צוותי מוצר נמצאים בבסיס הפעילות של כל חברת סטארט-אפ. מנהלות מוצר עובדות בשיתוף פעולה עם מעצבי מוצר, כאשר חוקרות חוויית משתמש, מנתחות דאטה, אנשי שיווק מוצר וכמובן צוותי פיתוח מגדירים ביחד מה הדבר הבא שצריך לפתח (פיצ'ר חדש או פתרון באגים או חלק חדש במוצר). בחברות צמיחה צוותים אלה צריכים לסגל דרכי פעולה אפקטיביות כדי להמשיך להוביל לצמיחה, לעמוד בדרישות של לקוחות קיימים, לפתור בעיות שמתגלות ללא הרף ולהתמודד עם תחרות ומציאות משתנה.
יש מתודולוגיות רבות שמסייעות לצוותי מוצר לעשות זאת, כאשר העיקריות הן גילוי מוצר (Product Discovery), אסטרטגיית מוצר (Product Strategy) וצמיחה מבוססת מדדים (Product Metrics and Growth). השימוש במתודולוגיות האלה נעשה במקביל, בתהליך של ניסוי וטעייה, שהולך ומתכנס עד שמגיעים למסקנה מה הדבר הבא שצריך לאפיין ולפתח, מה הכי חשוב כרגע, מדוע הצוות חושב שזה יוביל להמשך צמיחה של המוצר או להעמקת השימוש או לחוויית משתמש טובה יותר, וכיצד ניתן למדוד בפועל אם אכן הפיתוח הזה תרם למוצר או לא.
מחקר כמותי ואיכותני
מתודולוגיית גילוי מוצר היא בעצם שילוב של שיטות מחקר, המבוססות על מחקר איכותני וכמותי עם התאמה לקצב של סטארט-אפ. לדוגמה, מנהלת מוצר עובדת יחד עם אנליסטית דאטה על זיהוי דפוסי שימוש של לקוחות. הן מגלות שיש סגמנט מסוים של לקוחות שמשתמש במוצר, אבל אינו משלים את התהליך עד הסוף (נניח, לא מבצע הזמנה או רכישה). אז נשאלת השאלה מדוע זה קורה וכיצד ניתן לשפר זאת?
ניתוח הדאטה לבד אינו מספיק כדי לענות על השאלה "מה הדבר הבא שצריכים לפתח". מנהלת המוצר יודעת מה הבעיה (סגמנט לקוחות מסוים משתמש במוצר אך אינו משלים רכישה, בהשוואה לסגמנטים אחרים), אבל היא לא יודעת למה זה קורה, מה הגורמים לכך, ולכן איננה יכולה עדיין להגדיר מטרות ברורות לצוותים הרלוונטיים. לכאורה, היא יכולה לבצע בדיקת A\B, השוואה בין שתי גרסאות של אלמנט מסוים במוצר ובדיקה איזו מהגרסאות מניבה תוצאות טובות יותר. אבל ללא הבנה, או אפילו השערה, מה צריך להיות ההבדל בין גרסה A לגרסה B זה הופך לניחוש שאינו אפקטיבי, כי יש יותר מדי משתנים. נדרש מחקר נוסף, שכן המחקר הכמותי שמבוסס על דאטה אינו מספיק. כאן נכנס לפעולה המחקר האיכותני, ספציפית ראיונות משתמשים/לקוחות מבוססות שימוש במוצר או בפרוטוטייפ.
ריאיונות בשלושה שלבים
ראיונות היא שיטה זריזה, קלה לביצוע, זולה ואפקטיבית. כדי לבצע ראיון שמטרתו להבין למה לקוחות מסגמנט מסוים לא משלימים את כל שלבי השימוש במוצר, יש לשוחח עם לקוחות רלוונטיים, תוך כדי או מייד לאחר תהליך השימוש שלהם במוצר.
מומלץ למנהלת המוצר לעשות זאת בשלושה שלבים. שלב ראשון - תיאום שיחה מקוונת עם מספר מצומצם של לקוחות שמגיעים מתוך הסגמנט ה"בעייתי". בזמן השיחה, מנהלת המוצר מבקשת מהלקוח להדגים כיצד הוא משתמש במוצר (Walk Through), ותוך כדי השימוש ומייד לאחריו מבקשת מהלקוח לבטא את מחשבותיו בקול רם (Think Aloud) ולענות על שאלות פתוחות שמאפשרות "הצצה" לחוויה של המשתמש, לתחושות, לציפיות ולאכזבות שלו. לאחר כמה ראיונות כאלה, אם מבצעים אותם נכון ללא הטיה (bias), ניתן לזהות דפוסים חוזרים, ואלה מייצרים בסיס ראשוני למספר השערות מה יכולה להיות הבעיה עם סגמנט הלקוחות הספציפי הזה.
בשלב השני, מעצבי המוצר מייצרים כמה פרוטוטייפים מהירים תוך מספר שעות, כאשר כל פרוטוטייפ מציג גישה קצת אחרת לפתרון הבעיה. הפרוטוטייפ אינו מוצר אמיתי אלא חווית משתמש מוגבלת של השלבים במוצר אותם רוצים לשפר. חוקר חווית משתמש יבצע שיחות דומות לאלה של השלב הראשון, אך הפעם עם אחת הגרסאות של הפרוטוטייפים. לאחר כמה וכמה ראיונות מגבשים תובנות ומחזקים את ההשערה מה הפתרון לבעיה. ניתן גם לאסוף מידע כמותי על שימוש בפרוטוטייפ (אנליטיקס), ולשלב מידע זה עם התוצאות האיכותניות של הריאיון הפתוח.
אז מגיע השלב השלישי, של איפיון ההשערה המובילה במוצר האמיתי, והרצת בדיקת A\B בין האיפיון החדש לקודם. אם התוצאות מראות שיש שיפור בסגמנט הספציפי הזה ואין בעיות חדשות בסגמנטים אחרים, ניתן להטמיע את האיפיון החדש עבור כל הלקוחות ולהמשיך לאתגר הבא. כמובן שבמציאות האינטנסיבית של חברת צמיחה, לא תמיד יש זמן לכל השלבים האלה, ומקבלים החלטות על בסיס מידע חלקי.
ה-AI יקצר את זמן האיפיון
כאן נשאלת השאלה, האם AI יכול לסייע? והתשובה היא כמובן שכן, לא בפתרון אוטומטי של הבעיה, אבל כן ככלי עזר למנהלות המוצר ולצוותי המוצר. כבר היום AI עוזר בסיכום וניתוח מהיר של ראיונות לקוחות, ומאפשר גיבוש תובנות והשערות בקצב מהיר יותר. בנוסף, ישנן גרסאות ראשוניות עבור כלי איפיון המוצר Figma של ייצור גרסאות איפיון בעזרת AI. כיום זה ראשוני מדי, אך ניתן להניח שבעתיד הקרוב זה יקצר את זמן איפיון ובניית הפרוטוטייפ. גיבוש תובנות מתוך ניתוח מידע כמותי (אנליטיקס) בשילוב של ניתוח מידע איכותני (תשובות של לקוחות לשאלות פתוחות) הוא בעיה מורכבת ומהווה כר פורה לחדשנות בתחום כלי AI למנהלות מוצר וצוותי מוצר.
הכותב הוא ראש התוכנית לתואר שני באינטראקציית אדם-מחשב (HCI) ומרצה בהתמחות בתקשורת אינטראקטיבית בתואר ראשון בביה"ס לתקשורת באוניברסיטת רייכמן, וכן מנהל אקדמי של תואר שני במנהל עסקים GMBA חדשנות יזמות בביה"ס למנהל עסקים. הקורסים בתוכניות תואר ראשון ותואר שני אלה מקנים ידע ומיומנויות רבות בתחום ניהול מוצר, אסטרטגית מוצר, איפיון מוצר ומחקר חוויית משתמשבהכנת הכתבה סייע אדוארד מיטלמן, סמנכ"ל בכיר ב"אפספלייר"
