جذب و افزایش تعداد مشتریان، ۲۱ اٌمین سخنرانی اسلاش ۲۰۲۳

معرفی کریس ون پلت

کریس ون پلت یک کارآفرین و متخصص فناوری است که در سال ۲۰۱۷ به عنوان هم‌بنیان‌گذار به Weights & Biases پیوست. او پیش از این، CrowdFlower را تأسیس کرده و به عنوان مدیر محصول فنی در Powerset, Inc.، یک شرکت فناوری جستجوی زبان طبیعی که بعداً توسط مایکروسافت خریداری شد، فعالیت کرده است.

کریس دارای تجربه گسترده‌ای به عنوان هنرمند استودیو، دانشمند کامپیوتر و مهندس وب است و این تجربیات متنوع را در نقش خود به عنوان مدیر فناوری (CTO) به کار می‌برد. او با ترکیب بینش عمیق طراحی و توانایی‌های کدنویسی ساده و مینیمالیستی، قادر است برنامه‌های کامل را در مدت زمان کوتاهی تولید کند. کریس در کالج هاپ، هنر و علوم کامپیوتر را مطالعه کرده و به دلیل مهارت‌های خود در توسعه برنامه‌های وب و نوآوری در محیط‌های استارتاپی شناخته می‌شود.

معرفی Weights & Biases

Weights & Biases (W&B) یک پلتفرم پیشرفته توسعه‌دهنده هوش مصنوعی است که به مهندسان یادگیری ماشین کمک می‌کند تا کارایی و کیفیت پروژه‌های خود را به حداکثر برسانند. این پلتفرم به کاربران این امکان را می‌دهد که مدل‌های بهتر را سریع‌تر بسازند، LLM‌ها (مدل‌های زبان بزرگ) را بهینه‌سازی کنند و با اطمینان برنامه‌های GenAI را توسعه دهند. W&B Models به عنوان یک راه‌حل MLOps برای سازندگان مدل‌های بنیادی و شرکت‌هایی که در حال آموزش، بهینه‌سازی و استقرار مدل‌ها در تولید هستند، عمل می‌کند. از سوی دیگر، W&B Weave به توسعه‌دهندگان نرم‌افزاری ابزارهای سبک و قدرتمندی ارائه می‌دهد تا به ردیابی و ارزیابی برنامه‌های LLM بپردازند.

این شرکت که توسط لوکاس بیوالد، کریس ون پلت و شاون لوئیس تأسیس شده است، به بیش از ۱۰۰۰ شرکت از جمله OpenAI، Lyft و ToyotaGitHub خدمت‌رسانی می‌کند. W&B به مهندسان یادگیری ماشین کمک می‌کند تا داده‌های خود را ردیابی کنند، کارهای خود را خودکار کنند و داشبوردهای همکاری برای تیم‌های خود ایجاد نمایند. سیستم بهینه‌سازی مجموعه داده‌های این شرکت، تجزیه و تحلیل عملکرد را برای یادگیری ماشین توسعه می‌دهد و به تیم‌ها کمک می‌کند تا مدل‌های خود را ردیابی کرده، عملکرد آنها را تجسم کنند و به راحتی فرآیند آموزش و بهبود مدل‌ها را خودکار کنند. این ویژگی‌ها به شرکت‌ها امکان می‌دهد تا پروژه‌های تحقیقاتی یادگیری عمیق را به نرم‌افزارهای مستقر تبدیل کنند.

سرمایه‌گذاران ارزش این استارتاپ را بیش از ۱ میلیارد دلار تخمین زده‌اند که این نشان‌دهنده اعتماد و اعتبار بالای Weights & Biases در صنعت هوش مصنوعی است.

آغاز سخنرانی کریس ون پلت درباره جذب و افزایش تعداد مشتریان

در این متن، سخنران به معرفی شرکت Weights & Biases می‌پردازد که یک پلتفرم MLOps است و به مهندسان یادگیری ماشین کمک می‌کند تا فعالیت‌های خود را سازماندهی کرده و عملکرد مدل‌های مختلف را مقایسه کنند. او به تجربیات قبلی خود در تأسیس شرکت‌هایی مانند CrowdFlower و Figure Eight اشاره می‌کند. همچنین به تأمین مالی شرکت از صندوق‌های سرمایه‌گذاری مشهور مانند Coatue، Insight و Bond اشاره دارد. در نهایت، بحث‌هایی درباره چگونگی رشد پایگاه کاربری Weights & Biases و شخصیت‌های مرتبط با آن مطرح می‌شود. به طور کلی، متن به تشریح نقش این شرکت در صنعت یادگیری ماشین می‌پردازد.

در ادامه، ون پلت به شرکت‌هایی که از خدمات Weights & Biases استفاده می‌کنند، اشاره می‌کند. او از OpenAI نام می‌برد و بیان می‌کند که این شرکت به تازگی در اخبار بوده و یکی از کاربران بزرگ Weights & Biases است. OpenAI از این پلتفرم برای ساخت نسل بعدی ChatGPT بهره می‌برد. سخنران همچنین به این نکته اشاره می‌کند که Weights & Biases برای صنایع مختلف قابل استفاده است و در حوزه‌های پزشکی، کشاورزی و تجارت الکترونیک فروش دارد. به طور کلی، هر صنعتی که در حال کار بر روی یادگیری ماشین است، می‌تواند از مزایای Weights & Biases بهره‌مند شود، که نشان‌دهنده گسترش کاربرد این پلتفرم در میان شرکت‌های مختلف است.

تعریف چارچوب برای جذب و افزایش تعداد مشتریان

در این قسمت سخنرانی، ون پلت به چارچوب FUEL برای رشد نمایی اشاره می‌کند که شامل چهار مولفه کلیدی است:

۱. Flywheels (چرخه مثبت): این مؤلفه به اجزای اصلی و فرآیندهایی اشاره دارد که برای ایجاد و تقویت موتور رشد ضروری هستند.

۲. Users (کاربران): در اینجا، تمرکز بر درک تصمیمات کاربران و تحلیل متریک‌های مرتبط با آن‌هاست. هدف این است که کاربران را برای اتخاذ تصمیمات بهتر و الهام‌بخش ترغیب کنیم.

۳. Experiments (آزمایش‌ها): این مؤلفه به انجام آزمایشات مختلف برای ارزیابی تأثیر تصمیمات بر نتایج اشاره دارد. تعیین تاریخ شروع و پایان، نسبت‌دهی و فرضیه‌گذاری روشن از جمله نکات مهم در این مرحله است.

۴. Learnings (یادگیری‌ها): پس از انجام آزمایش‌ها، ثبت و تحلیل نتایج یادگیری‌ها اهمیت دارد. این اطلاعات به شرکت کمک می‌کند تا بهبودهای لازم را در فرآیندها ایجاد کند و از تجربیات گذشته برای تصمیم‌گیری‌های آینده استفاده کند.

او همچنین به این نکته اشاره می‌کند که این چارچوب می‌تواند برای هر شرکتی کاربرد داشته باشد و از لئانا شوکلا، رئیس رشد Weights & Biases، به عنوان مبتکر این اختصار یاد می‌کند.

تاثیر چرخه مثبت بر جذب و افزایش تعداد مشتریان

سپس ون پلت به مؤلفه “چرخه مثبت” در چارچوب FUEL اشاره می‌کند و توضیح می‌دهد که هدف از ایجاد چرخه مثبت، توسعه یک موتور رشد نمایی به جای یک قیف خطی است. او تأکید می‌کند که چرخ‌دنده‌ها به رشد نمایی کمک می‌کنند زیرا کاربران را به قهرمانانی تبدیل می‌کنند که به طور عمومی بر روی پلتفرم و محصولات شرکت کار می‌کنند و نسل جدیدی از کاربران را جذب می‌کنند. برای این کار نیاز به یک متریک دارید.

متریک کلیدی برای ایجاد چرخه مثبت، “کاربران فعال و درگیر هفتگی” نامیده می‌شود. این متریک به معنای تعداد کاربرانی است که حداقل یک بار در یک هفته معین به پلتفرم Weights & Biases مراجعه کرده و در سه روز گذشته، دو بار به آن مراجعه کرده‌اند.

کاربرانی که در یک هفته مشخص حداقل یک بار به پلتفرم مراجعه کرده و در سه روز گذشته دو بار به آن مراجعه کرده‌اند، به عنوان کاربران فعال هفتگی شناخته می‌شوند.

• این متریک به شرکت کمک می‌کند تا درک بهتری از میزان تعامل کاربران با پلتفرم داشته باشد.
• نشان‌دهنده تعهد و وابستگی کاربران به محصول است. هر چه تعداد کاربران فعال بیشتر باشد، نشان‌دهنده این است که کاربران از محصول استفاده می‌کنند و به آن علاقه دارند.

فرهنگ گزارش‌دهی: برای مهم کردن این عدد، شرکت باید یک فرهنگ گزارش‌دهی مناسب در اطراف آن ایجاد کند. این شامل بررسی منظم این متریک و تحلیل دلایل نوسانات آن است.
تأثیر بر رشد: با توجه به این متریک، شرکت می‌تواند استراتژی‌های بهتری برای جذب و نگه‌داشتن کاربران فعال طراحی کند و به این ترتیب، رشد نمایی را تسهیل کند.

به طور کلی، متریک “کاربران فعال و درگیر هفتگی” ابزاری حیاتی برای اندازه‌گیری موفقیت و تأثیرگذاری چرخ‌دنده‌ها در ایجاد رشد نمایی است.

رابطه کاربران با جذب و افزایش تعداد مشتریان

برای توضیح مولفه دوم یعنی “کاربران” ، ون پلت کلمه دیگری را معرفی می‌کند: PIC. نکات کلیدی درباره این مفهوم عبارتند از:

• شخصیت (Personas): شناخت عمیق از کاربران و درک اینکه آن‌ها چه کسانی هستند و چه نیازهایی دارند. ایده‌آل این است که این کاربران را دوست داشته باشید.
• نیت (Intent): درک مشکل یا نیازی که کاربران می‌خواهند حل کنند و احساس درد آن‌ها به دلیل عدم توانایی در حل آن مشکل.
• کانال (Channel): شناسایی مکان‌هایی که کاربران وقت خود را صرف می‌کنند و جایی که به دنبال پاسخ می‌گردند.

دلیل اهمیت PIC این است که هر بار که آزمایشی اجرا می‌شود، باید به این سه مؤلفه (شخصیت، نیت و کانال) فکر کرد و بررسی کرد که آیا آزمایش واقعاً این مؤلفه‌ها را هدف قرار می‌دهد. با در نظر گرفتن PIC، می‌توان اولویت‌بندی کرد و تجربه ایده‌آل را برای ترکیب‌های مهم شخصیت، نیت و کانال طراحی کرد.
سپس ون پلت مثال‌های PIC در Weights & Biases را بیان می‌کند:

رهبر تیم یادگیری ماشین: این شخصیت بیشتر یک مدیر است و به دنبال داشبوردها و نمای کلی از استفاده تیم از محصول است.
کاربر عملیاتی یادگیری ماشین (AML): این شخصیت اصلی است که محصول به‌طور خاص برای آن‌ها طراحی شده است.
CTO و MLOps: این شخصیت‌ها ممکن است با کاربر AML در تضاد باشند. شخصیت MLOps تمایل دارد همه چیز را درون‌سازمانی نگه دارد، در حالی که کاربر AML به دنبال بهترین ابزارها است.

فهمیدن تصمیمات کاربران:

نکته مهمی که ون پلت به آن اشاره می‌کند این است که برای هر متریک که می‌خواهید تغییر دهید، باید تصمیمی که کاربر باید بگیرد را درک کنید. سوالاتی مانند اینکه آیا کاربر اقدام بعدی را انجام می‌دهد یا خیر، باید مورد بررسی قرار گیرد.

برای ترغیب کاربران به انجام اقدام بعدی، باید بار شناختی را کاهش داد و انگیزه بیشتری به آن‌ها داد تا اقدام بعدی را انجام دهند. برای کاهش بار شناختی می‌توان این اقدامات را انجام داد:

1. سادگی در طراحی: طراحی رابط کاربری باید ساده و کاربر‌پسند باشد. این به معنای کاهش تعداد مراحل، گزینه‌ها و اطلاعات غیرضروری است که کاربر باید پردازش کند.

2. راهنمایی و پشتیبانی: ارائه راهنمایی‌های واضح و مختصر می‌تواند به کاربران کمک کند تا به راحتی بفهمند که چه کاری باید انجام دهند. این شامل استفاده از متن‌های راهنما، نکات و توضیحات در نقاط کلیدی است.

3. استفاده از نشانه‌ها و نمادها: استفاده از نشانه‌ها، نمادها و تصاویر می‌تواند به کاربران کمک کند تا سریع‌تر اطلاعات را درک کنند و تصمیمات بهتری بگیرند.

4. کاهش انتخاب‌ها: هر چه تعداد گزینه‌ها کمتر باشد، تصمیم‌گیری برای کاربران آسان‌تر می‌شود. این به ویژه در مواقعی که انتخاب‌های زیادی وجود دارد، اهمیت دارد.

5. تسهیل فرآیندها: فرآیندهایی که کاربران باید طی کنند، باید به گونه‌ای طراحی شوند که کمترین تلاش را از آن‌ها بخواهند. برای مثال، استفاده از فرم‌های خودکار یا پیش‌پر شده می‌تواند بار شناختی را کاهش دهد.

آزمایش‌ها و تاثیر آن بر جذب و افزایش تعداد مشتریان

برای توضیح مولفه سوم یعنی “آزمایش‌ها”، ون پلت به نکات کلیدی اشاره می‌کند:

در ابتدا باید بدانید که دو نوع آزمایش وجود دارد:

1. بهینه‌سازی تدریجی: این نوع آزمایش شامل بهبود آزمایش‌های موجود است. هدف جمع‌آوری متریک‌ها و بهتر کردن آن‌هاست.
2. کشف آزمایش‌های جدید: این نوع آزمایش بیشتر کیفی است و شامل صحبت با مشتریان و مشتریان بالقوه برای یافتن ایده‌های جدید می‌شود.

یافتن آزمایش‌های خوب: برای پیدا کردن آزمایش‌های مناسب، باید به مکان‌هایی بروید که کاربران شما وقت خود را می‌گذرانند. مثلاً در جوامع آنلاین مانند Kaggle یا GitHub. تعامل با جامعه و شناسایی موضوعاتی که کاربران به آن‌ها علاقه دارند، می‌تواند به ایجاد آزمایش‌های مؤثر کمک کند.

رشد مبتنی بر جامعه: انجام کارهایی که برای جامعه مفید است، مانند برگزاری کلاس‌ها یا رویدادها، می‌تواند به بهبود محصول کمک کند و ارتباط بهتری با کاربران برقرار کند.

ایجاد پرتفوی آزمایشات: نیاز به یک مجموعه‌ای از آزمایشات دارید که شامل آزمایش‌های موجود برای بهبود و همچنین ایده‌های جدید باشد. تعادل بین تأثیر، تلاش و اعتماد به نفس آزمایش‌ها مهم است.

زمان‌بندی آزمایش‌ها: هر آزمایش باید دارای تاریخ شروع و پایان مشخص باشد و نباید بی‌پایان ادامه پیدا کند. آزمایش‌ها باید در دوره‌های یک تا دو هفته‌ای انجام شوند تا امکان ارزیابی و تکرار سریع وجود داشته باشد.

نسبت‌دهی و متریک‌ها: برای هر آزمایش، باید متریک مشخصی تعیین کنید که نشان‌دهنده موفقیت یا شکست آن باشد. به جای اهداف کلی، باید اهداف خاص و قابل اندازه‌گیری تعیین کنید.

شکست و یادگیری: شکست در آزمایش‌ها اجتناب‌ناپذیر است و تنها راه یادگیری و بهبود، پذیرش این شکست‌ها و ادامه تکرار است.

به طور کلی، ون پلت بر اهمیت آزمایش‌های مستمر و بهینه‌سازی آن‌ها تأکید دارد و بیان می‌کند که چگونه می‌توان از طریق تعامل با جامعه و ایجاد آزمایش‌های مؤثر، به بهبود محصول و رشد شرکت کمک کرد.

یادگیری‌ها چگونه به جذب و افزایش تعداد مشتریان کمک می‌کنند؟

در نهایت ون پلت درباره مولفه چهارم یعنی “یادگیری‌ها” صحبت می‌کند. نکات مهمی که در مورد این مولفه باید بدانید:

• اهمیت یادگیری‌ها: یادگیری‌ها در فرآیند رشد بسیار حیاتی هستند. تیم رشد باید بتواند از تجربیات گذشته استفاده کند و به یادگیری‌های جدید دست یابد.
• تغییرات در محیط: شرایط ممکن است تغییر کند و چیزهایی که در سال گذشته موثر بودند، ممکن است امسال کار نکنند. بنابراین، مهم است که با تغییرات سازگار شد.
• سازماندهی یادگیری‌ها: سازماندهی و ثبت آزمایش‌هایی که انجام شده و نتایج آن‌ها، چه مثبت و چه منفی، بسیار مهم است. این اطلاعات می‌تواند به عنوان یک منبع ارزشمند برای آینده استفاده شود.
• ابزارهای ثبت یادگیری‌ها: می‌توان از ابزارهایی مانند Notion یا Monday برای ثبت و سازماندهی این یادگیری‌ها استفاده کرد. این کار به تیم کمک می‌کند تا یک کتاب راهنما برای تجربیات خود ایجاد کند.
• کتاب راهنما: تیم می‌تواند از یادگیری‌ها به عنوان یک کتاب راهنما استفاده کند تا به کارکنان جدید کمک کند سریع‌تر با فرآیندها آشنا شوند و مؤثرترین روش‌ها را یاد بگیرند.

این یادگیری‌ها بخشی از چارچوب FUEL هستند که شامل چهار مولفه چرخ‌دنده‌ها، کاربران، آزمایش‌ها و یادگیری‌ها می‌شود. این چارچوب می‌تواند به رشد نمایی کمک کند و در شرکت‌هایی مانند Weights & Biases به خوبی عمل کرده است.
اهمیت یادگیری از تجربیات گذشته و سازماندهی این یادگیری‌ها برای بهبود مستمر را از یاد نبرید. از این اطلاعات می‌توان برای تسهیل رشد و توسعه در آینده استفاده کرد.

منابع استفاده شده در نوشتار این محتوا
www.linkedin.com
www.crunchbase.com
www.pitchbook.com
www.forbes.com
www.youtube.com