Zpětná vazba od uživatelů pod taktovkou umělé inteligence
Umělá inteligence už sekunduje v řadě oborů. Není tedy překvapením, že se stává šikovným parťákem i produktových manažerů. Při vývoji produktů totiž existuje spoustu rutinních úkolů, které právě AI dokáže hravě zvládnout a ušetřit tak spoustu času i peněz. A to například i při sběru zpětné vazby od zákazníků, která je při vývoji produktů a digitálních služeb nezbytná. S čím vším může umělá inteligence pomoci?
Nejlepší cesta, jak něco zlepšit, vede přes zpětnou vazbu. A platí to i v případě vývoje produktů a digitálních služeb. Jak ale se zpětnou vazbou pracovat efektivně, když jí dostáváte k tisícovce týdně? Procházet všechny informace, kategorizovat je a přiřazovat ke konkrétním featurám zabírá totiž hodiny a hodiny času. Dnešní trh naštěstí nabízí řešení v podobně umělé inteligence. A využít ji při zpracování zpětné vazby od zákazníků lze hned několika způsoby. Ukážeme vám, jak tuto technologii využíváme s našimi nástroji v Productboardu.
Svěřte zpětnou vazbu od uživatelů do rukou umělé inteligence
Zpětná vazba od zákazníků může vypadat různě. Mohou to být dlouhé konverzace mezi uživatelem a zákaznickou podporou, recenze z obchodů jako Google, Amazon či App Store nebo například i informace ze Salesforce. Ať už ale mají jakoukoliv podobu, vedle podstatných informací, které jsou pro vývoj produktový klíčové, obsahuje však spoustu zpětné vazby i velké množství šumu. Tedy informací, které nás vlastně ani tolik nezajímají.
Než nechat procházet dlouhé konverzace se zákazníkem člověka, je snazší svěřit takový úkol umělé inteligenci. Dokáže totiž všechny informace zpracovat a vytvořit z nich shrnutí během pár sekund. Což každý produktový manažer jistě ocení. Místo přepisu desetiminutové konverzace si tak akorát přečte krátký odstavec a rychle zjistí, co má daný zákazník za problém.
Shrnutí zpětné vazby ale není všechno, s čím si umělá inteligence umí poradit. Zvládne totiž mezi tisícovkami jednotlivých zpětných vazeb najít také určité vzorce. Při velkém množství feedbacků existuje totiž velká pravděpodobnost, že se určité problémy uživatelů budou opakovat. Hledat tyto vzorce ručně je ale velmi časově náročné – a v některých případech zcela nemožné. Například v našem nástroji k tomu využíváme vlastní algoritmus strojového učení, který je vylepšený pomocí velkých jazykových modelů. Pokud nalezený vzor v uživatelské zpětné vazbě dosáhne určitého opakování, vytvoříme z něj takzvaný topic a pojmenujeme ho. Díky tomu se dokáže každý produktový manažer podívat na zpětnou vazbu od uživatelů z větší perspektivy. Což ocení hlavně produktoví manažeři velkých firem – právě ti se totiž potýkají s velkým množství uživatelské zpětné vazby.
Po vytvoření zmíněných topics přichází na řadu další důležitý krok – automatické kategorizování zpětné vazby. I při tom asistuje umělá inteligence. Jedná se o propojení nalezených problémů uživatelů s jednotlivými features daného produktu nebo služby. Dokážete tak snadno prioritizovat, které problémy jsou opravdu palčivé a na které se v určitém časovém rámci soustředit. Tato činnost byla donedávna možná pouze manuálně. Díky umělé inteligenci odpadá hromada práce a produktový manažer tak přijde k již připraveným prioritám v backlogu.
Umělá inteligence ale nemusí problémy uživatelů pouze odkrývat. Může vám i potvrdit, zda se vaše myšlenky ubírají správným směrem. Pokud máte například nápad, co v rámci produktu zlepšit, můžete si pomocí umělé inteligence ve zpětné vazbě od uživatelů dohledat, jestli uživatele daný problém opravdu trápí, a ověřit si, zda by vaše řešení mohlo být odpovědí na vyskytující se problém. Nesmíme ale ještě zapomenout na jednu činnost, kde může umělé inteligence zaskočit za produktového manažera. Při psaní. Produktoví manažeři totiž spoustu specifikací. Stačí si vzít k ruce AI a ta mu dokáže z výše zmíněných výstupů připravit poklady.
Na čem běží AI?
Ať už se jedná o sumarizaci zpětné vazby, vytvoření topics či automatické kategorizování, za všemi těmito řešeními stojí kombinace tradičního strojového učením s generativní umělou inteligencí, například modely od OpenAI či jiných poskytovatelů – třeba Claude. Tyto technologie tak tvoří vždy jeden model pro každé řešení – pro sumarizaci či automatické kategorizování. A u řešení, které hledá opakující se vzorce ve zpětných vazbách a na základě nich vytváří takzvané topics, je navíc třeba vždy připravit model pro každého zákazníka zvlášť – tedy pro každou firmu, která náš nástroj používá. Každá firma má totiž úplně jiná data. U některých byste napočítali stovky textových dokumentů, u jiných se dostanete až k milionu. A je velmi těžké – možná i nemožné – mít jeden centrální model, který byl fungoval pro všechny firmy. Nelze totiž dělat předpovědi jedné firmě na základě dat firmy druhé.
Vytvoření jednoho takového modelu, který zpracovává sumarizaci uživatelské zpětné vazby do topics, je také zautomatizované. Jak to probíhá? Pokud chce například produktový manažer tuto funkci začít využívat, jednoduše se přihlásí do našeho nástroje a nastaví si ji. Model se vytvoří během několika hodin, nejdéle to však zabere den. A pak už může umělá inteligence rovnou začít pomáhat. S jednou věcí si ale neporadí – s kvalitou dat. Jak už zaznělo, každá firma má naprosto jiná data, který modely zpracovávají. Forma zpětné vazby se zkrátka liší. Někdy je dobře zpracovaná, ještě než se do ní pustí umělá inteligence. Jindy jsou data plná nepořádku. Je tedy nemožné, aby AI nabízela všem stejně kvalitní výsledky. Platí zde zkrátka jedno pravidlo: Jak kvalitní vstupy máte, tak kvalitní výstupy získáte. A pokud dlouho zanedbáváme kvalitu dat, tak je pak jejich zpracování pro AI velmi náročné. Umělá inteligence je skvělý nástroj, ale není samospásná.
Budoucnost umělé inteligence je v celém cyklu vývoje produktu
Současné možnosti využití umělé inteligence v oblasti vývoje produktů se neobjevily ze dne na den. V Productboardu jsme s touto oblastí začali experimentovat zhruba před čtyřmi lety. Tehdy pojmy jako generativní umělá inteligence, velké jazykové modely či GPT ještě nebyly tak populární. V té době byly naše experimenty čistě o tradičním strojovém učení. Třeba první topics patřily k prvním vlaštovkám. Na svou dobu se jednalo celkem o inovativní řešení. Když pak přišel boom generativní AI a velkých jazykových modelů, jejichž výkon byl už na velmi kvalitní úrovni, propojili jsme tyto technologie s tou naší – s tradičním strojovým učením.
Ač už tedy dokáže umělá inteligence pomoct s řadou úkolů při sběru zpětné vazby od zákazníků, její možnosti jdou rychle dopředu. Kam až může dojít? V současné době je většinou trénovaný model vždy na daný specifický use case – například na shrnutí zpětné vazby či její prolinkování s jednotlivými features produktu či služby. V budoucnu by ale mohlo být třeba možné to, že se zeptáte umělé inteligence na cokoliv, co by dokázala vyčíst z dat, a ona vám zvládne odpovědět. Například jí položíte otázky, proč právě určitou feature chtějí zákazníci nejvíce či kolik nás její vývoj bude stát. Zkrátka by došlo k propojení různých dat a AI by s nimi dokázala pracovat v mnohem širším kontextu. Budoucnost umělé inteligence v oblasti produktového managementu tak spočívá především v tom, že pomáhá nejen při zpracování zpětné vazby a prioritizaci, ale během celého cyklu vývoje produktu. A to je přesně náš cíl.
 |
Martin Neznal Autor článku je Senior Machine Learning Engineer ve společnosti Productboard. |
 |
Michal Matyščák Autor článku je Senior Product Designer ve společnosti Productboard. |
