23 вопроса, которые помогут упорядочить гипотезы, идеи и фичи в родмэпе (обновлено 2024):

– На каком этапе жизненного цикла пользователя появляется это решение?

– Как бы мы охарактеризовали проблемную область этого решения?

– Какую главную пользу несёт решение для пользователей?

– Какие доп. возможности открывает это решение для продукта/пользователей?

– Насколько специфично данное решение?

– Это решение больше устраняет проблему или расширяет возможности?

– Это поэтапное изменение или постепенное улучшение?

– Как быстро пользователя заметят данное решение?

– Каков ожидаемый "радиус взрыва” у этого решения?

– Какие данные и метрики будут циркулировать в подобном решении?

– Как это решение влияет на бизнес-метрики?

– Какой главный риск этого решения для бизнеса?

– Какой главный риск этого решения для пользователей?

– Какой главный риск если мы решим НЕ работать над этим решением?

– Есть ли у конкурентов схожие решения?

– Насколько наше решение отличается от решений конкурентов?

– Насколько наше новое решение отличается от наших текущих решений?

– Как это решение связано с другими решениям внутри продукта?

– Какие текущие приоритеты в родмэпе смещает это решение?

– Какой уровень разработки и поддержки потребуется для этого решения?

– Какие органические и искусственные ограничения есть у этого решения?

– Какие исследования были проведены при моделировании решения?

– Насколько комфортно, если мы потерпим неудачу с таким решением?

– Насколько такое решение обратимо?

– Если бы нам пришлось описать это решение как Игру, как бы мы её описали?

👁️ RUSPM

Марк рассказывает, как не надо рекламировать свои продукты (и себя) 🤓

Стив Джобс с командой объясняют на пальцах:

– Суть компании и продукта;
– качества Великих менеджеров
– каких людей нанимать в команды;
– секрет счастья сотрудников.

Версия на ютубе с субтитрами.

Всем удачной недели ☕️🔥

Минимум, который должен знать продакт-менеджер об ИИ в 2024 году + 12 бесплатных курсов по AI.

1. Алгоритмы работы модели ИИ. База, без понимания которой будет невозможно расти и развивать любые продукты.

Ты должен(а) понимать как устроено хранение данных в ИИ, как работает обработка запроса от юзера, как именно ИИ ищет информацию, как машина выбирает варианты ответов и т.п.

Всё это будет находить логическое отражение в механиках работы и взаимодействия юзеров с продуктами, в которых интегрирован ИИ (а это все продукты в будущем).

2. Data (Данные для обучения). Информация – источник жизненной силы ИИ (самое дорогое в этом мире).

Качественные наборы пользовательских данных; то, как они устроены; откуда собираются; как часто обновляются – за всем этим (своим и конкурентным) продакт-менеджеры будут охотиться ещё больше.

Не удивлюсь, если уже скоро "большие продукты" придут к тому, что будут искусственно мотивировать юзеров специально оставлять нужные для обучения ИИ типы пользовательских данных и информации (Oh, wait...).

3. Аналитика данных. Рост объёмов генерируемых ИИ (и для ИИ) данных вызовет рост спроса на специализированные инструменты и решения для аналитики таких данных, а также специалистов, которые умеют работать с такими данными и инструментами.

Подобные решения и инструменты... снова буду строиться на базе и технологии ИИ 🔁

4. Логика и философия продакта. Данных станет настолько много и они будут появляться настолько быстро, что изменится подход к восприятию и переосмыслению самой Сути информации и её формату как таковых.

Не говоря уже о том, что данные, генерируемые ИИ (и на основе которых продакты будут принимать решения), по разным причинам, могут быть недостоверными.

В условиях растущей уже в геометрической прогрессии информационной перенасыщенности (привет, «Мертвый Интернет») и рисков ошибочности ИИ, глотком свежего воздуха всегда будут Логика и Философия.

Иными словами – живое человеческое сознание и воображение продакт-менеджера.

Но вернёмся к основам. Не знаешь что такое пространство вариантов ответов? Какая разница между ИИ-агентом и ИИ-супервайзером? Почему ИИ отвечает лучше, если её благодарить?

12 бесплатных курсов по ИИ:

– AI for everyone - Deep Learning
– Applied AI - IBM
– Introduction to generative AI by Google

– Building with Generative A by Microsoft
– Machine Learning Specialization - Stanford
– Machine Learning on AWS

– Machine for all - University of London
– AI for business specialization - Penn University
– AI, Business & the Future of Work - Lund University

– Introduction to prompt engineering - LinkedIn
– Руководство по промпт-инжинирингу
– МЕГА руководство по промтп-инжинирингу

ИИ открывает кладезь возможностей для моделирования и прогнозирования поведения пользователей, но нужно научиться внимательно и аккуратно использовать эти сверхспособности.

👁️ RUSPM