UX Lessons

بچه‌ها خیلیاتون می‌پرسید اکانت Gemini و ChatGPT یا کانفیگ مناسب AI رو از کجا بگیریم. من لینک کانالی که خودم ازش اکانت و کانفیگ گرفتم و کاملاً راضی بودم رو براتون می‌ذارم.✨ 👇 لینک کانال: https://t.me/CloudMarketHQ

اگه اهل مقاله خوندنید و به پروداکت علاقه دارین این کار فوق‌العاده‌ی مهدی عزیز رو به شدت بهتون پیشنهاد می‌کنم. خودم الان عضو شدم و یه چرخی توی سایت زدم و برام جالب بود واقعا 👌🏻

پروژه PM Feed چیزی بود که خیلی وقته تو ذهنم بود. تا یه بخشی ش رو هم برای نیاز شخصی م ساخته بودم. چیزی که تو ذهنم این بود که چطوری میشه مقالات خوب رو راحت تر خوند. پروژه PM Feed شامل مقالات با کیفیت و دستچین شده مرتبط با توسعه محصول، لیدرشیپ و گروث هست که مقالات توش هم خلاصه شدن و هم امتیاز گرفتن و اگر این موضوعات مورد علاقه تون باشن می‌تونین بهترین هاش رو توش بخونید. یه سری قابلیت دیگه هم داره مثل اینکه موضوعات مورد علاقه تون رو انتخاب کنید. یا اینکه به مقالات امتیاز بدین. لینک پروژه https://feed.majidzadeh.ir/ لینک دعوت برای ۳۰ نفر اول https://feed.majidzadeh.ir/register?ref=zmkQrLEX - اگر از پروژه خوشتون اومد خوشحال میشم که برای دوست های پروداکی و همکارات بفرسید. - بسیار خوشحال تر میشم که برای بهتر شدنش فیدبک بدین. - از اونجایی که کل پروژه ساخته و پرداخته دوست عزیزم کلاد هست به احتمال قوی باگ داره که اگر حوصله داشتید حتما بهم بگید. - سایت یه مدل هزینه ای هم داره که برای سرور و خرید و محتوا و هزینه ai که با مدلی بین همه تقسیم میشه و من قصد درآمد زایی ندارم. - در آخر هم آرشیو کامل لنی و چند وبلاگ پروداکی دیگه هم به زودی در سایت قراره میگیره ارادت

چطوری از خودمون یک آدم با سواد واقعی بسازیم؟ چطوری عمیق‌تر و درست‌تر یاد بگیریم؟ ببینید: https://youtu.be/7BryTWaAX7c?is=prwIr3588Xge0A65

بیایم کمی هم به V توجه کنیم! یکی از اعصاب‌خردکنترین سوءتفاهم‌هایی که تقریبا هر روز در دنیای محصول باهاش روبه‌رو میشم اینکه هنوز خیلی‌ها MVP رو با یک چیز سریع، ناقص، نصفه‌کاره و کثیف اشتباه می‌گیرن، طوریکه انگار اگر نصف فیچرها کار نکنه، تجربه کاربر به هم بریزه، دیزاین ضعیف باشه، محصول معلوم نباشه دقیقا چه دردی رو حل می‌کنه و تیم هم آخرش بگه «خب MVP بود دیگه»، یعنی خیلی Lean و Agile رفتار کرده! این مشکل از جایی شروع شد که ما Minimum Viable Product رو توی ذهنمون تبدیل کردیم به Minimum Product. اون تیکه‌ی Viable، یعنی پذیرفتنی، کم‌کم از تعریف حذف شد، در حالی که اصل ماجرا دقیقا همون‌جاست. سوال اصلی این نیست که «حداقل چیزی که ما می‌تونیم بسازیم چیه؟» چون جواب این سوال معمولا خطرناکه. تیم همیشه می‌تونه چیزی کمتر، سریع‌تر، ناقص‌تر و بی‌کیفیت‌تر بسازه و اسمش رو بذاره نسخه اولیه. سوال اصلی اینه که «اون حداقل چیزی که بازار حاضره جدیش بگیره چیه؟» و این حداقل رو تو تعیین نمی‌کنی! مارکت دیکته‌اش می‌کنه و یوزر روش خط میندازه. جایگزین‌هایی که همین الان در دسترس کاربره تعیین می‌کنن. سطح انتظاری که کاربر از محصولات خوب، ابزارهای AI، تجربه‌های سریع، رابط‌های تمیز و سرویس‌های قابل اعتماد گرفته تعیین می‌کنه. Minimum یعنی دامنه کوچک‌تر، نه کیفیت داغون. MVP یعنی scope کمتر، نه تجربه ضعیف‌تر. یعنی شاید فقط یک job اصلی رو حل کنی، یا یک segment خاص رو بگیری، یا یک flow ساده داشته باشی اما همون چیزی که می‌سازی باید اون‌قدر قابل فهم، قابل استفاده و قابل اعتماد باشه که رفتار واقعی کاربر رو نشون بده، نه واکنش کاربر به سرسری بودن محصول رو. در شرایط قبل از AI، کف پذیرش بازار آروم‌تر بالا می‌اومد. محصول‌ها نرم‌نرم بهتر می‌شدن، تیم‌ها آروم‌تر فیچر می‌دادن، کاربرها دیرتر به تجربه‌های جدید عادت می‌کردن و خیلی چیزهایی که امروز بدیهی به نظر میرسه، قبلا آپشنال بود. اما الان سرعت تبدیل شدن «چیزهای خوب» به «چیزهای بدیهی» چند برابر شده. چیزی که دیروز مزیت بود، امروز انتظار پایه‌ست. چیزی که دیروز خفن به نظر می‌رسید، امروز اگر نباشه محصول عقب‌افتاده حس میشه. AI فقط ساختن رو سریع‌تر نکرده، مقایسه شدن رو هم سریع‌تر کرده. کاربر هر روز با ابزارهایی روبه‌رو میشه که بهتر می‌نویسن، سریع‌تر جواب میدن، هوشمندتر پیشنهاد میدن، friction کمتری دارن و تجربه استفاده از نرم‌افزار رو براش بازتعریف می‌کنن. حالا در چنین بازاری، اینکه یک تیم بیاد یک چیز نصفه‌نیمه بده بیرون و بگه «فعلا MVP، بعدا درستش می‌کنیم»، بیشتر از اینکه نشونه سرعت و چابکی باشه، نشونه نفهمیدن زمین بازیه. چون اگه محصولت حتی از آستانه‌ی تحمل سگمنت هدف هم پایین‌تر باشه، تو دیگه چیزی رو validate نکردی. فقط ثابت کردی آدم‌ها از محصول بد استفاده نمی‌کنن. و این کشف خیلی گرونی برای چیزی به این واضحیه. همه این‌ها رو گفتم تا یک چیزی رو بگم: MVP مجوز کار بی‌کیفیت نیست، ابزار یادگیریه. اما یادگیری وقتی معتبره که چیزی که جلوی کاربر گذاشتیم، واقعا شانس پذیرفته شدن داشته باشه. اگر چیزی بسازیم که از همون اول پایین‌تر از کف تحمل بازار هدف باشه، داده‌ای که ازش می‌گیریم هم بدردبخور نیست. نمی‌فهمیم ایده بد بوده، اجرا بد بوده، سگمنت اشتباه بوده، زمان‌بندی غلط بوده یا فقط تجربه محصول اونقدر ضعیف بوده که کسی حاضر نشده حتی فرصت فهمیدن ارزشش رو به خودش بده. قبل از AI، این اشتباه شاید قابل جبران بود. بعد از AI، زمان جبران کوتاه‌تر شده و کف بازار سریع‌تر بالا میره. پس هر بار که اسم MVP رو میاریم، بهتره قبل از اینکه به سرعت ساخت افتخار کنیم، یک سوال ساده‌تر بپرسیم: این چیزی که داریم می‌سازیم، واقعا حداقلِ محصولِ پذیرفتنیه یا فقط حداقل چیزیکه تونستیم با عجله بالا بیاریم و اسمش رو محصول بذاریم؟ #MVP @AbasiEhsan

این دوره روانشناسی محصول از امیرمحمد تهمتن رو به کسایی که دوست دارن با علوم رفتاری و اقتصاد رفتاری تو حوزه محصول آشنا بشن پیشنهاد می‌کنم: سطح مقدماتی https://maktabkhooneh.org/course/%D8%A2%D9%85%D9%88%D8%B2%D8%B4-%D8%B1%D9%88%D8%A7%D9%86%D8%B4%D9%86%D8%A7%D8%B3%DB%8C-%D9%85%D8%AD%D8%B5%D9%88%D9%84-mk9302/

این کتاب از معروف‌ترین‌ کتاب‌ها تو این زمینه‌است که نسخه انگلیسی و فارسیش رو براتون گذاشتم. واقعا خوندنش خالی از لطف نیست و حتما براتون جذابه اگه به علم رفتار علاقه داشته باشین.

https://fidibo.com/book/79369-کتاب-سقلمه

Nudge: Improving Decisions About Health, Wealth, and Happiness 🗞 Buy Persian Edition by Richard H. Thaler, Cass R. Sunstein 2009 312 pages Goodreads 3.8/5 #translated

قبلا سیستم‌ها نهایتا یه ریمایندر می‌فرستادن یا یه انتخاب پیش‌فرض میذاشتن جلو آدم. (همون Nudge معروف توی مباحث طراحی رفتار) و معمولا الگوریتم ثابتی وجود داشت. ولی الان داستان فرق کرده. الگوریتم‌ها مدام دارن خودشونو با رفتار ما تنظیم می‌کنن. یه ساجست رو رد می‌کنی؟ یکی جدید میاد. یه ویدئو رو بیشتر می‌بینی؟ فیدت عوض میشه. یه مسیر رو اشتباه میری؟ Maps سریع مسیر جدید میده. یعنی دیگه فقط «روی رفتار ما اثر نمی‌ذارن»؛ دارن لحظه‌ای رفتار ما رو یاد می‌گیرن و شکلش میدن. و این خیلی جذابه. پیشنهاد می‌کنم در مورد Nudge و Hypernudge این پست از CBD رو بخونین: https://www.linkedin.com/posts/becisions_from-behavioral-nudges-to-algorithmic-activity-7468274131269005313-oUe3?utm_source=share&utm_medium=member_ios&rcm=ACoAADfZyQYBRFClHgIZpExgEW8ctJWPwNpsTkI

COM-B

همونطور که دارید می‌بینید، COM-B به ما قدرت تشخیص رفتار بلاکر رو میده. یعنی ما تو مرحله‌ی اول باید تشخیص بدیم رفتاری که الان بلاکره چیه و تو کدوم کتگوری قرار می‌گیره، از جنس انگیزه‌اس یا توانایی؟ پس برای تشخیص نیاز داریم جواب این سوالا رو پیدا کنیم: COM-B…

همونطور که دارید می‌بینید، COM-B به ما قدرت تشخیص رفتار بلاکر رو میده. یعنی ما تو مرحله‌ی اول باید تشخیص بدیم رفتاری که الان بلاکره چیه و تو کدوم کتگوری قرار می‌گیره، از جنس انگیزه‌اس یا توانایی؟ پس برای تشخیص نیاز داریم جواب این سوالا رو پیدا کنیم: COM-B tip  Categorising barriers to behaviour in terms of capability (physical or psychological), opportunity (physical or social) and motivation (reflective or automatic) gets easier with practice. To help you navigate the model, you can ask yourself these questions:  Physical capability Do people need to overcome physical limitations to do the behaviour? Do people have the physical skills needed (dexterity, strength, eyesight…) Psychological capability Do people need to know more about the behaviour? Do the people need to understand why the behaviour is important? Do people need to overcome mental obstacles? Do people need to pay attention to do the behaviour? Do people find the behaviour easy to do? Physical opportunity Do people have the time to do the behaviour? Do people have the financial resources to do the behaviour? Do people need special tools to do the behaviour? Are there triggers in the environment to prompt the behaviour? Social opportunity Do people have the social support required to do the behaviour? Do other people encourage or discourage the behaviour? Do other people behave in a similar way? Reflective motivation Do people feel like they want or need to do the behaviour? Do people care about the consequences? Does the behaviour align with people’s goals and values? Do people have plans in action to achieve the behaviour? Do people believe that they can do the behaviour successfully?  Automatic motivation Do people have the habit of doing it? Do people feel good about doing/not doing the behaviour? Do people feel bad about doing/not doing the behaviour? Are people rewarded for doing/not doing the behaviour? اینجاست که باید بریم سراغ متدهای ریسرچ و بدون بایاس جواب سوالا رو پیدا کنیم تا بتونیم مشکلی که وجود داره رو درست فریمینگ کنیم. COM-B

COM-B

COM-B

یکی از مهم‌ترین و اصلی‌ترین متدهای طراحی رفتار هم این مدل COM-B جذابه. Capability, Opportunity, Motivation > Behavior تو این مقاله هم با کمک Deep Research این متد رو کامل بررسی کردیم که خوندنش خالی از لطف نیست. من در ادامه نمودارها و تمپلیت‌های این فریمورک رو هم اینجا میذارم. ۱۹ صفحه

مدتیه که دارم در مورد اقتصاد رفتاری و علم طراحی رفتار میخونم و سعی می‌کنم روی مطالبش مسلط بشم و توی کار ازش استفاده کنم. تو این مسیر با امیرمحمد تهمتن عزیز آشنا شدم [لینکدین] و ورکشاپ طراحی رفتارش رو شرکت کردم. هرچی بیشتر جلو میرم برام جذاب‌تر میشه و علاقه‌ام به یادگیری عمیق‌ترش بیشتر میشه. الان با فیچر Deep Research چندتا سورس خوب آماده کردم که شماهم اگه دوست دارین با این مبحث آشنا بشین با خوندن این مقاله‌ها میتونین تا حدی از مباحث طراحی رفتار سردربیارین. این مقاله خیلی کلی به تاریخچه و نظریه‌های طراحی رفتار اشاره میکنه و یه مرور مختصری هم روی فریمورک‌های طراحی رفتار داره. ۲۰ صفحه

یادگیری از طریق پرسیدن. این چیزی بود که تو مسیر کاری من خیلی کمکم کرد. خیلی از ابهام‌ها نه با خوندن کتاب و گذروندن دوره‌های مختلف، بلکه با یه گفت‌وگوی درست و پرسیدن سؤال‌هایی که تو ذهنم بود برام روشن شد. اگه تو مسیر یادگیری #UX_Research هستین، من می‌تونم کمک کنم: • کیس‌استادی‌هاتون دقیق‌تر و شفاف‌تر روایت بشه، • مسیر یادگیری‌تون ساختار مشخص‌تر بگیره، • برای مصاحبه‌ها آماده‌تر بشید، • درباره کار با تیم، ارائه نتایج ریسرچ و تقویت سافت‌اسکیل‌هایی که روی رشدتون اثر می‌ذاره با هم حرف بزنیم. اگه فکر می‌کنید این گفت‌وگو میتونه براتون مفید باشه، خوشحال می‌شم از طریق ADPList در ارتباط باشیم: https://adplist.org/mentors/shima-ahmadzadeh

در ادامه‌ی داستان انتشار محتوای تخصصی در لینکدین تو این مدت اینارو منتشرکردم: 21. 5 Problem Solving Framework بیشتر تیم‌ها نه به خاطر کند بودن، بلکه به خاطر حرکت سریع در مسیر اشتباه شکست می‌خورند. معرفی ۵ فریم‌ورک تصمیم‌گیری (Pre-Mortem Analysis, 5 Whys Framework, Decision Tree Analysis, Rapid SWOT, Impact vs Effort Matrix) برای اینکه به جای حل سطحی علائم، ریشه مشکلات را پیدا کنیم و با شفافیت تصمیم بگیریم. 22. LLM Stacks for PMs یک نمای کلی از Tech Stack مدل‌های زبانی بزرگ. به عنوان مدیر محصول اگر بخواهیم محصولات مبتنی بر هوش مصنوعی بسازیم، باید چه درکی از لایه‌های مختلف فنی و معماری آن‌ها داشته باشیم؟ 23. Trustworthy Metrics اگر متریک‌های شما نتوانند حقیقت را نشان دهند، عملاً بی‌استفاده‌اند. چطور مطمئن شویم داده‌هایی که جمع‌آوری می‌کنیم بازتاب‌دهنده واقعیت رفتار کاربر هستند و ما را با اعداد فریبنده (Vanity Metrics) گمراه نمی‌کنند؟ 24. Product Strategy to Action سخت‌ترین بخش استراتژی محصول نوشتن آن نیست، بلکه پایبندی به آن در اجراست. چطور بر چالش‌های عملیاتی غلبه کنیم و اجازه ندهیم کارهای روزمره ما را از استراتژی اصلی منحرف کنند؟ 25. Align the Startegy in Business چه‌جوری میتونیم استراتژی‌های بیزینس، پروداکت و تک رو باهم همسو کنیم؟ 26. 3*3 Matrix for Measuring Journey Performance یه ماتریس بدربخور و کاربردی برای اینکه متریک‌های پرفورمنسی مشتری، تجاری، عملیاتی رو در لایه‌های مختلف سفر مشتری بررسی کنیم. 27. Complexity حذف پیچیدگی لزوماً به معنای حل مسئله نیست. گاهی ساده‌سازی بیش از حد باعث می‌شود صورت مسئله پاک شود. 28. Premature Convergence (Double Diamond) همگرایی زودرس (Premature Convergence) یکی از گرون‌ترین اشتباه‌ها تو فرایند دیسکاوریست. چرا نباید به اولین راه‌حلی که به ذهنمان می‌رسد بچسبیم و چگونه فضای مسئله را برای رسیدن به راه‌حل‌های بهتر باز نگه داریم؟ 29. The 2026 Tech & Startup Landscape نگاهی به گزارش‌های منتشر شده در مورد آینده تکنولوژی و استارتاپ (مخصوصا AI) تو سال ۲۰۲۶ و پاسخ به این سوال که میتونیم انتظار چه چیزی رو تو سال بعد داشته باشیم؟ #ProductManagementCheatSheet #ProductCheatSheet @AbasiEhsan