یکی از مهمترین درسهایی که تاکنون،از کار در تیمهای کراس فانکشنال، یاد گرفتهام.
صادقانه بگویم، سختترین بخش ساختن محصول، ساختن فیچر نیست.
سختترین بخش این است که یک تیم، بالاخره روی یک تعریف مشترک از موفقیت به توافق برسد.
در ساخت محصولات دیجیتال، بهخصوص محصولاتی که AI در بخشی از آنها نقش دارد، خیلی راحت میشود مدل جدید اضافه کرد، قابلیت جدید ساخت، داشبورد جدید بالا آورد و تعداد تسکها را بیشتر کرد.
اما اینها لزوماً به معنی رشد محصول نیست.
اگر تیم نداند:
— دقیقاً کدام مسئله کاربر را حل میکند؛
— قرار است چه رفتاری را تغییر دهد؛
— موفقیت را با چه عددی بسنجد؛
— و چه کسی واقعاً مسئول نتیجه است؛
محصول فقط پیچیدهتر میشود، نه بهتر.
مکنزی در بررسی اخیر خود نوشته است که فقط ۷٪ شرکتها توانستهاند هوش مصنوعی را در مقیاس سازمانی توسعه دهند. یکی از موانع اصلی هم نبود دادهای است که قابلاعتماد، قابلردیابی و قابلاستفاده مجدد باشد.
هاروارد بیزنس ریویو هم روی یک نکته مهم تأکید میکند:
تیم محصول نباید فقط مسئول تحویل پروژه باشد؛ باید بعد از انتشار هم مالک نتیجه، پذیرش و عملکرد محصول بماند.
اما بخش مهمتر برای من، راهکار عملی است.
قبل از شروع هر فیچر، این ۵ سؤال باید پاسخ روشن داشته باشد:
۱. مسئله دقیقاً چیست؟
نه اسم فیچر، نه درخواست مدیر، نه چیزی که رقبا ساختهاند.
مسئله واقعی کاربر باید در یک جمله ساده و شفاف نوشته شود.
۲. قرار است چه رفتاری تغییر کند؟
کاربر سریعتر به ارزش برسد؟
بیشتر برگردد؟
پرداخت کند؟
اشتراک خود را تمدید کند؟
اگر تغییر رفتار مشخص نیست، احتمالاً هنوز مسئله را درست نفهمیدهایم.
۳. معیار موفقیت چیست؟
یک معیار اصلی انتخاب کنید.
با نقطه شروع، عدد هدف و بازه زمانی مشخص.
«بهبود تجربه کاربر» معیار نیست.
«افزایش نرخ بازگشت از ۲۰٪ به ۳۰٪ در سه ماه» معیار است.
۴. منبع حقیقت کجاست؟
تعریف متریک، منبع داده، منطق محاسبه و زمان بهروزرسانی باید برای همه یکسان باشد.
وقتی هر تیم عدد خودش را دارد، جلسه دیگر جلسه تصمیمگیری نیست؛ جلسه دفاع از برداشتهاست.
۵. مالک نتیجه کیست؟
برای هر نتیجه باید یک مالک مشخص وجود داشته باشد.
نه یک تیم مبهم.
نه چند نفر همزمان.
نه مسئولیتی که در نهایت روی زمین بماند.
قانونی که امروز برای جلسات محصول دارم
هر جلسه باید با این چهار خروجی تمام شود:
یک تصمیم، یک معیار، یک مالک و یک موعد بررسی.
اگر جلسه فقط با چند تسک جدید تمام شد، احتمالاً هنوز تصمیم محصولی نگرفتهایم؛ فقط کار توزیع کردهایم.
مهمترین درس من در اکیان این بوده است:
محصول با تعداد چیزهایی که میسازیم رشد نمیکند؛
با کیفیت تصمیمهایی که میگیریم رشد میکند.
و هر داشبوردی که نتواند یک تصمیم روشن ایجاد کند، فقط نسخه شیکتر و حرفهایتری از حدسزدن است.
منابع
تجربه شخصی من در مدیریت تیمهای کراس فانکشنال و رشد محصول و جذب یوزر
📌 McKinsey — AI Data Readiness: The Key to Scaling Impact
🔗 https://www.mckinsey.com/capabilities/mckinsey-technology/our-insights/ai-data-readiness-the-key-to-scaling-impact
📌Harvard Business Review — Why the Digital Product Model Beats Project-Based Approaches
🔗 https://hbr.org/2026/03/why-the-digital-product-model-beats-project-based-approaches
McKinsey & Company
AI data readiness: The key to scaling impact
Discover the six AI data readiness disciplines chief data officers must implement to scale enterprise AI safely and reliably across your organization.
2July 1, 2026 274 7
