วิธีค้นหาโอกาสการเติบโตที่ซ่อนอยู่ในผลิตภัณฑ์

• สรุปสคริปต์จากวิดีโอ YouTube ที่ Albert Cheng ผู้เคย ขับเคลื่อนการเติบโตของผลิตภัณฑ์แบบสมัครสมาชิกระดับโลก อย่าง Duolingo และ Grammarly มาแบ่งปันวิธีเชื่อมผู้ใช้เข้ากับคุณค่าของผลิตภัณฑ์
  • เน้นย้ำว่าการเติบโตไม่ใช่แค่การแฮ็กตัวชี้วัด แต่คือ กระบวนการส่งมอบคุณค่าที่มีผู้ใช้เป็นศูนย์กลาง
• นำเสนอกรอบคิด Explore และ Exploit เพื่อขยายอินไซต์จากการทดลองไปสู่ทั้งผลิตภัณฑ์ พร้อมกลยุทธ์ขยายผลจากการทดลองที่สำเร็จเพียงครั้งเดียวให้ เพิ่มขึ้นมากกว่า 10 เท่า
• ที่ Grammarly ทำให้ อัตราการอัปเกรดเพิ่มขึ้น 2 เท่า ด้วยการให้ผู้ใช้ฟรีได้ ทดลองใช้ฟีเจอร์แบบเสียเงิน เพื่อแสดงให้เห็นคุณค่าที่แท้จริงของผลิตภัณฑ์
• ที่ Chess.com เปลี่ยนจากการชี้ข้อผิดพลาดหลังแพ้ มาเป็น ฟีดแบ็กเชิงบวกที่แสดงตาเดินที่ยอดเยี่ยม ส่งผลให้การดูรีวิวเกมเพิ่ม 25%, การสมัครสมาชิกเพิ่ม 20% และการรักษาผู้ใช้ดีขึ้นมาก
• หัวใจของความสำเร็จในผลิตภัณฑ์สมัครสมาชิกสำหรับผู้บริโภคคือ อัตราการรักษาผู้ใช้สูง (D1 มากกว่า 30-40%) และชี้ว่าการเติบโตแบบออร์แกนิกผ่านการบอกต่อ รวมถึงการส่งมอบคุณค่าอย่างกว้างขวางผ่านผลิตภัณฑ์ฟรี เป็นสิ่งจำเป็น

---

แนะนำ Albert Cheng และภูมิหลัง

• เป็นหนึ่งในผู้เชี่ยวชาญด้านการเติบโตฝั่งผู้บริโภคระดับแนวหน้าของโลก โดย นำการเติบโตและการสร้างรายได้ ที่ Duolingo, Grammarly และ Chess.com
• ช่วงแรกเคยพัฒนาฟีเจอร์สตรีมมิงและเกมบน YouTube ที่มี ผู้ใช้งานมากกว่า 20 ล้านคน
• แนวทางด้านการเติบโตที่เป็นเอกลักษณ์ของเขาคือการ ผสานการตลาด ข้อมูล กลยุทธ์ และการบริหารผลิตภัณฑ์เข้าด้วยกัน

จากนักเปียโนสู่ผู้นำด้านการเติบโต

• เติบโตมาในครอบครัวผู้อพยพจากไต้หวัน โดยฝึกเปียโนคลาสสิกวันละ 90 นาที
• มี Perfect Pitch สามารถแยกแยะโน้ตได้ทันทีและเรียนรู้ดนตรีได้อย่างรวดเร็ว
• เคยพิจารณาเรียนต่อสายดนตรี แต่สุดท้ายเปลี่ยนไปทางวิศวกรรม
• จุดร่วมระหว่างเปียโนกับการเติบโต
  • การทำซ้ำอย่างต่อเนื่องและการเรียนรู้ผ่านความผิดพลาด: พัฒนาวงจรฟีดแบ็กที่รวดเร็วและความยืดหยุ่นในการฟื้นตัว
  • ความคิดสร้างสรรค์บนฐานของโครงสร้าง: คิดทางออกอย่างสร้างสรรค์บนโครงของโมเดลการเติบโตและตัวชี้วัด คล้ายกับการสร้างดนตรีอันงดงามบนทฤษฎีดนตรี

กรอบคิด Explore และ Exploit

• เป็นแนวคิดที่มาจากคลาส Reforge ของ Brian Balfour และเขาได้รู้จักผ่าน Nurmal ซึ่งเป็นพาร์ตเนอร์ฝั่งวิศวกรรมที่ Grammarly
• Explore: กระบวนการค้นหาว่าควรปีนภูเขาลูกไหน
• Exploit: ทุ่มทรัพยากรเพื่อปีนภูเขาลูกนั้นให้มีประสิทธิภาพ
• บริษัทส่วนใหญ่มักเอนเอียงไปสุดด้านใดด้านหนึ่ง
  • Explore มากเกินไป: ทีมเสียโฟกัสและ ลอง 100 ไอเดียแบบสุ่ม โดยไม่มีกลยุทธ์
  • Exploit มากเกินไป: นำไปสู่ ความอิ่มตัวและภาวะหยุดนิ่ง และจบแค่การปรับให้เหมาะที่สุดในระดับย่อย
• ทีมด้านการเติบโตมักเผลอตกอยู่ในโหมด Exploit ได้ง่าย

• การประยุกต์ใช้ในระดับไมโคร: กรณีของ Chess.com

  • Dylan ซึ่งเป็น PM ของฟีเจอร์การเรียนรู้ที่ Chess.com ทำงานปรับปรุงการมีส่วนร่วมกับฟีเจอร์รีวิวเกม
  • รีวิวเกม: ฟีเจอร์ที่หลังจบเกม โค้ชเสมือนจะสอนทั้งตาเดินที่แย่ที่สุดและตาเดินที่ดีที่สุด
  • สิ่งที่ค้นพบผ่านการติดตามข้อมูล
    • ผู้ใช้ที่ดูรีวิวเกม 80% ใช้เฉพาะหลังชนะ
    • เดิมทีคาดว่าผู้ใช้จะใช้เพื่อวิเคราะห์ความพ่ายแพ้หรือความผิดพลาด แต่ จิตวิทยาของมนุษย์กลับไม่เป็นเช่นนั้น
  • การเปลี่ยนประสบการณ์ในผลิตภัณฑ์
    • แทนที่จะแสดงข้อผิดพลาดหลังแพ้ ก็เปลี่ยนเป็น แสดงตาเดินที่ยอดเยี่ยมและตาเดินที่ดีที่สุด
    • โค้ชส่งข้อความให้กำลังใจ: "ความพ่ายแพ้คือส่วนหนึ่งของการเรียนรู้"
  • ผลลัพธ์
    • การดูรีวิวเกม เพิ่มขึ้น 25%
    • การสมัครสมาชิก เพิ่มขึ้น 20%
    • อัตราการรักษาผู้ใช้ดีขึ้นอย่างมาก
  • ขั้น Exploit: แชร์อินไซต์นี้ไปทั่วทั้งบริษัท
    • PM ของฟีเจอร์ปริศนาได้นำ รูปแบบเชิงบวกไปประยุกต์ใช้กับผลิตภัณฑ์ของตนเอง
    • เช่น การแสดงอัตราความสำเร็จ ปรับข้อความ และเปลี่ยนสีปุ่ม
    • ทำให้สามารถ ขยายผลความสำเร็จของการทดลองได้ 10 เท่า

• อัตราความสำเร็จของการทดลองและการปรับปรุงอย่างต่อเนื่อง

  • อัตราชนะของการทดลองโดยทั่วไปอยู่ที่ 30-50%
  • ผลิตภัณฑ์สำหรับผู้บริโภคมีความคาดเดาได้ยากมาก และสมมติฐานจำนวนมากมักผิด
  • ทั้งการทดลองที่สำเร็จมากและล้มเหลวมากล้วนมีคุณค่าสูง
    • จำเป็นต้องแชร์อินไซต์ให้ทั้งบริษัท
    • PM เจ้าของงานเดิมไม่จำเป็นต้องหาวิธีนำไปใช้ทั้งหมดด้วยตัวเอง
    • หากอธิบายสมมติฐานและสิ่งที่ค้นพบให้ชัดเจน ทีมอื่นจะสามารถต่อยอดไอเดียได้
  • เพื่อเพิ่มทั้งอัตราความสำเร็จและผลกระทบ สมาชิกทีมจึงมุ่งโฟกัสรอบอินไซต์ที่ได้

• การตัดสินใจว่าเมื่อไรควรสลับระหว่าง Explore กับ Exploit

  • Chess.com ทำการทดลองประมาณ 250 รายการต่อปี
  • ลงทุนใน Experiment Explorer Tools
    • มองภาพรวมของการทดลองที่กำลังดำเนินอยู่
    • จับรูปแบบระหว่างสมมติฐานกับสิ่งที่ได้เรียนรู้
  • หากการทดลองที่ไม่มีนัยสำคัญทางสถิติเพิ่มขึ้น จะเป็น สัญญาณของการ Exploit มากเกินไป
    • อาจไม่มีอะไรให้เค้นต่อแล้ว
    • จึงกระตุ้นให้ทีมกลับมาระดมสมองอีกครั้งและใช้ การคิดแบบกระจาย

การเร่งการเติบโตด้วย AI

• ฟีเจอร์ Text-to-SQL

  • ใช้งานในช่อง Slack สำหรับคำขอข้อมูลของ Chess.com
    • ในอดีต: นักวิเคราะห์ข้อมูลต้องตอบคำถามเฉพาะกิจด้วยตัวเอง (เช่น จำนวนผู้สมัครสมาชิกในแอฟริกาใต้ เวลาเล่นปริศนาในเดือนก่อน ฯลฯ)
    • ปัจจุบัน: Slack bot รันคิวรีและให้การวิเคราะห์โดยอัตโนมัติ
  • ผลลัพธ์
    • ฝึกให้ Slack bot เป็นผู้ให้คำตอบคนแรก
    • ทั้งบริษัท ตัดสินใจบนฐานข้อมูลมากยิ่งขึ้น
    • จำนวนคำถามเพิ่มขึ้นอย่างมาก
      • คำถามที่เมื่อก่อนอายเกินกว่าจะถาม ตอนนี้ก็ถามได้สบายขึ้น
      • คล้ายผลของ ChatGPT: การมีคู่สนทนาที่คุยได้อย่างสบายใจสร้างความแตกต่างอย่างมาก

• เครื่องมือทำต้นแบบด้วย AI

  • ย่นระยะจากไอเดียไปสู่โซลูชันตัวแทน
  • แบบเดิม: มีหลายขั้นตอนที่ต้องพึ่งคน (เขียนไอเดีย → สเปก → รีวิว → ดีไซน์ ฯลฯ)
  • แนวทางของ Chess.com
    • สร้างต้นแบบด้วย AI สำหรับหน้าหลักต่าง ๆ (onboarding flow, หน้าแรก, กระดานหมากรุก)
    • ใช้เครื่องมืออย่าง v0, Lovable
    • แชร์ให้ทั้งบริษัทใช้เป็นจุดตั้งต้น
    • ทำให้สามารถ มองเห็นภาพไอเดีย อภิปราย และทดสอบได้อย่างรวดเร็ว

• AI stack

  • PM: Vzero
  • นักออกแบบ: Figma Make
  • วิศวกร: Cursor, Claude Code, GitHub Copilot
  • การตลาด: เครื่องมือสำหรับแปลภาษา ทำซับไตเติล และดัดแปลงคอนเทนต์
  • ฝ่ายสนับสนุนลูกค้า: Intercom Fin
  • โจทย์ที่ยังค้างอยู่: การเปลี่ยนผ่านจากการลองเล่น (Tinkering) ไปสู่เวิร์กโฟลว์ที่ราบรื่นยังไม่ถูกแก้
    • แต่ละฟังก์ชันมีเครื่องมือที่ชอบต่างกัน
    • การทำงานร่วมกันระหว่างเครื่องมือยังไม่ดีพอ
    • จนถึงการนำขึ้นโปรดักชันก็ยังต้องมีการส่งต่องานข้ามฟังก์ชัน
    • กำลังปรับปรุงด้วยการลงทุนในคอมโพเนนต์ของ design system และ MCP

กรณีความสำเร็จด้านการสร้างรายได้สูงสุดของ Grammarly

• ภูมิหลังและการมองเห็นปัญหา

  • Grammarly เป็น ผู้ช่วยการเขียนที่ขับเคลื่อนด้วย AI ให้บริการทั้งในรูปแบบ Chrome extension และเดสก์ท็อปไคลเอนต์
  • โมเดลธุรกิจแบบฟรีเมียม: ผู้ใช้มากกว่า 90% เป็นผู้ใช้ฟรี ที่เหลือเป็นสมาชิกแบบเสียเงิน
  • ทีมของ Kyla ซึ่งเป็น PM ด้าน conversion subscription รับผิดชอบการปรับปรุงเส้นทางเปลี่ยนผู้ใช้ฟรีเป็นผู้ใช้แบบเสียเงิน
  • ปัญหาแรกที่พบ
    • การติดตามประเภทคำแนะนำที่ผู้ใช้ได้รับและความถี่ที่เห็น paywall ยังไม่เพียงพอ
    • จำเป็นต้อง สร้างระบบเก็บข้อมูล (Instrumentation) ก่อน

• อินไซต์สำคัญ

  • มีเพียง ส่วนน้อยมาก ของผู้ใช้ฟรีที่ยอมรับคำแนะนำทั้งหมด
    • คนส่วนใหญ่จะเลือกยอมรับเป็นบางอย่าง
  • ประสบการณ์จริงของผู้ใช้ฟรีคือ Grammarly เป็น เครื่องมือแก้สะกดและไวยากรณ์เท่านั้น
    • เพราะคำแนะนำฟรีเน้นเรื่องความถูกต้อง (Correctness) เป็นหลัก
  • ฟีเจอร์แบบเสียเงิน ได้แก่ การปรับโทนให้เห็นอกเห็นใจมากขึ้น เพิ่มความชัดเจน และ เขียนทั้งประโยคใหม่ เป็นต้น

• โซลูชัน: การสุ่มตัวอย่างคำแนะนำแบบเสียเงิน

  • สุ่มแสดงคำแนะนำแบบเสียเงินที่หลากหลายและวางไว้ทั่วงานเขียนของผู้ใช้ฟรี
  • เปิดให้ลองชิมลางฟีเจอร์เสียเงินในวงจำกัด
  • ความกังวล: หากให้มากเกินไป อาจทำให้ความตั้งใจสมัครสมาชิกลดลง
  • ผลลัพธ์: ตรงกันข้ามอย่างสิ้นเชิง
    • ผู้ใช้มองว่า Grammarly เป็น เครื่องมือที่ทรงพลังยิ่งกว่ามาก
    • อัตราการอัปเกรดเพิ่มขึ้นเกือบ 2 เท่า

• บทเรียนด้านการสร้างรายได้

  • สำหรับผลิตภัณฑ์แบบฟรีเมียม ต้องทำให้ ผลิตภัณฑ์ฟรีสะท้อนความสามารถโดยรวมของผลิตภัณฑ์ทั้งหมด
  • แม้ฟีเจอร์เสียเงินบางอย่างจะมีต้นทุน แต่ หากพยายามแสดงให้ผู้ใช้เห็นอย่างเต็มที่ มันก็คุ้มค่าด้วยตัวมันเอง
  • เป็นแนวคิดแบบ Reverse Trial มากกว่าการทดลองใช้ฟรีตามเวลา
    • ให้ข้อเสนอการปรับปรุงงานเขียนแบบเรียลไทม์ระหว่างที่ผู้ใช้กำลังเขียน
    • ให้ได้จำนวนหนึ่งต่อวันแล้วรีเฟรชใหม่
  • ปรับแพตเทิร์นอุตสาหกรรมให้เหมาะกับกรณีใช้งานเฉพาะของ Grammarly

โมเดลฟรีเมียม vs. โมเดลทดลองใช้งาน

• เหตุผลที่เลือกโมเดลสมัครสมาชิกแบบฟรีเมียม

  • มุ่งขับเคลื่อนด้วยพันธกิจ: เป้าหมายของผู้ก่อตั้งที่ต้องการทำให้ผลิตภัณฑ์ถูกใช้อย่างแพร่หลายที่สุดเท่าที่เป็นไปได้
    • Duolingo (การศึกษา), Grammarly (การเขียน), Chess.com (หมากรุก) ล้วนมีคุณค่าที่นำเสนอในวงกว้างในระดับโลก
    • อุปสรรคในการเริ่มต้นที่ต่ำที่สุดคือ ผลิตภัณฑ์ฟรี
  • การเติบโตจากการบอกต่อ: ผลิตภัณฑ์เติบโตหลักๆ จากการบอกต่อ
    • สามารถสร้าง network effect ได้: ฟีเจอร์โซเชียลของ Duolingo
    • B2C2B play ของ Grammarly: ผู้ใช้ฟรีกระตุ้นให้ทีมหรือเพื่อนร่วมงานซื้อ
  • ให้ คุณค่าหลักฟรี อย่างถาวร และเปิดให้ลองใช้ฟีเจอร์พรีเมียม

• ทดลองใช้ (Trial) vs. ทดลองใช้แบบย้อนกลับ (Reverse Trial)

  • Reverse Trial: ทรงพลังในฟีเจอร์ B2B โดยเฉพาะเมื่อมี lock-in
    • เริ่มต้นได้โดยไม่ต้องกรอกข้อมูลบัตรเครดิต
    • ลงเวลาไปมากกับการใช้งาน CRM หรือการสร้างคอนเทนต์
    • เมื่อช่วงทดลองสิ้นสุดลง มีโอกาสสูงที่จะคงไว้และจ่ายเงิน
  • ทดลองใช้ฟรีทั่วไป: พบได้บ่อยกว่าในผลิตภัณฑ์สำหรับผู้บริโภค
    • ผลิตภัณฑ์สำหรับผู้บริโภคทำให้ Reverse Trial ใช้ได้ยาก

หัวใจสำคัญของความสำเร็จในผลิตภัณฑ์สมัครสมาชิกสำหรับผู้บริโภค

• ความสำคัญของอัตราการรักษาผู้ใช้

  • อัตราการรักษาผู้ใช้คือทองคำของบริษัท subscription สำหรับผู้บริโภค
  • ถ้าอัตราการรักษาต่ำ ภาระทั้งหมดจะไปตกที่ การชำระเงินในวันแรก
    • ต้องจ่ายต้นทุนการได้มาซึ่งผู้ใช้
    • ต้องเร่ง upsell อย่างหนักก่อนที่รูปแบบการใช้งานแบบเป็นนิสัยจะก่อตัว
  • มีหลายแอปใช้วิธีนี้ แต่ยากที่จะผ่านพ้นระยะเริ่มต้นไปได้

• ความแตกต่างของเส้นทางการเติบโต

  • Duolingo และ Chess.com: ธุรกิจที่ขับเคลื่อนด้วย การบอกต่อแบบ organic
    • เติบโตด้วยการขยายตลาด
    • ตรงกันข้ามกับการแย่งส่วนแบ่งตลาดในพื้นที่ที่การแข่งขันรุนแรง
  • ในตลาดแข่งขันสูง ต้องแข่งกันหาผู้ใช้ด้วยการประมูลราคาแพง

• เป้าหมายด้านการรักษาผู้ใช้

  • อัตราการรักษาผู้ใช้ใหม่ (D1, D7 เป็นต้น)
    • D1 retention 30~40%: ถือว่าแข็งแกร่งพอสมควรสำหรับแอปผู้บริโภค
    • หากต่ำกว่านั้นมาก ต้องตั้งคำถามทั้งเรื่องเจตนาของผู้ใช้หรือความสามารถในการได้มาซึ่งผู้ใช้ที่อิงกับ DAU
  • ทำได้ยากเพราะในตลาดมีตัวเลือกมากและมีอาการล้าจากการใช้แอป
  • การรักษาผู้ใช้ปัจจุบัน (CURR): สำคัญกว่ามาก
    • สำหรับผลิตภัณฑ์ที่มีความถี่การใช้งานรายวัน นี่คือตัวชี้วัดที่สำคัญที่สุด
    • คือความเหนียวแน่นของฐานผู้ใช้เดิมที่พัฒนารูปแบบการใช้งานแบบเป็นนิสัยแล้ว
    • เมื่อเวลาผ่านไปจะ สร้างนิสัยรายวันด้วยผลทบต้น
    • เมื่อบริษัทเติบโตเต็มที่ พลังงานส่วนใหญ่จะถูกทุ่มไปที่กลไกการรักษาผู้ใช้เดิม

• ข้อยกเว้นของ Grammarly

  • หลังติดตั้งแล้ว Grammarly ไม่ได้ถูกเปิดใช้งานแบบแอ็กทีฟทุกวัน
  • การ activate, การติดตั้ง, และ aha moment สำคัญมาก
    • การติดตั้งเพียงครั้งเดียวทำให้รักษาผู้ใช้ไว้ได้นานมาก
  • เพราะมันทำงานอัตโนมัติขณะพิมพ์ จึงทำให้สถิติ DAU ไม่แม่นยำ

ความสำคัญของผู้ใช้ที่กลับมาใช้งานอีกครั้ง (Resurrected)

• องค์ประกอบของ DAU/WAU

  • สำหรับบริษัทที่เติบโตเต็มที่แล้ว (Chess.com) ผู้ใช้งานรายวัน/รายสัปดาห์ ประมาณ 80% เป็นผู้ใช้ปัจจุบันหรือผู้ใช้เดิม
  • ที่เหลือคือ ผู้ใช้ใหม่และผู้ใช้ที่ถูกกระตุ้นกลับมาใช้งานอีกครั้ง (resurrected) ในสัดส่วนใกล้เคียงกัน
  • หลังบริษัทเติบโตเต็มที่ มักให้ความสนใจกับผู้ใช้ใหม่มาก แต่ ในความเป็นจริงสัดส่วนผู้ใช้ใหม่ไม่ได้มากนัก

• การสะสมของผู้ใช้ไม่เคลื่อนไหวและผู้ใช้เป็นครั้งคราว

  • เมื่อเวลาผ่านไปจะสะสม ผู้ใช้ไม่เคลื่อนไหวจำนวนมหาศาล
  • ผู้ใช้เป็นครั้งคราว: ไม่ได้ใช้ทุกวัน แต่ใช้อาทิตย์ละ 1~2 ครั้ง หรือเดือนละ 1~2 ครั้ง
  • สุดท้ายจะสะสมเป็น ผู้ใช้ที่หลับไหลอยู่หลายร้อยล้านคน
  • คุ้มค่าที่จะลงทุนกับ ประสบการณ์การปลุกกลับมาใช้งาน
    • หาวิธีใหม่ๆ เพื่อนำพวกเขากลับมา

• กลยุทธ์ปลุกผู้ใช้กลับมาของ Duolingo

  • ใช้ การแจ้งเตือนทางโซเชียล
    • หากเปิดใช้การซิงก์รายชื่อติดต่อ จะมี push notification ว่าเพื่อนสนิทเริ่มใช้ Duolingo แล้ว
    • ช่วยดึงให้กลับเข้าไปในผลิตภัณฑ์
  • กลไกการจัดวางใหม่ (Replacement)
    • เคยเรียนภาษาฝรั่งเศสเมื่อ 3 ปีก่อน แต่ลืมไปเกือบหมดแล้ว
    • เมื่อเปิดแอปอีกครั้ง จะมีการ แนะนำแบบทดสอบจัดระดับใหม่ เพื่อวางไว้ในระดับที่เหมาะสม
  • สำหรับบริษัทที่เติบโตเต็มที่ กลไกเหล่านี้ให้ ROI สูงมากพอสมควร

ความแตกต่างระหว่าง Duolingo, Grammarly และ Chess.com

• Duolingo: เครื่องจักรทดลองอย่างเป็นระบบ

  • มี แนวทางการพัฒนาผลิตภัณฑ์ที่เฉพาะเจาะจงและสม่ำเสมอ มาก
  • เขียนและเผยแพร่ Green Machine playbook
  • จิตวิญญาณแบบผู้ประกอบการ
    • จ้าง คนเก่ง ฉลาด และมีพลังงานสูง จำนวนมากทันทีหลังเรียนจบมหาวิทยาลัย
    • มอบเครื่องมือทดลองที่น่าทึ่งให้
    • ให้ความสำคัญกับ clock speed ของบริษัท
    • มีความคิดสร้างสรรค์และการระดมไอเดียมากมาย
  • ประสบการณ์การใช้ผลิตภัณฑ์ถูก เปลี่ยนหลายครั้งต่อวัน สำหรับผู้ใช้แต่ละคน
    • อยู่ในระดับที่น่าตกใจมาก
  • ในแต่ละขั้นของวงจรการพัฒนาผลิตภัณฑ์มี สเปกและกระบวนการ รองรับ
    • ดำเนินงานอย่างเข้มงวดและสม่ำเสมอมาก
    • การรีวิวผลิตภัณฑ์รวดเร็วในระดับ 10~15 นาที

• Grammarly: วิวัฒนาการจาก B2C ไปสู่ B2B

  • ตอนแรกเริ่มจาก ผลิตภัณฑ์แบบเสียเงินสำหรับนักเรียน
  • ค่อยๆ ขยายเป็นโมเดลพรีเมียมสำหรับทุกคน และเปลี่ยนไปเน้นกลุ่มมืออาชีพ
  • ฟังก์ชันเฉพาะบางอย่างของบางบริษัท (ทีมการตลาด ฝ่ายขาย ทีมสนับสนุนลูกค้า) เริ่มนำ Grammarly ไปใช้ในวงกว้าง
  • เพิ่ม managed enterprise motion
  • บทบาทของ Albert: โฟกัสที่ consumer self-serve motion แต่ยังเชื่อมโยงกัน ไม่ได้แยกขาด
    • เพิ่มรายได้จาก self-serve และเพิ่มจำนวนผู้ใช้แอ็กทีฟ
    • Product-Led Sales: ค้นหาทีม/ฟังก์ชัน/บริษัทที่เหมาะสม เพื่อสร้างดีมานด์และส่งต่อให้ฝ่ายขาย
  • พัฒนาอย่างรวดเร็วพร้อมกับการเปลี่ยนผ่านสู่ generative AI
    • ล่าสุดเปลี่ยนโฉมเป็น productivity suite ผ่านการเข้าซื้อ Coda และ Superhuman
  • ต่างจาก Duolingo ตรงที่ต้องการ การตัดสินใจเชิงกลยุทธ์มากกว่า
  • ทีมผลิตภัณฑ์หลักเป็นผู้ขับเคลื่อน กิจกรรมแบบวนซ้ำ มากที่สุด
    • ความถี่และคุณภาพของข้อเสนอส่งผลต่อการรักษาผู้ใช้ปัจจุบันมากที่สุด
    • Albert สร้างทีม growth ขึ้นมา แต่ สุดท้ายพบว่าในความเป็นจริงทีมผลิตภัณฑ์หลักต้องเป็นผู้นำ
    • หลังพูดคุยกับผู้นำผลิตภัณฑ์หลัก ก็มีการโอนความรับผิดชอบ

• Chess.com: ความหลงใหลในหมากรุกอย่างถึงแก่น

  • พนักงาน หลงใหลในหมากรุกอย่างมาก
  • จ้างงานแบบรีโมตจากทั่วโลก และรับเฉพาะคนที่รักหมากรุกเท่านั้น
  • เล่นหมากรุกและดูสตรีมกันทั้งวัน
  • Slack เคลื่อนไหวอย่างคึกคักตลอดเวลาด้วยตาหมากและเกมต่างๆ
  • ในกรณีของ Duolingo
    • แม้จะเป็นผลิตภัณฑ์เรียนภาษา แต่จิตวิญญาณดั้งเดิมคือ แรงจูงใจ
    • สิ่งที่ยากที่สุดคือ การสร้างนิสัย
    • การเรียนภาษาเป็นเพียงวิธีการแรก ส่วน แรงจูงใจและนิสัยคือพลังพิเศษ
  • ในกรณีของ Grammarly
    • เป็นที่รู้จักจากการแก้การสะกดและไวยากรณ์ แต่ความโดดเด่นที่แท้จริงคือ การผสานรวมเข้ากับแอปพลิเคชันจำนวนมาก
    • ตอนนี้เป็น AI superhighway ที่ทำได้มากกว่าการเขียนให้ถูกไวยากรณ์
  • Chess.com คือเรื่องของ หมากรุก 100%
    • มันซึมลึกอยู่ในวัฒนธรรม และผู้คนก็เต็มไปด้วยแพสชัน
    • ทำ dogfooding กับผลิตภัณฑ์อยู่เสมอ
    • ใช้งานผลิตภัณฑ์ตลอดเวลาและเสนอไอเดียด้วยพลังงานอันน่าทึ่ง

วิธีที่ AI กำลังเปลี่ยน Chess.com

• ความสัมพันธ์อันยาวนานระหว่างหมากรุกกับ AI

  • หมากรุกกับ AI พันเกี่ยวกันมาเกือบหนึ่งศตวรรษ
  • ผู้บุกเบิกคอมพิวเตอร์ยุคแรกเลือกหมากรุกเป็นแบบทดสอบปัญญาของเครื่องจักร
  • Deep Blue ของ IBM ในปี 1997 เอาชนะแชมป์โลก Garry Kasparov
    • เป็นช่วงเวลาแห่งแรงกระแทกและการตั้งคำถามว่า AI จะมาแทนมนุษย์หรือไม่
    • แม้จะเป็นเรื่องเมื่อ 30 ปีก่อน แต่ทุกอย่างยังคงอยู่ และจำนวนผู้เล่นหมากรุกก็สูงที่สุดเป็นประวัติการณ์

• ความสามารถของเอนจินหมากรุกในปัจจุบัน

  • เอนจินอย่าง Stockfish เหนือกว่าซูเปอร์แกรนด์มาสเตอร์ที่เก่งที่สุดในโลกอย่างชัดเจน
  • การเปรียบเทียบด้วยระบบเรตติ้ง ELO
    • ผู้เล่นหมากรุกทั่วไป: 1,000~1,500
    • แกรนด์มาสเตอร์ระดับสูงสุด (Magnus Carlsen): ประมาณ 2,800
    • Stockfish และเอนจินลักษณะเดียวกัน: ประมาณ 3,600
  • เอนจินหมากรุกสามารถแข่งขันกับผู้เล่นระดับท็อปได้ แม้เล่นโดยไม่มีหมากหลักบางตัว (เช่น เรือ)
  • ด้วยพลังการประมวลผลที่คำนวณได้ หลายสิบล้านครั้งต่อวินาที มนุษย์จึงไม่อาจแข่งขันได้
  • การดูเอนจินหมากรุกเล่นเปิดมุมมองสู่ ความสร้างสรรค์ใหม่ กลยุทธ์ ไลน์การเล่น และการชื่นชมเกมในแบบใหม่

• แนวทางการใช้ AI ของ Chess.com

  • นำเทคโนโลยีนี้ไปให้ผู้ใช้ทุกคน รวมถึง คนที่เพิ่งขยับหมากเป็นครั้งแรก
  • ผลิตภัณฑ์รีวิวเกม: รันเอนจินหมากรุกเบื้องหลังเพื่อสร้างการประเมินสำหรับทุกตาเดิน
  • นำเสนอให้ผู้ใช้ในรูปแบบที่แปลและเข้าถึงได้ง่าย
    • ใช้ภาษาของผู้ใช้เอง
    • มีให้ในรูปแบบเสียงด้วย
  • ใช้ LLM ในส่วนที่ถ่ายทอดบุคลิกและน้ำเสียงไปยังผู้ใช้
  • หลักการสำคัญ: ให้ลูกค้ามาก่อน
    • ไม่ใช้ LLM เพียงเพราะเป็นกระแส
    • เลือกใช้เทคโนโลยีที่เหมาะกับฟีเจอร์ที่เหมาะ เพื่อส่งมอบคุณค่าให้ผู้ใช้
    • ไม่ปล่อยให้กระแสโฆษณาเกินจริงชี้นำ

• ความสามารถของ LLM ในการเล่นหมากรุก

  • น่าแปลกที่ ตัว LLM เองเล่นหมากรุกได้แย่มาก
  • เกิดอาการหลอน (hallucination) จับแพตเทิร์นการเดินได้ดี แต่ วิเคราะห์หมากรุกเชิงลึกมาก ๆ ไม่ได้
  • หากใช้ ChatGPT สร้างภาพกระดานหมากรุก ก็อาจ ใส่จำนวนช่องผิดหรือจัดวางไม่เหมาะสม
  • คาดว่าความสามารถด้านการให้เหตุผลจะดีขึ้น
  • ไม่นานมานี้ Google สนับสนุนทัวร์นาเมนต์ที่ให้ LLM ชั้นนำทั้งหมดมาแข่งกันเอง
    • แม้กำลังพัฒนาอยู่ แต่สำหรับหมากรุก เอนจินคอมพิวต์เชิงลึกที่ฝึกมาเฉพาะทาง ยังทรงพลังกว่า LLM มาก

• AlphaZero และ AlphaGo

  • สารคดี AlphaGo ถ่ายทอดเนื้อหาที่ลึกทางเทคนิคออกมาในแบบที่ สะเทือนอารมณ์และเป็นมนุษย์มาก
  • วิธีฝึกของ AlphaZero: เล่นเกมกับตัวเองจำนวนมหาศาล
    • ฉลาดขึ้นทุกครั้งผ่านโครงข่ายประสาทเทียม
    • เมื่อทำซ้ำหลายพันล้านถึงหลายล้านล้านครั้ง ก็เชี่ยวชาญอย่างมาก

วิธีที่ AI กำลังเปลี่ยนบทบาทด้านการเติบโต

• ความหมายของ Growth

  • บทบาทของ Growth คือ เชื่อมผู้ใช้เข้ากับคุณค่าของผลิตภัณฑ์
  • จัดทีมตามองค์ประกอบต่าง ๆ โดยพิจารณาจากเส้นทางการใช้งานของผู้ใช้
    • แต่ละทีมมีเป้าหมายตัวชี้วัดเฉพาะและมีโรดแมปของตนเอง
    • ลงมือทำเทียบกับเป้าหมายนั้น
  • AI สามารถ เร่งความเร็ว บางส่วนของวงจรการทดลองได้

• การใช้ AI ใน Product Discovery

  • ผลิตภัณฑ์แกนหลักต้องใช้กรอบเวลาที่ยาวกว่าและการวิจัยผู้ใช้/ตลาดที่ละเอียดรอบคอบ
  • ฝั่ง Growth รันการทดลองจำนวนมาก และผลลัพธ์ของแต่ละการทดลองก็กลายเป็นอินพุตของไอเดียถัดไป
  • วิธีเดิม: เขียนเอกสารวิเคราะห์ด้วยมือ
    • อ่านและดึงอินไซต์ออกมา
    • แปลไอเดียไปเป็นสเปกอื่น ๆ
  • การใช้ AI
    • ใช้เครื่องมืออย่าง ChatGPT เพื่อ สรุปการวิเคราะห์ของคนอื่น
    • ให้คำแนะนำเกี่ยวกับไอเดียที่ควรลอง
    • วงจรการคิดไอเดียและทำวิจัย เร็วขึ้นมาก
  • การทำต้นแบบก็ สั้นลงอย่างมาก
    • ยังไม่ถึงขั้นที่ PM จะ deploy โค้ดขึ้น production ได้เองโดยตรง
    • แต่ช่วย ลดเวลาที่ใช้คิดไอเดียแบบกล้าหาญได้อย่างมาก

• ผลกระทบต่อการสำรวจและการใช้ประโยชน์

  • ในอดีต: การสำรวจ (Explore) ทำได้ยากกว่า
  • ปัจจุบัน: การสำรวจง่ายขึ้นมาก
    • มองเห็นภาพแนวคิดกว้าง ๆ ได้
    • เมื่อมองเห็นภาพแล้วก็เอามาคุยกันรอบทีมและกดเล่นดูได้
    • สร้างความแตกต่างแบบ เปลี่ยนโลกได้จริง

เคล็ดลับในการขยายขนาดการทดลอง

• เคล็ดลับข้อแรก: เริ่มลงมือก่อน

  • รายงานสถานะผลิตภัณฑ์ของ Atlassian ระบุว่า 40% ของทีมผลิตภัณฑ์ไม่ได้ทำการทดลองเลย
  • อาจเข้าใจได้ว่าเป็นเพราะเหตุผลเชิงปรัชญาหรือเพราะเน้น B2B
  • แต่ถ้าเป็นผลิตภัณฑ์ฝั่งผู้บริโภคที่มีขนาดและความถี่ในระดับหนึ่ง
    • ก็สามารถเก็บข้อมูลได้เพียงพอ
    • ต่อให้มีประสบการณ์มากก็ยัง พลาดบ่อย
    • พฤติกรรมผู้บริโภคเปลี่ยนไปมาได้มาก
    • เมื่อทำงานอยู่ในบริษัท เรามักกลายเป็น power user โดยธรรมชาติ และลืมประสบการณ์ของผู้ใช้ใหม่
  • จึง แนะนำให้ก้าวออกสเต็ปแรก
    • รันการทดสอบ AB
    • หาเครื่องมือจากภายนอกมาเชื่อมต่ออย่างรวดเร็ว
    • ร่วมมือกับวิศวกรเพื่อสร้างอะไรบางอย่าง
    • ฝึกแบบ crawl-walk-run

• เครื่องมือที่ชอบ

  • ที่ Grammarly ใช้ StatSig (เพิ่งถูกซื้อกิจการไปไม่นาน)
  • Duolingo และ Chess.com มี เครื่องมือทดลองแบบ in-house
  • มีทั้งข้อดีและข้อเสีย
    • Duolingo เป็นเครื่องจักรแห่งการทดลอง ดังนั้นเครื่องมือที่ทำมาเฉพาะจึงเป็นตัวเร่งสำคัญ
  • โดยทั่วไป ไม่แนะนำให้สร้างระบบ in-house ตั้งแต่ต้น
    • ในบางระดับของสเกล มันอาจคุ้มค่า
    • บริษัทเหล่านี้ก่อตั้งมาเมื่อ 15 ปีก่อน ซึ่งตอนนั้นยังไม่มีเครื่องมือแบบนี้

• เคล็ดลับข้อสอง: ระบบสำคัญพอ ๆ กับการทดลองรายตัว

  • ระบบสำคัญพอ ๆ กับการทดลองรายตัว หรืออาจสำคัญกว่า
  • เริ่มจากโมเดลการเติบโต
    • ทำความเข้าใจว่าบริษัทเติบโตได้อย่างไร
    • ดูว่าจะใช้ช่องทางใดบ้าง
  • การวางระบบเก็บข้อมูลผลิตภัณฑ์ (Instrumentation) เป็นสิ่งจำเป็น
    • ไม่เช่นนั้นผลการทดลองจะออกมาเพี้ยน
  • ตัวอย่างจริง: บริษัทหนึ่งใช้เครื่องมือทดลองแบบ in-house
    • หลังจาก 3 เดือนพบว่า การคำนวณ retention ของผู้ใช้ถูกตั้งกลับด้าน
    • ผลลัพธ์เชิงบวกทั้งหมดกลายเป็นผลลัพธ์เชิงลบ
    • เป็นเรื่องน่าตกใจมาก และจะไม่ให้เกิดขึ้นอีก

• เคล็ดลับข้อสาม: แชร์และกระจายอินไซต์

  • เมื่อเจอการทดลองที่สำเร็จมากหรือพังมาก
    • ให้ สื่อสารกับทั้งบริษัทอย่างชัดเจน
    • อธิบายสมมติฐานและสิ่งที่ค้นพบให้ชัด
    • PM ต้นเรื่องไม่จำเป็นต้องหาวิธีนำไปใช้ทั้งหมดด้วยตัวเอง
  • ในฐานะผู้นำด้าน Growth ควรสนับสนุนให้คนอื่น ๆ ช่วยกันรุมคิดต่อ (Swarm)
    • เพิ่มอัตราความสำเร็จ
    • ขยายผลกระทบได้มากขึ้น

เป้าหมายการทดลอง 1,000 ครั้งต่อปี

• เส้นทางการทดลองของ Chess.com

  • ก่อนปี 2023: แทบไม่ได้ทำการทดลองเลย
  • ปีที่แล้ว: ประมาณ 50 ครั้ง
  • ปีนี้: กำลังทำอยู่ประมาณ 250 ครั้ง
  • เป้าหมายปีหน้า: 1,000 ครั้ง

• ความหมายที่แท้จริงของเป้าหมาย

  • แม้จะเป็นเป้าหมายที่ Albert ตั้งขึ้น แต่ ตัวเลขนั้นไม่ใช่จุดประสงค์ในตัวเอง
  • คุณค่าที่แท้จริงของการตั้งเป้าคือการ กระตุ้นบทสนทนาเกี่ยวกับสิ่งที่ต้องเป็นจริงจึงจะไปถึงได้
  • อินไซต์เพื่อไปให้ถึงเป้าหมาย
    • ไม่ใช่แค่ PM หรือทีมวิศวกรรมเท่านั้นที่ทำการทดลอง
    • lifecycle marketing: ทดลองเปลี่ยนข้อความใน push notification และอีเมล
    • App Store: ทดลองสกรีนช็อต คีย์เวิร์ด และอื่น ๆ
    • ทีมคอนเทนต์มาร์เก็ตติ้ง เป็นต้น
    • เปิดใช้ No-Code บนหน้าจอบางจุดได้โดยไม่ต้องพึ่งวิศวกรรม
      • มีการทดสอบที่ตั้งค่าได้มากมายบนหน้าโฮมหรือหน้าราคา
    • ติดตามความคืบหน้าและทำให้มี observability
  • สิ่งที่สำคัญจริง ๆ คือ การทำสิ่งเหล่านี้ให้เกิดขึ้น มากกว่าการไปถึง 1,000 ครั้งจริง ๆ
  • ถ้าเกือบถึงเป้าและทำสิ่งเหล่านี้ได้ครบ ก็ถือว่าอยู่ในสถานะที่ดีมาก

วิธีเปลี่ยนวัฒนธรรม

• การเปลี่ยนแปลงวัฒนธรรมครั้งใหญ่ของ Chess.com

  • จากการทดลอง 0 ครั้งเป็น 1,000 ครั้งในอีก 2 ปีต่อมา (เฉลี่ยราว 3 ครั้งต่อวัน)
  • หลายทีมทำการทดลองแบบขนานกัน

• ปัจจัยความสำเร็จของการเปลี่ยนวัฒนธรรม

  • การสนับสนุนจากผู้นำ

    • ต้องยกความดีความชอบให้ CEO และผู้ร่วมก่อตั้ง Eric กับ Danny อย่างมาก
    • การทดลองไม่ใช่วิธีคิดตามสัญชาตญาณของพวกเขา
    • แต่พวกเขาเพิ่มมันเข้ามาเป็นเครื่องมือด้วย ความยืดหยุ่นทางความคิดและการให้กำลังใจ
    • สนับสนุน การเติบโตที่ขับเคลื่อนด้วยผลิตภัณฑ์และการทดลอง จากแนวหน้า
    • สำคัญมากที่จะ ไม่ทำให้เกิดการเผชิญหน้ากับผู้ก่อตั้งและแนวทางเดิม

  • การแชร์กรณีสำเร็จจริง

    • ต้อง แสดงให้เห็นสิ่งที่ใช้ได้ผลจริง เช่น กรณีรีวิวเกมและความเป็นบวก
    • ต้องมี ชัยชนะ (Win): เพื่อให้ได้ฉลองและทำให้ผู้คนรู้สึกดีกับการเรียนรู้
    • เมื่อใช้ได้ผลในวงกว้าง ทุกคนก็จะมีพลังขึ้น
    • ตัวชี้วัดขยับ และ เรียนรู้กับปล่อยใช้งานได้เร็วขึ้น
    • แค่ตั้งเป้าจากข้างบนอย่างเดียวไม่พอ
    • ผู้คนต้อง ได้เห็นว่าสิ่งนั้นใช้ได้ผล

  • การทดลองช่วงแรก

    • ก่อนที่ Albert จะเข้าร่วม ก็มีการทดลองบางส่วนอยู่แล้ว
    • ทุกอย่างเริ่มเข้าที่แล้ว

บทเรียนการทดลองเพิ่มเติม

• กรณีความสำเร็จของ Duolingo

  • Streak และการมีส่วนร่วม

    • Jackson พูดถึงเรื่องนี้ในพอดแคสต์
    • ผลลัพธ์ด้านการเรียนรู้จาก การมีส่วนร่วมและการแสดง Streak บนปฏิทิน
    • การ เริ่มต้น สำคัญกว่าการไปถึงหมุดหมายใหญ่

  • ทีม Virality

    • Virality เป็นแนวคิดที่ คลุมเครือมาก และสร้างขึ้นในผลิตภัณฑ์ได้ยากมาก
    • Duolingo เป็นผลิตภัณฑ์ที่ถูกแชร์ค่อนข้างมาก
    • ลงทุนกับ การติดตามสกรีนช็อต
      • หา hotspot ในแอปที่ผู้ใช้ชอบแคปหน้าจอ
      • หาวิธีดูสิ่งนี้ในแอปอื่นด้วย
      • รันเพียงช่วงเวลาหนึ่งเท่านั้น
    • hotspot สำหรับการแชร์ที่ค้นพบ
      • หมุดหมายของ Streak: เป็นจุดที่ชัดเจนในการแชร์
      • ชาเลนจ์ที่สนุกมาก: อัตราการแชร์สูงมาก
      • การติด Top 3 บน leaderboard ไม่ใช่สิ่งที่คนอยากแชร์
    • จัดวางนักวาดภาพประกอบและอนิเมเตอร์ในช่วงเวลาเหล่านี้
    • สร้างประสบการณ์ที่สนุกมาก
    • ผลลัพธ์: ใช้งานได้ดีอย่างน่าทึ่ง
    • บทเรียน: อย่าฝืนให้คนแชร์สวนทางกับสัญชาตญาณมนุษย์
      • ค้นหา ช่วงเวลาที่ผู้ใช้แคปหน้าจออยู่แล้วแบบออร์แกนิก
      • ทำให้ช่วงเวลานั้นดีขึ้นอีกมาก ๆ
      • ขยายผล 5 เท่าหรือ 10 เท่า เพื่อขับเคลื่อนการเติบโตอย่างมาก

สามเสาหลักของ Gamification

• โมเดล Gamification ของ Jorge

  • แพตเทิร์นของ gamification มีอยู่โดยแก่นแท้ 3 เสาหลัก

  • 1. Core Loop

    • Duolingo: การเรียนบทเรียน
      • เรียนจบบทเรียน → ได้รับรางวัล → ต่ออายุ Streak
      • วันถัดไปมี push notification
    • สำคัญที่จะ ทำให้ Core Loop กระชับมาก
      • ต้องมีนิสัยที่ทำให้คนยึดติดอยู่ต่อ

  • 2. Metagame

    • Duolingo: Path, leaderboard, achievements
    • เป็นสิ่งที่ ควรไล่ตามในระยะยาว
    • ให้แรงจูงใจระยะยาวเพื่อ ทำกิจกรรมต่อเนื่อง

  • 3. Profile

    • สร้างโปรไฟล์ขึ้นตามกาลเวลา
    • เป็นภาพสะท้อนของ การลงทุนภายในประสบการณ์การใช้ผลิตภัณฑ์
    • ถ้าทำสามอย่างนี้ได้ครบ ก็มีโอกาสสำเร็จใน เส้นทางการเรียนรู้ระยะยาว

• ความท้าทายของผู้ใช้ใหม่บน Chess.com

  • ผู้ใช้ใหม่ มากกว่า 75% ถูกจัดว่าเป็นมือใหม่มากหรือระดับเริ่มต้น
  • มือใหม่จะ ไม่สนุก กับการเล่นเกมสด
    • ข้อมูล: อัตราชนะเกมแรก ต่ำกว่า 1/3
    • ถ้าแพ้เกม อัตราการรักษาผู้ใช้จะแย่ลง 10%
    • ในระดับสเกลถือว่าไม่ดี
  • เกมมือถือทั่วไป: สร้างเวอร์ชันที่ง่ายลงมาก
    • แต่ในหมากรุกทำได้ยากกว่า (เปลี่ยนกติกาไม่ได้)

• ความสำคัญของช่วงเริ่มต้นในการเรียนรู้

  • ไม่ว่าจะเรียนภาษาหรือเล่นหมากรุก ช่วงแรกเต็มไปด้วยความไม่มั่นใจในตัวเอง
  • เป็นประสบการณ์ที่ตอกย้ำว่าตัวเองทำสิ่งนั้นไม่ได้
  • จึงคุ้มค่าที่จะออกแบบประสบการณ์เพื่อ พาผู้ใช้ผ่านช่วงนั้นไปอย่างตั้งใจ

• โซลูชันของ Chess.com

  • ถ้าบอกว่าเป็นมือใหม่มาก ก็จะให้ ประสบการณ์เรียนรู้การเล่นที่สนุกกว่า
    • ไม่โยนเข้าเกมสดทันที
  • ซ่อนเรตติ้งใน 5 เกมแรก
    • เพื่อไม่ให้เห็นว่าเรตติ้งร่วงลงอย่างรวดเร็ว
  • มีหลายเส้นทาง เช่น เล่นกับโค้ช เล่นกับเพื่อน เล่นกับบอท
  • คำแนะนำแบบเรียลไทม์: ขณะเล่นกับคนจริงก็มี ไกด์ว่าควรเดินไปทางไหน
    • ช่วยให้ชนะได้

บทเรียนสวนทางสัญชาตญาณเกี่ยวกับการสร้างทีม

• วิธีการจ้างงานแบบดั้งเดิม

  • เขียน JD (คำบรรยายลักษณะงาน)
    • ระบุคุณลักษณะต่าง ๆ ที่กำลังมองหา
  • ทำรายชื่อบริษัท ที่คล้ายกับบริษัทตัวเอง
  • แล้วพยายามจ้างคนจากที่นั่น
  • เป็นเส้นทางพื้นฐานแบบมาตรฐานของอุตสาหกรรม

• สิ่งที่ Albert ค้นพบ: High Agency

  • เป็นสิ่งที่ตระหนักได้จากประสบการณ์ในสตาร์ทอัพขนาดเล็กหลายแห่งและที่ Duolingo
  • ลักษณะของผู้ที่ทำผลงานได้ดีที่สุด
    • มี High Agency สูงมาก
    • มี Clock Speed: คิดและลงมือทำได้เร็ว
    • มี พลังงาน
    • สนใจในภารกิจ แต่ ไม่จำเป็นต้องมีประสบการณ์เชิงลึกเสมอไป
  • บางครั้งประสบการณ์อาจกลายเป็น ไม้ค้ำ (Crutch)
    • โดยเฉพาะในโลกที่ฐานกำลังเปลี่ยนเร็วด้วย AI
    • นิสัยที่เคยเรียนรู้มาหลายอย่างต้อง ทิ้งไปอย่างตั้งใจ
    • ต้องมี Beginner's Mind
  • มองหาคนที่ ตอบสนองและขยับตัวได้เร็ว
  • มี ความเร็วในการเรียนรู้สูง
  • บริษัทแบบนั้นจะอยู่รอดและเติบโตได้

• วิธีระบุ High Agency

  • หลายอย่าง เกิดขึ้นนอกกระบวนการสัมภาษณ์
  • สัญญาณต่าง ๆ
    • ประเภทของคำถาม: ได้ลองใช้ผลิตภัณฑ์จริงและขุดลึกลงไปหรือไม่?
    • Reference
    • การสื่อสาร เพื่อจัดการนัดสัมภาษณ์
    • พลังงาน ที่นำเข้ามาในบทสนทนา
  • จับ soft signals ได้มากมาย
  • เมื่อเวลาผ่านไปก็เริ่มมองเห็นแพตเทิร์นเหล่านี้
  • เมื่อก่อนอ่านแค่คำถามกับ rubric และไม่ค่อยสนใจอย่างอื่น
  • ตอนนี้พิจารณาสิ่งเหล่านี้อย่างสมดุลมากขึ้น
  • มีองค์ประกอบของ vibes อยู่
  • สนับสนุนแนวทางสัมภาษณ์แบบ work trial
    • แทนการสัมภาษณ์แบบพูดคุย ก็ มาทำงานร่วมกันจริงราวหนึ่งสัปดาห์

การเลือกขนาดบริษัท

• Goldilocks Zone ของ Albert

  • มีประสบการณ์ตั้งแต่ Google (บริษัทใหญ่) ไปจนถึงสตาร์ทอัพขนาดเล็กมาก
  • ค้นพบบริษัทที่เหมาะกับตัวเอง: ขนาดกลาง

• ลักษณะของแต่ละขนาด

  • บริษัทใหญ่ (Google)

    • ต้องรับมือกับ ขนาดที่มหาศาล
    • ได้ เรียนรู้แนวปฏิบัติที่ดี มากมายจากเพื่อนร่วมงาน
    • มีเครื่องมือและฟีเจอร์ทุกอย่างที่ต้องการ
    • แต่ก็มักจะ เคลื่อนไหวช้า
    • ยากที่จะ deploy และเปิดตัวสิ่งต่าง ๆ
    • สุดท้ายแล้วก็ทำให้แทบเป็นบ้าเล็กน้อย

  • สตาร์ทอัพขนาดเล็กมาก

    • เคลื่อนไหวเร็วมาก
    • แต่ผมหงอกทั้งหมดของ Albert เกิดขึ้นจากที่นี่
    • ไม่มีใครรู้จักบริษัท
      • ต้อง จ้างคนทีละคน
      • ต้อง หาผู้ใช้ทีละคน
    • แม้จะเรียนรู้เร็วและปล่อยของได้มาก
    • แต่ถ้าจะสร้าง ผลกระทบใหญ่ต่อโลก อาจหนักมาก
    • บางแห่งก็ hyper-scale และประสบความสำเร็จ
    • แต่ Albert ลองเส้นทางนี้อยู่พักหนึ่งแล้วพบว่าไม่เหมาะกับตัวเอง

  • ขนาดกลาง (500~1,000 คน)

    • สามารถสร้าง ผลงานที่มีสเกล ได้ ขณะเดียวกันก็
    • ลงมือทำได้ในจังหวะรายวันและรายสัปดาห์
    • มองเห็นความพยายามของทั้งบริษัทได้ ขณะเดียวกันก็
    • ลงลึกในรายละเอียดได้
      • อ่านผลการทดลอง
      • ดูพิกเซล
      • ทำงานร่วมกับทีมเฉพาะทาง
    • บริษัทอายุ 10~20 ปี
      • มีความทนทาน และในอุดมคติคือมีกำไร
      • มีทีมผู้นำที่ดี
      • ยังมีอีกหลายมิติให้ค้นหา
      • อยู่ใน จุดเปลี่ยนสำคัญ
      • ไม่หยุดนิ่งและมีความเคลื่อนไหว

• ช่วงที่เหมาะที่สุดสำหรับแต่ละคน

  • ทุกคนมี ช่วงของบริษัทที่ตัวเองเปล่งประกายที่สุด
  • เส้นทางของ Albert คือบริษัทเทคใหญ่ → สตาร์ทอัพขนาดเล็กมาก → บริษัทขนาดกลาง
  • ตรงกลางคือ Goldilocks Zone ของเขา

มุมแห่งความล้มเหลว: กรณีของ Chariot

• พื้นหลัง

  • บริการรถรับส่งสำหรับการเดินทางไปทำงาน ใน San Francisco
    • รถรับส่ง 15 ที่นั่ง
    • วิ่งจากหลายย่านไปยังตัวเมืองซานฟรานซิสโก
  • อยู่กึ่งกลางระหว่างระบบรถบัสสาธารณะกับ Uber/Lyft
  • Albert ทำงานเป็นหัวหน้าฝ่ายผลิตภัณฑ์
  • บริการหลักเป็นที่รักมากในหมู่ผู้ใช้
    • เชื่อถือได้ รวดเร็ว และราคาถูกพอสมควร

• ความพยายามที่ล้มเหลว: Chariot Directly

  • ไอเดีย: ปรับปรุงการใช้งานด้วย เส้นทางแบบไดนามิก
    • ทำให้ล้ำขึ้น คล้าย Uber/Lyft
  • คนขับขับตามเส้นทางคงที่ แต่
    • ถ้ามีเวลาว่าง ก็สามารถออกนอกเส้นทางเพื่อไปรับที่บ้านได้
  • ลองทำแล้ว แต่ สุดท้ายก็ใช้ไม่ได้ผล

• บทเรียนที่ได้

  • 1. โซลูชันออกตามหาปัญหา

    • ไล่ตามความคิดแบบ "ถ้าทำแบบนี้น่าจะดีไหม"
    • ไม่ใช่ "นี่คือผู้ใช้ของเรา และนี่คือปัญหาที่เราแก้"
    • ไม่ใช่ "นี่คือเหตุผลที่มันจะทำให้พวกเขาดีใจ"
    • อย่าเริ่มจาก โซลูชันที่ไม่ได้ตั้งต้นจากปัญหา

  • 2. คำนึงถึงตลาดสองฝั่ง (Marketplace)

    • มี ผู้ใช้ปลายทางมากกว่าหนึ่งกลุ่ม
    • โฟกัสที่แอปของผู้โดยสารมากเกินไป
    • ไม่ได้ตระหนักว่าคนขับแบกรับภาระของประสบการณ์ไว้มาก
    • ทีมปฏิบัติการก็เช่นกัน
    • ถ้าคนขับสับสนหรือไม่พอใจ
      • ประสบการณ์ของผลิตภัณฑ์โดยรวมอาจ ยากลำบากขึ้น

  • 3. ความเสี่ยงของ PR ก่อนการยืนยัน

    • ทำ PR จำนวนมาก ก่อนเปิดตัวบริการจนเกิดกระแสปากต่อปาก
    • PR มีเวลาและสถานที่ที่เหมาะสมของมัน
    • แต่การทำก่อนจะ ยืนยันได้ว่าลูกค้าต้องการจริง นั้นเสี่ยงมาก
    • หลังเปิดตัวจึงเกิด ต้นทุนจม (Sunk Cost) จำนวนมาก
      • ต้องเดินหน้าต่อให้สุด
      • อยากเห็นมันประสบความสำเร็จ

• การทบทวนย้อนหลัง

  • แม้จะเป็นเรื่องเมื่อ 10 ปีก่อน แต่ยังจำได้ชัดเจน
  • ใช้เวลาที่ดีในบริษัทนั้น
  • มี บทเรียนสำคัญมากกว่า 3 ข้อ
  • เป็นบทเรียนที่ถ่ายทอดต่อมาในการสร้างผลิตภัณฑ์อีกมากหลังจากนั้น

Lightning Round

• หนังสือแนะนำ

  • หนังสือที่กำลังอ่านตอนนี้

    • มีลูกอายุ 4 ขวบกับ 1 ขวบ จึงอ่าน หนังสือเด็ก เป็นส่วนใหญ่
    • Snuggle Puppy: มีเพลงประกอบ ทำให้ลูกสาวหัวเราะเสียงดังและรู้สึกอบอุ่นใจ

  • หนังสือแนะนำสำหรับงาน : Ogilvy on Advertising

    • แม้เป็นหนังสืออายุ 40 ปี แต่เต็มไปด้วย ตัวอย่างเชิงปฏิบัติ
    • พูดถึง copy และ creative
    • แม้จะเป็นโฆษณาแบบเก่า แต่มี แนวทางที่ขับเคลื่อนด้วยการทดลอง
    • สิ่งที่สำคัญที่สุดในท้ายที่สุดคือ กระตุ้นให้ผู้ใช้ลงมือทำ
    • เป้าหมายคือการซื้อสินค้า
    • ไม่ใช่โฆษณาฉลาด ๆ หรือ creative ที่ดูเซ็กซี่
    • จริงมากสำหรับทีมผลิตภัณฑ์และ lifecycle

  • Dark Squares

    • บันทึกความทรงจำของ Danny Wrench ผู้ร่วมก่อตั้ง Chess.com
    • มีชื่อเสียงมากในวงการหมากรุก
    • เป็นเรื่องราวของการ เติบโตในลัทธิที่กดขี่ทารุณและเป็นอัจฉริยะหมากรุก
    • เป็นเรื่องที่เหลือเชื่อ
    • ตอนนี้อ่านไปประมาณครึ่งเล่ม
    • เตือนให้เห็นว่าเราไม่รู้เลยว่า อดีตของคนที่ทำงานด้วยลึกซึ้งแค่ไหน
    • หมายถึงทั้งช่องสีเข้มบนกระดานหมากรุกและอดีตอันยากลำบาก
    • มีกำหนดออกช่วงที่พอดแคสต์ตอนนี้ปล่อย

• คติประจำชีวิต

  • คำพูดติดปากของแม่: "ไม่มีอะไรสำคัญไปกว่าชื่อเสียง"
  • การตีความอย่างมีเมตตา
    • การตัดสินใจเล็ก ๆ ที่ทำในทุกวัน
    • ปฏิบัติต่อผู้คนอย่างไร
    • แสดงตัวอย่างไร
    • มีนิสัยใจคอแบบไหน
  • สิ่งเหล่านี้ ทบต้นสะสม และเปิดประตูอย่างน่าทึ่งในรูปแบบที่น่าอัศจรรย์
  • หลายบริษัทที่เข้าร่วมมาก็มาจาก ความเชื่อมโยงแบบหลวม ๆ
  • พอดแคสต์นี้ก็เช่นกัน เห็นว่ามีคนที่เคยทำงานด้วยมาออกรายการ
  • ถ้า ทำสิ่งที่ถูกต้องและสร้างชื่อเสียงที่ดี ก็ไปได้ไกลมาก
  • อีกด้านหนึ่งคือ ชื่อเสียงนั้น เปราะบาง
    • ถ้าทำสิ่งผิด การกู้คืนจะใช้เวลานาน
  • เป็นคติชีวิตที่น่าสนใจซึ่งติดอยู่ในหัวมาตลอดชีวิต

ข้อความสำคัญ

• ข้อสังเกตสำคัญ: การซื่อสัตย์ต่อ ประสบการณ์จริง เป็นเรื่องสำคัญ
  • บทเรียนมากมายมาจากความพยายามของคนอื่น
  • ทำตัวเป็น ฟองน้ำทางความคิด
  • ลองหลายสิ่งหลายอย่าง
  • ซึมซับแล้วนำไปใช้ทันที
  • อะไรที่ใช้ไม่ได้ผลก็ ทิ้งไปและปรับตัวตามความต้องการของบริษัท

[t7vonn]

ดูคล้ายกับใครบางคนในบริษัทแชตที่เพิ่งเป็นประเด็นถกเถียงเมื่อไม่นานมานี้เลย ..