10691
Мои мысли про стартапы и продукты. Байрам Аннаков, фаундер and CEO onsa.ai - автоматизация B2B продаж Мой YouTube: https://www.youtube.com/BaykaAnnakov Мой LinkedIn: https://linkedin.com/in/bayramannakov
Виртуальный User Research
Майкрософт запилил библиотеку, чтобы создавать виртуальные миры, в которых можно задавать персоны с разными характерами и атрибутами, и потом симулировать их мысли и ответы. Например, проводить пользовательские интервью, психологические исследования и тесты, оценивать реакцию на рекламные ролики и тп.
В аттаче скрины интервью между 2мя фаундерами по поводу автоматизации sales процессов (хм, интересно, почему такое?😉
По мне так, достаточно сухие и generic ответы, но может это вопрос промптинга, или я уже избалован достаточным количеством реальных интервью. Судите сами, а я все же пока предпочитаю реальных людей 😉
Но, по крайней мере, хороший тул, чтобы кроссчекнуть ответы вашего подрядчика по user research...
Мурашки по коже
Новая реклама Apple про air pods как слуховой аппарат.
Одна из проблем, которые я наблюдал: некоторые люди стесняются носить «hearing aids” —> если Apple решит эту проблему, то это будет круто
Немного шутка, немного - нет
- Я в последние полгода хоть наконец-то нормально поработал: снизил технический долг, отрефакторил вдоволь, и написал автотесты. Так круто с новым руководством!
<прошло полгода>
- Обьявление в Linkedin: "Excited to share that I'm currently #OpenToWork"
Пара (технических) lessons learned с выходных
1) Помните пост про галочку на длинных формах, где можно попросить бота позвонить тебе на мобильный и расспросить? Запилил такое для одного клиента: был поражён насколько технология уже в текущем состоянии способна выдавать очень даже достойный результат. Прикладываю небольшой отрывок, это realtime api + twilio
2) Иногда нужно распарсить сайт, но там хорошая такая анти-бот защита —> попробовал browserbase и был приятно удивлён, как он справился с этой задачей!
В общем, рекомендую - вдруг вам пригодится.
Вертикальные AI агенты
Отличный ток от YC про вертикальных AI агентов. Мне особо зашла мысль про то, что если SaaS это про софт, которым пользуется человек, то AI агент - это и про софт, и немного про человека, поэтому рынок будет даже больше, и надо смело брать SaaS-ы и превращать их в вертикальных AI агентов. Коррелирует очень с уже упоминавшейся мною статьей про AI workforce
Я немного не соглашусь с их выводами относительно низких перспектив в consumer, но, в целом, очень по делу и поможет фаундерам AI проектов лучше отвечать на коварные вопросы VC :)
Это про сша: на 1/3 упало количество разводов. Вдогонку и в развитие мысли к предыдущему вопросу
Читать полностью…
Очень интересный курс про GenAI для дизайнеров. Зацените мысль из описания курса:
«С Generative AI софтвер становится таким же материалом для «цифровых» дизайнеров, как пластик - для промышленных. Каждый дизайнер скоро сможет создавать софт на свой вкус и цвет.
Это меняет роль и задачи дизайнера»
Слайды и задания уже доступны, скоро будут и видео. Например, в первом дз нужно запилить вебсайт в виде часов. Разумеется, с помощью Claude Artifacts
https://risd-ai-studio.notion.site/AI-Software-Design-Studio-b5c1d283e5534565a64f199c90e90211
11 лет назад мы выиграли $100К на хакатоне PayPal, обойдя 9 команд со всего света.
Поделили поровну: кто-то купил машину, кто-то - отдал близким, а я начал Рубикон. Сначала мы думали внедрять iBeacon в России, потому что именно на этой технологии и запилили выигрышный хак, но потом вовремя осознали, что сначала нужны приложения, а потом уже - программы лояльности, а потом уже - технологии их активации.
Участвуйте в хакатонах, выигрывайте, и начинайте новые бизнесы :-)
а вот и видео c того выступления про founder-led sales - на английском
https://www.youtube.com/watch?v=m72-5ffKiDM
Величайшее мое заблуждение инсайт
Как-то журналист NatGeo, кажется, спросил меня: какой совет вы бы дали самому себе 20 лет назад.
Я тогда ответил в стиле: не думай, что другие хотят того же, что и ты.
Этот урок продолжает периодически нагонять меня: я удивляюсь, каким образом люди со схожими ценностями, как тебе казалось, в один момент времени поступают полностью противоположно оным в другой период. Первая реакция - недопонимание, затем осуждение. Но вновь и вновь ты ловишь себя на мысли, что вот с другими то будет по другому. И уверяешь себя, что вот сам то поступаешь всегда у соответствии с ними. Но, разумеется, это самообман сторицей возвращающийся тебе снова и снова.
У нас меняются обстоятельства. Мы адаптируемся. Мы пересматриваем свои убеждения, как те американские заключенные, писавшие сочинения о величии коммунизма и из-за когнитивного диссонанса поменявшие свое отношение к нему.
Не осуждайте. Не судите. Просто научите заставьте себя не ожидать иного.
P.S. и почитайте Зимбардо
Как проще всего обьяснить сетевые эффекты и эффекты масштаба, так важные для любого бизнеса?
1) Сетевой эффект - чем больше пользователей, тем больше ценность для одного пользователя, тем больше пользователей
2) Эффект масштаба - чем больше пользователей, тем ниже удельные издержки на пользователя. Чем ниже удельные издержки, тем выгоднее экономика, и можно привлекать больше пользователей (через инвестиции за счет более высокой прибыльности или через снижение цены)
Одной картинкой можно изобразить так, а детальнее почитать можно в этом посте
Взяли с Ерсултаном 2е место на хакатоне AGI House San Francisco про Claude Computer Use - сделали агента-тестировщика, пищущего тест-план и тест-кейсы, прогоняющего их на веб-приложениях, и пишущего баги в Jira.
В аттаче видео, как он тестит Google Maps, а вот здесь можно посмотреть код
Jeremy Howard, создатель fast.ai, chief scientist kaggle, благодаря которому я научился deep learning-у, запускает новый курс про программирование вместе с AI. Он назвал это Dialog Engineering и идея в том, что ai не пишет простыню кода, а выдает по парочке строк, чтобы и ты учился, и мог направлять его вовремя.
Мне бесплатный курс Джереми очень помог - и не только мне: знаю одного хорошего человека, сделавшего переход из бухгалтерии в машинное обучение, благодаря тому курсу. Поэтому за бету нового с удовольствием отдал $200 - даже интересно, что они там напридумали :-) зная Джереми, я уверен, что после обкатки он сделает курс бесплатным или супердоступным.
В общем, рекомендую, если готовы включиться.
P.S. Понравилось при регистрации: “do not take this course if you think AI can already replace programmers” - очень в его стиле.
Интересный UI элемент: пусть AI позвонит мне и расспросит вместо заполнения формы. Эдакий “one click checkout”для длинных форм.
Интересно, насколько приживется
«7 холодных уроков» LinkedIn
Как вы знаете, мы уже больше 6 месяцев, как пивотнулись из mindshare в onsa.ai, и теперь делаем цифровых двойников b2b сейлзов.
Помимо подготовки и анализа звонков, мы помогаем компаниям с inbound и outbound кампаниями, делюсь первой пачкой наблюдений и инсайтов:
1) таргетинг сильно более важен, чем сообщение. Я вижу очень много материалов про то, как написать сообщение, как хукнуть человека и тп. Но когда я смотрю в данные по ответам среди тысяч людей у 10 разных компаний, то вижу, что дело скорее в том, как мы ищем, кому написать, и как ресерчим компанию и человека, чтобы составить им сообщение. Мое ощущение: 70% - таргетинг, 30% - сообщение, но это взаимоусиливающие параметры.
Проблема с таргетингом еще и в том, что фильтров поиска у тулов а-ля LinkedIn/Apollo не хватает, поэтому нужно обращаться и в google, и в similarweb, и в crunchbase, а потом пост-обрабатывать результаты.
Кейс: нужны кофаундеры технологической компании в США, получившей финансирование в последние 12 месяцев, получивших образование за пределами США, и проживающих менее 5 лет в США.
2) linkedin последовательность «отправь запрос на дружбу —> напиши, когда примут» до сих пор работает, но я думаю эффективность будет падать. LI постигнет участь почты: на порядок упадет эффективность, но из-за ограничений в скейле станет выгодным это делать только в автоматизированном виде. Эффективнее - аутрич на «теплых» , поиск общих знакомых и просьба представить.
Кейс: найти инвесторов списка компаний из рейтинга, отобрать фонды-инвесторы в них, найти в этих фондах контакты, найти общих знакомых с ними, попросить представить.
3) Фоллоуапы работают: если контакт не отвечает, то фоллоуап с кейс-стади в аттаче через неделю или две триггерит ответ. Люди бывают в отпуске, заняты, и тп. Кстати, даже негативный ответ можно конвертнуть в полезную встречу и инсайты про конкурентов или банальное недопонимание условий работы, и тем самым оттюнить и таргетинг, и мессаджинг.
4) В apollo 5% контактов устаревшие/несуществующие, и многие контакты не особо юзают linkedin. Кроссчек по linkedin на предмет недавнего постинга, поиск через sales navigator фильтры или доставка сообщений другим каналом сильно лучше работает в плане скорости получения результатов (или отсутствия оного).
5) LLMки в базовом виде пишут слишком «роботизированные сообщения», надо тюнить промпты и упрощать сообщения. На эту тему недавний забавный пост про промпты и тест Тюринга
6) Большое значение играет профиль человека в LinkedIn: конверсия у фаундера/CEO/VP в разы выше, чем у sales людей. Иногда C-level экзекютивы не готовы давать свой профиль для аутрича, а зря.
7) Бенчмарки:
- 15-30% конверсия из отправленного запроса в друзья в принятый запрос
- 5-10% из отправленного сообщения в ответ
Итого 1-3% конверсия в звонок/встречу.
Если конверсии заметно ниже, то или не тем пишем (таргетинг), или не то пишем (сообщение), или не там пишем (канал), или не от того имени пишем (пункт 6 выше). Кстати, о канале - думаю, что непосредственно коммуникация будет уходить в мессенджеры и директы в соцсетках, поэтому важно еще и научиться искать одного и того же человека в разных каналах.
Если выше - поздравляю, надо задействовать более массовые каналы - email, рекламу, и тп.
Удачи!
P.S. Если у вас стоит подобная задача на рынки сша/европы, то есть 3 места для пилотного проекта, пишите плиз @BayramAnnakov или в комментариях к посту.
Early Adopters
Разговаривали с фаундером сегодня про его ключевые уроки на пути от 0 к 1 - фокусироваться на early adopters, не отвлекаться на “долгих” продажах, оставлять таких клиентов и двигаться дальше, так как рынок сильно шире. Я помню, как месяцы назад этот же предприниматель переживал из-за одной тяжелой сделки и мой единственный совет был в стиле: рынок сильно больше, move on.
Это перекликается с пунктами про важность таргетинга и что твоя главная задача - найти своего клиента. У YC было про то, что в начале пути надо фокуироваться на самых “легких” клиентах и что в мире всего 5% early adopters, а у Lenny алгоритм product-market fit-а описан в режиме: найти 1го клиента, который полюбит твой продукт --> сделай чтобы он платил --> найди больше таких же.
Я сейчас сам продаю и вижу отчетливо, насколько разительно отличаются продажи целевым и нецелевым: с точки зрения скорости, готовности платить, готовности дорабатывать продукт вместе и тп.
Поэтому если вы сейчас в “длинной” продаже, зависли, не идет, то задайте себе вопрос - а может это не ваш клиент?
Быть отвергнутым
Страх быть отвергнутым - пожалуй, ключевой барьер на пути любого стартапа. Опытные фаундеры уже знают эту ловушку и не так парятся о нем, но у first time фаундеров такое встречается достаточно часто. В чем беда? Из за страха быть отвергнутым, мы постоянно придумываем причины, почему продукт еще не готов, почему вот-вот и чуть-чуть, откладывая дату запуска. Проблема усугубляется тем, что при запуске - при движении от закрытой системе к открытой - на нас наваливается такой большой обьем проблем инсайтов, что хочется все бросить, забраться под одеяло и оказаться “в домике”. Причем, чем дольше ты откладывешь, тем выше количество этих инсайтов
Если посмотреть в психологию, то со страхом быть отвергнутым зачастую работают через набор когнитивно-поведенческих техник, и вот моя попытка таковые сформулировать для фаундеров:
1) Хакатоны - на них не так страшно “обосраться”, ведь ты всего лишь делал продукт 36 часов!
2) Закрытое тестирование с друзьями или fellow фаундерами - тестирование с ограниченной группой знакомых или находящихся в той же ситуации людей, чтобы искусственно смягчить обьем негативного фидбека. Тут есть опасность не получить реальный фидбек, но если рассматривать этот этап как промежуточный и отдавать себе отчет об этих ограничениях, то все гуд. Может случиться, что для некоторых, наоборот, с друзьями страшнее всего, тогда можно наоборот взять незнакомых, набрав на сайтах а-ля mechanical turk или user testing. Тем более что в цифровом режиме немного легче быть отвергнутым
3) Потренироваться с chatgpt - или просто запромптить бота на потенциального клиента и попробовать ему продать, или пойти дальше, сгенерировать персоны и для каждой сделать тест-план, как мы делали на этом хаке.
Главное - не оттягивать, не закрываться и не лишать своего продукта своевременной обратной связи, потому что, это моя глубокая убежденность, и вам, и команде, и вашему продукту жизненно необходима энергия в виде обратной связи!
О свободе воли
Немного не в тематике нашего канала, но все же: уже второй разговор по теме, поэтому решил поделиться.
У меня есть устойчивое мнение, что большинство разногласий человечества укладывается в отношение к свободе воли: свободе человека решить, как поступить.
1) религия
2) отношение к смертной казни
3) дать ли командам выбирать тул для управления проектом и тп.
Я не буду уходить в дебри корректности той или иной позиции, я считаю что это бесконечный спор. Могу лишь сказать, что по моему мнению через отношение к вопросу свободы воли очень часто легко прогнозировать отношение к большинству точек разногласий.
М?
Детерминированный майндсет vs недетерминированные LLM
Часто замечаю и слышу от других про то, как у некоторых программистов "скрипит мозг" от попытки разрабатывать приложения вокруг LLM. Типичный набор жалоб: "она постоянно придумывает", "каждый раз выдает что-то новое", "я не могу полагаться на результат"
Мы - программисты - все время программировали в детерминистской парадигме: есть код, есть предсказуемый результат. Эта парадигма настолько укоренилась в нас, что сейчас, имея дело с LLM, у нас "реально так подгорает": результаты LLM-ок вероятностные, зависят от контекста, и при одних и тех же входных данных порой выдают совершенно разный результат. Оттого тяжело полагаться на эти результаты далее по стеку, я уже не говорю о том, что огромный вопрос - как тестировать такие системы? Ведь чтобы интерпретировать результаты, нужно быть не просто программистом - нужно разбираться в предметной области.
Думаю, добавляет к этому всему - невозможность напрямую контролировать этот процесс - да, ты можешь менять промпты и входные данные, но ты совершенно не знаешь, какой output это в итоге даст. А залезть в модель и перенастроить ее напрямую ты просто не можешь. (Кстати, возможно поэтому зачастую первое желание - сделать свою модель?)
Как же решать эту проблему? По нашему опыту это некоторая комбинация следующего:
1) Принять и простить полюбить недетерминированность :)
2) Комбинировать компоненты, написанные в традиционной парадигме, с LLM компонентами.
3) Использовать те немногие возможности, что дают разработчики LLM для частичного "детерминизма" выходных данных - Predicted Outputs, Structured Outputs и тп
4) Как можно раньше в проекте сформулировать набор метрик (evals), чтобы оценивать каждую итерацию или улучшение, и принять что смотрим не на одно значение этих метрик, а на распределение оных
А вы как справляетесь? Или вообще нет такой проблемы?
Инженеры-привидения
9.5% инженеров - "привидения", то есть ничего не делают. По оценке ребят из Stanford
Знаете таких инженеров? 😉
крутой видео-проект от nfactorial про казахстанские стартапы и столько знакомых лиц! класс и всем удачи из фильма!
https://www.youtube.com/watch?v=13sLnGKU71I
Cursor
Немного технический пост: я окончательно пересел с VS Code на Cursor. Одна вещь, что меня останавливала - Cursor отказывался нормально работать с Python, но я нашел вот этот thread, решивший все мои проблемы.
Так быстро и столько кода я не писал уже давно, и это сплошное удовольствие ставить задачи и подправлять, а не писать то, что знаешь как написать. Ну или знаешь, где прочитать, чтобы понять, как написать :-)
В общем, рекомендую!
LLM - маленькие радости
Есть маленькие радости, которые приносят мне LLMки.
Например:
1) у вас тысячи переписок ваших сотрудников с клиентами
2) вы хотите быстро оценить, какие из них по существу (клиент интересуется продуктом), а какие - автоответчики, «человек больше не работает», неинтересно и тп.
3) раньше решить такую задачу, не прочитывая все эти письма было весьма трудозатратно. Особенно если еще и на разных языках.
4) теперь это настолько просто из коробки, что не можешь в это поверить.
Пусть другие спорят, заменит AI кого или нет, а мы пока утилитарные задачки решать будем :-)
Схожие задачи:
1) Маршрутизация тикетов в саппорте
2) Квалификация входящих лидов с сайта
3) Классификация отзывов в сторе или на маркетплейсе
Продуктивной вам недели!
Формула идеального продукта
Как-то размышлял над сабжем и пришел к тому, что у идеального продукта:
1) Количество использований продукта для решения проблемы или удовлетворения потребности
Деленное на
2) Количество раз, когда эта потребность или проблема возникает у ваших пользователей
—> стремится к 1
Например:
1) Ваш пользователь хочет есть каждый день
2) Но ходит в ваш ресторан лишь раз в неделю
Или
1) Ваш пользователь путешествует 2 раза в год
2) И оба раза останавливается в вашем отеле
Некоторые называют это share of wallet, но я считаю, что это не совсем точный показатель, поскольку предполагает, что клиент воспользуется продуктом-конкурентом. Но для некоторых продуктов он может не воспользоваться ничем вовсе.
Вы чаще всего можете достаточно точно посчитать 1ю часть уравнения, но не вторую.
Как же посчитать 2ю
1) идеально - автоматически с помощью вашего же продукта. Например, в aita мы ставили геофенс на сильную смену координат —> человек улетел куда-то, или близость к аэропорту (не такое точное, но использовалось еще для некоторых фич)
2) опросы/рыночная статистика
3) статистика потребления сопутствующих продуктов или услуг
М?
Главная формула стартапа :-)
Капитан Очевидность сегодня в Нью-Йорке
Классно, когда встречаешь авторов полезных книг - Pete Kazanjy про фаундер продажи. Классно поговорили про эту тему и про то, куда развиваются продажи и софт для них в свете AI и не только.
Книгу рекомендую каждому фаундеру! Она доступна бесплатно онлайн
В среду буду с лекцией в Нью-Йорке - приходите :-)
https://lu.ma/i325x2vw
Слишком много фич
Один из важных и бОльных личных уроков разработки продуктов - не делать слишком много фич.
5 аргументов, почему не надо при запуске делать слишком много фич:
1) чем больше фич, тем дольше релиз
2) чем больше фич, тем больше ответвлений для пользователя и ему сложнее понять, что делать
3) чем больше фич, тем сложнее анализировать поведение пользователя и атрибутировать результат (или отсутствие оного) к конкретной фиче
4) больше фич тянут за собой разработку еще большего количества фич и багфиксов в попытке заставить таки пользователя ею пользоваться
5) итого, главный ресурс стартапа - время и внимание - распыляется. Прямо как у большой компании
Почему обычно происходит такое?
1) страх релизнуть продукт
2) много фичей —> много делаем —> много работаем —> мы молодцы
3) мы не знаем что и для кого мы делаем, поэтому делаем всё для всех
Чтобы этого избежать недостаточно постов в стиле этого или мотивирующих фраз Джобса про фокус. Нужен какой-то компас. Компас, который позволяет определить то мы делаем или нет. Чаще всего это one metric that matters. Если ваша фича напрямую не влияет на метрику, то уносите ее в беклог, пока не придумаете лучше. Только не обманывайте себя фичами, которые "если будет вот так да эдак, то потом они повлияют на вот это, и вот уже то повлияет на ключевую метрику". Если вам нечего делать - занимайтесь продажами. Ведь стартап это не только про продукт.
Ну и мотивирующая цитата от Джобса Брюса Ли:
«Я не боюсь того, кто изучает 10000 различных ударов.Читать полностью…
Я боюсь того, кто изучает один удар 10000 раз»
O captain! My captain!
Вчера ушёл мой Учитель - Анатолий Гавердовский. Я много в этом канале рассказывал про его мудрость (посты: 1, 2, 3, 4, 5), в этот год мне посчастливилось вновь работать с ним и я не переставал учиться каждую встречу. Спасибо, Анатолий! Хорошего Вам плавания!
О Капитан! Мой Капитан!
В продолжение разговора со Стёпой несколько выдержек по мотивам статьи Василия Леонтьева, нобелевского лауреата по экономике, «О распределении работы и дохода» 1982года:
1) Неадекватность измерения производительности как отношения выпуска продукции к обьему затраченного труда хорошо иллюстрируется периодом замены лошадей тракторами в сельском хозяйстве. Если взять общий урожай и разделить его сначала на снижающееся колво лошадей, занятых в с/х, и увеличивающемся колвом тракторов, то мы придем к парадоксальному выводу о том, что производительность лошадей в этот периода росла, а тракторов - падала!
2) Обычно замена одного «рецепта» производства продукции - специальной комбинации входных параметров (лошади vs тракторы») - зависит от аналогичной замены старого рецепта новым, в другой индустрии (транзисторы вместо вакуумных трубок —> компьютеры вместо людей)
3) Либертарианцы предлагают не трогать невидимую руку рынка и дать зарплатам падать ввиду снижающегося спроса на человеческий труд благодаря технологическим инновациям —> даже очень дешевый человеческий труд не сравнится с очень мощными машинами. [От себя добавлю еще про затраты на координации/контроль человеческого труда].
4) Сокращение рабочей недели может стать одним из способов абсорбирования эффектов технологической безработицы… или, как показывает исследование Департамента труда США, можно этого добиться через более гибкий график работы
5) Адам и Ева наслаждались безработицей и изобилием… в последние 2 столетия человечество бодро возвращается к этому «раю» благодаря технологическому прогрессу. Что же будет, когда он наступит?
6) Хорошим примером благоприятного исхода, причем с минимальным участием государства, служит кейс механизации сельского хозяйства. Если раньше семье фермеров необходимо было трудиться с раннего утра до позднего вечера в связке с лошадьми, то сейчас этого же выпуска они добиваются с гораздо более благоприятным графиком. Снижение их дохода в час хорошо компенсировано ростом дохода от капитальных инвестиций (тракторы и тп). Переход от старой структуре доходов к новой был практически безболезненным.
7) Чтобы добиться подобного эффекта в других отраслях, необходимо реализовать стимулы и политики (policies) для равного распределения работы и дохода, но при этом избегая даже непрямого противодействия технологическому прогрессу. История показала, что страны, избравшие противостояние, испытывали серьезные социальные волнения и экономическую стагнацию.