Управление продуктом *

В СМИ периодически проскакивают новости: нейросети поручают управление магазином или вендинговым автоматом, чтобы оценить ее способности в роли руководителя. Такие эксперименты пока складываются не в пользу ИИ, который часто работает себе в убыток.

И все же топ-менеджмент компаний уверенно продолжает перекладывать критические бизнес-решения на «виртуальные плечи нейросетей». Сегодня мы в Beeline Cloud поговорим о том, почему все не так просто с ИИ-управленцами.

Привет, Хабр! Меня зовут Максим Шаповалов, я — руководитель отдела борьбы с мошенничеством в ecom.tech. В этой статье я расскажу, почему «банковские подходы» не работают в реалиях e-commerce и зачем антифрод нужен бизнесу, даже если «мошенников немного».

Когда говорят слово «антифрод», большинство всё ещё представляет банковский сценарий: краденные карты, подозрительные транзакции, скоринг в миллисекундах и автоматические блокировки всего, что кажется хоть малость подозрительным. Но такой «ужесточённый» подход не применим к маркетплейсам и сервисам доставки, потому что вместе с мошенниками начнут исчезать и "нормальные" пользователи. В какой-то момент это начнёт стоить бизнесу дороже, чем сам фрод: упадёт конверсия, проседет повторная покупка, снизится LTV, а продукт постепенно станет менее удобным для обычных клиентов. Именно поэтому антифрод в бизнесе — это не просто борьба с мошенничеством, это защита экономики продуктов и помощь бизнесу расти безопасно и устойчиво.

В 1975 году Фредерик Брукс выпустил книгу «Мифический человеко-месяц». Она появилась не потому, что он решил написать очередной учебник по менеджменту. До этого Брукс руководил разработкой операционной системы OS/360 в IBM - одного из самых масштабных программных проектов своего времени. Когда всё закончилось, ему было что рассказать.

Главная мысль книги звучала странно. Если проект начинает отставать от графика, добавление новых людей не ускорит его. Скорее наоборот - задержит ещё сильнее.

Прошло больше пятидесяти лет, а эту идею до сих пор называют законом Брукса.

В прошлой статье я писала про то, что значит быть Internal PO, когда у продукта нет клиента с улицы. Естественный следующий вопрос: а как в таком случае доказывать ценность в цифрах? Вот с этим и разберёмся.

Все цифры в примерах ниже — условные, для иллюстрации метода.

В прошлом году я наблюдал одно и то же внедрение AI в четырёх разных компаниях. Разные индустрии, разные бюджеты, один сценарий, вплоть до реплик.

Сценарий такой. Сверху приходит: «нам нужен AI, все уже внедрили». Спешно выкатывают корпоративного ассистента — чат поверх LLM, обёрнутый в фирменные цвета. Через месяц готов слайд: «AI-ассистентом воспользовались 10 000 раз». Совет доволен. В письме инвесторам — строчка про «AI-трансформацию». Продукту — премия.

А теперь то, чего на слайде нет. Я в таких случаях прошу показать не «количество запросов», а три других числа. Сколько людей пришло во второй раз. Сколько пользуется раз в неделю спустя месяц. И что эти люди перестали делать по-старому.

В одной из тех четырёх компаний картина была такая: из десяти тысяч запросов девять тысяч — люди, которые задали один вопрос, получили ерунду и не вернулись. Никогда. Из оставшихся — половина это сотрудники, которых попросили «потестить», и демо для руководства. Недельная активная аудитория «внедрённого» AI спустя квартал — четырнадцать человек. Из четырёх тысяч сотрудников.

В отчёте осталось «10 000». Слайд ещё дважды показывали на советах.

Продуктовые команды сегодня используют десятки метрик. Только на главный управленческий вопрос — сможет ли система обработать нужный объем инициатив в нужный срок — эти метрики не отвечают. Они показывают, как работает конкретная команда или этап, но не дают картины всей системы. Рассказываю, что с этим делать.

Разбираю, как программист запустил детективную игру, где расследование проходит прямо в Telegram. За полгода он продал 1000+ копий и вывел проект на 3 млн рублей оборота, несмотря на жесткую конкуренцию с настольными играми, квизами и другими детективными развлечениями.

«Чтобы научиться решать кейсы, надо работать» ©

Всем привет! Меня зовут Ксюша Соколова, я продакт‑менеджер в Точка Банке и карьерный ментор. Сегодня поговорим про мою, наверное, самую любимую тему в продуктовом саморазвитии — решение кейсов. Зачем они нужны, почему важно их решать не только на собеседовании, и самое главное — как же научиться их решать. 

Первая ошибка в разговоре про нейросети – считать только расход. Подписка стоит столько-то, значит, это статья затрат. Но у любой рутины уже есть цена, просто она спрятана в зарплатах, в упущенных заявках и в вечерах, которые вы досиживаете с отчётами вместо семьи.

Посчитайте грубо. Если на ручную обработку заявок, переписку, счета и отчёты у вас и сотрудников уходит полтора часа в день, за месяц это больше тридцати часов. По отраслевым данным малый бизнес теряет на одной только финансовой рутине порядка двадцати четырёх рабочих дней в год – фактически вы работаете тринадцать месяцев, а платите за двенадцать. Это и есть та сумма, против которой считается окупаемость ИИ.

И вот что важно понять сразу: внедрившие нейросети возвращают по отраслевым данным двадцать и больше часов в месяц. Federal Reserve в своём исследовании оценил экономию от генеративного ИИ примерно в два часа рабочего времени в неделю на сотрудника – почти полный рабочий день каждый месяц, который раньше уходил в никуда.

Могу точно сказать, что почти весь бизнес теряет до 50% своей эффективности из-за того, что разные отделы/департамента тупо не могут найти общий язык, а часто и откровенно враждуют друг с другом. Вот мой топ 3 отделов/департаментов, которые не любят особенно актуально:

Компания торжественно отчиталась: новой фичей воспользовались десять тысяч раз за месяц. Праздник. Слайд на совете директоров — график вверх и вправо. Продуктовой команде выписали премию. В квартальном письме инвесторам — строчка про «успешное внедрение».

Потом кто-то тихий — обычно это аналитик, которому стало любопытно, — открыл сырые данные и посмотрел не «сколько», а «кто и как». Из десяти тысяч «использований» девять тысяч оказались людьми, которые ткнули кнопку один раз, получили результат, пожали плечами и больше не вернулись. Никогда. Из оставшейся тысячи половина — сотрудники самой компании, которых попросили «потестить», и внутренние демо для тех же директоров.

Знаете, что произошло с отчётом? Ничего. В отчёте осталось «10 000». Слайд не отозвали, премию не пересчитали, строчку инвесторам не поправили. Цифра уже сделала свою работу — всех порадовала. Зачем её трогать.

Я вхожу в чужие компании со стороны и навожу порядок, и эту сцену я видел столько раз, что перестал считать. Меняются названия фич и масштабы, не меняется главное: компании систематически путают активность с ценностью — и делают это не по глупости, а потому что так устроены стимулы. Разберём механику.

Меня зовут Артем, я продакт-менеджер в компании OpenYard — компании, которая разрабатывает и производит серверное оборудование. Сейчас я отвечаю за линейку нереестровых GPU-серверов, а также занимаюсь портфелем комплектующих для серверных решений: слежу за рынком, веду переговоры с поставщиками, помогаю пресейлам разбираться в совместимости и объяснять интеграторам, какая конфигурация подходит под конкретную задачу. По образованию я таможенник. Нет, это не опечатка. В этой статье я расскажу, как гуманитарий без технических корней оказался внутри одного из самых нишевых рынков IT-индустрии — и что из этого вышло.

Разбираю, как девушка без опыта в программировании запустила AI-бота для практики разговорного английского. И за 2,5 месяца заработала $1200, несмотря на высокую конкуренцию. 

Всем привет! В предыдущих двух статьях нашего цикла – шесть основ бизнес-анализа мы с вами разобрали первые два базовых понятия Бизнес-анализа – Заинтересованные стороны (Stakeholders) и Потребность (Need).  Мы выяснили, что аналитик начинает любой проект с определения «кто в игре» для создания рабочей группы проекта и первым делом «ставит диагноз», т.е. определяет истинную потребность заказчика. Но когда потребность сформулирована и решение найдено начинается самая недооценённая часть работы бизнес-аналитика. Потому что даже идеально спроектированное решение может провалиться, если не управлять тем, что происходит между «сейчас» и «потом» — то есть самим изменением.

По данным McKinsey & Company, около 70% инициатив по организационным изменениям не достигают поставленных целей. Причина почти всегда одна и та же: техническая часть выполнена, а человеческая — проигнорирована. Новая система работает, процесс описан, инструкции написаны. Но люди продолжают работать по-старому.

Чтобы не наступить на эти грабли, разберём третье базовое понятие BABOK — Изменение (Change).

Статья написана на основе интервью с Александром и Викторией Ларионовыми, владельцами сети цветочных магазинов «От Амура» в Сланцах и Луге.

В этом году в стране закрылось больше цветочных, чем открылось, а в крупных городах ушла четверть рынка. У нас в это же время в двух маленьких городах на тридцать тысяч человек три магазина, и за букетом едут из других городов.

Двенадцать лет назад мы этот же бизнес почти угробили. Что мы тогда поняли и что с тех пор делаем не как все, расскажем дальше.

Сегодня расскажу о том, как мы внедряли процессные метрики в компании: с чего начали, какие сложности поймали по дороге и какие выводы сделали. А главное — покажу, какой эффект это дало для команд, скорости разработки и бизнеса в целом.

Привет! Я Маша, лидер стрима в HR Tech команде Альфы. В этой статье расскажу, как мы сделали «Открыточную» и теперь помогаем доставлять эмоции сотрудникам.

Будет про мемные открытки, поздравления с повышением и дизайн-ревью — даже в эмоциональном проекте без этого никак. Увидите, какой инструмент мы сделали, что с цифрами и откликом коллег.

Каждый новый A/B-тест у нас занимал 3–4 недели. За это время ML-команда успевала придумать ещё несколько гипотез, аналитики — устать, а продакты — начать спорить, можно ли вообще продолжать эксперимент, если метрики уже неделю летят вниз.

В какой-то момент стало понятно: такими темпами мы просто тонем в очереди гипотез.

Тогда у нас появились быстрые эксперименты — короткие тесты на маленькой аудитории, которые помогают за несколько дней понять, что гипотеза, скорее всего, плохая, и не тратить на неё ещё месяц.

Меня зовут Лера Катеринчик, я старший продакт-менеджер в команде рекомендаций. Мы делаем ML-модели, которые пытаются угадать, что пользователь захочет следующим.

Я не гуру и не «лидер мнений». Я обычный продакт, который работает с ML-инженерами, аналитиками и живёт в тех же процессах и бардаке, что и многие продуктовые команды.

Хочу рассказать, как мы используем быстрые эксперименты, где они работают, где нет и с какими проблемами мы столкнулись.

Я давно сознательно избегал трех бесячих тем: фронтир-моделей, автономных агентов ради самих агентов и разговоров про AI-native компании. Потому что вокруг них сейчас слишком много маркетинга и слишком мало инженерной конкретики.

Но после доклада AWS про команды в мире агентского ИИ стало понятно, что интересный вопрос тут не какая модель победит, а какая операционная модель переживет удешевление разработки и придумали ли уже что-то по делу. Статья перед тобой разбор тысяч публикаций про то что думают всяки MAANG о том какие команды в итоге получатся.

Привет, Хабр! Мы — Владимир, Дмитрий и Константин — команда из логистики в торговой сети «Монетка» («Группа Лента»). Мы управляем процессами в одной из крупнейших розничных сетей в России, и у нас — 4+ тысячи магазинов, 40+ тысяч сотрудников и миллионы коробок товара, которые каждый день нужно отгружать со складов 24/7. А выходной – только один день в году, 1 января.