I com marcar un Lambo com a resultat, bé, una mica. TL;DR Titular Clickbait ✅ llançat a AppSumo i, tambor, si us plau, es va vendre a una multitud de 12 persones! Parlem d'un fracàs de festa. The Startup Rollercoaster: ens vam rascar el cap, després ens vam posar de cap a les revisions de programari, buscant el "per què" esquivant darrere de la nostra espectacular planta facial. Mode detectiu: va aconseguir l'or mitjançant l'anàlisi de ressenyes de programari. Resulta que els usuaris ens deien exactament el que necessitaven tot el temps. La companyia encara s'ha anat aixecant, una mica. Nugget Hunting: llegiu literalment milers de ressenyes, i després ensopeu amb LLM i OpenAI (gràcies a Déu). Ara aquesta cosa està generant coneixements com ara l'observació a Netflix. RAG Swag: Les ressenyes estan plenes d'intel·ligència i poden augmentar la vostra comprensió dels clients, ajudant-vos a esquivar els desastres d'inici. Per què molestar? 👉 no es tracta només d'esquivar bales; es tracta d'accelerar cap a l'èxit: penseu en els coneixements que obren el camí cap a l'ajustament de la solució del problema, potser fins i tot l'ajust del producte al mercat i, potencialment, el Lambo esperant a la meta. La imatge més gran: L'experiència ensenya dura, però ensenya millor. A principis del 2022, em vaig trobar en una posició realment única i incòmoda. M'acabo d'incorporar a una startup que estava desenvolupant una nova generació de la seva plataforma d'automatització de processos. Quan em vaig incorporar per dirigir el seu departament de màrqueting, ja havien passat més d'un any construint-lo, invertint temps i recursos importants en el que s'esperava que fos un producte innovador. Al principi, semblava prometedor: l'UX era molt superior en comparació amb la plataforma heretada i, sobretot, més fàcil per als noobs com jo crear fluxos de treball funcionals i sense codi. Després de molts mesos de dur treball, finalment vam llançar AppSumo. Ho van comprar 12 persones, ai! Va ser com fer una festa on tothom va respondre "sí" i després acabes ballant sol amb el teu gat. En aquell moment estava desconcertat. Simplement no entenia per què això no atreia més interès dels usuaris, atès que l'oferta de tota la vida era un robatori absolut (temps de rima)! Els comentaris del llançament d'AppSumo van ser clars: el nostre producte no estava preparat. Els usuaris ho van descriure com o " ". Era l'equivalent a ser amistat per una noia simpàtica després de reunir tot el teu coratge per demanar-li una cita. "incomplet" una joguina bonica Ara, en retrospectiva, després d'utilitzar àmpliament plataformes similars com (abans Integromat), entenc per què ningú ho volia. Però aleshores això no era evident per a mi. A mesura que la picada inicial d'aquest rebuig va disminuir, vam anar cada vegada més decidits a entendre què faltava perquè el producte fos realment desitjable. make.com El que va fer que tota la situació sigui encara més difícil va ser el fet que aleshores el nostre equip havia crescut fins a tenir més de 40 empleats i, amb només un milió d'euros en ARR del negoci heretat, estàvem consumint el nostre finançament inicial a un ritme alarmant. El temps s'acabava. En un esforç per identificar les 3-4 funcions clau necessàries per transformar-ho en un èxit de taquilla, vaig contactar amb els usuaris de la plataforma antiga. Tot i que vaig poder obtenir algunes idees, els clients existents sovint tenien solucions molt específiques i personalitzades, cosa que fa que fos gairebé impossible esbozar un projecte clar per al "producte perfecte". Pressionada per les limitacions financeres i limitada per la disponibilitat dels nostres clients, la meva capacitat per dur a terme entrevistes estava limitada a uns tres per dia, no prou per esbrinar-ho a temps. En conseqüència, vaig decidir pivotar i vaig escollir un mètode d'investigació alternatiu amb el qual havia ensopegat abans: analitzar les revisions de programari de competidors directes i productes adjacents. El que vaig descobrir va ser una mina d'or absoluta: un tresor de m'agrada, no m'agrada, expectatives, casos d'ús i sol·licituds de funcions. Vaig passar una setmana, potser fins i tot més, repassant meticulosament aquests comentaris, recopilant tota la informació útil en un full de càlcul i, finalment, elaborant un full de ruta complet perquè els nostres desenvolupadors l'enviïn el més aviat possible. Les idees de la nostra investigació van ser aclaridores, però el temps ens anava en contra. El nostre últim esforç va ser com un Ave Maria i, al final, no va sortir bé. Simplement no hi havia prou temps per aplicar el que havíem après de les revisions i no vam poder aconseguir els fons necessaris per superar aquesta fase d'implementació. A més, els comentaris negatius inicials del llançament d'AppSumo havien passat factura, la moral va caure en picat i vam haver d'acomiadar el 90% del nostre personal. No va ser una experiència agradable, com a mínim. Però el que m'ha enganxat des d'aleshores és això: l'anàlisi de les revisions de programari pot proporcionar una visió ràpida del que realment pensen i volen els usuaris, idees que els mètodes tradicionals no podrien oferir, almenys no per a mi, i certament no tan ràpidament. El cementiri de les startups La trista veritat és que el 90% de les startups fracassen. Tot i que la taxa de fracàs durant el primer any és al voltant del 10%, aquest nombre salta a un sorprenent 70% entre els anys dos i cinc. L'any deu, el 90% d'ells han desaparegut, segons l'Oficina d'Estadístiques Laborals dels Estats Units. Per tant, és segur dir que el camí d'una startup no és per als dèbils de cor. Ara això ens planteja la pregunta: per què fracassen tants? Quins són els motius concrets pels quals deixen de negociar? Poques vegades el fracàs es pot atribuir a un sol problema; en canvi, sol ser una barreja de diversos factors. No obstant això, el que destaca constantment en aquestes estadístiques és la manca d'adaptació del producte al mercat, que sembla ser un factor principal del fracàs. Però la manca d'assegurar l'ajust del producte al mercat no es tracta només d'identificar erròniament la necessitat; sovint es deriva de no entendre prou profundament els clients. Les startups s'emboliquen tant en les seves brillants solucions que obliden la regla bàsica: no importa el bo que sigui el vostre producte si ningú el vol. I el descobriment del client no és només un pas al principi, és un bucle continu de retroalimentació i iteració que, si es passa per alt, porta a la creació de productes que ningú no demana. La Terra Promesa: Encaix producte-mercat El mercat de productes es pot descriure com el Sant Grial que tota startup aspira a descobrir. És per a les startups el que és Wimbledon per als jugadors de tennis: una fita prestigiosa que no només valida l'habilitat i la perseverança, sinó que també marca un moment clau cap a l'èxit. Per a molts, aconseguir-ho és com arribar a l'Olimp, on les empreses més reeixides són recompensades per alinear perfectament els seus productes amb les demandes del mercat. Però, què és exactament l'adaptació del producte al mercat? Amb els anys, m'he adonat que hi ha una certa ambigüitat o elusivitat al voltant del terme. Sovint es llança al món SaaS, i la meva impressió és que molts, si se'ls demana, no serien capaços de definir-lo amb precisió. Alguns simplement l'equiparen a , i consideren que s'ha aconseguit quan els clients compren, utilitzen i, idealment, promocionen el producte de l'empresa. construir alguna cosa que el mercat vol Segons l'empresari i inversor Marc Andreessen, que va ajudar a popularitzar aquest concepte, l'ajust del producte al mercat es descriu millor com un escenari on: " Els clients estan comprant el producte tan ràpid com podeu fer-ho, o l'ús creix tan ràpid com podeu afegir més servidors. Els diners dels clients s'acumulen al compte corrent de la vostra empresa. Esteu contractant vendes i assistència al client. personal tan ràpid com puguis […]". Sona genial, oi? Aquest nivell d'èxit, tal com el descriu Andreessen, és una proesa rara per a la majoria de les startups. Però abans fins i tot de somiar amb un creixement tan explosiu i , cada startup ha d'abordar el repte inicial del que sovint es coneix com a ajust de solució de problemes. colpejar el clau metafòric del cap Com el seu nom indica, això vol dir que primer heu identificat el problema (idealment és urgent i important) i després heu ofert una solució que solucioni el problema de manera efectiva. Com ho va dir Michael Seibel amb eloqüent: "Si el teu amic estigués al teu costat i els seus cabells estaven encesos, aquest foc seria l'únic que els importaria realment en aquest món. No importaria si tinguessin gana, només patissin una mala ruptura o arribessin tard a una reunió: prioritzarien apagar el foc. Si els donessis una mànega, el producte/solució perfecte, apagarien el foc immediatament i seguirien el seu camí. Si els donaves un maó, encara l'agafaven i intentaven colpejar-se al cap per apagar el foc. Heu de trobar problemes tan greus que els usuaris estiguin disposats a provar solucions imperfectes v1 a mitges". Ara això implica conèixer els vostres clients per dins i entendre les seves necessitats tan a fons que podeu articular els seus problemes millor que ells mateixos. Aquest nivell de comprensió gairebé segur que conduirà a l'ajust de la solució del problema i, essencialment, estableix el terreny per a l'ajust del producte al mercat, on la vostra solució no només aborda el problema, sinó que també ressona fortament amb el vostre públic, obrint el camí per al creixement i l'èxit futurs. Coneix el teu client No hauria d'estranyar que per entendre els problemes dels nostres clients i desenvolupar solucions que els resolguin amb elegància, ens haguem de fer algun tipus d'estudi de mercat. Tanmateix, pel que fa a la popularitat, la investigació sol situar-se entre veure la pintura seca i asseure's en una presentació de PowerPoint llarga i monòtona (amb molt de text a cada diapositiva). Tot i que les metodologies de recerca tradicionals són essencials, també poden ser laborioses i requereixen temps. L'escalada d'aquests mètodes per a estudis més grans sovint resulta difícil, i avaluar amb precisió els matisos del sentiment requereix una habilitat considerable. Però analitzem ràpidament les opcions més habituals que tenim a la nostra disposició i veiem com s'adapten per adaptar-se a les expectatives, preferències i problemes dels clients. Tria la teva arma, company. La recerca d'escriptori, o com la majoria de nosaltres podríem anomenar, Google, és una opció òbvia per a molts: és ràpida, eficient i pràcticament no requereix treballs de preparació. Tot el que heu de fer és llegir un munt de publicacions de bloc, veure vídeos de YouTube o escanejar diversos informes del sector. Però, com passa amb moltes coses, si les dades d'origen són pobres, us trobareu amb el clàssic dilema "entrar, sortir escombraries". Els grups focals són com organitzar un sopar: íntim, perspicaç i sovint ple de sorpreses. Implica reunir un petit grup del vostre mercat objectiu i discutir el vostre producte o servei a fons, tot tenint l'encant de la vella escola de la interacció cara a cara. No obstant això, la gestió d'aquestes sessions pot ser com pasturar gats; són difícils d'organitzar, escalar i, de vegades, poden conduir a cambres d'eco si no es modera amb habilitat. A més, el feedback pot ser esbiaixat per personalitats dominants que influeixen en les opinions del grup. Els grups focals són com organitzar un sopar: íntim, perspicaç i sovint ple de sorpreses. Involucreu un petit públic objectiu en debats cara a cara sobre el vostre producte o servei. Tanmateix, gestionar aquestes sessions pot ser un repte; són difícils d'organitzar, difícils d'escalar i es poden convertir en cambres d'eco sense una moderació hàbil. A més, les personalitats dominants poden influir en les opinions del grup en una certa direcció. Les entrevistes individuals són com una immersió profunda a la ment dels vostres clients. Feu preguntes, vessen les mongetes i aplegueu informació rica que és difícil de capturar en qualsevol forma d'enquesta. Però això requereix dominar l'art de fer les preguntes adequades, com els principis descrits a la prova de la mare. L'èxit depèn d'un entrevistador hàbil i de si teniu temps suficient per realitzar aquestes entrevistes una a la vegada. Les enquestes són la navalla de l'exèrcit suís de la investigació de mercat: versàtils, eficients i capaços d'arribar ràpidament a una gran audiència. Poseu les preguntes i les respostes comencen a arribar des de les cantonades, ajudant-vos a quantificar preferències, opinions i comportaments. Tanmateix, les enquestes sovint no tenen la profunditat que ofereixen les entrevistes personals, ja que no permeten fer preguntes de seguiment que aprofundeixin en els pensaments i sentiments dels enquestats. L'escolta social és com tenir l'orella a terra en una plaça del mercat animada: sintonitzar el brunzit i xerrar sobre el vostre producte, servei o hashtags relacionats. És fantàstic veure com la gent parla de manera natural del vostre camp, ja siguin mencions directes de marca o temes més amplis de la indústria. El problema és que les converses a les xarxes socials poden ser sorolloses, disperses i no sempre rellevants directament per a les vostres consultes específiques. Ara tenim una línia sòlida de mètodes de recerca tradicionals: un bon Google, grups focals, enquestes i entrevistes individuals. Són genials, no m'equivoquis. Són com les eines fiables del cinturó d'un artesà. Però en el món de les startups de ritme ràpid, de vegades cal augmentar-ne el nivell... El canvi de paradigma Aquí és on entra en . Aquesta eina no només és més ràpida; ho simplifica tot. Ens permet examinar milions de ressenyes ràpidament i amb el mínim esforç. És com tenir un botó d'avançament ràpid per a la investigació de mercat. Ja no cal programar entrevistes ni, Déu n'hi do, organitzar grups focals. No més perseguir la gent per omplir enquestes o recórrer sense parar les publicacions del bloc per recollir informació (i després haver d'analitzar-ho tot). Només cal que pregunteu al chatbot i us dirà què han dit els usuaris sobre productes similars, quines preferències tenen, què els fa boig i quines funcions volen. joc Reviewradar És per això que hem creat això: perquè tot el procediment sigui ràpid i sense esforç. Perquè siguem sincers, tot i que és essencial, la recerca no és la part que ens apassiona a la majoria de nosaltres. Preferim enviar productes. Amb l'arribada dels LLM (Grans models de llenguatge per a aquells que podrien haver perdut la nota), analitzar grans cossos de text ara és tan fàcil com robar caramels a un nadó. És una superpotència absoluta per a la investigació qualitativa que opera a una escala sense precedents. Aleshores, per què no introduïu ressenyes de productes per fer la feina? Anteriorment, el gran volum de dades era aclaparador, com intentar beure d'una mànega d'incendis. Però ara, podem beure i assaborir cada detall, identificant patrons, avaluant els sentiments i capturant les tendències emergents a mesura que es desenvolupen. Aquests models centrals fan més que llegir; entenen el context, tallen el soroll i identifiquen allò que realment importa. Això no és només un pas endavant; és un salt de gegant en la manera com ens apropem a la investigació de mercat i a recopilar informació. Armat amb una base de dades que conté 3 milions de ressenyes de més de 100.000 productes, Reviewradar coneix el mercat del programari per dins i per fora i està equipat amb una anàlisi de sentiments integrada per mesurar eficaçment les emocions. Imagineu-vos tenir un bot ultra intel·ligent a la vostra disposició, pentinant-se a través de muntanyes de comentaris dels usuaris amb valuoses idees incorporades. Cada opinió és una peça del trencaclosques, i Reviewradar pot reunir amb habilitat el panorama general, oferint una visió de 360 graus del que realment vol el client. . D'aquesta manera, podeu girar més ràpidament, adaptar les estratègies de manera més eficaç i mantenir-vos en sintonia amb els desitjos dels clients sense perdre el ritme. La meitat Ara, retirem les capes i veiem com funciona. En el seu nucli, Reviewradar és un bot de xat, de manera que la interfície d'usuari s'explica per si mateixa. Feu una pregunta i obteniu una resposta; és així de senzill. Però sota el capó n'hi ha més. Per obtenir els millors resultats, feu preguntes que mencionin productes específics (potser competidors), definiu el problema que esteu intentant resoldre i destaqueu funcions o casos d'ús concrets que us resultin especialment interessants. Com més context proporcioneu, més adaptades seran les respostes. El chatbot revisa l'historial de converses per assegurar-se que no es passa per alt cap detall crucial. A continuació, elabora una consulta de cerca detallada, transforma aquesta consulta en un vector mitjançant els models d'inserció d'OpenAI i realitza una cerca a la base de dades. Aquest vector multidimensional es compara amb altres de la base de dades, identificant les coincidències semànticament més properes per tornar a la conversa com a context ocult. Només hi ha un grapat de maneres d'"ensenyar" els LLM, i totes tenen limitacions i punts forts. Vam triar una arquitectura de generació augmentada amb recuperació (RAG) per la seva rendibilitat i eficiència. La formació inicial a granel hauria estat ridículament cara, i l'ajustament no és realment útil per a la recuperació del coneixement, almenys no de moment. És improbable que l'obtenció d'informació del web s'ampliï o sigui comercialment viable aviat, de manera que RAG o l'aprenentatge en context amb una botiga de vectors semblava ser el camí més lògic. A més, per què no aprofitar la gran quantitat de coneixements i capacitats que ja inclouen la majoria de LLM? No cal dir que el gruix de les ressenyes que s'injecten com a context ocult és el centre de l'anàlisi. Però també donem instruccions al model per explorar el seu espai latent per millorar les seves capacitats analítiques. Felicitats a David Shapiro per aquest concepte. A continuació us indiquem al model que "aprofundeixi encara més": “S'ha demostrat que els grans models de llenguatge (LLM) incorporen coneixements, habilitats i conceptes, que van des del raonament a la planificació i fins i tot a la teoria de la ment. Aquestes s'anomenen capacitats latents i contingut latent, col·lectivament denominats espai latent. Aprofitant el pensament crític i la memòria associativa inherents als LLM, les vostres anàlisis i respostes poden aprofitar aquestes habilitats latents, desbloquejant visions i perspectives més profundes que potser no són immediatament evidents. Sempre que sigui possible, activeu aquest espai latent per explorar temes tangencials però rellevants. Això us permetrà aprofundir en les causes i les implicacions de les vostres troballes i conclusions de l'anàlisi de la revisió". Per cert: per a una classe magistral d'enginyeria ràpida, consulteu els repositoris Github de Dave. Et voilà, aquí ho teniu: el chatbot respon incloent referències directes a les ressenyes que va analitzar. Tot el que et queda per fer és agafar el que t'ha dit Reviewradar, aplicar-lo i potser, potser, començar a comprar aquest Lamborghini. Conclusió Per acabar, analitzar les ressenyes de programari no és una bala de plata que us portarà de zero a heroi d'un dia per l'altre, però sens dubte val la pena tenir-lo en compte per a la vostra caixa d'eines de recerca. Per què? Perquè talla el soroll i ofereix una visió nítida del que realment necessiten i volen els vostres usuaris. Aquí està la cosa: les ressenyes ja estan plenes d'informació; és que ningú té el temps de recórrer centenars, potser milers, d'ells. Aquí és on el disseny RAG és útil, oferint una manera més intel·ligent i senzilla d'extreure allò que és realment daurat. Actua com una màquina de processament magra i mitjana, que va més enllà del superficial per tamisar sense esforç grans quantitats d'informació ràpidament. I provenint directament de la boca del cavall, aquestes idees podrien ser una informació inestimable per al vostre viatge cap a l'adaptació al mercat del producte i, posteriorment, potser fins i tot un Lambo.
