Основа для сильных решений: как опережать конкурентов с собственной системой «РОВ»
Зачем в компании нужна своя система раннего обнаружения возможностей для бизнеса?
Дерево решений vs граф работ: как я объединила Data Science и JTBD в одном проекте
Небольшой мысленный эксперимент на стыке машинного обучения и продуктового менеджмента. О том, почему одна и та же задача «определить, что нужно клиенту» может выглядеть по-разному со стороны product'а и data scientist'а. Разбор на примере корпоративного ДМС, где у одного контракта сразу три стейкхолдера с разными работами.Вводная: почему эта тема вообще возникла
AI-продакт и результат: как рождаются продукты, которые приносят деньги
В цифровых продуктах «сделать фичу» давно не равно «создать ценность»: она появляется, когда решение меняет процесс и дает измеримый результат. В AI-продуктах это особенно важно: ценность определяет не интерфейс и не сама модель, а способность системы стабильно и безопасно закрывать задачу с предсказуемой экономикой.С AI-агентами это видно лучше всего: эффект возникает не при запуске функции, а когда агент встраивается в реальную работу, убирает ручные шаги, меняет роли и дает измеримые улучшения — в выручке, скорости, издержках или качестве.
ChatGPT для продакта: как обучаться, обрабатывать глубинки и делать дашборды силами нейросетей
Всем привет! Я Николай Якимовец, продуктовый менеджер в Mindbox. Сейчас работаю над продуктом, который автоматизирует работу категорийных менеджеров: управление ассортиментом товаров, ценами и складскими остатками. Без автоматизации такие задачи решают с помощью таблиц Excel на 50+ столбцов и десятки тысяч строк. Поэтому нормальный рабочий объем для нашей продуктовой команды — это огромные выгрузки по продажам, склейка файлов, расчеты метрик, проверка гипотез, дашборды. Плюс при запуске нового продукта приходится сверять, что система считает правильно: сравнивать выгрузки, подбивать результаты.
