red_mad_product

Исламский банкинг как явление существует давно, но именно сейчас отрасль стоит перед вызовом создания актуальных финтех-решений. Оцифровать принципы шариата не так просто — как минимум потому, что понимание этих принципов неодинаково в мусульманском мире. Мы подготовили отчёт об исламском банкинге и пришли к выводу, что банкинг по шариату составляет до 70% от общего объёма исламских финансовых активов, а к 2026 году объём рынка достигнет $4 трлн. И речь не только про Ближний Восток и Азию, а про все страны, где есть мусульманская диаспора. Сейчас лидер по количеству islamic fintech стартапов — Индонезия. Ей в спину дышат Великобритания (главный европейский финансово-шариатский хаб) и ОАЭ. Перспективными рынками называют также Россию, Казахстан и Австралию. Это мощная зона развития для финтех-компаний. Вполне вероятно, что скоро многие крупные финансовые супераппы будут предлагать пользователям эту услугу, создавая под неё отдельный интерфейс, соответствующий всем нормам шариата (нет процентам, спекуляции, неопределённости и запрещённым видам деятельности). В карточках — основные инсайты исследования, а полная версия отчёта на английском языке доступна по ссылке.

Генеративный искусственный интеллект создан, чтобы облегчить нам жизнь, но иногда кажется, что для ИТ-специалистов он может стать концом карьеры. Мы уверены, что эта мысль хоть раз приходила в голову каждому, поэтому предлагаем обсудить, чего ждать диджиталу в эпоху GenAI. А ещё на основе статьи «Re-Imagining the Business Analyst Role» разобраться, как появление генеративного искусственного интеллекта отразится на привычном нам карьерном треке на примере роли бизнес-аналитика. Мы привыкли, что хороший бизнес-аналитик должен обладать прокаченными техническими навыками, софт скиллами и знаниями в предметной области. Но появление GenAI кардинально трансформировало роль бизнес-аналитика и дало нам преимущества. ИИ даёт возможность: ✅за секунды описывать user story и строить диаграммы, ✅с лёгкостью создавать SQL-запросы без знаний SQL, ✅ревьюить свои требования по всем критериям качества. Всё это приводит к тому, что задача бизнес-аналитика теперь — научиться максимально использовать GenAI для решения рутинных задач и освободить время для творчества. А ещё сокращение времени на проектные процессы значит сокращение затрат клиента. Кто захочет платить за лишние две недели, если аналитик в паре с генеративным ИИ может справиться с той же задачей за часы, а не дни? Сейчас роль бизнес-аналитика эволюционирует в сторону высокоуровневого анализа, решения проблем и стратегического мышления, а не только сбора требований, данных и отчётности. Чтобы оставаться актуальными и приносить ценность, нужно адаптироваться и внедрять ИИ в повседневные задачи. Поэтому без паники! Те, кто приручат ИИ, без работы не останутся. Искусственный интеллект поможет автоматизировать рутину, но области, в которых простой человеческий бизнес-аналитик всё же незаменим, остаются: ⚡️ Опыт в предметной области позволяет человеку мыслить нестандартно. ⚡️ Человеческий мозг более приспособлен к стратегическому мышлению, чем ИИ, обученный на массивах данных. ⚡️ Преимущества человека — интуиция и способность делать суждения. Это позволяет придумывать новые инновационные идеи и проявлять творческий подход. ⚡️ Человек всё ещё превосходит ИИ в софт скилах — коммуникации и сотрудничестве. Если пофантазировать, то портрет бизнес-аналитика в будущем выглядит как-то так: это человек, который обладает техническими, предметными и межличностными навыками, способен адаптироваться и внедрять в свою работу новые инструменты: GenAI, метавселенные и т. д.

Подходов к постановке целей — не перечесть. Один из них — OKR (Objectives and Key Results). Вкратце методика OKR позволяет ставить перед собой трудновыполнимые цели и максимально к ним приближаться, добиваясь измеримых результатов. По описанию похоже на KPI? Не совсем. KPI позволяет измерить показатели текущего процесса, чтобы понять, насколько хорошо (или не очень) всё работает. OKR же замахивается на большие цели, которые выходят за рамки повседневной деятельности. ↗️ Об основных принципах методики простым языком рассказывает в карточках Света Широкова, старший бизнес-аналитик red_mad_robot.

Знания нужны, чтобы ими делиться, — так что делимся! Собрали для вас полезные материалы от роботов: 1️⃣ Илья Самофеев, co-CEO red_mad_robot, в подкасте «Стартап-секреты» Илья рассказал, к чему нужно быть готовыми при подготовке продуктовой стратегии: из каких элементов она состоит, почему презентация на 100 слайдов часто не помогает развитию и на какие сигналы рынка нужно обращать внимание в первую очередь. ↗️ Слушать подкаст 2️⃣ Ксюша Земскова, директор финтех-проектов red_mad_robot, написала статью для «РБК Тренды» Ксюша поделилась, как генеративный искусственный интеллект меняет финтех-рынок прямо сейчас: от голосовых роботов, способных персонализировать беседы с клиентами, до аналитических платформ, принимающих решения на основе ИИ. ↗️Читать статью 3️⃣ Максим Скорченко, CPO red_mad_robot, в подкасте «Бизнес а-ля рус» Макс рассказал, как современному бизнесу подружиться с генеративным искусственным интеллектом и работать эффективнее с его помощью. ↗️Слушать подкаст

Как мы сделали приложение World Class удобнее ↗️ В прошлом году вместе с сетью фитнес-клубов World Class мы запустили новое мобильное приложение. Но это был только первый шаг. Мы продолжили работу, чтобы сделать его ещё лучше, и теперь готовы поделиться результатами. Что изменилось? Мы полностью перестроили процесс записи на тренировки и обновили главную страницу приложения. Всё это — благодаря обратной связи. Мы не просто собирали комментарии, а сделали из пользователей и сотрудников фитнес-клуба стейкхолдеров. Как это повлияло на результаты? Средняя конверсия перевода пользователей из старого приложения в новое выросла с 0 до 65%. А количество активных пользователей в неделю увеличилось в два раза. Подробнее о том, как мы этого добились и какие ещё изменения внесли, в статье 🔗 #анонс

Мы уже рассказывали про модель Кано, с помощью которой можно определить обязательные для продукта фичи. Но что делать с теми, которые попали в категорию нейтральных? Подробно рассказываем в карточках и делимся реальным примером из практики ↗️

Привет! Мы в red_mad_robot проводим исследование, как люди выбирают и используют краудфандинговые платформы (boomstarter, планета.ру, Kickstarter и т.д). Ищем авторов, готовых поделиться опытом размещения проектов и взаимодействия с этими или похожими платформами. Напишите @SvetaShirokova, если готовы помочь ❤️

Что стоит также учитывать при использовании LLM при работе с JTBD. Плюсы: ✅ Помогает проверить, не упущены ли важные контексты и работы в JTBD. ✅ Экономит время на генерацию Job Stories. ✅ Может помочь сформировать описание к персоне. Минусы: ❌LLM может усложнять информацию, делая её нечитабельной. ❌Не всегда генерирует JTBD в нужном формате. ❌Не всегда может качественно сгенерировать четыре силы прогресса. И вот некоторые рекомендации по работе с LLM в рамках JTBD: 1️⃣ Обучите LLM, задав требования и ограничения по работе с JTBD. 2️⃣ Уточняйте запросы, чтобы получить понятные и читабельные JTBD. 3️⃣ Используйте референсы, если с первого раза не получается добиться нужного результата. 4️⃣ LLM может быть полезен для формирования описания персоны по JS. 5️⃣ Выберите LLM, выдающий наиболее корректные результаты (для нас это был GPT-4 в режиме Data Analyst). LLM – хороший помощник как источник вдохновения, но пока вряд ли сможет самостоятельно без помощи человеческой руки анализировать интервью по JTBD (мы никогда не оставляли чистые формулировки от GPT, всегда трансформировали, отталкиваясь от них), но мы верим, надеемся и ждем.

Мы пробовали использовать GPT-4, GPT-3.5 и Bard. Лучше всего в работе себя показал GPT-4 в режиме Data Analyst. Для начала мы обучили LLM, задав требования и ограничения по работе с JTBD. Промпт содержал запрос на выделение всех возможных Job Stories по шаблону «ситуация, мотивация, результат». После того, как задали требования к формату результатов, мы загрузили файл с расшифровками пользовательского интервью для его анализа. В нашем случае файлы содержали около 40 страниц и LLM вполне корректно их обработала. Важно отметить, что мы предварительно очистили файл интервью от личных данных респондентов, чтобы сохранять NDA (скриншот 1). При этом добиться качественного результата не всегда удавалось с первого раза. LLM часто усложняла сгенерированную информацию, делала её нечитабельной, а иногда выдавала результат не по формату Job Story (скриншот 2). Поэтому мы продолжали уточнять запросы и просили сделать формулировку JTBD понятнее, человечнее и короче (скриншот 3). Иногда спустя несколько уточнений всё равно не получалось добиться нужного результата, тогда в запросе мы приводили референсы (скриншот 4). С помощью GPT-4 мы объединяли собранные Job Stories в одну общую, для которой в дальнейшем генерировали четыре силы прогресса (скриншот 5). В итоге с помощью GPT-4, GPT-3.5 и Bard мы пробовали генерировать четыре силы прогресса по заданной Job Stories, но результат был недостаточно качественным. Уточнение запросов в LLM не решили проблему, поэтому четыре силы прогресса от LLM мы не использовали. Для объединения Job Stories по схожим контекстам мы пробовали использовать инструменты Miro по кластеризации, но предложенный вариант кластеризации показался нам не соответствующим контекстам, и в этот раз мы от него отказались. Bard и GPT-4 позволяют добавлять в запрос изображения. Это позволило нам загрузить скриншоты всех кластеризованных Job Stories, собранных в Miro, используя ИИ как помощника для формирования описания к персоне (скриншот 6).

JBTD — это теория, которая помогает понять, почему люди принимают решение о покупке. Если вы не знакомы с JTBD, вот несколько полезных материалов, которые помогут детально погрузится в особенности использования методологии и инструменты: Что такое Jobs To Be Done (JTBD) Jobs To Be Done исследование. Часть 1 Что такое Работа и как её описать? (JTBD Statement) Гайд по Job Stories 4 силы прогресса в JTBD В следующих постах исследователи Лиза Косырева и Валера Черевков поделятся опытом применения LLM в теории Работ (Jobs To Be Done) на одном из проектов. Почему LLM удобно использовать в работе с JBTD: ✅с помощью LLM мы проверяли, не упустили ли важные контексты и работы ✅ LLM сильно экономит время на генерацию Job Stories — когда есть сложности с формулированием своих мыслей, можно обратиться к LLM и воспользоваться её удачной формулировкой.