Advisable
Πίσω στα Insights

Τα περισσότερα προϊόντα σχεδιάζονται για το μυαλό του ιδρυτή, όχι για την πραγματικότητα του χρήστη.

11 λεπτά ανάγνωση
Τα περισσότερα προϊόντα σχεδιάζονται για το μυαλό του ιδρυτή, όχι για την πραγματικότητα του χρήστη.

Συνοπτικά Σύμφωνα με την ανάλυση του CB Insights για το 2024 σε 431 αποτυχημένες εταιρείες που είχαν λάβει χρηματοδότηση από VC, το 43% ανέφερε την ανεπαρκή αντιστοιχία προϊόντος - αγοράς ως την αιτία της αποτυχίας του, καθιστώντας την τον μοναδικό πιο συνηθισμένο λόγο αποτυχίας των startups, μπροστά από το να ξεμείνουν από χρήματα.

Η έρευνα ανάλυσης προϊόντων της Pendo σε χιλιάδες ενεργά προϊόντα δείχνει ότι μόνο το 6,4% των λειτουργιών οδηγεί το 80% της πραγματικής δραστηριότητας των χρηστών, και ότι το 80% των λειτουργιών του λογισμικού χρησιμοποιείται σπάνια ή ποτέ. Ο μηχανισμός πίσω και από τα δύο στατιστικά στοιχεία είναι ο ίδιος: οι ιδρυτές δημιουργούν με βάση το πώς βιώνουν οι ίδιοι το πρόβλημα, και όχι το πώς το βιώνουν οι χρήστες τους.

Η έρευνα του Nielsen Norman Group για το φαινόμενο της ψευδούς συναίνεσης και τη μεροληψία επιβεβαίωσης τεκμηριώνει ακριβώς γιατί συμβαίνει αυτό, και γιατί είναι τόσο δύσκολο να εντοπιστεί εκ των έσω. Το αποτέλεσμα δεν είναι απλώς χαμένος χρόνος των μηχανικών. Είναι προϊόντα που οι χρήστες εγκαταλείπουν, λειτουργίες που μένουν αχρησιμοποίητες και εταιρείες που εξαντλούν τα διαθέσιμά τους περιμένοντας μια απήχηση που δεν θα ερχόταν ποτέ, επειδή το προϊόν δεν δημιουργήθηκε ποτέ για τους ανθρώπους που υποτίθεται ότι θα το χρησιμοποιούσαν.

Ο Αριθμός που θα Έπρεπε να Ανησυχεί Κάθε Ιδρυτή

Το 2024, το CB Insights ανανέωσε την ανάλυση - ορόσημο που είχε εκπονήσει για την αποτυχία των startup, εξετάζοντας αυτή τη φορά 431 εταιρείες που είχαν λάβει χρηματοδότηση από VC και έκλεισαν από το 2023 και μετά. Το κύριο εύρημα ήταν σχεδόν πανομοιότυπο με την αρχική τους μελέτη μια δεκαετία νωρίτερα: το 43% των αποτυχημένων startups ανέφερε την ανεπαρκή αντιστοιχία προϊόντος - αγοράς ως κύρια αιτία αποτυχίας.

Αυτός ο αριθμός παραμένει πεισματικά σταθερός σε δύο διαφορετικές δεκαετίες και με τετραπλάσια δεδομένα. Δεν είναι μια τυχαία διακύμανση. Είναι ένα δομικό μοτίβο στον τρόπο με τον οποίο κατασκευάζονται τα προϊόντα.

Το CB Insights είναι σαφές στην ανανέωση του 2024 σχετικά με το τι σημαίνει αυτό: η εξάντληση των μετρητών, η οποία επηρέασε το 70% των αποτυχιών, είναι το πιο ορατό τελικό σημείο. Η ανεπαρκής αντιστοιχία προϊόντος - αγοράς είναι το υποκείμενο μοτίβο που αναφέρεται συχνότερα.

Οι λόγοι για τους οποίους συμβαίνει αυτό δεν είναι πάντα οι ίδιοι - ο συγχρονισμός, οι συνθήκες της αγοράς και η εκτέλεση διασταυρώνονται - αλλά το πιο σταθερό κοινό στοιχείο στις αναλύσεις αποτυχίας είναι το ίδιο: το προϊόν δεν δημιουργήθηκε για τους ανθρώπους που υποτίθεται ότι θα το χρησιμοποιούσαν.

Αυτό δεν είναι αμιγώς πρόβλημα χρηματοδότησης. Είναι πρωτίστως πρόβλημα νοοτροπίας, και το πρόβλημα νοοτροπίας προηγείται.

Τι Χρησιμοποιείται στην Πραγματικότητα

Η κλίμακα της αναντιστοιχίας μεταξύ αυτού που δημιουργούν οι ιδρυτές και αυτού που κάνουν πραγματικά οι χρήστες γίνεται σαφέστερη όταν εξετάζετε τα δεδομένα χρήσης του προϊόντος, και όχι απλώς τις αναλύσεις αποτυχίας.

Η Pendo, μια πλατφόρμα ανάλυσης προϊόντων που παρακολουθεί την πραγματική συμπεριφορά των χρηστών σε χιλιάδες προϊόντα λογισμικού, δημοσιεύει δείκτες αναφοράς για την υιοθέτηση λειτουργιών, δηλαδή πόσες λειτουργίες σε ένα δεδομένο προϊόν χρησιμοποιούνται πραγματικά. Τα αποτελέσματα είναι αποκαλυπτικά. Στο μέσο προϊόν, μόλις το 6,4% των λειτουργιών οδηγεί το 80% της συνολικής δραστηριότητας των χρηστών. Ακόμη και μεταξύ των προϊόντων με το κορυφαίο performance στο σύνολο δεδομένων τους, ο αριθμός αυτός αυξάνεται μόνο στο 15,6%.

Το υπόλοιπο, η συντριπτική πλειοψηφία όσων σχεδιάστηκαν, κατασκευάστηκαν, συζητήθηκαν, βελτιώθηκαν επαναληπτικά και κυκλοφόρησαν, παραμένει σε μεγάλο βαθμό αχρησιμοποίητο.

Μια ξεχωριστή έκθεση της Pendo το θέτει ευθέως:

Το 80% των λειτουργιών του λογισμικού χρησιμοποιείται σπάνια ή ποτέ.

Και το πρόβλημα εκτείνεται πέρα από όσα δημιουργούν οι ομάδες εσωτερικά: το 49% του συνόλου του λογισμικού που αγοράζουν οι επιχειρήσεις παραμένει επίσης αχρησιμοποίητο.

Δεν είναι κάθε λειτουργία με χαμηλή χρήση ένα λάθος - ορισμένες εξυπηρετούν πραγματικές αλλά όχι συχνές ανάγκες, και κάποιες αποτελούν απαραίτητη υποδομή με την οποία οι χρήστες δεν αλληλεπιδρούν ποτέ άμεσα. Αλλά το γενικό συμπέρασμα είναι δύσκολο να αμφισβητηθεί. Στην κλίμακα που μετρά η Pendo, το χάσμα μεταξύ αυτού που δημιουργούν οι ομάδες προϊόντος και αυτού που οι χρήστες πραγματικά επιλέγουν να χρησιμοποιήσουν δεν είναι οριακό. Είναι δομικό.

Iceberg diagram showing 20% Used Features above water and 80% Unused Features below water

Γιατί Συνεχίζει να Συμβαίνει

Τα δεδομένα περιγράφουν την κλίμακα του προβλήματος. Αυτό που δεν εξηγούν είναι γιατί το ίδιο λάθος συνεχίζει να εμφανίζεται σε διαφορετικές εταιρείες, διαφορετικούς κλάδους και διαφορετικές δεκαετίες. Για αυτό, η πιο χρήσιμη δουλειά προέρχεται από το Nielsen Norman Group, οι ερευνητές του οποίου έχουν μελετήσει τους γνωστικούς μηχανισμούς πίσω από τον τρόπο με τον οποίο οι δημιουργοί προϊόντων παρερμηνεύουν τους χρήστες τους.

Ο πρώτος μηχανισμός είναι αυτό που το NN/g αποκαλεί φαινόμενο της ψευδούς συναίνεσης: η τάση των ανθρώπων να υποθέτουν ότι οι άλλοι μοιράζονται τις πεποιθήσεις, τα νοητικά μοντέλα και τις συμπεριφορές τους. Σε όρους προϊόντος, αυτό σημαίνει ότι οι ιδρυτές και οι σχεδιαστές υποθέτουν εκ φύσεως ότι ο τρόπος που βιώνουν ένα πρόβλημα είναι ο τρόπος που το βιώνουν και οι χρήστες τους.

Γνωρίζουν τον τομέα σε βάθος. Ζουν μέσα στο πρόβλημα για μήνες ή χρόνια. Αυτή η εξειδίκευση, παραδόξως, καθιστά δυσκολότερο να δουν πώς ένας νέος ή λιγότερο έμπειρος χρήστης προσεγγίζει πραγματικά την ίδια κατάσταση.

Το άρθρο του Nielsen Norman Group για το φαινόμενο της ψευδούς συναίνεσης το δηλώνει ξεκάθαρα: η υπόθεση ότι είστε ο χρήστης σας είναι μια πλάνη ριζωμένη στο ανθρώπινο μυαλό. Δεν είναι μια προσωπική αδυναμία. Είναι ένα τεκμηριωμένο γνωστικό μοτίβο, και ισχύει για έμπειρους σχεδιαστές, developers και ερευνητές, όχι μόνο για πρωτοεμφανιζόμενους ιδρυτές.

Αξίζει να είμαστε ακριβείς σε αυτό το σημείο. Το πρόβλημα δεν είναι η ίδια η διαίσθηση του ιδρυτή. Μερικά από τα προϊόντα με τη μεγαλύτερη επίδραση τις τελευταίες δεκαετίες δημιουργήθηκαν προτού οι χρήστες μπορέσουν να εκφράσουν τι ήθελαν.

Το πρόβλημα είναι η ανεξέλεγκτη διαίσθηση, η πεποίθηση που δεν δοκιμάζεται ποτέ σε πραγματικές συνθήκες έναντι της πραγματικής συμπεριφοράς των χρηστών, που συσσωρεύει επενδύσεις και δυναμική πριν κλείσει ο βρόχος ανάδρασης. Η διαίσθηση που δοκιμάζεται νωρίς και συχνά είναι ανταγωνιστικό πλεονέκτημα. Η διαίσθηση που μετατρέπεται σε φρούριο είναι αυτό που γεμίζει το σύνολο δεδομένων του CB Insights.

Ο δεύτερος μηχανισμός επιδεινώνει τον πρώτο. Η μεροληψία επιβεβαίωσης, όπως τεκμηριώνεται από το NN/g σε ένα ειδικό άρθρο για το πώς οι γνωστικές μεροληψίες επηρεάζουν τους επαγγελματίες του UX, λειτουργεί ως εξής:

Όσο περισσότερο έχετε επενδύσει σε έναν σχεδιασμό ή μια απόφαση, τόσο πιο επιθετικά φιλτράρετε τα εισερχόμενα στοιχεία για να την υποστηρίξετε. Μια ομάδα που έχει αφιερώσει έξι μήνες για την ανάπτυξη μιας λειτουργίας θα ερμηνεύσει τη διφορούμενη ανατροφοδότηση των χρηστών προς την κατεύθυνση ότι η λειτουργία είναι εντάξει. Μια ομάδα που εργάζεται πάνω σε αυτή για δύο εβδομάδες θα είναι πολύ πιο ανοιχτή στην πιθανότητα ότι η λειτουργία είναι λανθασμένη.

Συνδυαστικά, αυτά τα δύο φαινόμενα δημιουργούν μια προβλέψιμη παγίδα. Ο ιδρυτής δημιουργεί με βάση το δικό του νοητικό μοντέλο για το πρόβλημα. Η ομάδα επενδύει μήνες σε αυτό το μοντέλο. Μέχρι να φτάσουν τα δεδομένα των χρηστών που δείχνουν ότι το μοντέλο ήταν λανθασμένο, η επένδυση στην αρχική κατεύθυνση έχει γίνει τόσο ισχυρή που τα δεδομένα δικαιολογούνται, υποβαθμίζονται σε προτεραιότητα ή ερμηνεύονται με επιείκεια. Το προϊόν συνεχίζει να κινείται προς τη λάθος κατεύθυνση.

Το Κόστος δεν Είναι Μόνο ο Χρόνος των Μηχανικών

Όταν αυτό το μοτίβο εκτυλίσσεται σε μεγάλη κλίμακα, το κόστος εκτείνεται πολύ πέρα από τους χαμένους κύκλους sprint.

Η έρευνα του Startup Genome, βασισμένη σε δεδομένα από περισσότερες από 3.200 τεχνολογικές startups υψηλού growth, διαπίστωσε ότι η πρόωρη κλιμάκωση - η ανάπτυξη και η επέκταση πριν από την επικυρωμένη ανάγκη των χρηστών - αποτελεί παράγοντα στο 70% των αποτυχιών των startup στο σύνολο δεδομένων τους.

Καμία startup στο σύνολο δεδομένων τους που κλιμακώθηκε πρόωρα δεν ξεπέρασε το όριο των 100.000 χρηστών. Οι ομάδες προσλαμβάνουν, δημιουργούν, κάνουν marketing και αντλούν κεφάλαια, όλα αυτά πριν επιβεβαιώσουν ότι αυτό που φτιάχνουν είναι κάτι που οι πραγματικοί χρήστες θέλουν να χρησιμοποιήσουν. Μέχρι να φτάσει το σήμα, η εταιρεία έχει δαπανήσει πόρους που δεν μπορεί να ανακτήσει.

Σε επίπεδο προϊόντος, η έρευνα της Pendo καθιστά τη χρηματοοικονομική διάσταση απτή. Μια εταιρεία λογισμικού που δαπανά το μέσο ποσοστό εσόδων του κλάδου σε R&D μπορεί να αφιερώνει 8,4 εκατομμύρια δολάρια ετησίως - βάσει του υπολογισμού της ίδιας της Pendo με χρήση των στοιχείων εσόδων cloud της Gartner και των αναφερόμενων δαπανών R&D από 54 δημόσιες εταιρείες λογισμικού - σε λειτουργίες που οι πελάτες χρησιμοποιούν σπάνια ή ποτέ. Αυτό δεν είναι σφάλμα στρογγυλοποίησης. Είναι η πλειοψηφία της ετήσιας παραγωγής μιας ομάδας προϊόντος που κατευθύνεται σε πράγματα που οι χρήστες θα αγνοήσουν.

Και οι επακόλουθες επιπτώσεις στη διατήρηση πελατών είναι άμεσες. Τα δεδομένα της Pendo δείχνουν ότι οι αχρησιμοποίητες λειτουργίες μειώνουν την αντιληπτή αξία ενός προϊόντος από τον πελάτη και μειώνουν την προθυμία του να ανανεώσει στην ίδια τιμή, ή και να ανανεώσει γενικότερα. Το προϊόν δεν αποτυγχάνει κατά την κυκλοφορία του. Αποτυγχάνει αργά, μέσω της σταδιακής απώλειας πελατών, καθώς οι χρήστες που δεν εξυπηρετήθηκαν ποτέ πλήρως από αυτό βρίσκουν κάτι που τους εξυπηρετεί καλύτερα.

Τι Απαιτείται Πραγματικά για να το Πετύχετε

Η λύση δεν είναι περισσότερες συνεδρίες ανατροφοδότησης από χρήστες ή μεγαλύτερες φάσεις διερεύνησης, αν και και τα δύο βοηθούν. Είναι μια αλλαγή στην υποκείμενη παραδοχή που καθοδηγεί τις αποφάσεις για το προϊόν.

Το φαινόμενο της ψευδούς συναίνεσης και η μεροληψία επιβεβαίωσης δεν εξαφανίζονται μέσω καλών προθέσεων. Είναι δομικά γνωστικά μοτίβα. Το μόνο πράγμα που τα ξεπερνά με συνέπεια είναι η επαφή με την πραγματική συμπεριφορά των χρηστών - όχι η αναφερόμενη συμπεριφορά, όπου οι χρήστες σας λένε αυτό που νομίζουν ότι θέλετε να ακούσετε, αλλά η παρατηρούμενη συμπεριφορά, όπου παρακολουθείτε τι κάνουν στην πραγματικότητα.

Η έρευνα του Nielsen Norman Group για τη μεροληψία επιβεβαίωσης είναι συγκεκριμένη σχετικά με το τι σημαίνει αυτό στην πράξη: ο στόχος της έρευνας δεν είναι να επικυρώσει αυτό που ήδη πιστεύετε. Είναι να αποκαλύψει αυτό που δεν γνωρίζατε. Τη στιγμή που μια ερευνητική διαδικασία μετατρέπεται σε άσκηση επιβεβαίωσης, δημιουργώντας σενάρια δοκιμών γύρω από την υπόθεση ότι ο τρέχων σχεδιασμός λειτουργεί, έχει πάψει να είναι χρήσιμη.

Τα δεδομένα συμπεριφοράς σάς λένε τι κάνουν οι χρήστες. Δεν σας λένε πάντα το γιατί. Οι πιο αξιόπιστες αποφάσεις για το προϊόν συνδυάζουν και τα δύο: αναλύσεις χρήσης για τον εντοπισμό των κενών, και ποιοτική έρευνα - συνεντεύξεις, συνεδρίες ευχρηστίας, παρατήρηση ανοιχτού τύπου - για την κατανόηση του σκεπτικού πίσω από τη συμπεριφορά. Κανένα από τα δύο από μόνο του δεν είναι επαρκές.

Τα δεδομένα συμπεριφοράς χωρίς ποιοτικό πλαίσιο κινδυνεύουν να βελτιστοποιήσουν πολύ αποτελεσματικά τη λάθος μέτρηση. Η ποιοτική έρευνα χωρίς θεμελίωση σε δεδομένα συμπεριφοράς κινδυνεύει να παρασυρθεί από αυτά που λένε οι χρήστες αντί για αυτά που κάνουν.

Αυτό απαιτεί προθυμία να κάνετε λάθος σχετικά με το προϊόν, όχι μία φορά, στην αρχή, αλλά συνεχώς. Οι περισσότερες ομάδες είναι πρόθυμες να κάνουν λάθος μία φορά. Σχεδόν καμία δεν είναι πρόθυμη να ανακαλύψει ότι έκανε λάθος για έξι μήνες.

Τα δεδομένα του CB Insights είναι συνεπή εδώ και μια δεκαετία: στις εταιρείες που απέτυχαν δεν έλειπε η πεποίθηση. Τους έλειπαν τα αποδεικτικά στοιχεία ότι η πεποίθηση ήταν σωστή. Και μέχρι να αναζητήσουν αυτά τα στοιχεία, είχαν ήδη δημιουργήσει πάρα πολλά για να τα αποδεχτούν.

Η Ειλικρινής Σύνοψη

Ο αριθμός 43% από το CB Insights δεν περιγράφει το 43% των ιδρυτών που ήταν απρόσεκτοι ή απλοϊκοί. Περιγράφει τι συμβαίνει όταν έξυπνοι άνθρωποι με ισχυρά κίνητρα δημιουργούν προϊόντα μέσα από το δικό τους νοητικό μοντέλο για ένα πρόβλημα, χωρίς αρκετή τριβή με την πραγματικότητα του πώς διαφορετικοί χρήστες βιώνουν το ίδιο πρόβλημα.

Τα δεδομένα χρήσης της Pendo δείχνουν ότι ακόμη και όταν τα προϊόντα φτάνουν στους χρήστες, η αναντιστοιχία παραμένει σε επίπεδο λειτουργιών: τα περισσότερα από όσα κατασκευάζονται δεν χρησιμοποιούνται. Η έρευνα του Nielsen Norman Group εξηγεί γιατί αυτό είναι γνωστικά προβλέψιμο και γιατί είναι δύσκολο να εντοπιστεί από το εσωτερικό της ομάδας που κατασκευάζει το προϊόν.

Το χάσμα μεταξύ του προϊόντος που νομίζετε ότι κατασκευάζετε και του προϊόντος που οι χρήστες σας έχουν πραγματικά δεν είναι ένα κενό στην εκτέλεση. Είναι ένα κενό στην οπτική γωνία. Και ο μόνος τρόπος για να το κλείσετε είναι να καταστήσετε την πραγματικότητα του χρήστη, και όχι τη διαίσθηση του ιδρυτή, την κύρια εισροή για το τι θα κατασκευαστεί στη συνέχεια.

Πηγές

  1. CB Insights, «Γιατί αποτυγχάνουν οι startups: Οι 9 κορυφαίοι λόγοι», ανανέωση 2024 (431 αποτυχημένες εταιρείες που είχαν λάβει χρηματοδότηση από VC): cbinsights.com
  2. Pendo, «Δείκτες αναφοράς υιοθέτησης λειτουργιών: Γιατί η υιοθέτηση λειτουργιών μπορεί να είναι η μεγαλύτερη αδυναμία σας - ή η δύναμή σας»: pendo.io
  3. Pendo, «Λύνοντας την κρίση της εμπειρίας λογισμικού»: pendo.io
  4. Pendo, «Δείκτες αναφοράς λογισμικού 2024: Γνώσεις για ανάπτυξη βασισμένη σε δεδομένα»: pendo.io
  5. Nielsen Norman Group, «Δεν είστε ο χρήστης: Το φαινόμενο της ψευδούς συναίνεσης»: nngroup.com
  6. Nielsen Norman Group, «Η μεροληψία επιβεβαίωσης στο UX»: nngroup.com
  7. Nielsen Norman Group, «Πλαίσια αποφάσεων: Πώς οι γνωστικές μεροληψίες επηρεάζουν τους επαγγελματίες του UX»: nngroup.com
  8. Startup Genome, «Μια εις βάθος ματιά στην ανατομία της πρόωρης κλιμάκωσης» (σύνολο δεδομένων 3.200+ startups): startupgenome.com
Πίσω στα Insights
Κοινοποίηση:
Το 84% των Ελλήνων εργοδοτών δεν μπορεί να βρει εξειδικευμένο Tech Talent: Δείτε γιατί το pipeline έχει σπάσει
article

Το 84% των Ελλήνων εργοδοτών δεν μπορεί να βρει εξειδικευμένο Tech Talent: Δείτε γιατί το pipeline έχει σπάσει

Το 84% των Ελλήνων εργοδοτών αδυνατεί να καλύψει τις κενές θέσεις εργασίας σύμφωνα με την Παγκόσμια Έρευνα Έλλειψης Ταλέντων της ManpowerGroup για το 2026, ποσοστό που κατατάσσει τη χώρα στη δεύτερη θέση στην Ευρώπη, μπροστά από τη Γερμανία και την Πορτογαλία. Οι μεγαλύτερες ελλείψεις παρατηρούνται στους τομείς του cybersecurity, του AI engineering, της cloud architecture, του UX design και του software development. Τρία προβλήματα συσσωρεύονται: η δεκαετία της κρίσης εξώθησε σε μετανάστευση μια ολόκληρη γενιά ταλέντων τεχνολογίας, το πανεπιστημιακό σύστημα παράγει περίπου τους μισούς αποφοίτους ICT από όσους χρειάζεται η αγορά, και τα οφέλη από την αύξηση της παραγωγικότητας στην ελληνική οικονομία δεν μετακυλίονται στους μισθούς των εργαζομένων.

Διαβάστε περισσότερα
Πώς να δημιουργήσετε μια ομάδα 5 ατόμων που αποδίδει σαν εταιρεία 20 ατόμων με AI tooling.
article

Πώς να δημιουργήσετε μια ομάδα 5 ατόμων που αποδίδει σαν εταιρεία 20 ατόμων με AI tooling.

Οι περισσότερες μικρές ομάδες δεν είναι AI-native, είναι παραδοσιακές ομάδες που χρησιμοποιούν εργαλεία AI. Μια AI-native ομάδα καταργεί ολόκληρα οργανωτικά επίπεδα και αναδομείται γύρω από 5 λειτουργικά συστήματα, το καθένα υπό την ευθύνη ενός ατόμου που ενορχηστρώνει το AI αντί να εκτελεί εργασίες. Δείτε πώς είναι στην πραγματικότητα αυτό το μοντέλο, πού εφαρμόζεται και γιατί οι περισσότερες προσπάθειες για τη δημιουργία του αποτυγχάνουν.

Διαβάστε περισσότερα
Η AI συγχωνεύει τρεις ρόλους σε έναν. Ποιος έχει όντως τα προσόντα;
article

Η AI συγχωνεύει τρεις ρόλους σε έναν. Ποιος έχει όντως τα προσόντα;

Το Agentic engineering επιτρέπει σε ένα άτομο να επιτελεί το έργο ενός product manager, ενός UX designer και ενός developer. Ωστόσο, ποιο υπόβαθρο προετοιμάζει πράγματι κάποιον να αξιολογήσει το AI output σε σύγκριση με τον τρόπο που οι πραγματικοί χρήστες σκέφτονται, συμπεριφέρονται και αποτυγχάνουν; Η απάντηση δεν είναι η προφανής, και το χάσμα προσόντων έχει επιπτώσεις στον τρόπο με τον οποίο οι ομάδες προσλαμβάνουν και στο πώς τα προϊόντα λειτουργούν πραγματικά in production.

Διαβάστε περισσότερα