کیس امروز

«سرویسا»

اپلیکیشن خدمات شهری در تهران: نظافت منزل، تعمیرات و لوله‌کشی. شما مدیر محصول تازه‌وارد سرویسا هستید. رشد کند شده، کاربران از تأخیر شکایت دارند و تیم فقط ۱۰ واحد بودجه برای این فصل دارد.

مأموریت شما در چهار گام:

  1. کار اصلی کاربر را با بوم JTBD پیدا کنید.
  2. ویژگی‌های پیشنهادی را با RICE اولویت‌بندی کنید.
  3. در شبیه‌ساز تصمیم سه تصمیم سخت بگیرید.
  4. گزارش خود را ببینید و با پاسخ هوش مصنوعی مقایسه کنید.

کیس آموزشی است و اعداد آن فرضی‌اند.

صدای کاربران

بخشی از مصاحبه‌های کاربری این ماه

دلیل شکایت‌های کاربران

سهم هر دلیل از کل شکایت‌های سه ماه اخیر

ماندگاری کاربران جدید

درصد کاربرانی که بعد از اولین سفارش، دوباره سفارش داده‌اند

گام ۲ از ۵

بوم کار کاربر (JTBD)

کاربر «اپلیکیشن» نمی‌خرد؛ آن را «استخدام» می‌کند تا کاری را برایش انجام دهد. از روی صدای کاربران، آن کار را پیدا کنید.

وقتی
می‌خواهم
تا

ابعاد این کار

هر بُعد چقدر برای کاربر مهم است؟ (۱ تا ۵)

گام ۳ از ۵

اولویت‌بندی با RICE

بودجه محدود است. کدام ویژگی بیشترین ارزش را به ازای کمترین تلاش می‌سازد؟ مقادیر را تغییر دهید و ببینید رتبه‌ها چطور جابه‌جا می‌شوند.

امتیاز RICE =
Rدسترسیتعداد کاربر در یک دوره× Iتأثیر۰٫۲۵ تا ۳× Cاطمینان۰ تا ۱۰۰٪
Eتلاشماه‌نفر

رتبه‌بندی

با هر تغییر، ترتیب زنده به‌روز می‌شود

ماتریس ارزش و تلاش

اندازه‌ی هر دایره = دسترسی. گوشه‌ی بالا و راست، «برد سریع» است.

گام ۴ از ۵

شبیه‌ساز تصمیم مدیر محصول

در هر مرحله یک تصمیم بگیرید و پیامدش را ببینید. هدف: حفظ رشد کاربران و اعتماد آن‌ها، با بودجه‌ی محدود.

مسیر شاخص‌ها

همه‌ی شاخص‌ها نسبت به شروع بازی (شروع = ۱۰۰)

گام ۵ از ۵

گزارش مدیر محصول «سرویسا»

کار اصلی کاربر

اولویت‌های من (RICE)

ترتیب نهایی ویژگی‌ها

تصمیم‌های من

    تغییر شاخص‌ها از شروع تا پایان

    درصد تغییر نسبت به شروع

    پاسخ من در برابر هوش مصنوعی

    این متن از روی پاسخ‌های خودتان ساخته شده. آن را کپی کنید، به Claude بدهید و پاسخش را با تصمیم‌های خودتان مقایسه کنید. کجا با شما موافق است؟ کجا چیزی گفته که در داده‌های کیس نیست (توهم)؟

    با گوشی اسکن کنید

    هر دانشجو نسخه‌ی خودش را روی گوشی باز می‌کند

    برنامه‌ی جلسه

    روی هر بخش بزنید تا زمان آن شروع شود

    ۳۰:۰۰

    نکته‌های بحث درباره‌ی هوش مصنوعی

    توکن

    مدل متن را تکه‌تکه (توکن) می‌خواند و هزینه و حافظه‌اش با توکن سنجیده می‌شود. متن فارسی معمولاً توکن بیشتری از انگلیسی مصرف می‌کند.

    توهم مدل

    مدل گاهی با اطمینان چیزی می‌گوید که درست نیست. در گزارش نهایی، پاسخ Claude را با داده‌های کیس بسنجید.

    دستورالعمل خوب

    زمینه، هدف، قالب خروجی و اجازه‌ی «نمی‌دانم» گفتن، کیفیت پاسخ را بالا می‌برد. متن آماده‌ی گام ۵ همین ساختار را دارد.

    فارسی و اصطلاحات

    Claude فارسی خوب می‌نویسد، اما اصطلاحات تخصصی مثل RICE یا MVP را گاهی انگلیسی نگه می‌دارد.