabilirseniz, benim bakışıma göre sizi o pazarda çok başarılı bir ürün yöneticisi yapacak şey bu olur.

Hannah Clark: Bu çok mantıklı. Yapay zekâ konusuna geçelim. İkimizin de bu konu hakkında konuşmak için sabırsızlandığını biliyorum. Konuyu birkaç farklı bölüme ayıralım. Önce günlük işlerine odaklanalım. Yapay zekâyla ürün geliştirmeyi birazdan konuşacağız.

ChatGPT’nin günlük iş akışının bir parçası olduğunu söyledin ve eminim birçok farklı işlevin içine girdi. Günlük işlerini tamamlamak için yapay zekâyı hangi farklı şekillerde kullanıyorsun?

Mariana Antaya: En büyük kullanım alanlarım, onu benim için pazar araştırmacısı ve rekabet analisti olarak kullanmak. Artık bir araştırmacının bana bu bilgiyi getirmesini veya tüm pazar ve rekabet analizini yapması için anlaşılan büyük bir şirketi beklemem gerekmiyor. Hatta bunu kendim yapmam bile daha uzun sürüyor; müşteriyi ya da rakipleri inceleyip hangi yeni özelliklere sahip olduklarını görebiliyorum.

Bir büyük dil modeline, benim için bir pazar araştırması raporu hazırlamasını; ürünümün rakiplerine kıyasla hangi boşluklara sahip olduğunu ve nasıl öne geçebileceğimizi anlatmasını söyleyebiliyorum. Bu, en pratik kullanım alanlarından biri. Ürün gereksinimleri belgeleri hazırlamak da öyle. Yapay zekâ, bir ürün gereksinimleri belgesi yazabildiği için ürün yöneticileri olarak kariyerimizi elimizden almayacak.

Bazı büyük dil modellerinde bile hâlâ insan etkileşimine ve katkısına ihtiyaç var; çünkü müşterilerle bütün gün, her gün fiziksel olarak konuşan biziz. Bu insan dokunuşunu korumak önemli ama yapay zekâ yazdığım ürün gereksinimleri belgeleri, ister yeni bir özellik ister birden fazla özellik olsun, için çok iyi bir temel sağlıyor.

Bu nedenle yapay zekâyı kullanmayı sevdiğim, insan katkısının yoğun olduğu bir başka kullanım alanı da bu.

Hannah Clark: Evet. Tamam. Her gün yeni kullanım alanları bulduğumuzu düşünüyorum. Bazı konuklarımız, kullanıcı görüşmelerinden elde edilen verileri daha etkili biçimde ayrıştırmak ve yapay zekâyı bir kullanıcı personası gibi yanıt verecek şekilde eğitmek için yapay zekâyı kullanmaktan bahsetti.

Daha önce mümkün olmayan, iş akışınızı desteklemenin farklı yolları gerçekten yenilikçi.

Mariana Antaya: Hatta aracılar oluşturmak bile mümkün. Aracılar oluşturmak harika bir şey. Özelliklerim için kullandığım panoların önemli bir kısmını oluşturacak bir aracı oluşturabildim. Artık tüm kullanıcı metriklerini görmek için panolar oluşturmaya saatler harcamam gerekmiyor. Ürün yöneticileri olarak hipotezlerimizi desteklemek için verilere de çok güveniyoruz.

Gerçekten sık tekrarladığınız işler için aracılar oluşturmak da oyunun kurallarını değiştiren bir gelişme oldu.

Hannah Clark: Kısa süre önce Tal Raviv ile ürün yöneticileri için bir yapay zekâ yardımcısının nasıl oluşturulacağı hakkında harika bir bölüm yaptık. Bizi süreç boyunca adım adım götürdü; onu dinlemek, bunu gerçekten yapabileceğinizi anlamanızı sağlıyor. Çok havalı.

Becerilere geçelim. Açıkçası, alana girdikten sonra yapay zekâyı her zaman kullanacağız. Peki, aday ürün yöneticileriyle konuşuyorsak ve yapay zekâyı sürekli kullanacağım işlere başvurmadan önce nelere aşina olmam ya da ne konuda rahat hissetmem gerekir diye soruyorlarsa kendilerini nasıl hazırlamalılar?

Mariana Antaya: Özellikle aday bir ürün yöneticisi olarak öğrenebileceğiniz en ilgili becerilerden birinin istem mühendisliği olduğunu ve farklı büyük dil modelleriyle denemeler yapabilmeyi düşünüyorum. Hangi kullanım alanları hangi büyük dil modelleri için daha uygun? Örneğin kod yazarken Claude kullanmayı gerçekten seviyorum. Claude Sonnet 3.7 harika.

Kod yazmak için Claude’u tercih ederken rekabet analizi, yol haritası oluşturma veya diğer büyük dil modelleri için istemlerimi yapılandırmama yardımcı olması amacıyla ChatGPT gibi bir şeyi tercih ediyorum. Aslında ChatGPT’ye “Hey, bu büyük dil modeli için X, Y, Z konusunda en iyi sonucu almak üzere nasıl bir istem yazmalıyım?” diye soruyorum. Bence aday bir ürün yöneticisi olarak öğrenebileceğiniz en iyi ve en değerli becerilerden biri istem mühendisliğiyle ilgilenmek, denemeler yapmak ve hatta kendi ürününüzü oluşturmak.

Artık bir de “vibe coding” olarak adlandırılan bir olgu var. Teknik olmayan bir ürün yöneticisi olsanız bile ürün becerilerinizi uygulamaya koymanın harika bir yolu. Bir büyük dil modeline bir ürün oluşturmasını söyleyebilir, bir pazara giriş stratejisi geliştirmeyi deneyebilir ve ürününüzü satmaya çalışabilirsiniz.

Müşterilere gidip ürününüzü kullanma deneyimlerini sorabilirsiniz. Okullarda pek öğretilmeyen gerçek hayata dair ürün deneyimini böyle kazanırsınız. Bu, gerçek dünyaya da aktarılacak son derece değerli bir deneyim. Bu nedenle bunun kesinlikle üzerinde durmak istediğim kilit noktalardan biri olduğunu düşünüyorum.

Hannah Clark: Evet, kesinlikle. Bu yeni vibe coding trendi beni de çok heyecanlandırıyor. Bu haftanın ilerleyen günlerinde bununla ilgili bir atölyeye katılacağım. Üzerinde çalışmak için çok heyecanlıyım. İstem mühendisliğine birazdan geleceğiz.

Yapay zekâ ürünleri oluşturma hakkında biraz konuşmak istiyorum. Diğer taraf, yani müşteriye daha fazla dönük olan taraf. Müşteriler için ürün oluşturmaya başlamanın bir yolu olarak vibe coding’e değindin. Ancak özellikle yapay zekâ ürünleri oluşturmak, yapay zekâ ve ürün yönetimi ortamında değişen tamamen farklı bir konu. Şu anda bunu yapıyorsun; peki nasıl bir şey? Yapay zekâ ürünleri oluşturmaya nasıl hazırlanabilirsiniz?

Mariana Antaya: Bunun büyük bir kısmı, şu anda herkesin bu yolculuğu birlikte yaptığını anlamaktan geçiyor. Hepimiz denemeler yapıyoruz. İnsanların hangi büyük kullanım alanlarına gerçekten yöneleceğini, hangi müşterilerin gerçekten ödeme yapmaya istekli olduğunu ve bu özellik ya da ürün için ne kadar ödemeye razı olduklarını henüz tam olarak bilmiyoruz.

Yani birincisi, bunu hep birlikte deneyimliyoruz. İkincisi, modellerle denemeler yapmayı daha iyi anlamak gerekiyor. Bir ürün yöneticisi olarak kullanabileceğimiz çok sayıda farklı model var. Mühendislikle yakın iş birliği yaparak doğruluğun ve gecikme süresinin gerçekten önemli olduğundan emin olmalıyız.

Yazılımlardaki karmaşıklıkların artmasının, örneğin bir şeyin ekranda görünmesinin daha uzun sürmesine neden olduğunu görüyoruz. Bu nedenle, kullanıcınızın kendisine sağlayacağınız ek faydayı elde etmek için ne kadar beklemeye istekli olduğunu ve bunun risk-ödül oranını anlamak önemli olacak.

Ürün yöneticisinin rolü de devreye girip bunu analiz etmektir. Müşterinizle yakın iletişimde kalmak burada çok önemli. İş akışlarını anlamalısınız. Ek yapay zekâ tarafından üretilmiş bir özeti görmek için dört veya beş saniyelik bir gecikme, müşterinizin iş akışı açısından uygun olmayabilir. Bu nedenle bu zorlukları anlayabilmek önemli.

Hannah Clark: Evet, bu iyi bir nokta.

İstem mühendisliğine geçelim. Bunun önemli bir beceri olduğunu söyledin. Bunun yalnızca ürün yöneticilerimiz veya ürün yöneticisi olmak isteyenler için değil, herkes için yeni bir beceri seti olduğunu düşünüyorum ve kimsenin bu konuda fazla iyi olması mümkün değil.

Kaliteli bir istem oluşturmayı düşünürken, istem mühendisliği 101 kapsamında akılda tutulması gereken temel şey nedir?

Mariana Antaya: İsteme ne kadar fazla bilgi ve bağlam yazarsanız o kadar iyi olur. İsteminiz çok belirsizse karşılığında büyük olasılıkla çok belirsiz bir yanıt alırsınız.

Bu nedenle akıl yürütmenizi adım adım göstermek daha iyi istem yazmanın harika bir yoludur. “X, Y, Z’yi analiz et; birinci adım, ikinci adım, üçüncü adım” diyebilirsiniz. İstemlerinizi biçimlendirmek de bu konuda yardımcı olabilir. Son zamanlarda yeni akıl yürütme istemleri de ortaya çıktı. Bu nedenle isteminiz için ne tür bir model kullanmak istediğinizi anlamak da önemli. Ayrıca istemden ek ayrıntılar istemeyi de deneyebilirsiniz.

Büyük dil modeline kötü bir iş yaptığını söylemekten korkmayın. İstediğiniz istemi elde etmek için gerektiğinde modeli düzeltin. Ya da daha önce belirttiğim gibi farklı bir büyük dil modeline “Hey, bu büyük dil modelinden en etkili çıktıyı nasıl alabilirim?” diye sorun. Bu konuda makaleler yazmış insanlar da var.

Bu nedenle isteminizi açıklayıp yapılandırabilmeniz ve mümkün olduğunca fazla bağlam sağlayabilmeniz çok önemli. Tüm belgeleri, görselleri, kitapları veya ihtiyacınız olan her şeyi onun zihnine ekleyin ki nereden geldiğinizi ve ihtiyacınız olan bağlamı anlayabilsin. Bence istem mühendisliğinde daha iyi olmamı ve bunu anlamamı sağlayan en verimli ve etkili yollardan biri bu.

Ayrıca büyük dil modeline kim olduğunu da söylemeniz gerekiyor. ChatGPT’ye “Kendini bir veri bilimcisi olarak düşün” veya “X, Y, Z şirketinde kıdemli bir ürün yöneticisi olarak düşün” deyin. Ona bir kimlik vermek de istemlerinizi yapılandırmanın harika bir yolu; böylece o doğrultuda düşünmeye başlıyor.

Hannah Clark: Bir şeyler üzerinde yinelemeye geçelim. Büyük dil modellerini düzeltmekten bahsettin. Benim içime sinen bir alışkanlık geliştirdim ve bana çok faydası oldu: Onlarla geri bildirim döngüsünü kapatıyorum. Bir çıktı verdiğinde ve kullanmadan önce çıktıda değişiklikler yaptığımda, “Son çıktınla yaptığım şey bu. Bunu hatırla ki daha sonra bana daha verimli veya daha doğru bir çıktı verebilesin” diyerek sonucu ona geri veriyorum.

Bunun onu doğru yöne ittiğini ve bunu yapmanın kolay ve faydalı bir yol olduğunu gördüm. Peki her seferinde daha iyi sonuçlar elde etmek için ne tür ipuçları veya küçük püf noktaları edindin?

Mariana Antaya: Daha fazla bağlam vermenin yanı sıra, paylaştığım ipuçları konusunda ben de hâlâ bu yolculuğun ve sürecin içindeyim. Kendim istem mühendisliği uzmanı değilim. Kesinlikle yanıtı yinelemeye çalışıyorum. Bazen aynı istemi farklı bir büyük dil modeline girip yanıtın ne olduğuna bakıyorum.

Deneme alanları bu konuda özellikle faydalı. Kullandığım bir araçta, hatta GitHub’da da bu özellik var, iki farklı modelin çıktısını yan yana karşılaştırabiliyorsunuz. Bu, hangi büyük dil modelinin daha doğru veya istediğinize daha uygun bir yanıt verdiğini analiz etmenin harika bir yolu.

Hannah Clark: Bu gerçekten harika bir ipucu. Claude’un belirli bir göreve ChatGPT’den daha uygun olup olmadığını böyle anlayabileceğinizi düşünüyorum. Aslında bunu merak ediyordum: Kod yazmak yerine analiz için ChatGPT’yi, kod yazmak için de Claude’u kullanmaya karar vermenin belirli bir nedeni var mı? Belirli kullanım alanlarında diğerine kıyasla birinin daha iyi olduğunu fark ettin mi?

Mariana Antaya: Evet, kesinlikle. Örneğin kodlama konusunda ChatGPT ile kod yazmaya çalışıyorsam, çoğu zaman bir hata yanıtı alıyorum veya kodu çalıştırdıktan sonra bir hata alıp hatayı ChatGPT’ye giriyorum. Bazen hatayı düzeltmiyor.

Modelin hatayı düzeltmesi birkaç deneme alıyor. Claude’da ise başarı oranım çok daha yüksek. Kodun daha temiz ve daha öz olduğunu düşünüyorum. Bu nedenle Claude’u tercih ediyorum. Ancak bunlar, büyük dil modellerini deneyip test etmedikçe bilemeyeceğiniz küçük nüanslar.

Hannah Clark: İlginç; ben de aynı şeyi fark ediyorum. Claude’un daha yaratıcı düşündüğünü hissediyorum. Büyük dil modelleriyle aynı bağlamda yaratıcılık kelimesini kullanmak biraz garip geliyor; çünkü bu çok rahatsız edici bir alan. Ancak kullandığım alanlarda pazarlama materyalleri geliştirmede daha etkili olduğunu görüyorum. ChatGPT’nin ise araştırma veya daha analitik çalışmalar için biraz daha verimli olduğunu ya da daha iyi çıktılar verdiğini düşünüyorum. Aynı doğrultuda, analitik görevlerde ChatGPT’yi neden tercih ediyorsun?

Mariana Antaya: Yaptığı araştırmanın çok ayrıntılı olduğunu düşünüyorum.

Daha doğru ve araştırmanın çıktısının biçimi çok daha fazla özelleştirilebiliyor. Ona “Bir grafik istiyorum” veya “Bana bir rapor ver” diyebiliyorum. Ne yapmasını istediğimi daha iyi akıl yürüterek yanıtlıyor. Bu nedenle kullanım alanınız, onu ne için kullanacağınız ve rolünüz de kişisel tercihlerde etkili oluyor.

Burada kesinlikle kişisel bir tercih söz konusu.

Hannah Clark: Kesinlikle katılıyorum. Aslında bu konu hakkında kendi aramızda konuşuyorduk ve birçoğumuz Claude’un sepya tonları kullanmasını seviyordu. Bunun gibi basit bir şey, kullanıcı deneyiminde küçük bir değişiklik bile gözleri daha az yoruyor. Bu nedenle fark yaratıyor.

Seni daha fazla tutmayacağım. Yoğun hayatından zaman ayırıp bizimle sohbet ettiğin ve yeniden bir araya geldiğin için çok teşekkürler. Seni daha fazla dinlemek, yaptıklarını takip etmek isteyenler için insanlar seni internette nerede bulabilir?

Mariana Antaya: Beni LinkedIn’de Mariana Antaya adıyla, TikTok ve Instagram’da ise her zaman @mar_antaya kullanıcı adıyla bulabilirsiniz. Orada birçok kodlama, ürün ve yapay zekâ videosu paylaşıyorum.

Hannah Clark: Harika. Burada olduğun için teşekkürler.

Mariana Antaya: Seninle sohbet etmekten ve iş birliği yapmaktan her zaman mutluluk duyarım. Kahve eşliğinde sohbet etmek istersen konuşmaya açığım; LinkedIn’den bana ulaşmaktan çekinme.

Hannah Clark: Çok teşekkürler. Teşekkür ederim.

Bizi dinlediğiniz için teşekkürler. Daha fazla harika içgörü, nasıl yapılır rehberi ve araç incelemesi için theproductmanager.com/subscribe adresinden bültenimize abone olun. Bunun gibi daha fazla sohbeti, podcast’lerinizi dinlediğiniz her yerde Ürün Yöneticisi’ne abone olarak dinleyebilirsiniz.