paint-brush
Cómo descubrir rápidamente qué quieren los usuariospor@leebale
3,259 lecturas
3,259 lecturas

Cómo descubrir rápidamente qué quieren los usuarios

por Roman Leeb13m2024/09/24
Read on Terminal Reader

Demasiado Largo; Para Leer

Titular de clickbait ✅ La montaña rusa de las startups: se lanzó en AppSumo y, redoble de tambores, por favor, ¡se vendió a una multitud de 12 personas! Vaya fracaso de fiesta. Modo detective: nos rascamos la cabeza y luego nos sumergimos de cabeza en las reseñas de software, buscando el elusivo "por qué" detrás de nuestro espectacular fracaso. Búsqueda de pepitas de oro: encontramos oro al analizar reseñas de software. Resulta que los usuarios nos decían exactamente lo que necesitaban todo el tiempo. La empresa igual se fue a la quiebra, más o menos. Botín de RAG: literalmente leí miles de reseñas, luego me topé con LLMs y OpenAI (gracias a Dios). Ahora esa cosa está generando información como si se tratara de un maratón de Netflix. ¿Por qué molestarse? 👉 Las reseñas están repletas de información y pueden potenciar su comprensión de los clientes, lo que ayuda a evitar desastres de startups. El panorama general: no se trata solo de esquivar balas; Se trata de avanzar rápidamente hacia el éxito: pensar en ideas que allanen el camino para lograr un ajuste entre el problema y la solución, tal vez incluso entre el producto y el mercado, y potencialmente, ese Lambo esperando en la línea de meta.
featured image - Cómo descubrir rápidamente qué quieren los usuarios
Roman Leeb HackerNoon profile picture
0-item

Y cómo conseguir un Lambo como resultado... bueno, más o menos.

Resumen

  • Titular de clickbait ✅
  • La montaña rusa de las startups: se lanzó en AppSumo y, redoble de tambores, ¡se vendió a una multitud de 12 personas! Vaya fracaso de fiesta.
  • Modo detective: nos rascamos la cabeza y luego nos sumergimos de lleno en las revisiones de software, buscando el elusivo "por qué" detrás de nuestra espectacular caída de cara.
  • Búsqueda de pepitas de oro: Encontré oro analizando reseñas de software. Resulta que los usuarios nos decían exactamente lo que necesitaban todo el tiempo. La empresa, de todos modos, se fue a la quiebra, más o menos.
  • RAG Swag: literalmente leí miles de reseñas y luego me topé con LLMs y OpenAI (gracias a Dios). Ahora esa cosa está generando información como si estuvieras viendo series y películas en Netflix.
  • ¿Por qué molestarse? 👉 Las reseñas están repletas de información y pueden potenciar su comprensión de los clientes, lo que ayuda a evitar desastres en las empresas emergentes.
  • El panorama más amplio: no se trata solo de esquivar balas, se trata de acelerar hacia el éxito: piense en conocimientos que allanen el camino para lograr un ajuste entre el problema y la solución, tal vez incluso el ajuste entre el producto y el mercado, y potencialmente ese Lambo esperando en la línea de meta.

La experiencia enseña con dureza, pero es la que mejor enseña.

A principios de 2022, me encontré en una situación realmente única e incómoda. Acababa de incorporarme a una startup que estaba en pleno desarrollo de una nueva generación de su plataforma de automatización de procesos. Cuando me incorporé para dirigir su departamento de marketing, ya habían pasado más de un año desarrollándola, invirtiendo una cantidad significativa de tiempo y recursos en lo que se esperaba que fuera un producto innovador. Al principio, parecía prometedor: la experiencia de usuario era muy superior en comparación con la plataforma heredada y era notablemente más fácil para los novatos como yo crear flujos de trabajo funcionales y sin código. Luego, después de muchos meses de arduo trabajo, finalmente lo lanzamos en AppSumo. 12 personas lo compraron, ¡ay! Parecía como organizar una fiesta en la que todos respondían "sí" y luego terminabas bailando solo con tu gato.


En ese momento me quedé perplejo. Simplemente no entendía por qué esto no atraería más interés de los usuarios, dado que la oferta de por vida era una ganga absoluta (¡es hora de rimar!). La respuesta tras el lanzamiento de AppSumo fue clara: nuestro producto no estaba listo. Los usuarios lo describieron como "incompleto" o " un pequeño y bonito juguete ". Era el equivalente a que una chica guapa te dejara en la friend zone después de haber reunido todo tu coraje para invitarla a una cita.


Ahora, en retrospectiva, después de haber usado ampliamente plataformas similares como make.com (antes Integromat), entiendo por qué nadie lo quería. Pero en aquel entonces no me resultaba obvio. A medida que el dolor inicial de este rechazo se fue calmando, nos decidimos cada vez más a entender qué faltaba para que el producto fuera realmente deseable.


Una representación real de mí después del lanzamiento de AppSumo


Lo que hizo que toda la situación fuera aún más complicada fue el hecho de que, para entonces, nuestro equipo había crecido hasta contar con más de 40 empleados y, con solo alrededor de 1 millón de euros en ingresos recurrentes anuales (ARR) provenientes del negocio tradicional, estábamos agotando nuestra financiación inicial a un ritmo alarmante. El tiempo se estaba agotando.


En un esfuerzo por identificar las 3 o 4 características clave necesarias para transformar esto en un éxito de taquilla, me puse en contacto con los usuarios de la antigua plataforma. Si bien pude obtener algunas ideas, los clientes existentes a menudo tenían soluciones muy específicas y personalizadas, lo que hacía que fuera casi imposible esbozar un plan claro para el "producto perfecto". Presionado por las limitaciones financieras y limitadas por la disponibilidad de nuestros clientes, mi capacidad para realizar entrevistas se limitó a alrededor de tres por día, lo que no fue suficiente para resolver esto a tiempo.


En consecuencia, decidí dar un giro y elegí un método de investigación alternativo con el que me había topado antes: analizar las reseñas de software de competidores directos y productos adyacentes. Lo que descubrí fue una auténtica mina de oro: un tesoro de gustos, disgustos, expectativas, casos de uso y solicitudes de funciones. Pasé una semana, tal vez incluso más tiempo, revisando meticulosamente estos comentarios, recopilando cada pequeña parte de información útil en una hoja de cálculo y, finalmente, elaborando una hoja de ruta integral para que nuestros desarrolladores la enviaran lo antes posible.


Los resultados de nuestra investigación fueron esclarecedores, pero el tiempo jugaba en nuestra contra. Nuestro último esfuerzo parecía un Ave María y, al final, no dio resultado. Simplemente no tuvimos tiempo suficiente para aplicar lo que habíamos aprendido de las revisiones y no pudimos conseguir los fondos necesarios para superar esta fase de implementación. Además, los comentarios negativos iniciales sobre el lanzamiento de AppSumo habían pasado factura, la moral se desplomó y tuvimos que despedir al 90 % de nuestro personal. No fue una experiencia agradable, por decir lo menos.


Pero lo que se me ha quedado grabado desde entonces es esto: analizar las reseñas de software puede proporcionar información rápida sobre lo que los usuarios realmente piensan y quieren, información que los métodos tradicionales no podían ofrecer, al menos no para mí, y ciertamente no tan rápidamente.

El cementerio de startups

La triste verdad es que el 90% de las empresas emergentes fracasan. Si bien la tasa de fracaso en el primer año es de alrededor del 10%, esta cifra se dispara a un asombroso 70% en los años dos a cinco. Para el décimo año, el 90% de ellas han desaparecido, según la Oficina de Estadísticas Laborales de los Estados Unidos. Por lo tanto, es seguro decir que el camino de una empresa emergente no es para los débiles de corazón.


Ahora bien, esto plantea la pregunta: ¿por qué fracasan tantas empresas? ¿Cuáles son las razones específicas por las que dejan de operar? En contadas ocasiones, el fracaso puede atribuirse a un solo problema; en cambio, suele ser una combinación de varios factores. Sin embargo, lo que se destaca constantemente en estas estadísticas es la falta de adecuación entre el producto y el mercado, que parece ser un factor principal del fracaso.


Dondequiera que mires, la falta de PMF parece ser la principal razón por la que las startups fracasan. Fuente: https://explodingtopics.com/blog/startup-failure-stats


Pero el fracaso a la hora de garantizar la adecuación del producto al mercado no se debe únicamente a una identificación errónea de la necesidad; a menudo se debe a una falta de comprensión lo suficientemente profunda de los clientes. Las empresas emergentes se obsesionan tanto con sus brillantes soluciones que olvidan la regla básica: no importa lo bueno que sea el producto si nadie lo quiere. Y el descubrimiento del cliente no es sólo un paso al principio, es un ciclo continuo de retroalimentación e iteración que, si se pasa por alto, conduce a la creación de productos que nadie pidió.

La tierra prometida: el ajuste entre producto y mercado

El producto-mercado puede describirse como el Santo Grial que toda startup aspira a descubrir. Es para las startups lo que Wimbledon es para los tenistas: un hito prestigioso que no solo valida la habilidad y la perseverancia, sino que también marca un momento crucial hacia el éxito. Para muchos, lograrlo es como llegar al Monte Olimpo, donde las empresas más exitosas son recompensadas por alinear sus productos perfectamente con las demandas del mercado.


Pero, ¿qué es exactamente el ajuste producto-mercado? A lo largo de los años, me he dado cuenta de que existe cierta ambigüedad o elusividad en torno al término. Se utiliza con frecuencia en el mundo del SaaS y tengo la impresión de que muchos, si se les preguntara, no serían capaces de definirlo con precisión. Algunos simplemente lo equiparan con la creación de algo que el mercado desea y consideran que se logra cuando los clientes compran, usan e idealmente promocionan el producto de la empresa.

Según el empresario e inversor Marc Andreessen, que ayudó a popularizar este concepto, la adecuación producto-mercado se describe mejor como un escenario en el que:


" Los clientes compran el producto tan rápido como usted puede fabricarlo, o el uso crece tan rápido como usted puede agregar más servidores. El dinero de los clientes se acumula en la cuenta corriente de su empresa. Usted contrata personal de ventas y atención al cliente tan rápido como puede [...]".


Suena increíble, ¿verdad? Este nivel de éxito, como lo describe Andreessen, es una hazaña poco común para la mayoría de las empresas emergentes. Pero antes de siquiera soñar con un crecimiento tan explosivo y dar en el clavo metafóricamente , cada empresa emergente debe superar primero el desafío inicial de lo que a menudo se conoce como ajuste problema-solución.


Como su nombre lo indica, esto significa que primero has identificado el problema (idealmente uno urgente e importante) y luego ofreces una solución que aborda el problema de manera efectiva.


Como lo expresó elocuentemente Michael Seibel:

“Si tu amigo estuviera de pie junto a ti y su cabello estuviera en llamas, ese fuego sería lo único que realmente le importaría en este mundo. No importaría si tuviera hambre, acabara de sufrir una mala ruptura o llegara tarde a una reunión: priorizaría apagar el fuego. Si le dieras una manguera (el producto/solución perfectos), apagaría el fuego de inmediato y seguiría su camino. Si le dieras un ladrillo, lo agarraría de todos modos e intentaría golpearse la cabeza para apagar el fuego. Debes encontrar problemas tan graves que los usuarios estén dispuestos a probar soluciones a medias, imperfectas y de primera calidad”.


Esto implica conocer a sus clientes a fondo y comprender sus necesidades de manera tal que pueda expresar sus problemas posiblemente mejor que ellos mismos. Este nivel de comprensión conducirá casi con certeza a una adecuación entre el problema y la solución y, en esencia, sentará las bases para una adecuación entre el producto y el mercado, en la que su solución no solo aborda el problema, sino que también resuena con fuerza en su audiencia, allanando el camino para el crecimiento y el éxito futuros.


Marc Andreessen - Socio general de Andreessen Horowitz


Conozca a su cliente

No debería sorprendernos que, para comprender los problemas de nuestros clientes y desarrollar soluciones que los resuelvan de manera elegante, debamos realizar algún tipo de investigación de mercado. Sin embargo, en términos de popularidad, la investigación suele estar en un punto intermedio entre observar cómo se seca la pintura y sentarse a escuchar una presentación de PowerPoint larga y monótona (con mucho texto en cada diapositiva).


Si bien las metodologías de investigación tradicionales son esenciales, también pueden ser laboriosas y demandar mucho tiempo. Adaptar estos métodos a estudios más amplios suele resultar complicado, y evaluar con precisión los matices de los sentimientos requiere una habilidad considerable.


Pero exploremos rápidamente las opciones más comunes que tenemos a nuestra disposición y veamos qué tan adecuadas son para satisfacer las expectativas, preferencias y problemas de los clientes.

Elige tu arma, compañero.

  • La investigación documental, o como la mayoría de nosotros podríamos llamarla, la búsqueda en Google, es una opción obvia para muchos: es rápida, eficiente y prácticamente no requiere trabajo de preparación. Todo lo que necesita hacer es leer un montón de publicaciones de blogs, mirar videos de YouTube o escanear varios informes del sector. Pero, como sucede con muchas cosas, si los datos de origen son deficientes, se enfrentará al clásico dilema de "basura que entra, basura que sale".


Es gracioso porque es verdad


  • Los focus groups son como organizar una cena: íntimos, esclarecedores y, a menudo, llenos de sorpresas. Implican reunir a un pequeño grupo de personas de su mercado objetivo y hablar sobre su producto o servicio en profundidad, todo ello con el encanto de la interacción cara a cara de la vieja escuela. Sin embargo, gestionar estas sesiones puede ser como arrear gatos: son difíciles de organizar, escalar y, a veces, pueden dar lugar a cámaras de eco si no se moderan con habilidad. Además, la retroalimentación puede estar sesgada por personalidades dominantes que influyen en las opiniones del grupo.
  • Los focus groups son como organizar una cena: íntimos, reveladores y, a menudo, llenos de sorpresas. En ellos, se entabla una conversación cara a cara con un pequeño público objetivo sobre un producto o servicio. Sin embargo, gestionar estas sesiones puede ser un desafío: son difíciles de organizar, difíciles de ampliar y pueden convertirse en cámaras de resonancia sin una moderación hábil. Además, las personalidades dominantes pueden influir en las opiniones del grupo en una determinada dirección.
  • Las entrevistas individuales son como inmersiones profundas en la mente de sus clientes. Usted hace preguntas, ellos revelan la verdad y usted obtiene información valiosa que es difícil de captar en cualquier tipo de encuesta. Pero esto requiere dominar el arte de hacer las preguntas correctas, de manera muy similar a los principios delineados en el Mom Test. El éxito depende de un entrevistador hábil y de si usted tiene tiempo suficiente para realizar estas entrevistas una a la vez.
  • Las encuestas son la navaja suiza de la investigación de mercado: versátiles, eficientes y capaces de llegar a una amplia audiencia rápidamente. Usted formula las preguntas y las respuestas comienzan a llegar desde todos los rincones, lo que le ayuda a cuantificar las preferencias, opiniones y comportamientos. Sin embargo, las encuestas a menudo carecen de la profundidad que ofrecen las entrevistas personales, ya que no permiten realizar preguntas de seguimiento que indaguen más profundamente en los pensamientos y sentimientos de los encuestados.


Anota esto: Encuestas + Liam Neeson para “seguimiento” = éxito garantizado


  • La escucha social es como estar atento a lo que ocurre en una plaza de mercado llena de gente: escuchar el ruido y las conversaciones sobre tu producto, servicio o hashtags relacionados. Es fantástico ver cómo la gente habla naturalmente sobre tu sector, ya sean menciones directas de la marca o temas más amplios de la industria. El problema es que las conversaciones en las redes sociales pueden ser ruidosas, dispersas y no siempre directamente relevantes para tus consultas específicas.


Ahora contamos con una sólida gama de métodos de investigación tradicionales: la búsqueda en Google, los grupos de discusión, las encuestas y las entrevistas personales. Son geniales, no me malinterpreten. Son como las herramientas confiables en el cinturón de un artesano. Pero en el vertiginoso mundo de las empresas emergentes, a veces es necesario llevarlas a otro nivel...

El cambio de paradigma

Aquí es donde entra en juego Reviewradar . Esta herramienta no solo es más rápida, sino que lo simplifica todo. Nos permite examinar millones de reseñas rápidamente y con el mínimo esfuerzo. Es como tener un botón de avance rápido para la investigación de mercado. Ya no es necesario programar entrevistas ni (Dios no lo quiera) organizar grupos de discusión. Ya no es necesario perseguir a las personas para que completen encuestas ni revisar interminablemente las publicaciones de blogs para recopilar información (y luego tener que analizarla toda). Simplemente pregúntele al chatbot y le dirá lo que los usuarios han dicho sobre productos similares, qué preferencias tienen, qué los vuelve locos y qué características desean.


Por eso lo hemos creado: para que todo el proceso sea rápido y sin esfuerzo. Porque, seamos sinceros, si bien es esencial, investigar no es la parte que a la mayoría de nosotros nos apasiona. Preferiríamos enviar productos.


Mi cofundador, Andrei, está creando Reviewradar (broma aparte, es un genio)


Con la llegada de los LLM (Large Language Models, modelos de lenguaje extensos, para aquellos que no se enteraron), analizar grandes volúmenes de texto es ahora tan fácil como robarle un caramelo a un bebé. Es un superpoder absoluto para la investigación cualitativa que opera a una escala sin precedentes. Entonces, ¿por qué no simplemente incluir reseñas de productos para hacer el trabajo?


Antes, la gran cantidad de datos resultaba abrumadora, como intentar beber de una manguera contra incendios. Pero ahora podemos saborear cada detalle, identificar patrones, evaluar sentimientos y captar tendencias emergentes a medida que se desarrollan. Estos modelos potentes hacen más que simplemente leer; entienden el contexto, eliminan el ruido y señalan lo que realmente importa. Esto no es solo un paso adelante; es un gran salto en la forma en que abordamos la investigación de mercado y recopilamos información.


Reviewradar, que cuenta con una base de datos que contiene 3 millones de reseñas de más de 100 000 productos, conoce el mercado del software al dedillo y viene equipado con un análisis de sentimientos integrado para medir las emociones de manera eficaz. Imagine tener un bot ultrainteligente a su disposición, que analiza montañas de comentarios de usuarios con información valiosa incorporada. Cada opinión es una pieza de un rompecabezas y Reviewradar puede ensamblar hábilmente el panorama general, ofreciendo una vista de 360 grados de lo que realmente quiere el cliente. De esta manera, puede cambiar de rumbo más rápido, adaptar las estrategias de manera más eficaz y mantenerse en sintonía con los deseos del cliente sin perder el ritmo.

El meollo del asunto

Ahora, vamos a quitar las capas y ver cómo funciona esto. En esencia, Reviewradar es un chatbot, por lo que la interfaz de usuario se explica por sí sola. Haces una pregunta y obtienes una respuesta; es así de simple. Pero hay más bajo el capó. Para obtener mejores resultados, haz preguntas que mencionen productos específicos (quizás competidores), define el problema que estás tratando de resolver y resalta características específicas o casos de uso que te resulten particularmente interesantes. Cuanto más contexto proporciones, más personalizadas serán las respuestas.


El chatbot revisa el historial de conversaciones para asegurarse de que no se pase por alto ningún detalle crucial. Luego, elabora una consulta de búsqueda detallada, transforma esta consulta en un vector utilizando los modelos de integración de OpenAI y realiza una búsqueda dentro de la base de datos. Este vector multidimensional se compara con otros en la base de datos e identifica las coincidencias semánticamente más cercanas para volver a incluirlas en la conversación como contexto oculto.


Hay sólo un puñado de maneras de "enseñar" LLM, y todas tienen limitaciones y fortalezas. Elegimos una arquitectura de Generación Aumentada de Recuperación (RAG) por su relación costo-eficacia y eficiencia. La capacitación inicial en masa habría sido ridículamente cara, y el ajuste fino no es realmente útil para la recuperación de conocimiento, al menos no por el momento. Es poco probable que la obtención de información de la web dé resultado o se vuelva comercialmente viable pronto, por lo que RAG o el aprendizaje en contexto con un almacén de vectores parecía ser el camino más lógico. Además, ¿por qué no aprovechar las enormes cantidades de conocimiento y capacidades que ya están incorporadas en la mayoría de los LLM?


No hace falta decir que la mayor parte de las reseñas que se introducen como contexto oculto se encuentran en el centro del análisis. Pero también le indicamos al modelo que explore su espacio latente para mejorar sus capacidades analíticas. Felicitaciones a David Shapiro por este concepto. Así es como le indicamos al modelo que "profundice aún más":


“Se ha demostrado que los grandes modelos lingüísticos (LLM) incorporan conocimientos, habilidades y conceptos que van desde el razonamiento hasta la planificación e incluso la teoría de la mente. Se denominan capacidades latentes y contenido latente, y se los denomina colectivamente espacio latente. Al aprovechar el pensamiento crítico y la memoria asociativa inherentes a los LLM, sus análisis y respuestas pueden aprovechar estas capacidades latentes y descubrir perspectivas y conocimientos más profundos que podrían no ser inmediatamente evidentes. Siempre que sea posible, active este espacio latente para explorar temas tangenciales, pero relevantes. Esto le permitirá profundizar en las causas e implicaciones de sus hallazgos y conclusiones del análisis de revisión”.


Cómo funciona esta cosa de RAG (lo robé de algún sitio web sin siquiera pestañear)


Por cierto, para una clase magistral sobre ingeniería rápida, consulta los repositorios de Github de Dave.


Y listo, ya está: el chatbot responde incluyendo referencias directas a las reseñas que analizó. Lo único que te queda por hacer es tomar lo que te dijo Reviewradar, aplicarlo y, tal vez, solo tal vez, comenzar a comprar ese Lamborghini.


Pronto mi amigo, pronto.


Conclusión

En resumen, analizar las reseñas de software no es una panacea que te lleve de cero a ser un héroe de la noche a la mañana, pero sin duda vale la pena considerarlo como una herramienta de investigación. ¿Por qué? Porque permite eliminar el ruido y ofrecer información clara y precisa sobre lo que los usuarios realmente necesitan y desean. La cuestión es la siguiente: las reseñas ya están repletas de información, pero nadie tiene tiempo de leer cientos, tal vez miles, de ellas. Ahí es donde el diseño de RAG resulta útil, ya que ofrece una forma más inteligente y sencilla de extraer lo que es realmente valioso. Actúa como una máquina de procesamiento eficiente y eficiente, que va más allá de lo superficial para filtrar sin esfuerzo grandes cantidades de información rápidamente. Y, al venir directamente de la fuente, esta información puede ser una información invaluable para tu viaje hacia la adecuación del producto al mercado y, posteriormente, tal vez incluso un Lambo.