O AI w Product Management mówi się dziś przede wszystkim językiem świata software. Generowanie kodu, szybkie prototypowanie aplikacji, tworzenie backlogu, user stories czy specyfikacji. Część tych zastosowań przydaje się również Product Managerowi pracującemu z produktem fizycznym, ale moim zdaniem najciekawsza zmiana zachodzi gdzie indziej.
Nowej pralki, mebla, armatury, elektronarzędzia czy urządzenia medycznego nie da się wygenerować promptem. Możemy stworzyć koncepcję, wizualizację albo część dokumentacji, ale wcześniej czy później pojawią się materiały, konstrukcja, prototyp, dostawcy, narzędzia produkcyjne, testy, normy, logistyka i koszty. Wadliwego produktu stojącego już w magazynie nie poprawimy aktualizacją wysłaną przez internet. Za to bardzo dużo może się zmienić zanim w ogóle do tego magazynu dojdziemy.
Szybciej dochodzimy do decyzji
Product Manager raczej nie cierpi na brak informacji. Problemem jest ich nadmiar, rozproszenie i to, że poszczególne działy firmy patrzą na produkt z zupełnie różnych stron. Sprzedaż wie, co mówią klienci i dystrybutorzy, marketing ma badania i dane rynkowe, serwis reklamacje, R&D dokumentację techniczną i wyniki testów, zakupy wiedzą co dzieje się u dostawców. Do tego dochodzą wyniki sprzedaży, ceny, marże, rotacja produktów, benchmarki konkurencji i kolejne raporty. Informacja zazwyczaj gdzieś jest. Tylko trzeba ją znaleźć.
W swojej pracy wielokrotnie widziałem sytuację, kiedy przygotowanie materiału potrzebnego do podjęcia decyzji trwało dłużej niż sama decyzja. Trzeba było zebrać dane z kilku miejsc, sprawdzić czy są aktualne, porozmawiać z ludźmi, którzy znali fragment problemu, porównać różne wersje Excela i dopiero wtedy zaczynała się właściwa rozmowa.
Tutaj AI jest po prostu użyteczne. Potrafi przejrzeć duży materiał, porównać dokumenty, znaleźć powtarzające się problemy czy niespójności i zrobić to w czasie, w którym człowiek dopiero zaczynałby czytać.
Oczywiście można dzięki temu również znacznie szybciej dojść do złej odpowiedzi. To akurat żadna nowość.
McKinsey szacuje, że w branżach rozwijających złożone produkty przemysłowe zastosowanie AI może przyspieszyć procesy R&D o około 20 do 80 procent, zależnie od branży. Rozrzut jest ogromny i nie traktowałbym tych liczb jak obietnicy, bardziej interesuje mnie kierunek, znaczna część potencjalnego efektu pochodzi z szybszego generowania rozwiązań, prowadzenia prac badawczych i ich oceny.
Co naprawdę mówią klienci
Customer insight jest miejscem, w którym możliwości AI widać bardzo szybko. Produkt sprzedawany w kilku krajach może mieć tysiące opinii, reklamacji, zgłoszeń serwisowych i komentarzy przekazywanych przez handlowców. Product Manager tego wszystkiego nie przeczyta, zacznie pracować na próbce, podsumowaniu albo na tym materiale, do którego akurat ma dostęp.
A później dochodzi jeszcze nasze własne doświadczenie, które jest zarówno zaletą, jak i pułapką. Jeżeli przez kilka miesięcy słyszymy, że klienci mają problem z konkretną funkcją produktu, kolejny podobny komentarz zauważymy od razu, inne mogą nam zwyczajnie umknąć.
AI może przejrzeć znacznie większą liczbę informacji, pogrupować reklamacje, znaleźć powtarzające się uwagi i pokazać zmianę, która zaczęła pojawiać się niedawno.
Nie ufałbym natomiast automatycznie rankingowi pięciu „najważniejszych problemów klientów”. Najczęstszy problem nie zawsze jest najważniejszy. Pięć zgłoszeń dotyczących poważnej awarii może być dla mnie znacznie ważniejsze niż sto uwag dotyczących czegoś, co użytkownika tylko lekko irytuje. Do tego trzeba już znać produkt i biznes.
Konkurencja i wielki Excel
Analiza konkurencji w wielu firmach nadal zaczyna się od dużego arkusza kalkulacyjnego. Sam zrobiłem takich zestawień sporo, konkurenci w kolumnach, w wierszach ceny, parametry, materiały, funkcje i wszystko, co udało się znaleźć. Po kilku dniach pracy mamy pięknego Excela.
I nadal możemy nie wiedzieć, jaki produkt powinniśmy zrobić.
AI pozwala szybciej przejść przez taki materiał, znaleźć zależności pomiędzy ceną a wyposażeniem, zobaczyć które rozwiązania zaczynają schodzić z premium do niższych segmentów albo gdzie produkty konkurencji zrobiły się do siebie podejrzanie podobne.
Mnie interesuje jeszcze inne zastosowanie. Po kilku latach pracy w jednej kategorii zaczynamy być bardzo pewni tego, co wiemy, część założeń powtarzamy tak długo, że przestajemy traktować je jak założenia.
Jeżeli uważam, że konkretna funkcja jest jedną z przewag mojego produktu, mogę poprosić AI, żeby spróbowało tę tezę rozwalić. Dlaczego klient miałby nie chcieć za nią zapłacić, gdzie moje rozumowanie może być błędne, jak ten sam problem rozwiązuje konkurencja bez tej funkcji. Czasami dostanę banał. Trudno.
Ale jeżeli wśród dziesięciu przeciętnych odpowiedzi pojawi się jedno pytanie, którego wcześniej sobie nie zadaliśmy, rozmowa zaczyna mieć sens.
Przed pierwszym prototypem
W produktach fizycznych koszt błędu rośnie wraz z postępem projektu. Na początku zmieniamy zapis w założeniach, później konstrukcję albo prototyp, następnie trzeba poprawić narzędzie, zmienić komponent czy proces produkcyjny, a czasem problem wychodzi dopiero wtedy, kiedy gotowy produkt znajduje się już w sprzedaży albo kilka tysięcy sztuk stoi w magazynie.
Dlatego największego potencjału AI szukałbym na początku procesu. Można wcześniej przejść przez założenia projektu, sprawdzić gdzie wymagania zaczynają się ze sobą gryźć, co się stanie po usunięciu jednej z funkcji albo które z naszych przekonań o użytkowniku tak naprawdę nigdy nie zostało sprawdzone. Nie potrzebujemy do tego kolejnych trzydziestu slajdów. Czasami wystarczy wcześniej zadać pytanie, które bez AI pojawiłoby się dopiero po pierwszym prototypie. Albo po drugim.
Przy produkcie fizycznym moment, w którym odkrywamy błąd, ma bardzo konkretną cenę. Im wcześniej możemy powiedzieć „to nie ma sensu” i zmienić kierunek, tym mniej później kosztuje nas przekonanie się, że mieliśmy rację.