Нет, я не считаю, что продактов заменит AI.
Почему-то в последнее время много разговоров про это: вот-вот, уже совсем скоро искусственный интеллект будет заниматься приоритезацией, а продакты – йогой на Бали. Простите, ребята, в ближайшее время это точно не случится.
Я работаю с machine learning последние несколько лет. Понятно, что внутри ML есть разные направления, но для всех них характерно следующее:
- Чтобы обучить хорошую модель, нужны данные: не один и даже не десять примеров, а тысячи. Предположим, мы хотим сделать модель для приоритизации фич: для этого нам нужны предыдущие фичи, которые мы брали/не брали в работу, некоторый набор характеристик, по которым принималось решение, и конечный результат (business impact). Предположим даже, что нам удалось собрать несколько тысяч таких примеров – что уже довольно нереалистично, так как нужно учитывать индустрию, бизнес-модель и масштаб продукта: решения в b2b vs b2c или entertainment vs education будут очень сильно различаться.
Окей, вот наша модель готова - что дальше?
Во-первых, она не будет брать во внимание новые тренды или события: к примеру, вышел новый закон или конкурент запустил новый продукт. Таким образом, наша приоритезация не будет полезной со стратегической или инновационной точки зрения.
Во-вторых, она by design будет оптимизировать для краткосрочной, нежели чем долгосрочной перспективы. Прямое влияние на метрики оценить легко, но что насчет пользовательской лояльности и эмоций? Что насчет улучшения качества? Что насчет цельности истории продукта?
В-третьих, почти наверняка нам не удастся избежать байасов, а просчитать все варианты не представляется возможным. Простой пример: маленьких компаний больше, чем гигантов, а процесс принятия решений в них очень разный.
Наконец, даже если мы разобрались со всеми проблемами, максимум, что мы получим из модели, - это предсказание успеха уже нагенеренных идей. То есть, как минимум, определение проблемы, постановка гипотез, scope все еще остаются на продакте 🙂
Что интересно, многие курсы для продактов пытаются использовать это как selling point: вот вам десяток кейсов, натренируйте свою нейроночку, и будет вам счастье.
Мой совет – будьте с этим очень аккуратны.
За исключением дисциплин, которые работают с known knowns и могут переиспользовать best practices (например, онбординг), большинство продактов работают с комплексными проблемами, в которых важно учитывать целый набор факторов. Если вам тупо дают кейс и результат, в ваш мозг просто добавляется еще один байас, устанавливается связка фича-импакт. В итоге это может привести к слепым инвестициям, основанным не на RAT, а на чужих кейсах (которые могут быть не применимы к вашей ситуации).
Единственно правильная "упаковка" кейса – это погрузить вас в процесс мышления и принятия решений, показать, как реагировать на разные вызовы. У кейса не может быть единственно правильного ответа, потому что у любой проблемы миллион решений – и никогда неизвестно, какое в данной ситуации сработало бы лучше. Ваша задача – научиться навигировать между разными опциями и объяснять, почему та или иная лучше.
@proproduct
Почему-то в последнее время много разговоров про это: вот-вот, уже совсем скоро искусственный интеллект будет заниматься приоритезацией, а продакты – йогой на Бали. Простите, ребята, в ближайшее время это точно не случится.
Я работаю с machine learning последние несколько лет. Понятно, что внутри ML есть разные направления, но для всех них характерно следующее:
- Чтобы обучить хорошую модель, нужны данные: не один и даже не десять примеров, а тысячи. Предположим, мы хотим сделать модель для приоритизации фич: для этого нам нужны предыдущие фичи, которые мы брали/не брали в работу, некоторый набор характеристик, по которым принималось решение, и конечный результат (business impact). Предположим даже, что нам удалось собрать несколько тысяч таких примеров – что уже довольно нереалистично, так как нужно учитывать индустрию, бизнес-модель и масштаб продукта: решения в b2b vs b2c или entertainment vs education будут очень сильно различаться.
Окей, вот наша модель готова - что дальше?
Во-первых, она не будет брать во внимание новые тренды или события: к примеру, вышел новый закон или конкурент запустил новый продукт. Таким образом, наша приоритезация не будет полезной со стратегической или инновационной точки зрения.
Во-вторых, она by design будет оптимизировать для краткосрочной, нежели чем долгосрочной перспективы. Прямое влияние на метрики оценить легко, но что насчет пользовательской лояльности и эмоций? Что насчет улучшения качества? Что насчет цельности истории продукта?
В-третьих, почти наверняка нам не удастся избежать байасов, а просчитать все варианты не представляется возможным. Простой пример: маленьких компаний больше, чем гигантов, а процесс принятия решений в них очень разный.
Наконец, даже если мы разобрались со всеми проблемами, максимум, что мы получим из модели, - это предсказание успеха уже нагенеренных идей. То есть, как минимум, определение проблемы, постановка гипотез, scope все еще остаются на продакте 🙂
Что интересно, многие курсы для продактов пытаются использовать это как selling point: вот вам десяток кейсов, натренируйте свою нейроночку, и будет вам счастье.
Мой совет – будьте с этим очень аккуратны.
За исключением дисциплин, которые работают с known knowns и могут переиспользовать best practices (например, онбординг), большинство продактов работают с комплексными проблемами, в которых важно учитывать целый набор факторов. Если вам тупо дают кейс и результат, в ваш мозг просто добавляется еще один байас, устанавливается связка фича-импакт. В итоге это может привести к слепым инвестициям, основанным не на RAT, а на чужих кейсах (которые могут быть не применимы к вашей ситуации).
Единственно правильная "упаковка" кейса – это погрузить вас в процесс мышления и принятия решений, показать, как реагировать на разные вызовы. У кейса не может быть единственно правильного ответа, потому что у любой проблемы миллион решений – и никогда неизвестно, какое в данной ситуации сработало бы лучше. Ваша задача – научиться навигировать между разными опциями и объяснять, почему та или иная лучше.
@proproduct
