Вайбкодинг для продакта: где заканчивается вайб и начинается реальность
продолжение поста
У меня не было ожиданий, что придётся писать код самому.
Я изначально предполагал, что код будет написан за меня, а моя задача только синхронизировать своё понимание системы с тем, что проектирует Codex: перепроверять и себя, и его.
Главное открытие: как глубока кроличья нора. Как только ты выходишь за рамки локальной проверки, начинается работа с системой.
Хочешь сделать что-то реально рабочее, с минимумом костылей, значит нужен сервер, домен для поднятия HTTPS, нормальный production-контур. И дальше ты начинаешь разбираться, как связаны между собой хостинг, вебхуки, nginx, docker и деплой.
В этот момент становится очевидно: без понимания системы ты начинаешь действовать вслепую. Можно не знать все термины, но нужно понимать, как всё устроено, иначе каждая проблема превращается в угадайку.
По факту большая часть времени уходит не на сборку фич, а на разбор того, почему что-то не работает. Отладка становится главным пожирателем времени.
Работа с агентом для меня сильно похожа на списывание сложного предмета у отличника. Можно просто переписывать и со всем соглашаться, но тогда легко пропустить ошибки и сдать неверное решение. А можно начать разбираться, но тогда есть риск не уложиться в срок. Баланс между скоростью и пониманием приходится искать постоянно.
Агент помогает собрать контур, но не заменяет понимание системы и не снимает ответственности за результат. Если его не корректировать, он может начать ходить по кругу или сложно решать простые задачи, от которых иногда разумнее отказаться.
И именно здесь заканчивается вайб.
В следующем посте разберу, как использовать вайбкодинг без FOMO и не тратить время впустую. Например, почему важно заранее понимать, что может оказаться платным и какие есть обходные решения.
А у вас где было самое большое трение?
❤️ инфраструктура
😈 отладка
@product_lev
#pm #ai #productmanagement #vibecoding
продолжение поста
У меня не было ожиданий, что придётся писать код самому.
Я изначально предполагал, что код будет написан за меня, а моя задача только синхронизировать своё понимание системы с тем, что проектирует Codex: перепроверять и себя, и его.
Главное открытие: как глубока кроличья нора. Как только ты выходишь за рамки локальной проверки, начинается работа с системой.
Хочешь сделать что-то реально рабочее, с минимумом костылей, значит нужен сервер, домен для поднятия HTTPS, нормальный production-контур. И дальше ты начинаешь разбираться, как связаны между собой хостинг, вебхуки, nginx, docker и деплой.
В этот момент становится очевидно: без понимания системы ты начинаешь действовать вслепую. Можно не знать все термины, но нужно понимать, как всё устроено, иначе каждая проблема превращается в угадайку.
По факту большая часть времени уходит не на сборку фич, а на разбор того, почему что-то не работает. Отладка становится главным пожирателем времени.
Работа с агентом для меня сильно похожа на списывание сложного предмета у отличника. Можно просто переписывать и со всем соглашаться, но тогда легко пропустить ошибки и сдать неверное решение. А можно начать разбираться, но тогда есть риск не уложиться в срок. Баланс между скоростью и пониманием приходится искать постоянно.
Агент помогает собрать контур, но не заменяет понимание системы и не снимает ответственности за результат. Если его не корректировать, он может начать ходить по кругу или сложно решать простые задачи, от которых иногда разумнее отказаться.
И именно здесь заканчивается вайб.
В следующем посте разберу, как использовать вайбкодинг без FOMO и не тратить время впустую. Например, почему важно заранее понимать, что может оказаться платным и какие есть обходные решения.
А у вас где было самое большое трение?
❤️ инфраструктура
😈 отладка
@product_lev
#pm #ai #productmanagement #vibecoding
👍6❤3🔥2😁1😈1
Вайбкодинг для продакта: от ступора к действию
Главное, что мешает начать, это не объективная сложность, а субъективный ступор.
Лично для меня было так: много контента, много мнений, ощущение, что сначала нужно всё понять, а потом уже пробовать.
Решил через очень простую логику действий, по примеру как было с поиском в гпт:
1. быстро что-то гуглю через GPT и задаю уточняющие вопросы, когда агент в контексте
2. если тема зацепила, иду в Perplexity и чуть глубже исследую на актуальных данных с онлайн поиском в интернете
3. если нужно понимание поведения, можно собрать персоны и прогнать через ИИ-интервью, например, в Gemini
Логика быстрого старта в вайбкодинге:
1. Возьмите простую задачу: что-то элементарное. Например, мини-игру - змейку или флуд-бота, который на любое сообщение в чате с «ура» отвечает «ура» в ответ.
2. Опишите идею в Codex и сразу задайте рамку: это учебный проект, вы хотите разобраться в программировании через ИИ, просите объяснять план действий.
3. Запустите локально и дотащите до прода(агент подскажет как!). Пусть это будет маленький, но реально работающий сервис.
Можно добавить в промпт, чтоб агент с вами сюсюкался - это полезно для обучения:
Ключевой момент в том, что не нужно всё понимать с самого начала. Понимание придёт в процессе:)
Лайфхак: если что-то не понятно при общении с агентом, не засоряйте основной тред. Уточните в отдельном чате у GPT и вернитесь с понятным контекстом.
Если возникли проблемы и непонимание - велком в комментарии, я скорее отвечу, что тоже не знаю - попробуем найти ответ вместе:)
Итого: за ОДИН субботний вечер вы герой-вайбкодер, можете обновлять резюме, вы прекрасны!🤝
А вы уже пробовали что-то собрать руками?
❤️ да
😈 всё ещё думаю начать
@product_lev
#pm #ai #productmanagement #vibecoding
Главное, что мешает начать, это не объективная сложность, а субъективный ступор.
Лично для меня было так: много контента, много мнений, ощущение, что сначала нужно всё понять, а потом уже пробовать.
Решил через очень простую логику действий, по примеру как было с поиском в гпт:
1. быстро что-то гуглю через GPT и задаю уточняющие вопросы, когда агент в контексте
2. если тема зацепила, иду в Perplexity и чуть глубже исследую на актуальных данных с онлайн поиском в интернете
3. если нужно понимание поведения, можно собрать персоны и прогнать через ИИ-интервью, например, в Gemini
Логика быстрого старта в вайбкодинге:
1. Возьмите простую задачу: что-то элементарное. Например, мини-игру - змейку или флуд-бота, который на любое сообщение в чате с «ура» отвечает «ура» в ответ.
2. Опишите идею в Codex и сразу задайте рамку: это учебный проект, вы хотите разобраться в программировании через ИИ, просите объяснять план действий.
3. Запустите локально и дотащите до прода(агент подскажет как!). Пусть это будет маленький, но реально работающий сервис.
Можно добавить в промпт, чтоб агент с вами сюсюкался - это полезно для обучения:
• объясняй каждое решение простыми словами, как для новичка
• перед реализацией коротко описывай план действий
• предлагай несколько вариантов, если есть выбор
• явно указывай, где могут быть ошибки или ограничения
• не делай лишнего, держись в рамках задачи
• если видишь упрощение, предложи его
• задавай уточняющие вопросы, если контекста недостаточно, не придумывай самостоятельно
Ключевой момент в том, что не нужно всё понимать с самого начала. Понимание придёт в процессе:)
Лайфхак: если что-то не понятно при общении с агентом, не засоряйте основной тред. Уточните в отдельном чате у GPT и вернитесь с понятным контекстом.
Если возникли проблемы и непонимание - велком в комментарии, я скорее отвечу, что тоже не знаю - попробуем найти ответ вместе:)
Итого: за ОДИН субботний вечер вы герой-вайбкодер, можете обновлять резюме, вы прекрасны!🤝
А вы уже пробовали что-то собрать руками?
❤️ да
😈 всё ещё думаю начать
@product_lev
#pm #ai #productmanagement #vibecoding
❤8✍2👍2😈2
Продакт не должен быть секретарем Jira
В работе продакта есть тонкий баланс между дисциплиной в трекере и временем на реальную продуктовую проработку.
Без порядка быстро начинается хаос: задачи теряются, статусы устаревают, договоренности остаются только в головах.
Но и обратная крайность не лучше, когда продакт слишком глубоко проваливается в операционку - он постепенно превращается в координатора карточек. Внешне все выглядит аккуратно, но на главное уже не остается ресурса.
Для меня ориентир простой: трекер нужен, чтобы команда держала delivery под контролем. Но трекер не должен становиться центром роли продакта.
Роль продакта в другом: держать фокус на ценности, приоритетах и решениях. Понимать, что действительно двигает продукт вперед, а что просто создает ощущение управляемости.
Хороший признак здоровой системы такой: команда умеет жить внутри процесса без постоянного ручного проталкивания со стороны продакта. А у самого продакта остается время на пользователя, гипотезы и следующий сильный шаг для продукта.
Если весь день уходит на статусы, пинги и переписывание задач, это уже не продакт менеджмент, это секретариат трекера!
Продакт не должен быть секретарем Jira, продакт -секретарь эксельки и паверпоинта.
Как разгружаете себя от джиры?
❤️ помогает проджект и тимлид
😈 веду задачи в кайтене
@product_lev
#pm #трекер #джира #кайтен
В работе продакта есть тонкий баланс между дисциплиной в трекере и временем на реальную продуктовую проработку.
Без порядка быстро начинается хаос: задачи теряются, статусы устаревают, договоренности остаются только в головах.
Но и обратная крайность не лучше, когда продакт слишком глубоко проваливается в операционку - он постепенно превращается в координатора карточек. Внешне все выглядит аккуратно, но на главное уже не остается ресурса.
Для меня ориентир простой: трекер нужен, чтобы команда держала delivery под контролем. Но трекер не должен становиться центром роли продакта.
Роль продакта в другом: держать фокус на ценности, приоритетах и решениях. Понимать, что действительно двигает продукт вперед, а что просто создает ощущение управляемости.
Хороший признак здоровой системы такой: команда умеет жить внутри процесса без постоянного ручного проталкивания со стороны продакта. А у самого продакта остается время на пользователя, гипотезы и следующий сильный шаг для продукта.
Если весь день уходит на статусы, пинги и переписывание задач, это уже не продакт менеджмент, это секретариат трекера!
Продакт не должен быть секретарем Jira, продакт -
Как разгружаете себя от джиры?
❤️ помогает проджект и тимлид
😈 веду задачи в кайтене
@product_lev
#pm #трекер #джира #кайтен
❤6👍6😁2👀2
Должен ли продакт понимать продажи?
Да, чтобы понимать, где именно интерес превращается в деньги. В противном случае будет переоценка фич и недооценка барьеров покупки.
Базово можно разложить продавание на 4 вопроса:
1. Потребность. Человеку это вообще надо?
2. Барьер. Что мешает купить?
3. Ценность. Оффер выглядит выгодно?
4. Триггер. Хочется именно сейчас?
Итого: убрать сомнения, сделать ценность очевидной, упростить выбор, подтолкнуть к действию в нужный момент.
Например в Booking, продукт помогает не только выбрать вариант, но и решиться на покупку: соцдоказательство, удобные условия отмены, подсветка выгоды, дефицит.
Так что понимание продаж нужно продакту, чтоб отвечать не только за интерфейс, но и за деньги.
А вы в своем продукте по всем вопросам прошлись?
❤️ еще и фреймворки из хэштегов использовали
😈 наш продукт не продается
@product_lev
#JTBD #ValuePropositionCanvas #FBM #pm
Да, чтобы понимать, где именно интерес превращается в деньги. В противном случае будет переоценка фич и недооценка барьеров покупки.
Базово можно разложить продавание на 4 вопроса:
1. Потребность. Человеку это вообще надо?
2. Барьер. Что мешает купить?
3. Ценность. Оффер выглядит выгодно?
4. Триггер. Хочется именно сейчас?
Итого: убрать сомнения, сделать ценность очевидной, упростить выбор, подтолкнуть к действию в нужный момент.
Например в Booking, продукт помогает не только выбрать вариант, но и решиться на покупку: соцдоказательство, удобные условия отмены, подсветка выгоды, дефицит.
Так что понимание продаж нужно продакту, чтоб отвечать не только за интерфейс, но и за деньги.
А вы в своем продукте по всем вопросам прошлись?
❤️ еще и фреймворки из хэштегов использовали
😈 наш продукт не продается
@product_lev
#JTBD #ValuePropositionCanvas #FBM #pm
👍5😈3✍2❤2
AI ускоряет бардак
Раньше можно было выигрывать за счет скорости.
Сейчас скорость стала доступна почти всем: Copilot ускоряет код, Cursor берет часть разработки, v0 и Replit быстро собирают прототипы.
Из-за этого дефицитом становится не скорость, а контекст.
Если у команды не собраны пользовательские инсайты, бизнес-ограничения, история решений и выводы из прошлых экспериментов, AI начинает масштабировать путаницу.
Поэтому новая задача продакта структурировать контекст так, чтобы команда и AI работали не быстрее сами по себе, а быстрее в правильную сторону.
Происходит сдвиг роли:
раньше сильный продакт управлял фокусом.
Теперь еще и шерингом контекста. Контекст становится новой валютой продуктовой команды.
Вы качественно храните контекст?
❤️ всё в Вики, HADI циклы крутятся
😈 ждем ии-агентов, которые сами соберут
@product_lev
#ai #pm
Раньше можно было выигрывать за счет скорости.
Сейчас скорость стала доступна почти всем: Copilot ускоряет код, Cursor берет часть разработки, v0 и Replit быстро собирают прототипы.
Из-за этого дефицитом становится не скорость, а контекст.
Если у команды не собраны пользовательские инсайты, бизнес-ограничения, история решений и выводы из прошлых экспериментов, AI начинает масштабировать путаницу.
Поэтому новая задача продакта структурировать контекст так, чтобы команда и AI работали не быстрее сами по себе, а быстрее в правильную сторону.
Происходит сдвиг роли:
раньше сильный продакт управлял фокусом.
Теперь еще и шерингом контекста. Контекст становится новой валютой продуктовой команды.
Вы качественно храните контекст?
❤️ всё в Вики, HADI циклы крутятся
😈 ждем ии-агентов, которые сами соберут
@product_lev
#ai #pm
❤7😈3👍2✍1💯1
Словарикпродакта: AI evals
Недавно занес себе в словарик термин AI evals - системный подход к оценке качества работы ИИ.
По сути, это структурированная проверка того, насколько AI в продукте делает именно то, что мы от него ждем, а не просто выдает правдоподобный ответ.
Например, в AI-агенте для поддержки обычно смотрят не только на качество ответа, но и на продуктовые метрики:
deflection rate - доля обращений, которые бот снял без передачи человеку
resolution rate - доля решенных обращений
CES(Customer Experience Score) - оценка клиентского опыта
То есть вопрос уже не в том, хорошо ли бот написал, а в том, снял ли он нагрузку с команды и реально решил ли вопрос клиента.
Зачем вы внедряете ИИ?
❤️ чтоб было эффективнее
😈 чтоб было
#cловарикпродакта #ai #evals #pm
Недавно занес себе в словарик термин AI evals - системный подход к оценке качества работы ИИ.
По сути, это структурированная проверка того, насколько AI в продукте делает именно то, что мы от него ждем, а не просто выдает правдоподобный ответ.
Например, в AI-агенте для поддержки обычно смотрят не только на качество ответа, но и на продуктовые метрики:
deflection rate - доля обращений, которые бот снял без передачи человеку
resolution rate - доля решенных обращений
CES(Customer Experience Score) - оценка клиентского опыта
То есть вопрос уже не в том, хорошо ли бот написал, а в том, снял ли он нагрузку с команды и реально решил ли вопрос клиента.
Зачем вы внедряете ИИ?
❤️ чтоб было эффективнее
#cловарикпродакта #ai #evals #pm
Please open Telegram to view this post
VIEW IN TELEGRAM
❤6😈3👍2
Шпора по A/B-тестам
Постарался собрать воедино базу по а/б-тестам, можете пробежаться взглядом и отдельно с изучить, чего не касались в своем опыте.
Разбил по этапам:
1. Формулируем гипотезу
одна гипотеза → одна основная метрика
фиксируем guardrail-метрики, чтобы рост CTR не оказался падением выручки, retention или качества
сразу определяем единицу рандомизации: кого делим, user/session/order
2. Фиксируем правила до старта
окно атрибуции: за какой период проверяем эффект
α=0,05 - ошибка первого рода: риск увидеть эффект, которого нет
power(1 − β)=80% -мощность(обратная вероятность ошибки второго рода), шанс заметить реальный эффект, если он правда есть
baseline + MDE: от чего отталкиваемся и какой минимальный эффект хотим поймать
Плюс заранее выбираем модель, если сравниваем..
..бинарную метрику, например CTR → z-test
..среднее, например time spent → t-test
..отношение, например ARPU → delta method
Главное: заранее определяем критерий принятия решения.
3. Считаем до запуска
размер выборки берем из калькулятора1
выдерживаем качество выборки - используем корректную рандомизацию
длительность считаем примерно так:
дней = выборка целиком / (DAU × доля пользователей в эксперименте)
4. Проводим тест
во время теста проверяем SRM, можно по калькулятору2 чекнуть критичность
если группы разъехались по размеру, сначала разбираемся с экспериментом, а не с результатом
5. Подводим итоги
считаем результат, но не отдаём решение на аутсорс калькулятору3.
статистика отвечает, похож ли эффект на случайность,
продакт решает стоит ли это раскатывать
#pm #abтесты #аналитика
Постарался собрать воедино базу по а/б-тестам, можете пробежаться взглядом и отдельно с изучить, чего не касались в своем опыте.
Разбил по этапам:
1. Формулируем гипотезу
одна гипотеза → одна основная метрика
фиксируем guardrail-метрики, чтобы рост CTR не оказался падением выручки, retention или качества
сразу определяем единицу рандомизации: кого делим, user/session/order
2. Фиксируем правила до старта
окно атрибуции: за какой период проверяем эффект
α=0,05 - ошибка первого рода: риск увидеть эффект, которого нет
power(1 − β)=80% -мощность(обратная вероятность ошибки второго рода), шанс заметить реальный эффект, если он правда есть
baseline + MDE: от чего отталкиваемся и какой минимальный эффект хотим поймать
Плюс заранее выбираем модель, если сравниваем..
..бинарную метрику, например CTR → z-test
..среднее, например time spent → t-test
..отношение, например ARPU → delta method
Главное: заранее определяем критерий принятия решения.
3. Считаем до запуска
размер выборки берем из калькулятора1
выдерживаем качество выборки - используем корректную рандомизацию
длительность считаем примерно так:
дней = выборка целиком / (DAU × доля пользователей в эксперименте)
4. Проводим тест
во время теста проверяем SRM, можно по калькулятору2 чекнуть критичность
если группы разъехались по размеру, сначала разбираемся с экспериментом, а не с результатом
5. Подводим итоги
считаем результат, но не отдаём решение на аутсорс калькулятору3.
статистика отвечает, похож ли эффект на случайность,
продакт решает стоит ли это раскатывать
#pm #abтесты #аналитика
👍6❤4🔥4🤝2
SRM: тревожная лампочка A/B-теста
Ух! 14 репостов это приятно, больше только под 50 на постах про книги:)
В шпоре по A/B-тестам упомянул SRM, штука заслуживает отдельного короткого пояснения.
SRM (sample ratio mismatch) - это проверка: попали ли пользователи в группы в той пропорции, в которой мы планировали
Можно решить, что это не проблема и проверить статзначимость разницы можно по формуле.
Но проблема не в разных размерах групп, а в причине, почему они разъехались, размер - это индикатор проблемы.
SRM, как health-check, может подсветить, что:
• рандомизация сломалась
• часть пользователей не логируется
• эксперимент раскатился не на всех, на кого должен был
...
По качеству SRM в одной корзине с AA-тестом.
AA-тест проверяет, не показывает ли наша экспериментальная система эффект там, где эффекта быть не должно.
SRM - не развалилось ли само распределение пользователей по группам.
Иначе можно посчитать результат на кривом эксперименте.
Я всю жизнь думал что ретропроверка групп просто health-check, а оказывается целый термин есть:)
А вы знали про SRM?
❤️ знали
😈 знали CRM
#srm #pm #abтесты #аналитика
Ух! 14 репостов это приятно, больше только под 50 на постах про книги:)
В шпоре по A/B-тестам упомянул SRM, штука заслуживает отдельного короткого пояснения.
SRM (sample ratio mismatch) - это проверка: попали ли пользователи в группы в той пропорции, в которой мы планировали
Можно решить, что это не проблема и проверить статзначимость разницы можно по формуле.
Но проблема не в разных размерах групп, а в причине, почему они разъехались, размер - это индикатор проблемы.
SRM, как health-check, может подсветить, что:
• рандомизация сломалась
• часть пользователей не логируется
• эксперимент раскатился не на всех, на кого должен был
...
По качеству SRM в одной корзине с AA-тестом.
AA-тест проверяет, не показывает ли наша экспериментальная система эффект там, где эффекта быть не должно.
SRM - не развалилось ли само распределение пользователей по группам.
Иначе можно посчитать результат на кривом эксперименте.
Я всю жизнь думал что ретропроверка групп просто health-check, а оказывается целый термин есть:)
А вы знали про SRM?
❤️ знали
#srm #pm #abтесты #аналитика
Please open Telegram to view this post
VIEW IN TELEGRAM
😈5❤4👍3😁3
Что живет рядом с A/B-тестами
A/B-тест - это строгий эксперимент: гипотеза, случайное деление пользователей, основная метрика, размер выборки и критерий решения.
Но рядом есть похожие методы, которые часто путают:
Сплит-тестирование
Это разлитие трафика между вариантами
Если есть рандомизация, выборка и статистика - это уже A/B.
Чистый сплит полезен разве что при роллауте.
Каждый A/B - это split, но не каждый split - это A/B.
Когортный анализ
Это не эксперимент, а наблюдение за группами во времени.
Например, заметить, что пользователи января удерживаются лучше, чем пользователи февраля, и пойти разбираться.
SBS (side-by-side)
Это прямое сравнение двух вариантов рядом.
Человек или эксперт видит два ответа, дизайна или сценария и выбирает лучший.
Holdout
Оставляем часть пользователей без изменений для долгого сравнения.
#pm #abтесты #аналитика
A/B-тест - это строгий эксперимент: гипотеза, случайное деление пользователей, основная метрика, размер выборки и критерий решения.
Но рядом есть похожие методы, которые часто путают:
Сплит-тестирование
Это разлитие трафика между вариантами
Если есть рандомизация, выборка и статистика - это уже A/B.
Чистый сплит полезен разве что при роллауте.
Каждый A/B - это split, но не каждый split - это A/B.
Когортный анализ
Это не эксперимент, а наблюдение за группами во времени.
Например, заметить, что пользователи января удерживаются лучше, чем пользователи февраля, и пойти разбираться.
SBS (side-by-side)
Это прямое сравнение двух вариантов рядом.
Человек или эксперт видит два ответа, дизайна или сценария и выбирает лучший.
Holdout
Оставляем часть пользователей без изменений для долгого сравнения.
#pm #abтесты #аналитика
🤝6👍3🔥3
Плохие выводы из хорошего A/B-теста
Финальная мысль - скелет лекции готов:)
Можно идеально разлить A/B-тест, проверить SRM, дождаться выборки, получить p-value и всё равно принять плохое продуктовое решение.
Что моет пойти не так:
Статзначимость без продуктового смысла
На большой базе можно поймать эффект в +0,1%.
Да, статистически значимо.
Нет, большого смысла выкатывать нет, если вы не Амазон.
Нужно оценить, окупает ли эксперимент разработку
не просаживает ли guardrail-метрики, не усложняет ли продукт, не конфликтует ли со стратегией
Сегменты после итогов
Представьте, тест не прокрасился, но мы же не зря запускали!
Можно выковырять, что у новых пользователей на iOS из Воронежа в вечернее время выросла метрика!
Лучше зафиксировать ключевые сегменты до старта, а приятные находки после - считать не прокрасом, а новой гипотезой.
A/B-тест снижает неопределенность, помогает оценить сигнал.
Но не снимает с продакта ответственность за вывод и
не принимает за него решение, стоит ли по этому сигналу менять продукт.
#pm #abтесты #аналитика
Финальная мысль - скелет лекции готов:)
Можно идеально разлить A/B-тест, проверить SRM, дождаться выборки, получить p-value и всё равно принять плохое продуктовое решение.
Что моет пойти не так:
Статзначимость без продуктового смысла
На большой базе можно поймать эффект в +0,1%.
Да, статистически значимо.
Нет, большого смысла выкатывать нет, если вы не Амазон.
Нужно оценить, окупает ли эксперимент разработку
не просаживает ли guardrail-метрики, не усложняет ли продукт, не конфликтует ли со стратегией
Можно выиграть тест, но проиграть продуктово.
Сегменты после итогов
Представьте, тест не прокрасился, но мы же не зря запускали!
Можно выковырять, что у новых пользователей на iOS из Воронежа в вечернее время выросла метрика!
Если нарезать кучу сегментов, где-нибудь почти всегда найдется победа.
Лучше зафиксировать ключевые сегменты до старта, а приятные находки после - считать не прокрасом, а новой гипотезой.
A/B-тест снижает неопределенность, помогает оценить сигнал.
Но не снимает с продакта ответственность за вывод и
не принимает за него решение, стоит ли по этому сигналу менять продукт.
#pm #abтесты #аналитика
👍4❤2✍2🔥2
Ты вообще знаешь, как интернет работает? Kafka
Решил немного технически обогатить #словарикпродакта. Вайбкодинг подталкивает. Поэтому стартую Цикл заметок-разбираловок.
Вы слышали про Кафку?
Kafka - это платформа для передачи потоков данных: один сервис публикует событие, другие сервисы его читают и обрабатывают. В официальной документации Apache Kafka описывается как платформа, которая позволяет публиковать, читать, хранить и обрабатывать потоки событий.
Пример
Пользователь оформил заказ,об этом должны узнать оплата, склад, доставка, уведомления, аналитика, антифрод..
Можно заставить каждый сервис напрямую дергать другие сервисы. Но так быстро появляется клубок зависимостей.
Kafka делает иначе: сервис публикует событие order_created, остальные подписанные системы забирают его себе.
На фото пример из статьи про муьтиплатформенный продукт
Вы точно слышали про Кафку! Но знали ли что это такое?
❤️ да, было понимание про очередь событий
😈 нет, "Несведущий человек действует смелей… Несведущему человеку все кажется возможным." Ф.Кафка
#словарикпродакта #инфра #kafka
Решил немного технически обогатить #словарикпродакта. Вайбкодинг подталкивает. Поэтому стартую Цикл заметок-разбираловок.
Вы слышали про Кафку?
Kafka - это платформа для передачи потоков данных: один сервис публикует событие, другие сервисы его читают и обрабатывают. В официальной документации Apache Kafka описывается как платформа, которая позволяет публиковать, читать, хранить и обрабатывать потоки событий.
Пример
Пользователь оформил заказ,об этом должны узнать оплата, склад, доставка, уведомления, аналитика, антифрод..
Можно заставить каждый сервис напрямую дергать другие сервисы. Но так быстро появляется клубок зависимостей.
Kafka делает иначе: сервис публикует событие order_created, остальные подписанные системы забирают его себе.
На фото пример из статьи про муьтиплатформенный продукт
Вы точно слышали про Кафку! Но знали ли что это такое?
❤️ да, было понимание про очередь событий
#словарикпродакта #инфра #kafka
Please open Telegram to view this post
VIEW IN TELEGRAM
❤9😈4👍3
Ты вообще знаешь, как интернет работает? Откроем страницу в браузере
1) Пользователь открывает карточку товара
site.ru/product/123
2) Идет в DNS
Узнает, на какой IP сейчас указывает домен site.ru.
3) Устанавливает HTTPS-соединение
Браузер проверяет сертификат сайта и договаривается о шифровании данных.
4) Отправляет HTTP-запрос
Например: GET /product/123 - дай мне карточку товара по этому адресу
5) Запрос заходит в инфраструктуру сайта
Интернет → CDN → WAF → балансировщик → nginx.
CDN - сеть серверов, которая отдает пользователю тяжелые файлы поближе: картинки, стили, скрипты.
WAF - защитный фильтр перед сайтом, который отсекает подозрительные запросы.
6) nginx роутит запрос
Понимает, куда отправить его дальше: к фронт/бэк апи/статике..
7) Сервис готовит данные
Может сходить в базу, обработать данные, сходить в другой сервис
8) Параллельно события могут улететь в Kafka
Потом их читают аналитика, рекомендации, антифрод и другие системы.
9) Ответ возвращается в браузер
Это может быть HTML или JSON. CSS, JS, картинки и шрифты часто догружаются отдельными запросами.
10) Параллельно загрузке браузер проверяет кеш
Вынес отдельно как важный этап: загружаться с сервера могут не все данные, что-то может быть в кэше браузера
11) Браузер собирает страницу
Строит DOM - внутреннее дерево элементов страницы, применяет стили, запускает JavaScript и показывает интерфейс пользователю.
Вот так без предисловий:) Что-то новое узнали?
❤️ да, теперь знаю, что браузер строит DOM
😈 нет, итак знаю наизусть все 400ые ошибки
#интернет #культпросвет
1) Пользователь открывает карточку товара
site.ru/product/123
2) Идет в DNS
Узнает, на какой IP сейчас указывает домен site.ru.
3) Устанавливает HTTPS-соединение
Браузер проверяет сертификат сайта и договаривается о шифровании данных.
4) Отправляет HTTP-запрос
Например: GET /product/123 - дай мне карточку товара по этому адресу
5) Запрос заходит в инфраструктуру сайта
Интернет → CDN → WAF → балансировщик → nginx.
CDN - сеть серверов, которая отдает пользователю тяжелые файлы поближе: картинки, стили, скрипты.
WAF - защитный фильтр перед сайтом, который отсекает подозрительные запросы.
6) nginx роутит запрос
Понимает, куда отправить его дальше: к фронт/бэк апи/статике..
7) Сервис готовит данные
Может сходить в базу, обработать данные, сходить в другой сервис
8) Параллельно события могут улететь в Kafka
Потом их читают аналитика, рекомендации, антифрод и другие системы.
9) Ответ возвращается в браузер
Это может быть HTML или JSON. CSS, JS, картинки и шрифты часто догружаются отдельными запросами.
10) Параллельно загрузке браузер проверяет кеш
Вынес отдельно как важный этап: загружаться с сервера могут не все данные, что-то может быть в кэше браузера
11) Браузер собирает страницу
Строит DOM - внутреннее дерево элементов страницы, применяет стили, запускает JavaScript и показывает интерфейс пользователю.
Вот так без предисловий:) Что-то новое узнали?
❤️ да, теперь знаю, что браузер строит DOM
#интернет #культпросвет
Please open Telegram to view this post
VIEW IN TELEGRAM
❤8👍6🔥2😈1
Что-то пошло не так: fallback
В честь майской жары короткий пост для #словарикпродакта
→ Fallback → запасной сценарий, если основной перегрелся и отвалился
Не загрузились рекомендации → покажем популярное
Не ответил сервис доставки → “уточним сроки позже”
ИИ не справился → отдадим безопасный шаблон
→ Fallback нужен, чтоб пользователь не упал в пустоту
как оно?
❤️ что-то пошло так
😈 что-то пошло не так
#fallback #pm
В честь майской жары короткий пост для #словарикпродакта
→ Fallback → запасной сценарий, если основной перегрелся и отвалился
Не загрузились рекомендации → покажем популярное
Не ответил сервис доставки → “уточним сроки позже”
ИИ не справился → отдадим безопасный шаблон
→ Fallback нужен, чтоб пользователь не упал в пустоту
как оно?
❤️ что-то пошло так
#fallback #pm
Please open Telegram to view this post
VIEW IN TELEGRAM
❤7😁3😈3👍2
Ты вообще знаешь, как GPT работает? Что такое токены
Когда мы пишем модели запрос, она сначала режет текст на маленькие кусочки - токены.
Это может быть слово, часть слова, эмодзи или кусок кода.
Например:
В токенах считается контекст модели, стоимость запроса, объем файлов и длина ответа.
Лимит 128к токенов - это общий бюджет: на промпт, историю диалога в контексте, приложенные документы и будущий ответ, а не 128к слов.
#словарикпродакта #token #ai #pm
Когда мы пишем модели запрос, она сначала режет текст на маленькие кусочки - токены.
Это может быть слово, часть слова, эмодзи или кусок кода.
Например:
cat может быть одним токеном, а продакт менеджмент почти точно разрежется на несколько. В токенах считается контекст модели, стоимость запроса, объем файлов и длина ответа.
Лимит 128к токенов - это общий бюджет: на промпт, историю диалога в контексте, приложенные документы и будущий ответ, а не 128к слов.
#словарикпродакта #token #ai #pm
❤6👍4👌3
Ты вообще знаешь, как AI превращает вопрос в ответ?
Напишем в ChatGPT:
> Что такое токен?
ОБРАБОТКА ВОПРОСА:
1) Собирается контекст
В него попадает: вопрос, системная инструкция, история диалога, ограничения по формату и длине.
2) Текст режется на токены
3) Токены превращаются в числа
В словаре токенизатор по токену находит ID, а ID указывает, какую строку взять из embedding-таблицы.
такое -> 912 -> [0.34, 0.11, -0.67, ...]
На этом этапе наш запрос превратится в перечень векторов:
> Что такое токен? -> [Что],[такое],[токен],[?]...+весь хвост контекста тоже в векторном виде
НАСЫЩЕНИЕ ВОПРОСА КОНТЕКСТОМ:
4) Строка проходит через слои уточнения
В каждом слое работают два механизма:
1 механизм: Self-attention
Модель пересчитывает связи между токенами: за это отвечает attention: механизм, который помогает понять, какие части контекста важны друг для друга.
Уточнены веса связей между токенами
2 механизм: Feed-forward / MLP-блок
Модель уточняет, что за смысл, роль и контекст у каждого токена.
На этом этапе векторы стали умнее - контекстно насыщенными:
> Что такое токен? -> pm спрашивает про токен в AI/GPT, нужно дать объяснение
ВЫРАЩИВАНИЕ ОТВЕТА ИЗ ВОПРОСА:
5) Модель считает вероятности следующего токена
Модель смотрит на весь контекст и считает, какой токен должен идти следующим
> Что такое токен?
высокие шансы могут быть у вариантов Токен, Это, В, AI
Выбирает один токен и добавляет его в конец текста, итого:
> Что такое токен? -> Что такое токен? Токен
Потом процесс повторяется...
Что такое токен? Токен -> Что такое токен? Токен — -> ... -> Токен — это кусочек текста, с которым работает...
В итоге получаем целиковый текст ответа на изначальный запрос.
Как вам?
❤️ огнище, просто и понятно
😈 просто и понятно, огнище
#ai #how #pm
Напишем в ChatGPT:
> Что такое токен?
ОБРАБОТКА ВОПРОСА:
1) Собирается контекст
В него попадает: вопрос, системная инструкция, история диалога, ограничения по формату и длине.
2) Текст режется на токены
3) Токены превращаются в числа
В словаре токенизатор по токену находит ID, а ID указывает, какую строку взять из embedding-таблицы.
такое -> 912 -> [0.34, 0.11, -0.67, ...]
На этом этапе наш запрос превратится в перечень векторов:
> Что такое токен? -> [Что],[такое],[токен],[?]...+весь хвост контекста тоже в векторном виде
НАСЫЩЕНИЕ ВОПРОСА КОНТЕКСТОМ:
4) Строка проходит через слои уточнения
В каждом слое работают два механизма:
1 механизм: Self-attention
Модель пересчитывает связи между токенами: за это отвечает attention: механизм, который помогает понять, какие части контекста важны друг для друга.
Уточнены веса связей между токенами
2 механизм: Feed-forward / MLP-блок
Модель уточняет, что за смысл, роль и контекст у каждого токена.
На этом этапе векторы стали умнее - контекстно насыщенными:
> Что такое токен? -> pm спрашивает про токен в AI/GPT, нужно дать объяснение
ВЫРАЩИВАНИЕ ОТВЕТА ИЗ ВОПРОСА:
5) Модель считает вероятности следующего токена
Модель смотрит на весь контекст и считает, какой токен должен идти следующим
> Что такое токен?
высокие шансы могут быть у вариантов Токен, Это, В, AI
Выбирает один токен и добавляет его в конец текста, итого:
> Что такое токен? -> Что такое токен? Токен
Потом процесс повторяется...
Что такое токен? Токен -> Что такое токен? Токен — -> ... -> Токен — это кусочек текста, с которым работает...
В итоге получаем целиковый текст ответа на изначальный запрос.
Как вам?
❤️ огнище, просто и понятно
😈 просто и понятно, огнище
#ai #how #pm
❤9🔥3😈3💯1
Ты вообще знаешь, за что мы платим в AI?
TLDR; Платим за compute budget: сколько вычислений сервис тратит на запрос.
Почему какой-то AI дороже?
1. Больше токенов на входе и выходе
История диалога, файлы, инструкции, результаты поиска и сам ответ превращаются в токены.
Чем больше нужно обработать и сгенерировать - тем дороже запрос.
2. Тяжелее модель
У сильной модели больше параметров, слоев и выше размерность векторов.
Значит, каждый токен проходит через более дорогую математику.
3. Больше reasoning
Для сложных задач модель может делать дополнительные внутренние шаги: разложить задачу, проверить варианты, найти противоречия.
Внутри больше вычислений.
#ai #cost #gpt #token #pm
TLDR; Платим за compute budget: сколько вычислений сервис тратит на запрос.
Почему какой-то AI дороже?
1. Больше токенов на входе и выходе
История диалога, файлы, инструкции, результаты поиска и сам ответ превращаются в токены.
Чем больше нужно обработать и сгенерировать - тем дороже запрос.
2. Тяжелее модель
У сильной модели больше параметров, слоев и выше размерность векторов.
Значит, каждый токен проходит через более дорогую математику.
3. Больше reasoning
Для сложных задач модель может делать дополнительные внутренние шаги: разложить задачу, проверить варианты, найти противоречия.
Внутри больше вычислений.
#ai #cost #gpt #token #pm
✍6❤4👍2🤝1
STAR на собесе: структура ответа
На днях собеседовал кандидата с интересным опытом и экспертизой.
НО! решение задач, да и рассказ о себе, приходилось из него доставать с силой.
Хочу порефлексировать через пост про фреймворк STAR.
Первично это метод диагностики софтсклилов, но можно применить для структурирования ответов на кейсы.
Пример:
ВОПРОС> В приложении резко упала конверсия в оплату. Что будете делать?
ОТВЕТ> Посмотрю аналитику, соберу гипотезы, запущу A/B-тест.
Это плохой ответ, своего рода диалоговый черри пикинг: мышления не видно.
А через STAR видно:
Situation
Локализую проблему: когда началось, у кого, на какой платформе и на каком шаге воронки..
!Уточняем ситуацию у интервьюера.
Task
Задача: быстро понять, это баг, релиз, платежка, трафик, оффер или сломанная аналитика.
Action
Оцениваю охват и вес проблемы.
Напрягаю дежурного разработки: проверить релизы, ошибки API, логи и изменения в платежах.
Если баг: фикс или rollback.
Смотрю дэши: по воронке: тариф → кнопка оплаты → платежка → успешная оплата, сравниваю платформы, сегменты и источники трафика.
Если продуктовая просадка: выделяю сегмент, гипотеза, быстрый эксперимент.
Result
На выходе решение: откатить релиз, починить оплату, оплатить Tilda, упростиь флоу или идти в эээксперименты.
Вот так на кейсах делай и интервьюер скажет: я тебя вижу 🤌
❤️ решаю структурно
😈 запускаю A/B на всё
#продуктовыйменеджмент #собеседование #STAR #pm
На днях собеседовал кандидата с интересным опытом и экспертизой.
НО! решение задач, да и рассказ о себе, приходилось из него доставать с силой.
Хочу порефлексировать через пост про фреймворк STAR.
Первично это метод диагностики софтсклилов, но можно применить для структурирования ответов на кейсы.
Пример:
ВОПРОС> В приложении резко упала конверсия в оплату. Что будете делать?
ОТВЕТ> Посмотрю аналитику, соберу гипотезы, запущу A/B-тест.
Это плохой ответ, своего рода диалоговый черри пикинг: мышления не видно.
А через STAR видно:
Situation
Локализую проблему: когда началось, у кого, на какой платформе и на каком шаге воронки..
!Уточняем ситуацию у интервьюера.
Task
Задача: быстро понять, это баг, релиз, платежка, трафик, оффер или сломанная аналитика.
Action
Оцениваю охват и вес проблемы.
Напрягаю дежурного разработки: проверить релизы, ошибки API, логи и изменения в платежах.
Если баг: фикс или rollback.
Смотрю дэши: по воронке: тариф → кнопка оплаты → платежка → успешная оплата, сравниваю платформы, сегменты и источники трафика.
Если продуктовая просадка: выделяю сегмент, гипотеза, быстрый эксперимент.
Result
На выходе решение: откатить релиз, починить оплату, оплатить Tilda, упростиь флоу или идти в эээксперименты.
Вот так на кейсах делай и интервьюер скажет: я тебя вижу 🤌
❤️ решаю структурно
😈 запускаю A/B на всё
#продуктовыйменеджмент #собеседование #STAR #pm
❤6✍5👍2😈1
Не разогнаться в стену: guardrails
Guardrails - защитные метрики, которые не дают продукту вырасти ценой поломанного бизнеса или пользовательского опыта
Запустили скидки → следим не только за GMV, но и за маржой
Ускорили онбординг → проверяем, не вырос ли черн через неделю
Подняли конверсию в оплату → смотрим, не стало ли больше возвратов и жалоб
Главная метрика говорит: куда бежим
Guardrails проверяют: не снесли ли мы по дороге забор, склад и поддержку..
Как вам?
❤️ полезный заборчик
😈 звучит как бюрократия
#словарикпродакта #guardrails #pm
Guardrails - защитные метрики, которые не дают продукту вырасти ценой поломанного бизнеса или пользовательского опыта
Запустили скидки → следим не только за GMV, но и за маржой
Ускорили онбординг → проверяем, не вырос ли черн через неделю
Подняли конверсию в оплату → смотрим, не стало ли больше возвратов и жалоб
Главная метрика говорит: куда бежим
Guardrails проверяют: не снесли ли мы по дороге забор, склад и поддержку..
Как вам?
❤️ полезный заборчик
😈 звучит как бюрократия
#словарикпродакта #guardrails #pm
❤9😁3👍1😈1
Что почитать?
Наедине с собой. Размышления, Марк Аврелий
Кому: всем, кто хочет посмотреть на стоицизм не через рилсы про контроль эмоций, а через дневник человека с огромной властью и ответственностью
Количество страниц: 280
Оценка: 10 добродетелей из 10
Отзыв:
С этой книгой легко начать, но тяжело закончить.
Текст короткий, смыслы понятные, но в какой-то момент начинаешь улетать мыслями за пределы. Потому что это не мотивационная книжка, а внутренние заметки человека, который буквально уговаривает себя жить достойно.
Мне было интересно читать Марка Аврелия на фоне популярного броицизма - дженерик стоицизма для ленивых: держи лицо, будь эффективным, не ной, контролируй эмоции.
На самом деле все тоньше, стоицизм у Марка про добродетель: не предать себя, не разменяться, не потерять способность поступать правильно.
Книгу можно читать как автобиографию очень крутого менеджера.
Император, огромная система, власть, войны, ответственность, раздражение на людей и постоянная попытка собрать себя обратно.
Обсуждали в книжном клубе про стоицизм как способ справляться с тревожностью, бимбо-стоицизм и броицизм.
Лично я прошел книгу волнами.
Начал с большого интереса к стоицизму, потом начал разочаровываться, но собрав картину целиком укрепил свою любовь к нему.
Помогло посмотреть на правила Марка не как на набор запретов, а как на попытку держаться добродетели.
Заметки с полей:
Стоицизм не отменяет эмоции, он пытается не отдавать им руль.
Самоконтроль без добродетели быстро превращается в токсичную продуктивность.
Даже императору иногда нужно просто сесть и напомнить себе: соберись.
Если хочется понять, что было со стоицизмом до инфоблогеров - Марк Аврелий отличный выбор.
А если хочешь обсудить книги про мышление, лидерство и управление собой - присоединяйся к нашему Книжному клубу для менеджеров!
#чтопочитать #МаркАврелий #стоицизм #книжныйклуб #менеджмент #лидерство
Наедине с собой. Размышления, Марк Аврелий
Кому: всем, кто хочет посмотреть на стоицизм не через рилсы про контроль эмоций, а через дневник человека с огромной властью и ответственностью
Количество страниц: 280
Оценка: 10 добродетелей из 10
Отзыв:
С этой книгой легко начать, но тяжело закончить.
Текст короткий, смыслы понятные, но в какой-то момент начинаешь улетать мыслями за пределы. Потому что это не мотивационная книжка, а внутренние заметки человека, который буквально уговаривает себя жить достойно.
Мне было интересно читать Марка Аврелия на фоне популярного броицизма - дженерик стоицизма для ленивых: держи лицо, будь эффективным, не ной, контролируй эмоции.
На самом деле все тоньше, стоицизм у Марка про добродетель: не предать себя, не разменяться, не потерять способность поступать правильно.
Книгу можно читать как автобиографию очень крутого менеджера.
Император, огромная система, власть, войны, ответственность, раздражение на людей и постоянная попытка собрать себя обратно.
Обсуждали в книжном клубе про стоицизм как способ справляться с тревожностью, бимбо-стоицизм и броицизм.
Лично я прошел книгу волнами.
Начал с большого интереса к стоицизму, потом начал разочаровываться, но собрав картину целиком укрепил свою любовь к нему.
Помогло посмотреть на правила Марка не как на набор запретов, а как на попытку держаться добродетели.
Заметки с полей:
Стоицизм не отменяет эмоции, он пытается не отдавать им руль.
Самоконтроль без добродетели быстро превращается в токсичную продуктивность.
Даже императору иногда нужно просто сесть и напомнить себе: соберись.
Если хочется понять, что было со стоицизмом до инфоблогеров - Марк Аврелий отличный выбор.
А если хочешь обсудить книги про мышление, лидерство и управление собой - присоединяйся к нашему Книжному клубу для менеджеров!
#чтопочитать #МаркАврелий #стоицизм #книжныйклуб #менеджмент #лидерство
✍5🔥5👍3❤2
Зачем продакту комьюнити?
Конференции, комментарии в каналах, общие продуктовые чаты, книжные клубы❤️, внутренние сообщества компаний - форматов много, но ценность в другом и на разных этапах карьеры она разная.
Когда только входишь в профессию, приходишь за знаниями: хочется понять, как всё устроено, послушать чужой опыт, собрать инструменты в копилку.
Потом начинаешь приходишь с конкретными вопросами: появилась проблема, которая зудит. Можно обсудить её с людьми, которые уже проходили похожий путь.
Ещё позже начинаешь использовать комьюнити как способ сверить свою картину мира с рынком. Какие вопросы сейчас обсуждают сильные специалисты? Что считается хорошей практикой? Где мои точки роста? Услышать, что похожие проблемы есть не только у тебя.
А ещё комьюнити постепенно превращаются в рынок репутации. Здесь находят коллег, сотрудников, проекты и новые места работы..
..Я уже 2 года в VK!
Как говориться: VK, конечно, хорошо
Поэтому приглашаю вас в VK, тут хорошо
Ищу крутого проджекта для внутреннего EdTech стартапа - пишите в лс:)
Продуктовые комьюнити - мой личный сорт третьего уровня пирамиды Маслоу, помогают не терять ощущение связи с профессией.
Но! Главное помнить, что всё хорошо в меру: даже самая полезная среда не заменит собственный опыт.
А какие продуктовые комьюнити оказались для вас самыми полезными?
🔥 конференции
❤️ чаты и каналы
✍️ клубы по интересам
🤝 внутренние сообщества компаний
#community #productmanagement #pm
Конференции, комментарии в каналах, общие продуктовые чаты, книжные клубы❤️, внутренние сообщества компаний - форматов много, но ценность в другом и на разных этапах карьеры она разная.
Когда только входишь в профессию, приходишь за знаниями: хочется понять, как всё устроено, послушать чужой опыт, собрать инструменты в копилку.
Потом начинаешь приходишь с конкретными вопросами: появилась проблема, которая зудит. Можно обсудить её с людьми, которые уже проходили похожий путь.
Ещё позже начинаешь использовать комьюнити как способ сверить свою картину мира с рынком. Какие вопросы сейчас обсуждают сильные специалисты? Что считается хорошей практикой? Где мои точки роста? Услышать, что похожие проблемы есть не только у тебя.
А ещё комьюнити постепенно превращаются в рынок репутации. Здесь находят коллег, сотрудников, проекты и новые места работы..
..Я уже 2 года в VK!
Как говориться: VK, конечно, хорошо
Ищу крутого проджекта для внутреннего EdTech стартапа - пишите в лс:)
Продуктовые комьюнити - мой личный сорт третьего уровня пирамиды Маслоу, помогают не терять ощущение связи с профессией.
Но! Главное помнить, что всё хорошо в меру: даже самая полезная среда не заменит собственный опыт.
А какие продуктовые комьюнити оказались для вас самыми полезными?
🔥 конференции
❤️ чаты и каналы
✍️ клубы по интересам
🤝 внутренние сообщества компаний
#community #productmanagement #pm
❤3🔥3✍2🤝1
Продакт и его Джарвис
На прошлой неделе я давал Codex несколько параллельных задач и прям почувствовал это ощущение работы с Джарвисом. Уже меньше делаю попой(долго-муторно-операционно) и больше управляю потоком решений.
Скриньте: для продакта это важный сдвиг: ИИ-агенты повышают качество первого шага. Продакта не заменят, а усилят.
Сейчас многие вопросы упираются в очередь к смежникам. Будущий продакт сможет быстрее собрать первую версию сам: черновую, местами кривую, достаточно осмысленную для нормального разговора с командой.
Это сменит тон обсуждения. Придешь уже с конкретной гипотезой, первичной проверкой, слабыми местами и вопросами.
Особенно интересно это в приоритизации. В RICE confidence это личное ощущение. Агент сможет сделать его более доказательным: хочу увидеть, как агент впрягается или спорит со мной.
Короче, процессы остаются.
Меняется качество первого шага.
Вы уже ПОЧУВСТВОВАЛИ?
❤️ чувствую
😈 чувствую fomo
#pm #ai #productmanagement
На прошлой неделе я давал Codex несколько параллельных задач и прям почувствовал это ощущение работы с Джарвисом. Уже меньше делаю попой(долго-муторно-операционно) и больше управляю потоком решений.
Скриньте: для продакта это важный сдвиг: ИИ-агенты повышают качество первого шага. Продакта не заменят, а усилят.
Сейчас многие вопросы упираются в очередь к смежникам. Будущий продакт сможет быстрее собрать первую версию сам: черновую, местами кривую, достаточно осмысленную для нормального разговора с командой.
Это сменит тон обсуждения. Придешь уже с конкретной гипотезой, первичной проверкой, слабыми местами и вопросами.
Особенно интересно это в приоритизации. В RICE confidence это личное ощущение. Агент сможет сделать его более доказательным: хочу увидеть, как агент впрягается или спорит со мной.
Короче, процессы остаются.
Меняется качество первого шага.
Вы уже ПОЧУВСТВОВАЛИ?
❤️ чувствую
😈 чувствую fomo
#pm #ai #productmanagement
❤6😈5🔥2👍1👏1