Hur man tar reda på vad användarna vill ha, snabbt

Och hur man gör en Lambo som ett resultat - ja, typ.

TL;DR

• Clickbait rubrik ✅
• The Startup Rollercoaster: Lanserades på AppSumo, och – trumrulle, tack – såldes till en jättestor skara på 12! Snacka om en partyflopp.
• Detektivläge: kliade oss i huvudet och gick sedan med huvudet först in i programrecensioner och letade efter det svårfångade "varför" bakom vår spektakulära ansiktsplanta.
• Nugget Hunting: Slog guld genom att analysera programvarurecensioner. Det visade sig att användare berättade exakt vad de behövde hela tiden. Företaget gick fortfarande i magen, typ.
• RAG Swag: Läste bokstavligen tusentals recensioner och snubblade sedan över LLMs och OpenAI (tack gud). Nu väcker den saken fram insikter som binge-watching på Netflix.
• Varför bry sig? 👉 Recensioner är proppfulla med information och kan öka din förståelse för kunderna och hjälpa till att undvika startkatastrofer.
• Den större bilden: Det handlar inte bara om att undvika kulor; det handlar om att skynda mot framgång - tänk på insikter som banar vägen för problemlösningspassform, kanske till och med produktmarknadspassning, och eventuellt att Lambo väntar vid mållinjen.

Erfarenhet lär hård, men den lär bäst.

I början av 2022 befann jag mig i en alldeles unik och obekväm position. Jag gick precis med i en startup som var mitt uppe i att utveckla en ny generation av deras processautomatiseringsplattform. När jag kom ombord för att leda deras marknadsföringsavdelning hade de redan ägnat mer än ett år åt att bygga den och investerat mycket tid och resurser i vad som förväntades bli en banbrytande produkt. Till en början verkade det lovande – UX var vida överlägset jämfört med den äldre plattformen och särskilt lättare för noobs som jag att skapa fungerande, kodfria arbetsflöden. Sedan efter många månaders hårt arbete lanserade vi äntligen AppSumo. 12 personer köpte den - aj! Det kändes som att ha en fest där alla svarade "ja" och sedan slutar du med att dansa ensam med din katt.

På den tiden var jag förbryllad. Jag förstod helt enkelt inte varför detta inte skulle locka mer intresse från användare, med tanke på att livstidsaffären var en absolut stöld (rimtid)! Feedbacken från AppSumo-lanseringen var tydlig: vår produkt var inte klar. Användare beskrev den som "ofullständig" eller " en trevlig liten leksak ". Det motsvarade att bli vän-zonad av en söt tjej efter att ha samlat upp allt ditt mod att be henne ut på en dejt.

Nu i efterhand, efter att ha använt liknande plattformar som make.com (tidigare Integromat), förstår jag varför ingen ville ha det. Men då var detta inte självklart för mig. Allt eftersom det första avslaget av detta avvisande avtog, blev vi alltmer fast beslutna att förstå vad som saknades för att göra produkten verkligen önskvärd.

Det som gjorde hela situationen ännu mer utmanande var det faktum att vårt team vid det laget hade vuxit till över 40 anställda, och med bara cirka 1 miljoner euro i ARR från den gamla verksamheten, brände vi igenom vår startfinansiering i en alarmerande takt. Tiden rann ut.

I ett försök att identifiera de 3-4 nyckelfunktionerna som behövs för att omvandla detta till en biljett i kassan, nådde jag ut till användare av den gamla plattformen. Även om jag kunde få en del insikter, hade befintliga kunder ofta mycket specifika och anpassade lösningar, vilket gjorde det jävligt omöjligt att skissera en tydlig plan för den "perfekta produkten". Pressad av ekonomiska begränsningar och begränsad av våra kunders tillgänglighet, var min förmåga att genomföra intervjuer begränsad till cirka tre per dag - inte alls tillräckligt för att räkna ut detta i tid.

Följaktligen bestämde jag mig för att pivotera och plockade upp en alternativ forskningsmetod som jag hade snubblat på tidigare: att analysera mjukvarurecensioner av direkta konkurrenter och angränsande produkter. Det jag upptäckte var en absolut guldgruva - en skattkammare av gillande, ogillar, förväntningar, användningsfall och funktionsförfrågningar. Jag tillbringade en vecka, kanske till och med längre, med att noggrant gå igenom den här feedbacken, samla in varje liten bit av användbar information i ett kalkylblad och slutligen skapa en omfattande färdplan för våra utvecklare att leverera så fort som möjligt.

Insikterna från vår forskning var upplysande, men tiden var emot oss. Vår sista ansträngning kändes som en Hail Mary och till slut lyckades det inte. Det fanns helt enkelt inte tillräckligt med tid för att tillämpa det vi hade lärt oss från granskningarna och vi kunde inte säkra de nödvändiga medlen för att överbrygga denna implementeringsfas. Dessutom hade den första negativa feedbacken från AppSumo-lanseringen tagit ut sin rätt, moralen rasade och vi var tvungna att säga upp 90 % av vår personal. Det var ingen trevlig upplevelse, minst sagt.

Men det som har fastnat för mig sedan dess är detta: Att analysera mjukvarugranskningar kan ge snabba insikter om vad användare verkligen tycker och vill ha – insikter som traditionella metoder inte kunde erbjuda, åtminstone inte för mig, och absolut inte lika snabbt.

Uppstartskyrkogården

Den sorgliga sanningen är att 90% av startups misslyckas. Medan misslyckandefrekvensen för år ett är runt 10 %, hoppar denna siffra till svindlande 70 % under år två till fem. Vid år tio har 90% av dem försvunnit, enligt United States Bureau of Labor Statistics. Så det är säkert att säga att en startups väg inte är för svaga hjärtan.

Nu väcker frågan: varför misslyckas så många? Vilka är de specifika anledningarna till att de går i konkurs? Sällan kan misslyckandet tillskrivas ett enda problem; istället är det vanligtvis en blandning av flera faktorer. Det som dock genomgående sticker ut i denna statistik är bristen på produkt-marknadsanpassning, vilket verkar vara en primär drivkraft för misslyckanden.

Men misslyckandet med att säkerställa passform mellan produkt och marknad handlar inte bara om att felidentifiera behovet; det beror ofta på att man inte förstår kunderna tillräckligt djupt. Nystartade företag blir så insvepta i sina briljanta lösningar att de glömmer grundregeln: det spelar ingen roll hur bra din produkt är om ingen vill ha den. Och kundupptäckt är inte bara ett steg i början, det är en kontinuerlig loop av feedback och iteration, som, om den förbises, leder till skapandet av produkter som ingen har bett om.

Det utlovade landet: passform på produktmarknaden

Produktmarknaden kan beskrivas som den heliga graal som varje startup strävar efter att upptäcka. Det är för startups vad Wimbledon är för tennisspelare – en prestigefylld milstolpe som inte bara bekräftar skicklighet och uthållighet utan också markerar ett avgörande ögonblick mot framgång. För många är att uppnå detta som att nå Mount Olympus, där de mest framgångsrika satsningarna belönas för att de anpassar sina produkter perfekt till marknadens krav.

Men exakt vad passar produktmarknaden? Under årens lopp har jag insett att det finns en viss tvetydighet eller svårfångade begreppet. Det slängs ofta runt i SaaS-världen, och mitt intryck är att många, om de tillfrågas, inte skulle kunna definiera det exakt. Vissa likställer det helt enkelt med att bygga något som marknaden vill ha , och de anser att det uppnås när kunder köper, använder och helst marknadsför företagets produkt.

Enligt entreprenören och investeraren Marc Andreessen, som hjälpte till att popularisera detta koncept, beskrivs produkt-marknadsanpassning bäst som ett scenario där:

" Kunderna köper produkten precis så snabbt som du kan göra den — eller så växer användningen lika snabbt som du kan lägga till fler servrar. Pengar från kunder hopar sig på ditt företags checkkonto. Du anställer försäljning och kundsupport personal så snabbt du kan […].

Låter fantastiskt, eller hur? Denna framgångsnivå, som avbildats av Andreessen, är en sällsynt bedrift för de flesta nystartade företag. Men innan man ens drömmer om en sådan explosiv tillväxt och slår den metaforiska spiken på huvudet måste varje startup först navigera i den initiala utmaningen med vad som ofta kallas problemlösningspassning.

Som namnet antyder betyder det att du först har identifierat problemet (helst ett brådskande och viktigt) och sedan erbjuder en lösning som effektivt åtgärdar problemet.

Som Michael Seibel uttryckte det vältaligt:

"Om din vän stod bredvid dig och deras hår brann, skulle den elden vara det enda de verkligen brydde sig om i den här världen. Det skulle inte spela någon roll om de var hungriga, bara led av ett dåligt uppbrott eller kom för sent till ett möte – de skulle prioritera att släcka elden. Om du gav dem en slang – den perfekta produkten/lösningen – skulle de släcka elden omedelbart och gå vidare. Om du gav dem en tegelsten skulle de fortfarande ta tag i den och försöka slå sig själva i huvudet för att släcka elden. Du måste hitta problem så allvarliga att användare är villiga att prova halvfärdiga, v1, ofullkomliga lösningar."

Nu handlar det om att känna dina kunder utan och innan och förstå deras behov så noggrant att du kan formulera deras problem kanske bättre än de själva kan. Denna nivå av förståelse kommer med största sannolikhet att leda till problemlösningsanpassning och den sätter i grunden scenen för produkt-marknadpassning, där din lösning inte bara tar itu med problemet utan också resonerar starkt hos din publik, vilket banar väg för framtida tillväxt och framgång.

Lär känna din kund

Det borde inte komma som en överraskning att vi för att förstå våra kunders problem och utveckla lösningar som elegant löser dem måste ägna oss åt någon form av marknadsundersökningar. Men i termer av popularitet rankas forskning vanligtvis någonstans mellan att se färg torka och att sitta igenom en lång, monoton PowerPoint-presentation (med mycket text på varje bild).

Även om traditionella forskningsmetoder är viktiga, kan de också vara arbetskrävande och tidskrävande. Att skala dessa metoder för större studier visar sig ofta vara utmanande, och att noggrant bedöma nyanser i sentiment kräver stor skicklighet.

Men låt oss snabbt undersöka de vanligaste alternativen vi har till vårt förfogande och se hur väl de är lämpade för att finslipa kundernas förväntningar, preferenser och smärtpunkter.

Välj ditt vapen, kompis.

• Skrivbordsforskning, eller som de flesta av oss kanske kallar det, Googling, är ett självklart val för många – det är snabbt, effektivt och kräver praktiskt taget inget förberedande arbete. Allt du behöver göra är att läsa igenom ett gäng blogginlägg, titta på YouTube-videor eller skanna olika branschrapporter. Men, som med många saker, om källdata är dålig, kommer du att möta det klassiska "skräp in, skräp ut"-dilemmat.

• Fokusgrupper är som att vara värd för en middagsbjudning - intim, insiktsfull och ofta full av överraskningar. Det innebär att samla en liten grupp från din målmarknad och diskutera din produkt eller tjänst länge, samtidigt som du har den gamla skolans charm med interaktion ansikte mot ansikte. Men att hantera dessa sessioner kan vara som att valla katter; de är svåra att organisera, skala och kan ibland leda till ekokammare om de inte modereras skickligt. Dessutom kan feedbacken vara partisk av dominerande personligheter som styr gruppens åsikter.
• Fokusgrupper är som att vara värd för en middagsbjudning – intim, insiktsfull och ofta full av överraskningar. Du engagerar en liten målgrupp i diskussioner ansikte mot ansikte om din produkt eller tjänst. Men att hantera dessa sessioner kan vara utmanande; de är svåra att organisera, svåra att skala och kan förvandlas till ekokammare utan skicklig moderering. Dessutom kan dominerande personligheter påverka gruppens åsikter i en viss riktning.
• En-till-en-intervjuer är som djupdykning i dina kunders medvetande. Du ställer frågor, de spiller bönor och du samlar på dig rika insikter som är svåra att fånga i någon form av undersökning. Men detta kräver att man behärskar konsten att ställa de rätta frågorna - ungefär som principerna som beskrivs i mammatestet. Framgång beror på en skicklig intervjuare och om du har tillräckligt med tid för att genomföra dessa intervjuer en i taget.
• Undersökningar är den schweiziska armékniven för marknadsundersökningar - mångsidig, effektiv och kan snabbt nå en stor publik. Du ställer frågorna och svaren börjar rulla in från hörn långt och brett, vilket hjälper dig att kvantifiera preferenser, åsikter och beteenden. Emellertid saknar undersökningar ofta det djup som personliga intervjuer erbjuder, eftersom de inte tillåter uppföljningsfrågor som undersöker respondenternas tankar och känslor djupare.

• Socialt lyssnande är som att ha örat mot marken på ett myllrande marknadstorg - att lyssna på buzz och prat om din produkt, tjänst eller relaterade hashtags. Det är fantastiskt för att se hur människor naturligt pratar om ditt område, oavsett om det är direkta varumärkesomnämnanden eller bredare branschämnen. Haken är att sociala medier kan vara bullriga, spridda och inte alltid direkt relevanta för dina specifika frågor.

Nu har vi ett gediget urval av traditionella forskningsmetoder – bra gammal googling, fokusgrupper, undersökningar och en-till-en-intervjuer. De är fantastiska, missförstå mig inte. De är som de pålitliga verktygen i en hantverkares bälte. Men i den snabba uppstartsvärlden behöver du ibland slå upp det ett snäpp...

Paradigmskiftet

Det är där Reviewradar kommer in. Det här verktyget är inte bara snabbare; det förenklar allt. Det låter oss sålla igenom miljontals recensioner snabbt och med minimal ansträngning. Det är som att ha en snabbspolningsknapp för marknadsundersökningar. Du behöver inte längre boka intervjuer eller - gud förbjude - organisera fokusgrupper. Inget mer att jaga folk för att fylla i enkäter eller oändligt leta igenom blogginlägg för att samla in information (och sedan behöva analysera allt). Fråga bara chatboten så kommer den att berätta vad användare har sagt om liknande produkter, vilka preferenser de har, vad som gör dem galna och vilka funktioner de vill ha.

Det är därför vi byggde detta - för att göra hela proceduren snabb och enkel. För låt oss vara ärliga, även om det är viktigt att göra forskning är inte den del de flesta av oss brinner för. Vi skickar hellre produkter.

Med tillkomsten av LLMs (Large Language Models för dem som kanske har missat memo) är det nu lika enkelt att analysera stora texter som att stjäla godis från en bebis. Det är en absolut superkraft för kvalitativ forskning som verkar i en aldrig tidigare skådad skala. Så varför inte bara mata in produktrecensioner för att få jobbet gjort?

Tidigare var den stora mängden data överväldigande – som att försöka dricka ur en brandslang. Men nu kan vi smutta på och njuta av varje detalj, identifiera mönster, bedöma känslor och fånga nya trender när de utvecklas. Dessa kraftpaketmodeller gör mer än att bara läsa; de förstår sammanhanget, skär igenom bruset och pekar ut vad som verkligen betyder något. Detta är inte bara ett steg framåt; det är ett stort steg i hur vi närmar oss marknadsundersökningar och samlar in insikter.

Beväpnad med en databas som innehåller 3 miljoner recensioner från över 100 000 produkter, känner Reviewradar mjukvarumarknaden utan och innan och är utrustad med inbyggd sentimentanalys för att effektivt mäta känslor. Föreställ dig att ha en ultraintelligent bot till ditt förfogande, som genomgår berg av användarfeedback med värdefulla insikter. Varje åsikt är en pusselbit, och Reviewradar kan skickligt sammanställa helheten och erbjuda en 360-graders bild av vad kunden verkligen vill ha . På så sätt kan du svänga snabbare, skräddarsy strategier mer effektivt och hålla dig anpassad till kundernas önskemål utan att missa ett slag.

Den nitty-gritty

Låt oss nu dra tillbaka lagren och se hur det här fungerar. I sin kärna är Reviewradar en chatbot, så användargränssnittet är ganska självförklarande. Du ställer en fråga, och du får ett svar; så enkelt är det. Men det finns mer under huven. För bästa resultat, ställ frågor som nämner specifika produkter (kanske konkurrenter), definiera problemet du försöker lösa och lyft fram specifika funktioner eller användningsfall som är särskilt intressanta för dig. Ju mer sammanhang du ger, desto mer skräddarsydda blir svaren.

Chatboten granskar konversationshistoriken för att säkerställa att ingen avgörande detalj förbises. Den skapar sedan en detaljerad sökfråga, omvandlar denna fråga till en vektor med hjälp av OpenAI:s inbäddningsmodeller och gör en sökning i databasen. Denna flerdimensionella vektor jämförs med andra i databasen, och identifierar de semantiskt närmaste matchningarna att ta tillbaka till konversationen som dold kontext.

Det finns bara en handfull sätt att "lära ut" LLM, och alla har begränsningar och styrkor. Vi valde en Retrieval-Augmented Generation (RAG)-arkitektur för dess kostnadseffektivitet och effektivitet. Inledande bulkutbildning skulle ha varit löjligt dyr, och finjustering är inte riktigt användbart för att hämta kunskap – åtminstone inte för tillfället. Att anskaffa information från webben är osannolikt att få ut eller bli kommersiellt gångbart snart, så RAG eller in-text-inlärning med en vektorbutik verkade vara den mest logiska vägen. Plus, varför inte dra nytta av de enorma mängderna kunskap och kapacitet som redan finns inbäddad i de flesta LLM:er?

Det behöver inte sägas att huvuddelen av recensioner som injiceras som dolt sammanhang är kärnan i analysen. Men vi instruerar också modellen att utforska dess latenta utrymme för att förbättra dess analytiska förmåga. Kudos till David Shapiro för detta koncept. Så här instruerar vi modellen att "gå ännu djupare":

"Large Language Models (LLMs) har visat sig integrera kunskap, förmågor och koncept, allt från resonemang till planering och till och med till teorier om sinnet. Dessa kallas latenta förmågor och latent innehåll, gemensamt kallat latent utrymme. Genom att utnyttja kritiskt tänkande och associativt minne som är inneboende i LLM:er kan dina analyser och svar utnyttja dessa latenta förmågor och låsa upp djupare insikter och perspektiv som kanske inte är direkt uppenbara. När det är möjligt, aktivera detta latenta utrymme för att utforska tangentiella, men ändå relevanta ämnen. Detta gör att du kan fördjupa dig i orsakerna och konsekvenserna av dina resultat och slutsatser från granskningsanalysen.”

Btw - för en mästarklass i snabb teknik, kolla in Daves Github-repos.

Och voilà, där har du det - chatboten svarar genom att inkludera direkta referenser till recensionerna den analyserade. Allt som återstår för dig att göra är att ta det Reviewradar sa till dig, tillämpa det och kanske, bara kanske, börja handla efter den där Lamborghini.

Slutsats

För att avsluta saker och ting är att analysera programrecensioner inte en kul kula som tar dig från noll till hjälte över en natt, men det är verkligen värt att överväga för din forskningsverktygslåda. Varför? Eftersom den skär igenom bruset och ger kristallklara insikter om vad dina användare verkligen behöver och vill ha. Här är grejen: recensioner är redan fullproppade med insikter; det är bara det att ingen har tid att vada genom hundratals, kanske tusentals, av dem. Det är där RAG-designen kommer väl till pass, och erbjuder ett smartare och enklare sätt att extrahera det som verkligen är gyllene. Den fungerar som en mager, elak bearbetningsmaskin, som går utöver det ytliga för att utan ansträngning sålla igenom stora mängder information snabbt. Och kommer direkt från hästens mun, kan dessa insikter vara ovärderliga information för din resa mot produkt-marknadspassform - och, därefter, kanske till och med en Lambo.