29691
Продакт-менеджмент, аналитика, ML/AI и профессиональное развитие. Делаем обучающие симуляторы и публикуем полезные материалы — gopractice.ru
Что делать, если продукт перестал расти?
«Поначалу все выглядит радужно. Темпы роста увеличиваются, продукт растет на сотни процентов год к году. Но вот незадача: спустя год-два цифры уже не так радуют. Может, сезонность? Или что-то еще? Но темпы продолжают падать. Сначала рост на 300%, потом 200%, затем 100%. Последняя цифра уже никуда не годится, если речь идет о стартапе».
Знакомая ситуация? Это нормально. Даже успешные продукты сталкиваются с остановкой роста.
По ссылке вы найдете перевод статьи Andrew Chen (a16z), в которой он делится систематическим подходом к анализу стагнирующего роста.
🔗 https://gopractice.ru/product/growth-stalls/
💡 Пройдите обучение в «Симуляторе управления ростом продукта» от GoPractice. Вы научитесь обоснованно выбирать вектор развития продукта и сбережете месяцы или даже годы работы, которые иначе могли бы не принести ожидаемого результата.
Симулятор можно пройти в рамках основного тарифа самостоятельно онлайн или в группе с ментором. Авторизуйтесь и выбирайте удобный вариант прохождения курса.
Как ускорить рост в роли продакт-менеджера: путь от начинающего специалиста до опытного
Начинающий продакт-менеджер обычно отвечает за определенную фичу или часть работы над каким-то проектом (провести исследование рынка, валидировать гипотезу и т.д.), при этом он находится под постоянным присмотром более опытного продакт-менеджера. В своей работе junior-продакт получает узкую задачу с ясными критериями успеха выполнения и низким уровнем неопределенности.
Но что отличает более опытного продакта (например, уровня middle)? В каких рабочих аспектах прослеживается эта разница?
Короткий ответ: опытный продакт-менеджер работает на более высоком уровне неопределенности, отвечает за более обширный кусок продукта, имеет большую ответственность и потенциал влияния на бизнес. Но это довольно обобщенная характеристика.
В этом материале разбираем подробнее, что отличает опытного продакта от начинающего, как устроен профессиональный рост продакт-менеджера и от каких факторов он зависит.
🔗 https://gopractice.ru/skills/product-manager-career-growth/
🚀🚀🚀
Для тех, кто планирует переход в продакт-менеджмент из смежной роли, мы создали сообщество Switchers GoPractice. Пока мы разрабатываем девятимесячную программу для перехода, вы уже сейчас можете получать полезные знания на пути к профессии продакта, присоединившись к 800 единомышленникам.
Присоединяйтесь к сообществу, заполнив эту короткую анкету!
Разбор кейса про внедрение ML/AI для оптимизации процессов службы поддержки в крупном продукте
Описанный выше кейс вдохновлен опытом компании VK, которым они делились в докладе «Поддержка VK: как оставаться поддержкой с человеческим лицом, внедряя ML».
Команда выбрала подход с использованием генеративного AI для того, чтобы делать подсказки ответов агентам. Этот подход позволил сократить время до первого ответа пользователю и время решения проблемы пользователя в пять раз. Это очень существенный результат.
Как было реализовано выбранное решение
Давайте подробнее разберем, как именно работал выбранный способ внедрения ML/AI и в чем его выгоды относительно альтернативных вариантов.
Суть подхода:
▪️ Генеративная модель обучалась in-house на огромной выборке решенных обращений пользователей (команде были доступны большие объемы исторических данных).
▪️ При появлении нового обращения модель генерировала несколько потенциальных вариантов ответов.
▪️ Агент быстро просматривал эти варианты ответа и выбирал наиболее подходящий.
▪️ Далее агент мог скорректировать ответ и отправить его пользователю.
Почему выбранный выше подход — грамотное решение для внедрения AI в таком крупном проекте?
Многие команды допускают ошибку, когда сразу пытаются передать ML-модели либо всю важную работу, либо очень значимые ее куски. Однако намного эффективнее как минимум начинать с модели copilot, когда ML/AI помогает закрывать рутинные и повторяющиеся задачи, а финальное решение и ответственность остается за человеком.
Плюсы такого подхода:
▪️ Благодаря ручной проверке нет репутационных рисков для компании, ведь модель может сгенерировать все что угодно, включая токсичную или некорректную информацию.
▪️ Генеративные модели позволяют формировать ответы на вопросы пользователей, которые похожи на ответ сотрудника поддержки (как это происходит, мы разбирали в статье).
▪️ Наличие потенциальных вариантов ответов позволяет существенно повысить эффективность работы агента, сокращая время на поиск необходимых деталей, формирование и набор ответа.
Когда имеет смысл обучать собственную генеративную модель для автоматизации процессов в поддержке
Выбранный подход с обучением собственной генеративной модели будет оптимальным решением далеко не для всех продуктов и ситуаций.
Обучение отдельной генеративной модели может быть оправдано, если:
▪️ Компания обладает экспертизой и большим количеством ресурсов (финансовых и вычислительных), чтобы самостоятельно обучить и заточить под свои нужды большую языковую модель (LLM). Только вычислительные затраты на обучение такой модели могут составлять сотни тысяч долларов.
▪️ Компания не может использовать внешние сервисы с LLM, так как не может передавать данные за пределы своего IT-контура.
В других случаях можно либо полагаться на внешние сервисы, либо же искать другие пути оптимизации процессов с помощью AI.
Потенциальные подходы для автоматизации службы поддержки с помощью ML/AI
Выше мы разобрали конкретный кейс, а ниже мы дадим более общие рекомендации по подходу к задаче автоматизации службы поддержки с помощью ML/AI.
Один из распространенных и универсальных подходов для оптимизации процессов службы поддержки — это использование ML-модели для классификации тем обращений пользователей и применения различных алгоритмов/сценариев в зависимости от темы.
Этот вариант подходит для компаний любого масштаба и для решения любых кейсов. В том числе, если сценарии обработки запросов предполагает решения финансовых вопросов или обработку персональных данных.
Затем поверх классификации тем можно пытаться еще глубже автоматизировать ответы по конкретным темам.
Например, если для ответов по определенной теме всегда используются шаблоны и сотрудники не принимают решений, которые несут финансовые, репутационные или другие риски, то можно попробовать заменить агентов на генеративную модель.
Если же ответы подразумевают более глубокое понимание контекста и проблемы, либо же есть риски, то генеративную модель (чаще дообученную генеративную модель в облаке) можно использовать в качестве помощника для агента.
Сообщество Switchers GoPractice
Для тех, кто планирует переход в продакт-менеджмент из смежной роли, мы создали сообщество Switchers GoPractice. Пока мы разрабатываем новый курс, вы уже сейчас можете получать полезные знания на пути к профессии продакта и общаться в кругу единомышленников.
Что получат участники закрытого сообщества?
- доступ к вебинарам с экспертами;
- участие в интерактивных разборах кейсов;
- возможность протестировать часть нашей новой программы.
Чуть подробнее о ключевых активностях:
💡 Мы приглашаем опытных продактов из лидирующих технологических компаний и экспертов в сфере рекрутинга и найма и проводим с ними вебинары, на которых они отвечают на вопросы участников о переходе в продуктовую роль.
➡️ Это поможет вам получать проверенную и полезную информацию по карьерным вопросам из первых рук и без воды.
💡 Участники делятся своим опытом с командой GoPractice и друг с другом в рамках тем, связанных с переходом.
➡️ Это поможет вам лучшее понять, как устроен процесс перехода и посмотреть на опыт других людей с похожей задачей.
💡 Проводим интерактивные разборы продуктовых кейсов — индивидуально и в командах.
➡️ Это поможет вам лучше понимать реалии продуктовой работы.
💡 Собираем полезные материалы, которые пригодятся для карьерного перехода.
➡️ Это поможет вам прокачать свои знания и навыки.
И это далеко не все!
Сейчас в сообществе уже более 700 участников.
Нам важно сохранять целостность сообщества, поэтому мы проводим небольшой отбор участников. Если вы уже действующий продакт с большим опытом за плечами, то, вероятно, наше сообщество будет вам в меньшей степени актуально.
Но если вы:
- планируете перейти в продакты из смежной профессии или сферы;
- хотите наработать базу знаний в области продакт-менеджмента;
- и готовы участвовать в различных активностях чата
то заполняйте эту короткую анкету.
Увидимся!
👨🏫
Кстати, на нашем YouTube-канале вышла запись разбора одного из кейсов для junior продакт-менеджеров, который мы сделали вместе со Львом Забудько (Senior Product Manager в Яндексе) в рамках нашего комьюнити.
Из него вы узнаете:
— С чего эффективнее начинать решение кейсов.
— Почему составление финансовой модели обязательно.
— В чем суть продуктового подхода в решении любой задачи.
Рекомендация GoPractice
Многие хотят вырасти в руководителей, но, как показывает практика, после перехода большинство новоиспеченных менеджеров испытывают серьезный синдром самозванца или выгорают. Это неудивительно, ведь 90% навыков, которые им теперь приходится применять в работе, не совпадают с тем, что они делали раньше.
Аня Булдакова (CEO Meander, ex-руководитель продактов в Meta, ex-Intercom) испытала это на себе — и сделала буткемп для менеджеров (или тех, кто только собирается ими стать).
Основные моменты:
— Это пятинедельный авторский курс по основам менеджмента: стратегии, оргдизайну, культуре, процессам и росту подчиненных. Он создан на базе опыта Ани в Meander, Meta, Intercom, а также обучения в Гарварде.
— Курс подойдет тем, кто только начинает свой путь руководителя или же хочет структурировать багаж знаний и открыть для себя новые инструменты.
— Курс рассчитан на руководителя любой функции продуктовой команды. В прошлом потоке у Ани учились дизайнеры, разработчики, исследователи, аналитики (и, конечно, продакты).
— В зависимости от тарифа, вы можете сфокусироваться только на теории и шаблонах — или же добавить практики и нетворкинга с участниками курса.
По этой ссылке — полная информация по программе, ценам и деталям курса. Присоединяйтесь!
Как ML-технологии помогают улучшать Retention продуктов
Retention — ключевая метрика для большинства продуктов. Именно поэтому команды, которые начинают внедрять ML в свои продукты, быстро приходят к вопросу о том, как использовать эти технологии для лучшего удержания пользователей.
Один из наиболее распространенных подходов к решению этой задачи — прогнозирование оттока пользователей (churn prediction). Определив пользователей, которые с высокой вероятностью уйдут, мы можем предложить им скидки, бонусы и другие преимущества, которые позволят удержать их в продукте.
Однако в реальности такие проекты редко приносят ценность бизнесу. Часто у команд получается обучить модель, которая хорошо предсказывает уход пользователей, но им не удается добиться того, чтобы попытки удержать их оказались финансово выгодными.
В этом материале обсудим альтернативный подход к улучшению Retention с помощью ML — uplift-моделирование — и то, как он позволяет эффективнее тратить бюджеты на удержание пользователей.
🔗 https://gopractice.ru/product/ml-retention-improvement/
🎓🎓🎓
Если вы хотите научиться не только видеть возможности для использования ML в своих проектах, но и уметь превращать их в работающие для бизнеса решения, присоединяйтесь к студентам «Симулятора управления ML/AI-проектами» от GoPractice.
Получите бесплатный доступ к первым главам, запросив триал через почту contacts@gopractice.ru.
Привет!
До 25 июля открыт набор в магистратуру Высшей школы экономики на программу, частью которой является наш «Симулятор управления продуктом на основе данных».
Эта программа готовит профессионалов в управлении продуктом и маркетингом на основе данных.
Обучение проводится в офлайне и длится два года, выпускники получают диплом магистра государственного образца и сертификат GoPractice.
В программе предусмотрены бюджетные места, а для поступления не требуются экзамены. Узнать больше можно по ссылке.
Прием документов — до 25 июля, а 22 июля пройдет онлайн-встреча с кураторами и преподавателем магистратуры.
Поделитесь опытом с GoPractice
Привет!
Доменная экспертиза на уровне определенных частей продукта может заметно ускорить переход в продуктовую роль.
Подробнее о роли доменной экспертизы и способах ее наработать мы недавно рассказывали в этом материале.
Нам интересно, пригодилась ли вам доменная экспертиза, если вы переходили на роль продакт-менеджера из смежной профессии.
Пожалуйста, пройдите этот короткий опрос (он займет не более 1 минуты).
Спасибо!
Как Duolingo перезапустил рост
В 2018 году Duolingo, одно из самых популярных приложений для изучения языка, фактически перестало расти. Аудитория увеличивалась на единицы процентов год к году, в то время как инвесторы ждали уверенного роста доходов приложения.
Jorge Mazal (Хорхе Мазал), бывший CPO Duolingo, поделился увлекательной историей того, какие эксперименты и решения позволили перезапустить рост продукта и добиться увеличения аудитории в 4.5 раза за четыре года.
Его откровенный рассказ будет актуален для всех, кто решает задачу роста в своих продуктах или планирует к ней приступить.
🔗 https://gopractice.ru/stories/duolingo-growth-story/
Прокачайте свои навыки
Если вы хотите получить системное понимание того, как устроен рост продуктов и с помощью каких рычагов вы можете на него повлиять, присоединяйтесь к студентам «Симулятора управления ростом продукта».
Доменная экспертиза: как понимание сферы или индустрии помогает продакт-менеджеру
Продакт-менеджеры работают в самых разнообразных сферах, в том числе и в индустриях за пределами IT — в торговле, медицине, банкинге, транспорте, недвижимости и многих других.
В каждой из этих сфер есть специфичные для нее знания, обладание которыми позволяет глубже понимать процессы и эффективнее выполнять работу.
Такие знания называют отраслевой или доменной экспертизой.
В этом материале поговорим о том, в чем важность доменной экспертизы для продактов (и тех, кто хочет войти в профессию), в каких сферах она наиболее критична и как ее наработать.
🔗 https://gopractice.ru/skills/domain-expertise/
🖊 Поделитесь с нами своей историей
Мы знаем, что многие из наших студентов после обучения в симуляторе смогли перейти в продуктовую роль. К сожалению, мы знаем далеко не все эти истории.
Если это про вас, то напишите, пожалуйста, нам и расскажите про свой опыт. Можно на почту people@gopractice.io или в телеграме (@eighthours8).
Заранее спасибо!
О механизмах защиты модели роста и бизнеса
В начале 2021 году капитализация маркетплейса Wish превысила $22 миллиардов.
Сегодня Wish оценивается в районе $160 миллионов.
Компания обесценилась более чем в 100 раз.
Как так получилось? У компании не было достаточно механизмов для защиты модели роста и бизнеса.
Wish — кросс-бордерный маркетплейс, на котором можно приобрести товары напрямую из Китая: обычно речь идет об импульсивных покупках дешевых товаров стоимостью от $5 до $15.
Конечно, Wish не был первопроходцем в этой нише. Уже много лет ту же возможность предлагал AliExpress.
Но у AliExpress не получилось стать mobile first: он так и оставался для аудитории в первую очередь веб-сайтом. Этим и воспользовался Wish, построив mobile first продукт и взяв на вооружение платные каналы роста в мобайле. Эти каналы позволили Wish дотянуться до аудитории, которая не знала или не использовала AliExpress.
Долгие годы Wish был одним из крупнейших рекламодателей в Facebook, что позволило стать маркетплейсу занять лидирующие позиции на рынке e-commerce.
Wish запустился в 2010 году, спустя пять лет он достиг оценки в $1 миллиард, в 2018 году — оценки в $10 миллиардов. После выхода на биржу на пике стоимость Wish достигала $22 миллиардов.
Но сегодня от этой цифры почти ничего не осталось.
Причина в том, что бизнес-модель Wish была слабо защищена на всех ключевых уровнях:
Продукт
Продукт Wish быстро скопировали другие компании, включая Aliexpress, Joom и Vova. Между ними не было значимой разницы, поэтому конкуренция велась преимущественно на уровне цены.
Каналы роста
Модель роста Wish сильно зависела от платных каналов роста, которые защищены очень слабо. Как только конкуренция в мобильных рекламных каналах усилилась и цена установки заметно выросла, Wish стало сложно поддерживать былые темпы роста. Отказ от IDFA в iOS 14 стал добивающим ударом для Wish.
Рынок
Введение НДС на покупки из-за рубежа в странах ЕС в 2021 году сильно ослабило позиции Wish в сравнении с локальными маркетплейсами. Кроме того, Wish оказался под пристальным вниманием регуляторов европейских стран из-за определенных товаров, продававшихся на платформе. Например, во Франции, крупнейшем для маркетплейса рынке региона, Wish и вовсе попал под блокировку.
Все эти факторы сильно подорвали модель роста Wish. Рост остановился, сделав выход на прибыльность практически невозможным для компании.
Недостаток защищенности на уровне продукте, каналов роста и рынка в конечном итоге привели к утрате позиций маркетплейсом и падением его стоимости.
Быстрый рост ≠ способность сохранить ценность.
🎓 🎓 🎓
Устойчивое масштабирование продукта — это действительно непростая работа.
Как построить эту работу правильно, как создать целостную модель роста продукта, идентифицировать ограничения, найти инструменты для реализации возможностей — вы узнаете в процессе обучения в «Симуляторе управления ростом продукта» от GoPractice.
Узнайте больше о нашем симуляторе.
P.S.
Кстати, мы ищем комьюнити-менеджера в команду GoPractice.
Все подробности — по ссылке. Будем рады, если вы поделитесь вакансией с теми, кому она может быть интересна 🙂
Наши друзья и коллеги сделали подборку каналов про продуктовое мышление.
Мы читаем их сами и рекомендуем подписаться и вам: /channel/addlist/1tW6oHxTWgo1YzRk
Симулятор SQL — теперь на английском!
Мы запустили «Симулятор SQL для продуктовой аналитики» на английском языке — SQL Simulator for Product Analytics.
Напомним, что симулятор рассчитан на тех, кто хочет научиться решать базовые задачи с данными с помощью SQL самостоятельно.
В симуляторе студентов ждут более 400 практических заданий и 50 часов обучения. Разбираемые задачи наиболее релевантны продакт-менеджерам, проджект-менеджерам, маркетологам, специалистам в UX-Research.
Наши студенты учатся доставать, изучать и чистить данные, рассчитывать ключевые метрики и отвечать с их помощью на важные вопросы о продукте и маркетинге.
Все это позволит принимать решения быстрее и эффективнее.
Мы будем рады, если вы поделитесь информацией о нашем симуляторе с вашими англоязычными коллегами. Просто пришлите им ссылку ниже, по которой они могут узнать больше о SQL Simulator for Product Analytics.
🔗 https://gopractice.io/course/sql/
Спасибо!
Дизайн A/B-тестов. Инструкция и шаблон
Успешная работа над продуктом напоминает научное открытие: вы двигаетесь от гипотезы к эксперименту и делаете выводы на основе полученных данных. Создавать продукты без экспериментов — значит полагаться на непроверенную (и часто ложную) гипотезу. И работать впустую.
С другой стороны, тщательно спланированный эксперимент поможет вам лучше понимать пользователей и продукт, видеть логические ошибки, корректировать направление развития и направлять усилия команды верным курсом.
В этом материале мы рассказываем, как частые эксперименты делают работу над продуктом более осознанной, и предлагаем шаблон для дизайна эксперимента.
🔗 https://gopractice.ru/data/design-ab-test/
💡 Проверьте свои навыки в управлении продуктом с помощью бесплатного теста от GoPractice.
💡 Пройдите путь продакт-менеджера в нашем симуляторе, чтобы усилить и систематизировать знания, которые пригодятся вам в реальной работе.
Лояльные пользователи — это то, что вы придумали
Продакт-менеджеру легко поддаться убеждению, что его продукт имеет крайне важное значение в жизни пользователей, что они испытывают к нему привязанность.
Но так происходит далеко не всегда.
Обычно все наоборот. Вы как продакт-менеджер постоянно думаете о своих пользователях, тогда как они, в свою очередь, думают о вашем продукте редко.
Представьте менеджера небольшой сети продуктовых магазинов.
Он уверен, что покупатели возвращаются в магазины, потому что лояльны. Но истинные причины могут выходить за рамки неопределенной «лояльности». Например, близкое расположение, низкие цены, фермерские товары.
Если ключевая причина вдруг исчезнет (появится другой магазин еще ближе, цены вырастут или фермерские товары уберут из продажи), то такой «лояльный» покупатель легко переключится на другое решение.
С онлайн-продуктами то же самое. Сегодня ваше решение — лучшее из им известных и доступных, но завтра они могут переключиться на альтернативный вариант. Никакая долгая история ваших взаимоотношений их не остановит. Никакой лояльности здесь и не было.
Конечно, это не всегда так. Есть обратные примеры и самый яркий из них – Apple. Но это скорее редкое исключение, чем правило.
Попробуйте применить такую логику, размышляя о вашем продукте. Подумайте, почему на самом деле пользователи его выбирают. И не переоценивайте роль их лояльности к вашему бренду или продукту.
Пет-проекты для тех, кто хочет стать продакт-менеджером
Профессия продакт-менеджера требовательна к практическим навыкам и на старте работы, и даже на этапе изучения вакансий или общения с работодателем.
Один из способов получить недостающий практический опыт — сделать собственный продукт.
Речь не про полноценный стартап, конечно, а про «пет-проект» — небольшой проект, который позволит задействовать и отработать все основные навыки продуктовой работы.
Результаты же этой работы можно упаковать таким образом, чтобы это впечатлило работодателя и повлияло на его решение.
В этом материале обсудим, какими бывают пет-проекты, как найти идею и что делать с ней дальше.
🔗 https://gopractice.ru/skills/pet-projects-to-enter-product-management/
🚀🚀🚀
Если вам интересна эта тема и вы хотите узнать больше, примите участие в бесплатном вебинаре «Пет-проект как одна из стратегий смены карьеры», который GoPractice организует в рамках подготовки нового обучающего курса для свитчеров.
🎓🎓🎓
В «Симуляторе управления ML/AI-проектами» от GoPractice вы получите фундамент для работы над практически любым ML-проектом, а интерактивный формат симулятора позволит сразу окунуться в практику.
Присоединяйтесь к студентам симулятора прямо сейчас, оплатив всего половину стоимости обучения. Оформить обучение с частичной оплатой можно через почту contacts@gopractice.ru.
ML/AI-решения для службы поддержки: как их внедрять
Давайте рассмотрим задачу: вам необходимо принять решение о том, стоит ли автоматизировать поддержку пользователей с помощью ML/AI-технологий — и если да, то каким образом.
У вас есть следующие вводные:
- Продуктом пользуются более восьмидесяти миллионов пользователей в месяц.
- Есть исторические данные о нескольких десятках миллионов обращений в поддержку и ответов на них.
- Ключевые метрики службы поддержки: скорость до первого ответа пользователю и скорость решения проблемы пользователя.
Цель проекта — существенно улучшить ключевые метрики качества службы поддержки, с помощью внедрения ML-технологий и без увеличения штата агентов.
Какой подход из предложенных ниже стоит выбрать для достижения этой цели?
Через пару дней мы поделимся второй частью материала с подробным разбором этого кейса, который базируется на реальном опыте. А пока предлагаем вам выбрать верный, на ваш взгляд, вариант ответа:
Как утратить монополию?
Кажется, что смена лидеров в технологической индустрии — закономерный процесс. В 70-х годах им была IBM, в 90-х — Microsoft. Но почему им не удается удержать этот статус навсегда?
Дело в том, что часто компании становятся заложниками своего основного продукта и бизнеса вокруг него, которые в моменте являются ключевыми для всей индустрии. Но прогресс не стоит на месте, и на смену одним ключевым продуктам и бизнесам приходят другие. Молодые компании находят новые способы удовлетворения потребностей пользователей или даже создают эти потребности с нуля. Тогда весь интерес и капитал начинает течь в новое русло.
В своем эссе Бенедикт Эванс, аналитик и бывший партнер венчурного фонда Andreessen Horowitz, изучает этот феномен более подробно и ищет ответы на вопросы:
• Почему лидеры технологической индустрии уступают доминирующую роль другим компаниям?
• Почему утрата доминирования вовсе не означает конец бизнеса, а может обернуться его кратным ростом?
• Какова роль государственного регулирования в этих процессах?
Мы подготовили адаптированный перевод этого эссе, которое может помочь вам лучше разобраться в трансформациях технологического рынка и по-новому взглянуть на ваш продукт в более широком контексте.
🔗 https://gopractice.ru/market/how-to-lose-a-monopoly/
🎓🎓🎓
Научитесь строить цельную модель роста вашего продукта, определять ключевые риски для нее и минимизировать их на разных уровнях в «Симуляторе управления ростом продукта» от GoPractice.
Как Facebook не стал TikTok
Facebook был близок к тому, чтобы занять нишу TikTok… но сознательно решил этого не делать. Cпустя несколько лет команда Facebook передумала. Но было уже слишком поздно.
Что же пошло не так?
Новостная лента Facebook создавалась таким образом, чтобы понимать предпочтения пользователей и показывать контент, который стимулирует активность и вовлечение.
Изначально лента состояла преимущественно из публикаций друзей, но со временем контент профессиональных креаторов (преимущественно короткие видео, новости и т.д.) стал занимать все большую долю показов.
Такой профессиональный контент значительно лучше вовлекал пользователей. Возможно, вы помните, как несколько лет назад лента Facebook превратилась в сплошной поток виральных видео, от которых было сложно оторваться.
Но в 2018 году Facebook решил, что нужно вернуться к истокам и сделать ставку на контент от друзей и общение между людьми. В рамках выбранной стратегии Facebook сильно ограничил показы в ленте виральных видео, новостей и другого профессионального контента. Вес же постов от друзей или же обсуждений от них стал значительно выше.
Менеджмент Facebook обосновал свое решение тем, что потребление видео и новостей — это «пассивный опыт». А целью компании является построение глобального комьюнити, ядром ценности которого является общение.
Больше всего от этого решения пострадали креаторы, которые инвестировали много времени и ресурсов в создание контента для площадки. На тот момент это казалось хорошим шагом, который сфокусировал продукт на его ключевой и уникальной ценности. Но сейчас понятно, что это не так.
В реальности к тому моменту личное общение уже давно утекло за пределы основного приложения Facebook в мессенджеры (Messenger, WhatsApp, Telegram, Snapchat). Поэтому попытка оживить паттерны использования соцсети, с которых она начиналась была обречена на провал. Как раз наоборот, у компании была отличная возможность превратить свой главный продукт (приложение Facebook) во что-то другое, например, сфокусировать его на потреблении лучшего контента, который создает максимальное вовлечение и не ограничен социальный графом (напоминает что-то, не так ли?).
К началу 2018 года месячная аудитория TikTok составляла всего лишь 55 млн. Месячная же аудитория пользователей Facebook, у кого новостная лента уже превратилась во что-то подобное Tiktok, была в разы больше.
Но команда Facebook не прислушалась к сигналам того, что хотят пользовзатели. Она решила, что “правильнее” пользователям будет видеть контент от их друзей.
Это решение привело к серьезному падению time spent и выручки Facebook. Но что более критично, Facebook добровольно отдали новый растущий рынок TikTok.
Спустя несколько лет аудитория TikTok превысит 1 млрд активных пользователей. Во многом этот рост случился благодаря Facebook. TikTok стал одним из крупнейших рекламодателей соцсети, и неудивительно, что их вовлекающий контент прекрасно работал в роли рекламных креативов, которые эффективно перетаскивали пользователей (ну или как минимум их внимание) из одной соцсети в другую.
Когда команда Facebook осознала, что ее пользователи уходят в TikTok, то было принято решение наверстать упущенное. Они попробовали превратить Instagram и свое основное приложение в TikTok. Только трюк, который сработал при копировании Stories из Snapchat, не сработал в этот раз, и компания была вынуждена откатить часть изменений.
Копирование Stories стало большим успехом по той причине, что ключевым фактором ценности для такого продукта является граф друзей, который в Instagram/Whatsapp/Facebook был намного более полным и развитым, чем в Snapchat.
В случае же TikTok социальный граф не играет ключевой роли. Все сводится к качеству рекомендаций и контента. А качество контента зависит в первую очередь от креаторов. Тех самых, которых Facebook спугнул в 2018 году.
Большие языковые модели: основы для тех, кто хочет строить продукты на их базе
Продукты на основе генеративного искусственного интеллекта стремительно ворвались в нашу реальность за последний год.
Еще несколько лет назад было сложно представить, что модели смогут генерировать изображения на основе текста или писать эссе в форме стихов на заданную тему. Причем делать это на уровне, который не уступает человеку. Сегодня продуктами на основе таких моделей пользуются миллионы людей, решая самые разнообразные задачи.
Для многих такие технологии выглядят как магия, которая открывает невероятные возможности. Бизнес не стал исключением в погоне за этими возможностями: CEO и основатели компаний начали активно требовать от своих команд найти способы внедрения решений на базе генеративного AI в свои продукты.
Но чтобы действительно создать ценность с помощью этих технологий, необходимо понимать их основы: как они работают, где именно принесут пользу, какие у них ограничения и риски.
В этом материале мы простыми словами и без сложной математики разберем, как работают большие языковые модели. Это позволит вам понимать возможности и степени свободы этой технологии, чтобы строить на ее основе новые продукты.
🔗 https://gopractice.ru/product/large-language-models/
🎓🎓🎓
Присоединяйтесь к студентам «Симулятора управления ML/AI-проектами» от GoPractice, где вы проработаете типовые кейсы внедрения ML-решений.
Это даст вам фундамент для работы над практически любым ML-проектом, а интерактивный формат симулятора позволит сразу окунуться в практику.
Сложные проценты и экспоненциальный рост в продакт-менеджменте
Представьте, что вы хотите сделать вклад в банке на сумму $1000. У вас есть два варианта: положить их под простой процент и под сложный процент. В первом случае вы будете получать 0.3% к изначальной сумме ежемесячно, а во втором — 0.1% к общей сумме вклада на конец каждого месяца, то есть процент будет отсчитываться от постоянно растущей суммы.
В первом случае через год ваш депозит увеличится до $4600, а во втором — до $3138.4. Но на конец второго года ситуация изменится: $8200 против $9849.7. Еще год — $11800 против $30912.7.
Конечно, это очень упрощенный пример, но он хорошо демонстрирует, как работают сложные проценты и экспоненциальный рост. Это важные понятия не только для сферы финансов, но и для продакт-менеджера. Они необходимы для того, чтобы отслеживать, измерять и прогнозировать циклы роста в продукте.
Понимание того, как работают сложные проценты и экспоненциальный рост, позволяет обнаруживать новые рычаги для роста, принимать верные решения и избегать ошибок при масштабировании продукта.
В этом материале мы обсудим основы сложных процентов и экспоненциального роста и их применение в продакт-менеджменте.
🔗 https://gopractice.ru/channels/compound-and-exponential-growth-in-product-management/
Прокачайте свои навыки с поддержкой ментора
С поддержкой опытного наставника вы быстрее найдете рычаги, с помощью которых вы сможете влиять на рост своего продукта.
Присоединяйтесь к группе прохождения «Симулятора управления ростом продукта» с поддержкой ментора.
В группе с ментором вы пройдете курс за 18 недель.
Старт — 19 июля.
Стоимость обучения — 129 900 ₽.
Осталось 3 места.
Подать заявку = заполнить форму регистрации и выбрать «Тариф с ментором».
Переход в продакт-менеджмент внутри компании: как надо и не надо это делать
Переход внутри компании на позицию продакт-менеджера из смежной роли — один из самых эффективных способов начать продуктовую карьеру. Вы можете задействовать свои выстроенные отношения с коллегами, доменную экспертизу, глубокие понимание процессов и решаемых продуктом задач.
Идея заключается в том, чтобы начать выполнять продуктовые задачи до формального получения позиции продакта. Это позволит показать ваши знания, мотивацию и ценность для компании.
Однако в реальности на этом пути вас могут ожидать различные блокеры, самый частый из которых — нехватка времени и скепсис со стороны коллег. Но с этим можно справиться, подготовив верную стратегию.
В этом материале на реальном примере разбираем ошибки кандидата на переход в продуктовую роль и вместе с экспертами объясняем, как надо и как не стоит подходить к этому процессу.
🔗 https://gopractice.ru/skills/moving-to-pm-the-right-way/
💡💡💡
Вступайте в комьюнити GoPractice для свитчеров
Команда GoPractice скоро запустит новый образовательный курс. Он создан для тех, кто хочет перейти в продакт-менеджмент из смежной роли или индустрии.
Если вы планируете такой карьерный переход и не знаете, с чего начать, то присоединяйтесь к нашему сообществу свитчеров в телеграме, заполнив заявку.
Data Scientist и ML Engineer: в чем разница?
При работе над AI/ML-проектом или найме команды для него часто можно столкнуться с путаницей в названиях ролей. Сегодня обсудим, в чем разница между Data Scientist и ML Engineer.
Для начала оговоримся, что в разных компаниях терминология может отличаться. Например, в Meta аналитиков называют Data Scientists, хотя их работа имеет мало общего с машинным обучением. Вы можете столкнуться с такими особенностями и в других компаниях.
Но давайте рассмотрим классическое понимание зон ответственности ролей Data Scientist и ML Engineer, чтобы лучше понять разницу. Говорить будем именно про роли. Бывает и так, что их может совмещать один и тот же человек.
Data Scientist
Фокусируется на этапе от запуска до доказанной ценности в AI/ML-проекте. Это значит, что он вовлечен в проработку проблемы и целей проекта, погружается в специфику бизнеса, общение с экспертами предметной области. Он отвечает за подготовку датасета, поиск инсайтов в данных, обучение и выбор оптимальных ML-моделей, проведение и оценку экспериментов.
ML Engineer
Подключается на этапе, когда Data Scientist смог создать полезную модель. ML Engineer отвечает за путь от доказанной ценности к масштабированию в AI/ML-проекте. Его задача в том, чтобы взять работающую «на коленке» ML-модель и выстроить вокруг нее необходимую инфраструктуру и системы, чтобы она могла надежно работать в продакшене и под нагрузкой.
Аналогия
Если проводить аналогию с продуктом, то Data Scientist ответственен за создание работающего прототипа, а ML Engineer — за превращение этого прототипа в полноценный продукт, рассчитанный на массовую аудиторию.
🎓🎓🎓
AI/ML-проекты часто обладают высокой сложностью и неопределенностью, как в технической плоскости, так и в продуктово-бизнесовой. Именно поэтому сейчас набирает популярность роль AI/ML Product Manager.
Освоить ее вы можете в «Симуляторе управления ML/AI-проектами» от GoPractice. Получите бесплатный доступ к первым главам, запросив триал через почту contacts@gopractice.ru.
Если вы планируете переход в продакт-менеджмент из смежной роли
Команда GoPractice работает над новой образовательной программой для тех, кто планирует перейти в продакт-менеджмент из смежной роли.
Программа в активной разработке, но уже сейчас мы делимся полезной информацией, проводим закрытые встречи с экспертами и вместе тренируемся решать кейсы для начинающих продакт-менеджеров.
Одним из этих кейсов в своем канале «Продукторий» поделился Владимир Меркушев.
Если вам релевантна тема перехода, присоединяйтесь к закрытому сообществу GoPractice. Заполнить заявку на участие можно по этой ссылке.
Все участники сообщества получат приглашение на вебинар с экспертом и возможность разобрать кейс вместе.
Ошибки начинающих продакт-менеджеров. Примеры и способы самопроверки
Роль продакт-менеджера подразумевает большой уровень ответственности. Решения, которые принимает продакт, могут оказывать большое влияние как на опыт пользователей, так и на бизнес. Но принимать такие решения и никогда не ошибаться — невозможно.
Все возможные ошибки продакт-менеджеров перечислить трудно, но мы выбрали те, которые чаще всего упоминают опрошенные нами эксперты и нанимающие менеджеры.
Чтобы материал был максимально полезным для вас, постарайтесь при чтении каждого пункта задавать себе вопрос: «А не делаю ли я так?». Это простое упражнение может оказаться очень эффективным и позитивно отразиться на качестве вашей работы.
🔗 https://gopractice.ru/skills/junior-pm-mistakes/
👀 Станьте частью закрытого сообщества свитчеров
Команда GoPractice работает над новой образовательной программой для тех, кто планирует перейти в продакт-менеджмент из смежной роли.
Если вам это интересно, присоединяйтесь к закрытому сообществу GoPractice. Заполнить заявку на участие можно по этой ссылке.
Зачем продакт-менеджеру изучать ML и AI
В этом материале рассказываем, чем обусловлен столь быстрый прогресс в сфере ML и AI и как эти технологические прорывы влияют на роль продакт-менеджера сегодня.
В 2023 году продукты вроде ChatGPT и Stable Diffusion окончательно захватили внимание людей. Эти генеративные модели рисуют картины, пишут тексты и проходят экзамены на уровне лучших выпускников Стэнфорда.
Кто-то вне себя от восторга, а кто-то — от страха.
Но что это значит для продакт-менеджеров? Нужны ли продактам знания и навыки в ML и AI? Если да, то зачем?
🔗 https://gopractice.ru/skills/ml-ai-for-product-managers/
💡Чтобы научиться работать над ML/AI-проектами и узнать больше кейсов, станьте студентом нашего «Симулятора управления ML/AI-проектами».
Почему идеальной ML-модели недостаточно, чтобы построить бизнес вокруг ML
🎓
Перед тем как перейти к кейсу, небольшое напоминание.
Cегодня — последний день, когда можно приобрести «Симулятор управления ML/AI-проектами» по сниженной цене. Завтра стоимость курса вырастет с 59 900 рублей до 65 900 рублей.
Ниже — поучительная история о том, как даже крайне продвинутая ML-модель не помогает избежать провала бизнес-проекта. В нашем симуляторе мы обучаем, как не допустить подобных ситуаций.
👇
В 2021 году Zillow — один из крупнейших маркетплейсов недвижимости в США — объявил о сокращении 25% сотрудников и списании $304 миллионов убытков. На фоне новостей акции Zillow обвалились.
Что же пошло не так?
Дело в том, что значительная часть бизнеса Zillow к этому моменту была выстроена вокруг ML-технологий, крайне точно прогнозирующих текущую стоимость недвижимости. И даже несмотря на то, что сами по себе ML-модели были хорошими и качественными, их интеграция в бизнес-процессы оказалась, можно сказать, катастрофической.
Давайте обсудим, как же так вышло.
Один из известных сервисов Zillow называется Zestimate, и он позволяет владельцам домов в реальном времени отслеживать стоимость своей недвижимости. Работает он, как вы уже догадались, на основе ML-моделей, дающих весьма точные прогнозы.
Изначально Zestimate разрабатывался как механизм повышения Retention маркетплейса. Ведь люди покупают и продают дома не слишком часто, а заходить в Zillow в другие моменты жизни не имеет особого смысла. Зато отслеживать стоимость своего дома на регулярной основе — это уже вполне себе ежемесячный юзкейс, который легко может стать привычкой.
В 2018 году на основе наработок для Zestimate было решено запустить новое направление работы в Zillow. Теперь маркетплейс стал покупать дома для последующей их перепродажи по более высокой цене.
Ценность нового продукта для пользователей была в возможности закрыть сделку по продаже дома очень быстро. После этого Zillow планировали делать ремонт в доме и продавать его с наценкой.
Идея не была оригинальной, но у Zillow были преимущества перед конкурентами: доступ к капиталу и суперточные ML-модели для прогнозирования стоимости дома.
Но ставка на бизнес, выстроенный вокруг ML, не сработала. В 2021 году компания объявила о закрытии программы выкупа домов, а также сократила четверть сотрудников и списала колоссальные убытки.
Проблема была не столько в ML-моделях, сколько в том, как именно их интегрировали в бизнес. Модели хорошо оценивали стоимость домов в текущем моменте. Но сделки по покупке и последующей продаже занимают время, в течение которого стоимость домов может существенно меняться. Именно это случилось в 2021 году, когда на фоне ряда глобальных процессов в экономике произошло охлаждение рынка недвижимости и взаимосвязи между характеристиками домов и их стоимостью поменялись. Все это привело к тому, что примерно 2/3 приобретенных домов оказались куплены по более высоким ценам, чем цена их возможной продажи.
Какие выводы можно сделать из этой истории
Успех бизнеса, выстроенного вокруг ML, зависит не только от технологий машинного обучения как таковых и качества созданных моделей. Важно правильно внедрить эти модели в бизнес. Риск потерпеть неудачу возникает из-за ошибочных предположений, которые с машинным обучением, собственно, никак не связаны.
Какие вопросы можно себе задать, чтобы избежать подобных ошибок
▪️Обеспечены ли ваши ML-модели достаточным мониторингом и актуализацией?
▪️Есть ли скрытые риски за пределами ML, которые могут сильно повлиять на бизнес?
💡Чтобы еще лучше разобраться в работе над ML/AI-проектами и узнать больше кейсов, присоединяйтесь к студентам нашего «Симулятора управления ML/AI-проектами».
Junior продакт-менеджер. Что он делает и как встроен в продуктовую команду
То, чем именно будет заниматься конкретный начинающий продакт-менеджер, зависит от набора факторов:
• предыдущего профессионального опыта;
• доменной экспертизы на уровне рынка;
• экспертизы на уровне отдельных частей продукта;
• других факторов.
Обычно руководитель подбирает начинающему продакту задачи, которые опираются на его сильные стороны и помогают постепенно подтягивать слабые.
Именно поэтому реальная работа двух начинающих продакт-менеджеров будет сильно отличаться.
Тем не менее во многом зоны ответственности начинающих продуктовых специалистов близки.
В этом материале мы обсудим, что ждет начинающего продакт-менеджера в первые месяцы работы: как он будет встроен в команду, какая у него зона ответственности и какие задачи он решает.
🔗 https://gopractice.ru/skills/junior-product-manager/
💡 Проверьте свои навыки в управлении продуктом с помощью бесплатного теста от GoPractice.
💡 Пройдите путь продакт-менеджера в нашем симуляторе, чтобы усилить и систематизировать знания, которые пригодятся вам в реальной работе.
Встречайте «Симулятор управления ML/AI-проектами»
Долгое время основные вызовы в применении ML-технологий лежали в инженерной и научной плоскостях.
Развитие технологий привело к тому, что сейчас эти вызовы стремительно смещаются в плоскость продуктовую.
Все чаще вопрос оказывается не в том, как что-то реализовать, а в том, где есть возможности для применения ML-технологий: создадут ли они ценность, принесет ли это выгоду бизнесу, как организовать разработку и довести проект до успешного внедрения.
Все это создает спрос на специалистов, которые способны увидеть возможности для применения машинного обучения и реализовать ML-проект. Уже сейчас зарплата, например, ML/AI-продакта превышает доход обычного продакт-менеджера на 20–40%.
Как стать таким специалистом?
Эту задачу и призван решить наш новый «Симулятор управления ML/AI-проектами».
Почему мы создали симулятор
Представления большинства нетехнических специалистов про ML находятся в одной из двух крайностей:
🪄 Одни видят ML/AI как магию, которая позволяет сделать все, что угодно. Надо лишь поставить задачу разработчикам;
⚙️ Другие же считают, что ML — это что-то очень сложное, глубоко техническое и недоступное.
Такая ситуация возникает по той причине, что человеку со стороны бизнеса достаточно сложно разобраться в ML.
Но на самом деле, если десять лет назад глубокое понимание математики и программирования было необходимым знанием для погружения в ML-индустрию, то на текущем этапе развития алгоритмы и модели стали уже общедоступными.
На этом фоне ключевая ценность работы с ML смещается в способность увидеть возможность для применения машинного обучения, а потом адаптировать существующие алгоритмы и технологии для конкретной прикладной задачи.
Но научиться управлять ML-проектами можно только на практике. А для того чтобы менеджеру доверили такой проект, нужен опыт. Замкнутый круг.
«Симулятор управления ML/AI-проектами» нацелен на то, чтобы разорвать этот круг и дать необходимые навыки и опыт для работы менеджеров ML-проектов.
Чему учит симулятор
🔦 Видеть, где машинное обучение может принести пользу бизнесу;
🤖 Создавать продукты на основе технологий машинного обучения;
🏗 Строить процесс создания и внедрения ML-решений, предотвращать типичные ошибки и проблемы заранее;
💵 Организовать работу над ML-проектами так, чтобы они приносили пользу бизнесу.
Как устроено обучение в симуляторе
Как и в других симуляторах GoPractice, вы погружаетесь в интерактивную историю, в которой вам предстоит помочь компании выбраться из кризиса и стать лидером рынка.
Вы будете учиться, принимать решения, ошибаться, анализировать ошибки, находить новые пути, тестировать и внедрять ML-модели и в конце концов достигать успеха.
Обучение в симуляторе построено вокруг работы над тремя проектами, каждый из которых научит вас решать распространенную ML-задачу:
👓 Задача на основе компьютерного зрения (computer vision);
📊 Прогнозирование продаж;
💡 Создание рекомендательной системы.
Этот симулятор — многолетний практический опыт создания ML-решений, упакованный в двухмесячную интерактивную образовательную программу.
Узнать подробнее о том, зачем продакт-менеджерам, предпринимателям и другим специалистам изучать ML, а также прочитать отзывы наших первых студентов вы можете в нашем блоге по ссылке.
Стоимость и специальное предложение
Стоимость обучения в симуляторе составит 65 900 рублей.
А для тех, кто начнет учиться до 15 мая, цена будет ниже — 59 900 рублей.
Обучение в симуляторе проходит онлайн и в своем темпе. При этом вы всегда можете задать вопрос авторам и получить от них всю необходимую поддержку.
Начать обучение можно прямо сейчас.