Encrypted Notes to seria, w której dzielę się notatkami i przemyśleniami z wartościowych materiałów, na które trafiam. To przede wszystkim moje własne notatki, ale uznałem, że mogą przydać się również Tobie. Dzisiaj omawiam najważniejsze informacje z webinaru o łączeniu Jobs To Be Done i AI w badaniach UX.
TL;DR
- JTBD (Jobs To Be Done) to nie tylko odpowiedzi, ale też cała podróż badawcza i zaangażowanie zespołu w myślenie zorientowane na klienta
- AI może znacząco przyspieszyć generowanie need statements, ale nie powinno całkowicie zastępować rozmów z prawdziwymi użytkownikami
- TeamViewer wykorzystuje AI do tworzenia dodatkowych need statements opartych o dane z wywiadów, oznaczając je osobnym kolorem dla przejrzystości
- Najlepsze efekty daje filtrowanie wyników ankiet według segmentów użytkowników – bez tego większość potrzeb znajdzie się „pośrodku” mapy
- Wyniki JTBD wspomagane przez AI pomagają: zmniejszyć ryzyko wprowadzenia złej funkcji, uzasadnić decyzje projektowe i stworzyć skuteczniejszą komunikację marketingową
- Współczesne organizacje nie potrzebują więcej pomysłów – potrzebują pewności, które z nich warto realizować
Kiedy JTBD spotyka AI – nowe możliwości w badaniach UX
Jobs To Be Done to podejście badawcze, które pozwala nam zidentyfikować niezaspokojone potrzeby użytkowników. Jak trafnie ujął to Jim Kalbach, współtwórca Jobs To Be Done Toolkit, JTBD nie dotyczy tylko celu (odpowiedzi), ale też podróży – tego jak angażujemy zespół w proces badawczy i kogo zbieramy po drodze.
Wolfram Nagel z TeamViewer pokazuje, jak praktycznie łączyć klasyczną metodologię JTBD z nowoczesnymi narzędziami AI, by pogłębić jakość badań i przyspieszyć cały proces. Taka hybrydowa metoda pozwala zachować najważniejsze korzyści bezpośrednich interakcji z klientami, jednocześnie zwiększając efektywność całego procesu.
Proces badawczy w praktyce TeamViewer
TeamViewer wykorzystuje własne ramy „Customer Centric Value Creation Framework”, które dzielą pracę nad produktem na przestrzeń problemu i przestrzeń rozwiązania:
- Identyfikacja problemu – Wywiady ukierunkowane na metodologię JTBD
- Zdefiniowanie problemu do rozwiązania – Analiza, priorytetyzacja i decyzja
- Generowanie rozwiązań – Warsztaty, prototypowanie, sprawdzanie wykonalności
- Testowanie i wdrażanie – Testy użyteczności i finalizacja
W przestrzeni problemu, badacze UX realizują wywiady z klientami, analizują wyniki i przekładają je na zwięzłe need statements. Każde stwierdzenie potrzeby zaczyna się od jednego z trzech wzorców:
- MTL (Maximize the likelihood) – Maksymalizuj prawdopodobieństwo…
- MTT (Minimize the time it takes) – Zminimalizuj czas potrzebny na…
- MTE (Minimize the effort) – Zminimalizuj wysiłek związany z…
To ograniczenie do tylko trzech typów potrzeb może wydawać się restrykcyjne, ale znacząco ułatwia czytanie i porównywanie wyników przez badanych w ankietach.
Jak AI wspomaga generowanie need statements
Tutaj pojawia się innowacyjne podejście TeamViewer. Wolfram wykorzystuje AI by wzbogacić wyniki badań, klasyfikując need statements według źródła:
- Zielone – bezpośrednio potwierdzone przez klienta podczas wywiadu
- Pomarańczowe – założenia badaczy na podstawie analizy wywiadu
- Miętowe – wygenerowane przez AI na podstawie danych z wywiadu
„Nie pytam AI losowo o need statements. Wrzucam zneutralizowane (bez danych osobowych) informacje z wywiadu i proszę o dodatkowe potrzeby, które mogą wynikać z kontekstu.”
Co ciekawe, ostatecznie nie ma znaczenia, skąd pochodzi dane need statement, jeśli zostanie potwierdzone w badaniach ilościowych jako istotna, niezaspokojona potrzeba. Kluczem jest zebranie wystarczająco szerokiego spektrum potrzeb do dalszej weryfikacji.
Kwantyfikacja i priorytetyzacja wyników
Po określeniu need statements, TeamViewer wykorzystuje narzędzie „User Focus Program” do przeprowadzania badań ankietowych. Respondenci oceniają każdą potrzebę pod kątem:
- Ważności – jak istotna jest dana potrzeba
- Satysfakcji – jak dobrze jest obecnie zaspokojona
Narzędzie automatycznie tworzy mapę możliwości, gdzie największy potencjał mają potrzeby o wysokiej ważności i niskiej satysfakcji (prawny dolny róg mapy).
Kluczowym wnioskiem z doświadczeń TeamViewer jest znaczenie filtrowania wyników przez segmenty użytkowników. Bez filtrowania, przy dużych próbach badawczych, wszystkie wyniki zbiegają do środka mapy, co utrudnia podejmowanie decyzji. Dopiero analizując wyniki przez pryzmat konkretnych ról, poziomów umiejętności technicznych czy innych segmentów, odkrywamy prawdziwe możliwości.
Od badań do działania – wdrażanie wyników w organizacji
TeamViewer wykorzystuje swoje analizy JTBD na wiele sposobów:
- Product Roadmap – zamiast planować funkcje, planują rozwiązywanie konkretnych niezaspokojonych potrzeb
- Weryfikacja istniejących rozwiązań – sprawdzanie czy dane rozwiązanie faktycznie adresuje kluczowe potrzeby
- Komunikacja marketingowa – need statements stają się podstawą storytellingu w kampaniach
- Budowanie konsensusu – eliminowanie dyskusji opartych na opiniach na rzecz danych o potrzebach
Najciekawszym przykładem wartości tych badań jest historia przedstawiona przez Wolframa: „Mieliśmy prezentację kilku wariantów interfejsu i wiele pytań typu 'wolę ten’ czy 'tamten wygląda lepiej’. Gdy projektant zaczął tłumaczyć swoje decyzje w kontekście konkretnych niezaspokojonych potrzeb, pytania znacząco się zmniejszyły – wyjaśnienie z perspektywy potrzeb użytkownika po prostu miało większy sens.”
Dlaczego warto łączyć JTBD z AI?
AI nie zastępuje rozmów z użytkownikami, ale może je znacząco uzupełnić:
- Efektywność – generowanie większej liczby need statements przy mniejszej liczbie wywiadów
- Konsekwencja – utrzymanie spójnego formatu wszystkich potrzeb
- Odkrywanie nieoczywistych potrzeb – AI może dostrzec wzorce, które umknęły badaczom
Jednocześnie Wolfram podkreśla, że interakcja z AI bywa czasochłonna: „Czasem zachowuje się jak stażysta, któremu trzeba wszystko dokładnie tłumaczyć” – co pokazuje, że AI jest narzędziem wspierającym, a nie zastępującym doświadczonego badacza.
Praktyczne zastosowanie dla Twojego zespołu
Jeśli chcesz wprowadzić podobne podejście w swojej organizacji:
- Zacznij od kilku wywiadów JTBD z kluczowymi klientami
- Używaj AI do rozszerzenia wyników, ale zawsze weryfikuj je z pierwotnym kontekstem
- Kwantyfikuj potrzeby przez ankiety z maks. 50 need statements (więcej to przesada, mniej to za mało)
- Analizuj wyniki przez pryzmat konkretnych segmentów użytkowników
- Używaj need statements do nadawania priorytetów, projektowania i komunikacji
Perspektywa biznesowa
Jak ujął to Wolfram: „Zmniejszamy ryzyko wydania i pracy nad niewłaściwą funkcją, zwiększamy pewność. Mogę spokojnie spać w noc przed wypuszczeniem produktu, bo wiem, że odpowiadamy na realne, niezaspokojone potrzeby, a nie zgadujemy.”
W czasach, gdy organizacjom nie brakuje pomysłów, a brakuje pewności, które z nich warto realizować, połączenie JTBD i AI może być tą brakującą częścią układanki.
Książki warte przeczytania:
- „Jobs to Be Done Playbook” – Jim Kalbach
- „Competing Against Luck” – Clayton Christensen
- „Statue in the Stone” – Scott Burleson (o pragmatycznym podejściu do JTBD)
- „When Coffee and Kale Compete” – Alan Klement
Źródła:
- Webinar „UX Research with JTBD and AI, featuring Wolfram Nagel” – JTBD Toolkit (luty 2025)
- Jobs To Be Done Toolkit – www.jtbdtoolkit.com