CPO ve yapay zekâ odaklı kurucu, yapay zekâyla ürün yol haritasının akıllıca nasıl yönetileceğini paylaşıyor

Tara Sakhuja, Luv or Pop'un CPO'su ve Data Dumpling adlı yapay zekâ odaklı işletmenin kurucusudur. Bu görevlerinden önce Meta ve Bumble gibi şirketlerde ürün alanında çalıştı.

Tara ile yapay zekâyla PM iş akışlarını nasıl değiştirdiğini öğrenmek için bir araya geldik. Bu sırada yapay zekâ ürünleri geliştiren kişilerin düştüğü en büyük tuzaklardan birini de paylaştı.

Akıllı ürünler, akıllıca geliştiriliyor

Ben Tara Sakhuja. Yapay zekâ, ürün stratejisi ve insan davranışının kesişim noktasında çalışıyorum.

Şirketlerin müşterilerinin kim olduğunu, hangi sinyallerin önemli olduğunu ve ekiplerinin nereye odaklanması gerektiğini anlamasına yardımcı olan bir yapay zekâ platformu olan Data Dumpling'in Kurucusu ve CEO'suyum. Ayrıca Luv or Pop'ta Ürün Direktörü olarak görev yapıyorum. Burada dünyanın en viral programlarından biri olan Pop the Balloon or Find Love with Arlette Amuli aracılığıyla flört ve çevrim içi topluluk anlayışını yeniden şekillendiriyoruz.

Bundan önce Meta'da ve daha sonra Bumble'da on yıl boyunca ürünler geliştirdim; reklamlar, ticaret, işletme mesajlaşması, bütünlük, güven ve makine öğrenimi sistemleri gibi alanlarda çalıştım.

Tüm bu deneyimleri birbirine bağlayan tek bir soru var: İnsanların daha iyi kararlar almasına yardımcı olan sistemleri nasıl geliştirirsiniz?

Meta'da milyarlarca kullanıcının ölçeğinde çalışan sistemler geliştirdim. Bumble'da güvenlik, güven ve yapay zekânın derin insani deneyimleri nasıl etkilediğine odaklandım. Şimdi ise bir kurucu olarak, yapay zekâ temelli ürünleri ilk prensiplerden hareketle geliştiriyorum.

Mobil teknolojiden bu yana ürün geliştirmedeki en büyük dönüşümlerden birine giriyoruz. En büyük değişim, ürünlerin akıllı hâle gelmesi değil. Ürün geliştirme biçimimizin de akıllı hâle gelmesi gerekiyor.

Ürünlerin yeni nesli

Data Dumpling yapay zekâ temellidir. Şirket zekâsını, satın alma komitelerini, ilişki sinyallerini ve gerçek zamanlı ilgiyi bir araya getirerek ekiplerin en yüksek değer taşıyan fırsatlarını belirlemelerine ve bundan sonra hangi adımı atmaları gerektiğini anlamalarına yardımcı olur. Kurumsal teknoloji, danışmanlık ve sanayi sektörlerindeki şirketlerle çalışıyor; gelir ekiplerinin statik listeler ve manuel araştırmadan yapay zekâ destekli karar sistemlerine geçmesine yardımcı oluyoruz.

Luv or Pop'ta, flört anlayışını güven, kimlik ve toplulukla yeniden şekillendiren tüketici odaklı sosyal platformun ürün stratejisine liderlik ediyorum. ABD, Birleşik Krallık, Kanada ve Afrika'nın bazı bölgelerinde on binlerce kullanıcıya ulaşarak doğrulama, eşleştirme ve sahici insan bağlantısı sistemleri geliştirdik.

Ürünler birbirinden çok farklı görünse de temel ürün felsefesi aynı: Ürünlerin yeni nesli yalnızca insanların daha fazla iş yapmasına yardımcı olmayacak. İnsanların daha iyi kararlar almasına yardımcı olacak.

İster bir GTM ekibinin bir sonraki müşterisini bulmasına ister bir kişinin anlamlı bir ilişki kurmasına yardımcı olsun, asıl zorluk insan muhakemesini güçlendiren bir teknoloji tasarlamaktır.

Yapay zekâ daha küçük ekiplerin ürün geliştirmede titizliğe ulaşmasını nasıl sağlıyor?

Benim için en büyük dönüşümlerden biri, yapay zekânın küçük ürün ekiplerinin operasyonel verimliliğini artırması.

Meta'da çalışırken karar alma süreçleri için kapsamlı bir altyapımız vardı. Özel ekipler, gelişmiş deney platformları, gösterge panoları, veri bilimcileri, araştırmacılar ve analistler; ürün ekiplerinin kullanıcı davranışını anlamasına ve daha iyi kararlar almasına yardımcı oluyordu.

Tarihsel olarak yalnızca yüzlerce ya da binlerce çalışanı olan şirketler bu düzeyde ürün geliştirme titizliğine ulaşabiliyordu. Yapay zekâ bunu değiştiriyor.

Daha küçük ekiplerimde bile kullanıcı etkileşimlerini anlamak ve bir sonraki odak alanlarımızı belirlemek için yapay zekâyı yoğun biçimde kullanıyoruz.

Ürün verilerimizi Claude'a bağlıyor ve kullanıcı davranışını anlamak için Mixpanel gibi araçları kullanıyoruz. Önceden küçük bir ekip, ürün sorusunu ele almadan önce gösterge panoları oluşturmak, sorgular yazmak ve örüntüleri manuel olarak analiz etmek için önemli miktarda zaman harcardı. Artık verilerimizle sohbet edebiliyoruz.

Bu nedenle yeni bir özellik kullanıma sunduğumuzda veya bir kampanya yürüttüğümüzde şunları hızla anlayabiliyoruz:

• Hangi kullanıcı segmentleri yanıt veriyor?
• İnsanlar nerede ayrılıyor?
• Hangi davranışlar elde tutmayla ilişkili?
• Sırada neyi test etmeliyiz?

Bu, kararı bizim yerimize yapay zekânın verdiği anlamına gelmez. Zamanımızı nereye harcadığımızı değiştirir.

İnsanın rolü veri çekmekten uzaklaşıp daha iyi sorular sormaya yöneliyor.

Bir model, metriklerdeki değişimi belirleyebilir, değişimi segmentlere ayırabilir ve olası açıklamalar önerebilir; ancak günün sonunda, hangi hipotezlerin inandırıcı olduğunu, değişimin önemli olup olmadığını ve bundan sonra ne yapılması gerektiğini gerçekten insanın ürün muhakemesi belirleyebilir.

Hızlı prototipleme konuşmayı nasıl değiştiriyor?

Yapay zekâ, bir fikir ile gerçek müşteri geri bildirimi arasındaki mesafeyi azaltır.

Ürünün ilk geliştirme aşamalarında yapay zekâyı yoğun olarak kullanıyoruz. Artık yazılı bir konsept dokümanıyla başlamak yerine, mühendislik kaynaklarını ayırmadan önce ekibin ürünü deneyimlemesine olanak tanıyan prototipleri ve etkileşimli deneyimleri hızla sezgisel kodlamayla oluşturuyoruz.

Bu, hem kurum içinde hem de kurum dışında yaptığımız konuşmaların niteliğini değiştirdi.

Bir ürün fikri bir dokümanda harika görünebilir; ancak biri onunla etkileşime girdiği anda, aksi takdirde gözden kaçıracağınız şeyleri fark edersiniz: kullanıcı sürtünmesi, duygusal tepkiler, kafa karıştırıcı akışlar veya geçerliliğini korumayan varsayımlar.

Prototipleri titizlikle stres testine tabi tutuyor, geri bildirim topluyor, yinelemeler yapıyor ve ancak bundan sonra tam geliştirme aşamasına geçiyoruz.

Bu özellikle önemli; çünkü yapay zekâ, anlamlı sorunları çözmeyen etkileyici şeyler geliştirmeyi de kolaylaştırıyor. Örneğin Data Dumpling'de şirketler, alıcılar ve karar vericiler hakkında zengin istihbarata sahip olduğumuz için sentetik müşteri personaları üzerinde denemeler yaptık. Farklı personaların mesajlara veya kampanyalara nasıl yanıt verebileceğini simüle edebiliyorduk. Teknik açıdan, geliştirdiğimiz en ilginç şeylerden biriydi. Ancak müşterilerimizin buna ihtiyacı yoktu.

Tara'nın Düşünceleri

\u003cstrong\u003ePrototipleri titizlikle stres testine tabi tutuyor, geri bildirim topluyor, yinelemeler yapıyor ve ancak bundan sonra tam geliştirme aşamasına geçiyoruz. Bu özellikle önemli; çünkü yapay zekâ, anlamlı sorunları çözmeyen etkileyici şeyler geliştirmeyi de kolaylaştırıyor.\u003c/strong\u003e

Yapay zekâ müşteri keşfini ve yol haritalarını nasıl etkiliyor?

Tarihsel olarak müşteri keşfi kayıplı bir süreçti. Bir ürün yöneticisi notlar alır, konuşmaları özetler, temaları belirler ve bu içgörüleri yol haritası kararlarına dönüştürürdü. Sürecin büyük bir bölümü, birinin neyi hatırladığına veya belgelediğine bağlıydı.

Bu iş akışını yapay zekâyla yeniden oluşturdum. Read AI her müşteri ve potansiyel müşteri konuşmasını kaydediyor, Claude ise bunları sentezliyor. Bu konuşmaları doğrudan yol haritamızla eşleştiren özel beceriler geliştirdik; böylece hangi sorunların tekrar tekrar gündeme geldiğini, hangi müşteri segmentlerinin bunları önemsediğini ve bu taleplerin gelir fırsatlarıyla nasıl bağlantılı olduğunu anlayabiliyoruz.

Herhangi bir anda yalnızca kaç müşterinin bir özellik istediğini değil, sorunun ne kadar önemli olduğunu, kimin bunu yaşadığını ve çözümünün işi ileri taşıyıp taşımadığını da anlayabiliyoruz.

Sonuç olarak ürün kararları, statik notlar ve tek seferlik konuşmalar koleksiyonuna değil, sürekli güncellenen bir müşteri istihbaratı sistemine dayanıyor.

Ürün yöneticileri, temel modellerin yapamadıklarına dayanarak ürün geliştirme konusunda neden temkinli olmalı?

Yapay zekâ ürünleri geliştiriyorsanız, temel modellerin ne kadar hızlı geliştiğini anlamanız gerekir. Daha geçen yıl, Data Dumpling'de geliştirdiğimiz ilk yapay zekâ yeteneklerinden biri içerik oluşturmayla ilgiliydi. O dönemde şirket istihbaratını kullanarak son derece bağlamsal erişim mesajları oluşturmak gerçek bir rekabet avantajı gibi görünüyordu.

Yılın sonuna gelindiğinde modeller; görselleri, bağlantıları ve uzun biçimli bağlamı anlama ve kutudan çıktığı hâliyle yüksek kaliteli içerik üretme becerilerini büyük ölçüde geliştirmişti. Başlangıçta farklılaştırıcı görünen bir şey, şaşırtıcı derecede hızlı bir şekilde asgari gereklilik hâline geldi.

Bence birincil değeri modelin bugün yapamadıklarına dayanan ürünler geliştirmek tehlikeli. Bunun yerine müşteri iş akışları, özel veriler ve zaman içinde daha değerli hâle gelen sistemler etrafında ürünler geliştirmeye odaklanıyoruz.

Ürün liderleri neden denemeler yapmalı, ancak kararlı olmalı?

Tavsiyem basit: meraklı olun, ancak kararlı davranın.

Yeni modeller, araçlar ve yetenekler neredeyse her hafta ortaya çıkıyor. Hiç kimse tüm cevaplara sahip değil; bu nedenle en hızlı öğrenen ekipler denemeye istekli olanlardır.

Ürün geliştirme sürecinizin yavaş, tekrarlayan veya can sıkıcı herhangi bir bölümüyle başlayın. Farklı yapay zekâ araçlarını deneyin. Ekibinizin çalışmalarını gerçekten neyin iyileştirdiğini görün. Etkiyi ölçün, işe yarayanı koruyun ve işe yaramayanı terk etmekten çekinmeyin.

Aynı zamanda, yapay zekâ var olduğu için şu anda her şeyi yeniden inşa etme eğilimi de var. Doğru yaklaşım bu değil.

Bir süreç zaten iyi işliyorsa, yapay zekânın oraya dâhil edilmesi şart değildir. Yapay zekâ yeni sorunlar yaratmak yerine gerçek sorunları çözmelidir.

Ayrıca her karar otomatikleştirilmemelidir. Data Dumpling'de yapay zekâ potansiyel müşteri keşfinin, satın alma komitesi haritalamasının ve niyet sinyali analizinin büyük bölümünü otomatikleştirirken, tüm iş akışımızı sürece dâhil olan bir insan etrafında oluşturuyoruz. Yapay zekâ fırsatları ortaya çıkarmada, sinyalleri birbirine bağlamada ve dikkati nereye yoğunlaştıracağımıza öncelik vermede olağanüstüdür. Ancak bir hesaba yönelip yönelmeme, stratejiyi değiştirme veya karmaşık bir satın alma sinyaline nasıl karşılık verileceğine karar verme gibi nihai kararı hâlâ bir insan verir.

Bu bilinçli bir tasarım tercihidir. Amaç muhakemenin yerini almak değil, insanların daha iyi kararlar verebilmesi için onlara daha iyi bir bağlam sağlamaktır.

Sonuç olarak yapay zekâ çağında başarı, en çok aracı kullanmaktan gelmez. Başarı, yapay zekânın nerede kaldıraç oluşturduğunu ve insan muhakemesinin nerede hâlâ önem taşıdığını bilmekten gelir.

Takipte kalın

Tara Sakhuja'nın çalışmalarını LinkedIn ve Instagram üzerinden takip edebilirsiniz. Ayrıca Data Dumpling ve Luv or Pop'a göz atın.

The CPO Club'da daha fazla uzman röportajı sizlerle olacak!