- Регистрация
- 22.01.2019
- Сообщения
- 1 322
- Благодарностей
- 3 481
- Баллы
- 113
Продакт-менеджер ZennoDroid Кирилл Демочкин рассказал Яндекс Практикуму о том, как современные нейросети помогают проводить и анализировать интервью с кастомерами, а также управлять продуктами, экономить время и ресурсы компании. Читайте статью по ссылке или ниже.
AI для анализа данных customer интервью: как нейронки помогают экономить время, силы и деньги компании
Всем привет, я Кирилл Дёмочкин, продакт-менеджер ZennoDroid, ZennoLab. В этой статье я расскажу, как современные нейросети помогают проводить и анализировать интервью с кастомерами, а также управлять продуктами, экономить время и ресурсы компании.
Я работаю в компании ZennoLab с 2017 года и успел поработать над разными продуктами. Сначала создавал и выстраивал работу команды Customer Success, затем развивал внутренние продукты — лендинги и личный кабинет пользователей. А сейчас занимаюсь программой для автоматизации Android устройств. Я увлекаюсь нейронными сетями, особенно генеративными — и до того, как они стали популярны, вел блог про генеративные сети в AI. Сейчас у меня есть сайд-проект, который связан с аналитикой GPT в GPT Store.
Customer interview: зачем проводить
Продакт-менеджер формирует видение и объединяет контрагентов разных команд. Причём, видение на одной интуиции не построить. Нужно опираться на данные, которые проще всего собрать у клиентов на кастомер интервью.
Этот инструмент объясняет, почему люди выбирают ваш продукт, для каких целей они его используют, и как привлечь больше подобных пользователей, которым он будет полезен.
Когда мы только начинали проводить интервью с пользователями, мы думали, что наши пользователи достаточно скрытные и не захотят делиться информацией. Они использовали форматы, которые остаются прибыльными до тех пор, пока про них почти никто не знает. Но оказалось, что пользователи более открытые, чем мы думали, и готовы делиться опытом. Даже вознаграждение за интервью было не так важно, как возможность пообщаться с продакт-менеджером продукта, которым они пользуются, и поделиться идеями по улучшению.
Отсюда первый совет начинающим продакт-менеджерам:
не стесняйтесь писать своим клиентам — они, скорее всего, более открыты, чем вы думаете.
Как проходит customer interview
Обычно я собираю список заинтересованных и лояльных клиентов, у которых есть активная лицензия на продукт. Их можно определить по активности на форуме, в коммьюнити и частоте обращений в техподдержку. Если у вас настроена продуктовая аналитика, то вы, скорее всего, можете вытащить информацию ещё и оттуда.
Интервью проводилось довольно много и плотно, поэтому я использовал тайм-менеджмент — выделял один день в неделю, обычно пятницу. Бронировал четырехчасовой блок времени в Calendly, оставляя по 15 минут на созвон и 15 минут на перерыв на случай, если разговор затягивается или кто-то опаздывает. Люди записывались на удобное время, однако без напоминаний около половины из них пропускали встречи, вероятно, забывая или не считая приоритетными. Поэтому я начал за пару часов до созвона отправлять напоминания, что значительно повысило конверсию.
Научитесь говорить на языке ваших пользователей, понимать их проблемы и то, как они их решают.
Полученную информацию можно использовать для, например, обновления лендинга и запуска рекламных кампаний, чтобы решить задачи или проблемы, о которых узнали на интервью. Важно формулировать сообщения теми словами, которыми разговаривают ваши пользователи — у них часто есть свой сленг, сложившийся в коммьюнити. Люди, которые пользуются вашим продуктом, привыкли к определенным терминам, нужно адаптироваться к этому, даже если это не всегда совпадает с вашим пониманием правильной терминологии.
Как мы используем ИИ во время customer interview
Раньше я записывал все вручную во время интервью, но это мешало слушать клиента и замечать невербальную коммуникацию. Важно учитывать, что клиенты могут невербально выражать эмоции, и обращать внимание на мимику. Поэтому мы начали использовать ИИ для записи и расшифровки встреч. Я пользовался инструментами от Сбера, которые преобразуют аудиотрек в текст. Затем обрабатывал этот текст с помощью языковых моделей, таких как ChatGPT или Yandex GPT, чтобы извлечь инсайты. Это позволяет описать формат выводов и загрузить транскрипты в базу знаний. Если возникают вопросы, обращаюсь к LLM, которая быстро синтезирует ответ на основе данных, вместо пересмотра старых записей.
Чтобы избежать «галлюцинаций», запрашивайте у нейронки ссылку на документ или выдержку из него и подкрепляйте доказательствами её выводы.
Все записи сохраняются в чате, поэтому к ним можно вернуться позже. Со временем накапливается много данных, которые дают хорошую аппроксимацию пользователей, и их можно группировать по персонам. Например, у нас есть пользователи, которые автоматизируют задачи для себя, и те, кто продает шаблоны. Эти группы можно разделить на персоны и хранить интервью отдельно для каждой.
При достаточном количестве интервью можно создать персоны для общения с LLM. Вы можете задать ChatGPT или другой LLM такой промпт: "Ты пользователь такого-то продукта, вот ответы других пользователей, roleplay этого пользователя". Это позволяет тестировать гипотезы без нового раунда интервью, чтобы сэкономить бюджет и время. Например, если нужно выбрать слоган на лендинге — предложить несколько вариантов кастомерам и спросить, какой откликается больше. Или даже использовать формулировки пользователей, которые мы получили на интервью.
Современные модели, особенно для преобразования речи в текст, работают хорошо. Если в записи нет смеси разных языков, они транскрибируют речь четко и с таймстемпами. Можно попросить LLM показать таймстемпы с ответами на вопросы и пересмотреть конкретные моменты видео, чтобы увидеть эмоции человека в момент разговора. Это очень удобно и экономит время.
Также можно адаптировать контент под конкретную аудиторию. Например, вы хотите сделать из одного блог поста несколько вариантов для разных аудиторий. LLM создаст перефразированные адаптированные тексты.
Нейросети для тестирования продуктовых гипотез
Я также экспериментирую с созданием быстрых лендингов для тестирования продуктовых гипотез. Можно создать документ с описанием структуры лендинга, описать блоки и слайды и попросить LLM сгенерировать шаблон на HTML и CSS. ChatGPT хорошо справляется с этой задачей, однако код необходимо протестировать перед передачей разработчикам, так как в нем могут быть ошибки.
Можно генерировать каждый слайд отдельно, а затем их собирать вместе: сначала создать общий план, а затем детализировать каждый пункт. Еще можно создать мудборд из референсов и попросить сгенерировать сайт, вдохновленный этими изображениями. Это работает хорошо, особенно с цветовыми схемами. Единственное, для чего я не рекомендую использовать генеративные сети — это графический дизайн. Он часто выглядит низкокачественным и может отпугнуть пользователей.
Использование ИИ существенно экономит время, так как нет необходимости пересматривать и переслушивать старые записи. Можно быстро задать вопросы и получить ответы на основе уже собранных данных. Это не заменяет полностью кастомер интервью, но позволяет проводить их реже и более эффективно.
Последнее редактирование:
