Tech Lead + GenAI - Potrzeby klienta i biznesu
Narzędzia generatywnej sztucznej inteligencji pomagają liderom technicznym również w obszarach produktowych.
Możecie uznawać, że rozumienie potrzeb klienta nie jest działką lidera technicznego. Jednak jak pisałem w artykule o Product Engineer, inżynierowie coraz częściej przejmują szerszy zakres odpowiedzialności - angażują się nie tylko w kod, ale też w zrozumienie problemów klienta i proponowanie rozwiązań.
GenAI pomaga bardzo mocno przy dostarczaniu rozwiązań. Jednak, jak zauważa Marty Cagan w wizji dla zespołów produktowych, choć AI zautomatyzuje procesy delivery, to etap discovery wciąż pozostanie domeną człowieka.
A więc jak GenAI może wspomóc siebie w pracy z klientami i biznesem? Najpierw odpowiedzmy sobie jak nie powinna Ciebie wesprzeć 😉
Dlaczego AI nie zastąpi zadawania pytań
Pavel Samsonov, lider świata UX, w swoim artykule "No, AI user research is not 'better than nothing'—it's much worse" stawia sprawę jasno:
Compared with the incredible value of things customers have actually said, things that sound like customers might say them are worthless.
Jako lider techniczny potrzebujesz prawdziwych odpowiedzi, nie wygenerowanych przypuszczeń, które tylko brzmią wiarygodnie.
"Syntetyczne odpowiedzi" prowadzą wprost do generycznych, ustandaryzowanych produktów:
Wszystkie zespoły korzystają z tych samych modeli AI.
Otrzymują podobne sugestie i wnioski.
Produkty stają się nieodróżnialne od konkurencji.
Pavel kończy artykuł z:
The LLM can't buy your product. *
Modele językowe nie są prawdziwymi klientami i nie kupią twojego produktu. Więc nie odpowiadaj za kogoś - zamiast pytać AI "jakie są potrzeby klientów w branży X?", lepiej zapytaj bezpośrednio faktycznych użytkowników.
Choć AI nie udzieli Ci wiarygodnych odpowiedzi za Twoich klientów, może zrobić coś bardzo wartościowego - pomóc Ci przygotować lepsze pytania do nich.
* (wiem, że istnieją już np. tablice pracy dla Agentów, ale to raczej wyjątek od reguły)
LLM jako propozycja pytań
Zamiast pytać LLM o odpowiedzi, poproś o przygotowanie pytań, którymi wesprzesz się w dyskusji z biznesem i klientami.
Technika "poszerzania horyzontu" pozwala znaleźć pytania, których sami byśmy nie zadali. AI nie ma naszych ograniczeń poznawczych i ślepych punktów - może zaproponować pytania z obszarów, które moglibyśmy pominąć lub uważać za oczywiste.
Najbardziej skuteczne jest strukturyzowanie pytań według znanych ram. Techniki takie jak Impact Mapping czy Opportunity Solution Tree świetnie sprawdzają się jako struktury, które wspomogą nas w wymyślaniu pytań
Z takimi ramami GenAI może pomóc nam:
Weryfikować kompletność struktury - "Czy o czymś zapomnieliśmy w obszarze 'KTO'?"
Znajdować luki w rozumowaniu - "Jakie połączenia między 'JAK' a 'CO' wydają się niepełne?"
Kwestionować nasze założenia - "Czy nasz cel biznesowy faktycznie adresuje problem klienta?"
Warto wykorzystać LLM do eksplorowania struktur, które zwiększają naszą zdolność do zadawania właściwych pytań, zamiast szukania gotowych odpowiedzi.
Przykład dla domeny rowerowej
Wykorzystamy jako przykład domenę biznesową Wypożyczalni Rowerów z poprzedniego artykułu.
LLM może nam pomóc wygenerować pytania, jeśli wskażemy mu strukturę IM i OST:
Pytania do biznesu
DLACZEGO (cel biznesowy):
"Czy bardziej zależy Wam na zwiększeniu liczby nowych klientów czy utrzymaniu stałych użytkowników?"
"Co jest ważniejsze: zwiększenie ogólnej liczby wypożyczeń czy wydłużenie czasu pojedynczego wypożyczenia?"
"Które stacje generują najmniej wypożyczeń i dlaczego?"
"Jak duży problem stanowią dla Was uszkodzone rowery i ile to kosztuje rocznie?"
KTO (aktorzy, interesariusze):
"Czy więcej mamy klientów indywidualnych czy firmowych?"
"Jakie typy rowerów cieszą się największą popularnością wśród różnych grup klientów?"
"Które grupy klientów najczęściej zwracają rowery do innych stacji niż te, z których je wypożyczyli?"
"Jak wygląda współpraca z serwisantami rowerów - co działa, a co wymaga usprawnienia?"
JAK (zmiany zachowania):
"Jak często klienci rezygnują z wypożyczenia, gdy nie znajdują odpowiedniego roweru na stacji?"
"W jaki sposób klienci najczęściej wybierają konkretną stację do wypożyczenia roweru?"
"Jak często zdarza się, że klienci chcą zwrócić rower, ale stacja jest pełna?"
"Jak wielu klientów zgłasza problemy z rowerami po ich wypożyczeniu?"
Pytania do klientów
Ukierunkowane na konkretne doświadczenia:
"Opowiedz mi o ostatnim razie, gdy wypożyczyłeś/aś rower z naszej stacji. Co dokładnie się wydarzyło?"
"Przypomnij sobie sytuację, gdy chciałeś/aś zwrócić rower, ale stacja była pełna. Co wtedy zrobiłeś/aś?"
"Czy możesz mi opowiedzieć o konkretnym przypadku, gdy miałeś/aś problem z aplikacją do wypożyczania?"
Eksplorujące kontekst:
"Jak znalazłeś/aś się w sytuacji, gdy potrzebowałeś/aś roweru tego dnia?"
"Co robiłeś/aś bezpośrednio przed i po wypożyczeniu roweru podczas ostatniej przejażdżki?"
"W jakich okolicznościach zdecydowałeś/aś się po raz pierwszy skorzystać z naszej wypożyczalni?"
Pogłębiające historię:
"Co dokładnie zrobiłeś/aś, gdy zobaczyłeś/aś, że hamulce w rowerze nie działają prawidłowo?"
"Jak zareagowałeś/aś, gdy aplikacja pokazała błąd podczas płatności?"
"Opowiedz mi więcej o tym, jak znalazłeś/aś alternatywną stację, gdy ta przy dworcu była pusta?"
Podczas wywiadu z klientami należy unikać pytań, które:
Dotyczą hipotetycznych sytuacji ("Co byś zrobił, gdyby...")
Skupiają się na ogólnych preferencjach ("Co zazwyczaj robisz...")
Proszą o wróżenie przyszłości ("Czy korzystałbyś/abyś z...")
Każda z odpowiedzi ułatwi Ci następnie dopasować rozwiązanie do faktycznych potrzeb.
Jednak te pytania trzeba zadać, a następnie zebrać odpowiedzi. Jak sobie ułatwić ten proces nowymi technologiami?
Transkrypcja rozmów
Notatki robić warto. Jednak nie wszystko wyłapiesz podczas rozmowy z klientem czy biznesem. Skupiając się na zadawaniu pytań i budowaniu relacji, często umkną ci szczegóły wypowiedzi.
Aplikacje które automatycznie łączą się do spotkania i robią notatki rozwiązują ten problem. Serwisy jak otter.ai czy fireflies.ai integrują się z popularnymi platformami do spotkań online i tworzą szczegółowe transkrypcje.
Nie zawsze jest to spotkanie online - spotkanie może odbywać się na miejscu. Wtedy zrobisz to za pomocą aplikacji do samej transkrypcji jak transkriptor.com czy transcribe.com, które pozwalają przetwarzać pliki audio na tekst.
Ja osobiście korzystam z Azure AI Speech, które jest dość surowe, ale jest tanie 😅 Posiada API do automatyzacji - w ten sposób możesz zintegrować transkrypcję z innymi narzędziami.
Synteza informacji
Przy mniejszej liczbie rozmów wyniki możesz przetworzyć samemu. Jednak posiadając dziesiątki czy setki, analiza przestaje być wykonalna w rozsądnym czasie.
Jeśli masz transkrypcje z rozmów lub wyniki ankiet, możesz wykorzystać GenAI do syntezy tych informacji - wyciągnięcia najistotniejszych wniosków i odkrycia ukrytych wzorców.
Co można zrobić?
Identyfikacja wzorców w wielu rozmowach
GenAI pomaga znaleźć powtarzające się tematy i problemy:
"Przeanalizuj te transkrypcje i zidentyfikuj 5 najczęściej występujących problemów z dostępnością rowerów na stacjach"
"Znajdź wspólne wzorce w opiniach klientów na temat procesu wypożyczania rowerów"
"Porównaj problemy zgłaszane przez weekendowych i codziennych użytkowników systemu rowerowego"
Jak wspomniałem w artykule o bazie wiedzy, GenAI może analizować duże ilości tekstu znacznie szybciej niż człowiek, wyciągając z nich najważniejsze informacje.
Klasyfikacja i grupowanie opinii
Możesz poprosić model o pogrupowanie podobnych odpowiedzi i przypisanie im etykiet:
"Pogrupuj te odpowiedzi na pytanie o problemy z aplikacją do wypożyczania rowerów według głównych kategorii"
"Sklasyfikuj opinie klientów według tego, czy dotyczą stanu technicznego rowerów, rozmieszczenia stacji czy procesu płatności"
Wychwytywanie emocji i problemów
AI doskonale radzi sobie z analizą sentymentu, wyłapując nie tylko fakty, ale i emocje:
"Zidentyfikuj wypowiedzi klientów, które wyrażają największą frustrację związaną z brakiem dostępnych rowerów"
"Znajdź pozytywne opinie o naszym nowym systemie zwrotu rowerów do dowolnej stacji"
W newsletterze o mierzeniu zmian w produkcie pisałem o tym, jak ważne jest zbieranie informacji zwrotnej. GenAI może znacząco usprawnić analizę tej informacji.
Tworzenie profili użytkowników
Na podstawie zebranych danych możesz poprosić AI o stworzenie profili typowych użytkowników:
"Utwórz 3-4 profile typowych klientów wypożyczalni rowerów w oparciu o ich potrzeby i nawyki"
"Opisz typowego użytkownika wypożyczającego rowery w weekend i porównaj go z użytkownikiem dojeżdżającym do pracy"
Te profile mogą następnie wspomóc projektowanie rozwiązań dostosowanych do konkretnych grup odbiorców.
Identyfikacja ukrytych potrzeb w zebranych danych
Najbardziej wartościowe jest odkrywanie potrzeb, których klienci nawet nie wyrażają wprost:
"Jakie nieoczywiste problemy z systemem rowerowym wynikają z tych transkrypcji?"
"Zidentyfikuj ukryte możliwości biznesowe związane z wypożyczalnią rowerów na podstawie tych rozmów z klientami"
"Jakie potrzeby użytkownicy rowerów miejskich wyrażają pośrednio, nie mówiąc o nich wprost?"
W swojej istocie GenAI to narzędzie do znajdowania wzorców - może więc dostrzec połączenia i trendy, które Tobie by umknęły.
Przykład syntezy z domeny rowerowej
Wracając do naszego przykładu wypożyczalni rowerów, tak mogłaby wyglądać synteza:
Przeanalizowałem 50 transkrypcji rozmów z klientami. Najczęściej powtarzające się problemy:
1. Brak dostępności rowerów na popularnych stacjach (73% rozmów)
- Szczególnie dotkliwy w godzinach porannych (7-9)
- Najczęściej wymieniane lokalizacje: Centrum, Dworzec, Hala Stulecia
2. Problemy z aplikacją mobilną (58% rozmów)
- Długi czas ładowania (szczególnie mapa stacji)
- Nieaktualne informacje o dostępności
- Awarie podczas płatności
3. Stan techniczny rowerów (47% rozmów)
- Szczególnie hamulce i przerzutki
- Problem nasila się pod koniec tygodnia
Zidentyfikowano trzy główne profile użytkowników:
- Dojeżdżający do pracy (35%): wypożyczają codziennie rano i po południu, wrażliwi na czas
- Weekendowi rekreacyjni (40%): wypożyczają na dłużej, cenią komfort i stan techniczny
- Okazjonalni (25%): korzystają nieregularnie, największe problemy z aplikacją i procesem płatności
Ukryte potrzeby:
- Potrzeba przewidywalności - wielu użytkowników planuje dzień wokół dostępności rowerów
- Potrzeba statusu - część klientów chciałaby się wyróżniać (sugestie programu lojalnościowego)
- Potrzeba pomocy - wielu nowych użytkowników obawia się zadawać pytania personelowi
Mając takie informacje możesz podejmować lepsze decyzje techniczne.
Podsumowanie
Jak widzisz, narzędzia Gen AI można wykorzystać również w pracy z klientem i biznesem. Nie jest to “core” pracy lidera technicznego, jednak musimy tutaj poświęcać czas. Dlatego warto zadbać, by wyniki były wysokiej jakości.
Daj znać w komentarzu jak Tobie narzędzia Gen AI ułatwiają pracę w tym obszarze!