هوش مصنوعی برای مدیران محصول: از تحقیق تا نیازمندی
مدیر محصول بیشتر وقتش را صرف خواندن، خلاصهکردن و نوشتن میکند. هر سه را میشود چند برابر سریعتر کرد، به شرطی که بدانید کجا باید خودتان تصمیم بگیرید.
یک مدیر محصول در یک اپلیکیشن پرداخت ایرانی، صبح شنبه با ۲۳۰ نظر تازه در بازار و ۴۰ تیکت پشتیبانی روبهرو میشود. تا ظهر باید بگوید اسپرینت بعدی روی چه چیزی کار کند. در عمل کسی این ۲۷۰ متن را کامل نمیخواند؛ سیتا را میخواند و بقیه را حدس میزند.
دقیقاً همینجاست که هوش مصنوعی ارزش دارد — نه برای تصمیمگرفتن، بلکه برای اینکه تصمیم را روی کل داده بگیرید نه روی نمونهی تصادفیِ سیتایی.
در ادامه کارهای روزمرهای را میبینیم که واقعاً سریعتر میشوند، و دو جا که بهتر است دست نگه دارید.
بازخورد را دستهبندی کنید، نه نمونهگیری
خروجی نظرات کافهبازار، تیکتهای پشتیبانی و پیامهای دایرکت را در یک فایل بریزید و یکجا بدهید. کاری که مدل خوب انجام میدهد، پیدا کردن دستههای تکرارشونده است — حتی وقتی کاربران با کلمات کاملاً متفاوتی یک چیز را میگویند. «باز نمیشه»، «میپره بیرون» و «سفیده صفحه» سه عبارتاند برای یک باگ.
این ۳۰۰ نظر کاربران را دستهبندی کن.
برای هر دسته بنویس: عنوان، تعداد تقریبی، شدت (باگ/آزاردهنده/درخواست)،
و دو نقلقول دقیقاً از خود متن.
دستهای نساز که کمتر از سه نظر دارد.
اگر نظری در هیچ دستهای جا نشد، جدا فهرست کن.آن جملهی آخر مهم است. مدلها دوست دارند همهچیز را در دستههای تمیز جا بدهند، و همان موارد پرت اغلب جالبترین سرنخها هستند. اگر روش تحلیل دادههای عددی را هم میخواهید، راهنمای تحلیل داده مکمل خوبی است.
مصاحبهی کاربر: قبل و بعدش
راهنمای مصاحبه نوشتن کار پنجدقیقهای است اگر فرضیهتان را صریح بگویید. مثلاً: «فرض من این است که کاربران بهخاطر مرحلهی احراز هویت رها میکنند. ده پرسش باز بنویس که این فرضیه را رد کند، نه تأیید.» خواستن پرسشهای ردکننده تفاوت واقعی ایجاد میکند؛ وگرنه فهرستی میگیرید که کاربر را به سمت جواب دلخواه شما هل میدهد.
بعد از مصاحبه، فایل صوتی را پیاده کنید و بخواهید نقلقولهای مربوط به هر موضوع را جدا بیرون بکشد. خلاصهسازی متن اینجا کاربرد مستقیم دارد، ولی خلاصهی روایی نخواهید — نقلقول عینی بخواهید.
وقتی از مدل بخواهید «بینش استخراج کن»، معمولاً جملههای خوشساخت ولی توخالی تحویل میگیرید: «کاربران به سادگی اهمیت میدهند.» این جمله در هر محصولی درست است، پس در هیچ محصولی مفید نیست. بهجایش بخواهید هر ادعا را با شمارهی مصاحبه و نقلقول پشتیبانی کند.
نوشتن نیازمندی و PRD
اینجا سرعت واقعی است. ساختار PRD تکراری است و مدل آن را کامل بلد است: مسئله، مخاطب، دامنه، خارج از دامنه، معیار موفقیت، وابستگیها. کاری که باید بکنید این است که ورودی خام بدهید و اجازه ندهید جای خالی را با فرض پر کند.
یک تکنیک که خوب جواب میدهد: اول بخواهید پرسشهای بیجواب را فهرست کند. «قبل از نوشتن سند، ده چیزی را که نمیدانی و برای نوشتن لازم است از من بپرس.» معمولاً سهتایش چیزهایی است که خودتان هم رویشان فکر نکرده بودید. اصول این کار همان چیزی است که در پرامپتنویسی توضیح دادهایم.
برای مستندات فنیِ کنارِ PRD — مثل توضیح API برای تیم موبایل — نوشتن مستندات فنی روش دقیقتری دارد.
اولویتبندی: کجا کمک است و کجا نمایش
| کار | نقش هوش مصنوعی | چقدر میشود اعتماد کرد |
|---|---|---|
| برآورد تأثیر روی کاربر | پیشنهاد فرضیه و معیار سنجش | متوسط — نیاز به دادهی خودتان |
| برآورد تلاش فنی | تقریباً هیچ | کم — تیم فنی باید بگوید |
| پیدا کردن ریسک فراموششده | خوب | زیاد — فهرست ریسک کاملتری میدهد |
| نوشتن دلیل رد یک درخواست | خوب | زیاد — با ویرایش لحن |
| امتیازدهی نهایی و انتخاب | نباید | هیچ — تصمیم شماست |
ستون آخر را جدی بگیرید: امتیازهای RICE که مدل تولید میکند خوشظاهر و بیپشتوانهاند. مدل نمیداند دیتابیس شما زیر بار جمعهشب چه میکند.
از یادداشت جلسه تا متن انتشار
یادداشتهای پراکندهی جلسه را بدهید و صورتجلسه بخواهید با سه بخش: تصمیمها، کارها با نام مسئول، پرسشهای باز. همین یک کار هفتهای یکی دو ساعت برمیگرداند.
برای متن انتشار نسخه هم همینطور: فهرست خشک تغییرات را بدهید و بخواهید به زبان کاربر بازنویسی کند. فقط حواستان باشد لحن تبلیغاتی نشود؛ صریح بگویید «بدون صفتهای اغراقآمیز، فعلمحور، هر مورد یک خط». برای هماهنگکردن این متن با رابط کاربری، هوش مصنوعی برای طراحی رابط کاربری نکات مکملی دارد.
دو جایی که جواب نمیدهد
اول، قضاوت دربارهی بازار ایران. مدلها دادهی کمی دربارهی رفتار کاربر ایرانی دارند. اگر بپرسید «کاربران ایرانی کیف پول درونبرنامهای را ترجیح میدهند یا درگاه مستقیم؟» جوابی میگیرید که از الگوهای جهانی ساخته شده. این را با تحقیق خودتان جایگزین کنید.
دوم، اولویتبندی وقتی سیاست داخلی در کار است. بخش زیادی از تصمیمهای محصول دربارهی داده نیست؛ دربارهی این است که کدام تیم امسال باید برنده شود. مدل این لایه را نمیبیند و توصیهاش در بهترین حالت سادهلوحانه است.
از کجا شروع کنید
هفتهی اول فقط یک کار را بسپارید: دستهبندی بازخورد. اندازهگیریاش ساده است و اگر بد بود فوراً میفهمید. وقتی به خروجیاش اعتماد کردید بروید سراغ صورتجلسه و بعد PRD. کسانی که از روز اول کل جریان کاریشان را عوض میکنند، دو هفته بعد به حالت قبل برمیگردند. میتوانید همین حالا فایل نظرات را در نارنگی پیوست کنید.
جمعبندی
هوش مصنوعی در مدیریت محصول یک چیز را عوض میکند: نسبت وقتی که صرف پردازش میکنید به وقتی که صرف قضاوت میکنید. خواندن، خلاصهکردن و نوشتنِ پیشنویس ارزان میشود؛ تصمیم گران میماند. مدیر محصولی که این را بفهمد وقت آزادشده را صرف حرفزدن با کاربر میکند، نه تولید اسناد بیشتر.
و یک هشدار: خروجی سریع، توهم دقت میسازد. یک PRD تمیز و منظم لزوماً PRD درستی نیست. هر سندی که مدل نوشته را قبل از ارسال، یک بار با این پرسش بخوانید: «کدام جملهاش را نمیتوانم پشتش بایستم؟»
برای ادامه:
اگر با چارچوبهای اولویتبندی تازهکارید، توضیح مدل امتیازدهی RICE نقطهی شروع خوبی است.
