تعیین معیارهای محصول با پرامپت (Setting Product Metrics with Prompts)، فرایند طراحی پرامپت‌هایی است که به مدل‌های زبانی بزرگ (Large Language Models یا LLM) کمک می‌کند شاخص‌های مناسب برای سنجش موفقیت محصول را انتخاب، تعریف و پیاده‌سازی کنند. در تیم‌های محصول، تفاوت میان شاخص‌های تزئینی و شاخص‌های معنادار، تفاوت میان تصمیم‌گیری داده‌محور و تصمیم‌گیری بر اساس حدس است. پرامپت خوب می‌تواند این تفاوت را روشن کند و به تیم محصول چارچوبی برای سنجش ارائه دهد. اگر پرامپت ضعیف باشد، خروجی به فهرستی از شاخص‌های عمومی محدود می‌شود که به تصمیم واقعی کمک نمی‌کند. برای درک این حوزه، ابتدا باید با پرامپت نویسی چیست و ساختار یک پرامپت مؤثر آشنا باشیم.

در پروژه‌هایی که تیم‌های محصول از مدل‌های زبانی برای تعریف معیارها استفاده می‌کردند، مشاهده شد که بزرگ‌ترین مشکل، تمرکز بر شاخص‌های Vanity است. شاخص‌هایی مانند تعداد بازدید یا تعداد کاربران، ممکن است خوب به‌نظر برسند اما به تصمیم‌های واقعی منجر نمی‌شوند. پرامپت دقیق می‌تواند این تله را شناسایی و از آن پرهیز کند. اگر با نقش زمینه و بافت در پرامپت نویسی آشنا هستید، آماده‌اید تا به لایه معیارها وارد شوید.

تعیین معیارهای محصول با پرامپت را می‌توان با نوشتن یک چارچوب سنجش برای تیم محصول مقایسه کرد: هرچه چارچوب دقیق‌تر و مبتنی بر هدف باشد، تصمیم‌ها معتبرتر هستند. در سامانه‌های LLM، این چارچوب همان پرامپت است. برای مطالعه بیشتر درباره مبانی، صفحه Performance Indicator در ویکی‌پدیا مرور مفیدی ارائه می‌دهد.

تعیین معیارهای محصول با پرامپت چیست؟

تعیین معیارهای محصول با پرامپت، فرایند طراحی پرامپت‌هایی است که به مدل زبانی کمک می‌کند شاخص‌های مناسب برای سنجش موفقیت محصول را انتخاب و تعریف کند. این پرامپت‌ها، در چند دسته اصلی قرار می‌گیرند.

دسته‌های اصلی

  • پرامپت‌های انتخاب معیار: برای یافتن شاخص‌های مناسب.
  • پرامپت‌های تعریف معیار: برای تعریف دقیق فرمول و معیار موفقیت.
  • پرامپت‌های ساخت درخت معیار: برای سازماندهی معیارها در سطوح مختلف.
  • پرامپت‌های بررسی معیار: برای ارزیابی کیفیت معیارهای موجود.
  • پرامپت‌های هشدار زودهنگام: برای تعریف آستانه‌های هشدار.

تفاوت با پرامپت عمومی

پرامپت عمومی، یک فهرست توصیفی تولید می‌کند. پرامپت تعیین معیار، باید خروجی‌ای تولید کند که قابل‌اندازه‌گیری، قابل‌ردیابی و مرتبط با هدف کسب‌وکار باشد.

نقش پرامپت در فرهنگ داده‌محور

پرامپت تعیین معیار، ابزاری برای ساختن فرهنگ داده‌محور در تیم است. اما این ابزار، جایگزین تصمیم‌گیری انسانی نیست؛ چارچوبی برای ساخت آن است.

پرامپت تعیین معیار، ابزاری برای تفکیک شاخص‌های معنادار از شاخص‌های تزئینی است.

تفاوت شاخص تزئینی و اقدام‌محور

یکی از مهم‌ترین مباحث در تعیین معیار، تفاوت میان شاخص‌های تزئینی (Vanity Metrics) و اقدام‌محور (Actionable Metrics) است.

ویژگی‌های شاخص تزئینی

  • به‌راحتی افزایش می‌یابد اما معنای واقعی ندارد.
  • به تصمیم‌گیری کمک نمی‌کند.
  • ممکن است گمراه‌کننده باشد.
  • مثال: تعداد بازدید کل، تعداد فالوور، تعداد دانلود.

ویژگی‌های شاخص اقدام‌محور

  • قابل‌اندازه‌گیری با دقت است.
  • به تصمیم مشخص منجر می‌شود.
  • قابل‌تأثیرگذاری توسط تیم است.
  • مثال: نرخ تبدیل، نرخ حفظ مشتری، LTV.

پرامپت تفکیک معیار

You are a product analytics expert. Analyze the following list
of metrics and classify each as vanity or actionable.

Metrics:
{metrics_list}

For each metric, provide:
1. Classification (vanity/actionable)
2. Reasoning
3. If vanity, suggest an actionable alternative
4. How this metric connects to business goals
5. What decision this metric would inform

Important:
- Base analysis on product management best practices.
- Provide specific alternatives, not generic suggestions.

ترکیب با اهداف کسب‌وکار

معیارهای اقدام‌محور باید به اهداف کسب‌وکار متصل باشند. برای مطالعه بیشتر، پست تعیین معیارهای محصول با پرامپت را ببینید.

انتخاب North Star Metric

North Star Metric، شاخص اصلی است که موفقیت بلندمدت محصول را نشان می‌دهد. پرامپت می‌تواند در انتخاب این شاخص کمک کند.

ویژگی‌های North Star Metric

  • مرتبط با ارزش: نشان‌دهنده ارزش واقعی محصول برای کاربر.
  • قابل‌اندازه‌گیری: به‌صورت عددی قابل سنجش.
  • قابل‌تأثیرگذاری: تیم می‌تواند آن را بهبود دهد.
  • پیش‌بین رشد: رشد آن، رشد کسب‌وکار را پیش‌بینی می‌کند.

پرامپت انتخاب North Star

You are a product strategist. Recommend a North Star Metric for
the following product.

Product: {product_description}
Business model: {business_model}
Target audience: {audience}
Current stage: {stage}

Provide:
1. Recommended North Star Metric
2. Definition and formula
3. Why this metric fits the product
4. Alternative candidates (2-3)
5. For each alternative: pros and cons
6. How to measure it
7. Warning signs if this metric is misused

Important:
- The metric should reflect VALUE delivered to users, not just revenue.
- Consider the specific business model.
- Do NOT choose vanity metrics.

نمونه‌های North Star در صنایع مختلف

  • SaaS: تعداد کاربران فعال روزانه که به ارزش رسیده‌اند.
  • فروشگاه آنلاین: تعداد سفارش‌های تکمیل‌شده در ماه.
  • پلتفرم محتوا: زمان کل تماشای محتوا در ماه.
  • اپلیکیشن آموزشی: تعداد دوره‌های تکمیل‌شده.
  • شبکه اجتماعی: تعداد تعاملات معنادار در روز.

ساخت درخت معیارها

پس از انتخاب North Star، باید معیارهای زیرمجموعه تعریف شوند. این ساختار که Metric Tree نامیده می‌شود، تصویر کاملی از عملکرد محصول ارائه می‌دهد.

پرامپت ساخت درخت معیار

You are a product analytics expert. Build a metric tree for
the following product.

North Star Metric: {north_star}
Business goal: {goal}
Product: {product}

Provide:
1. Level 1: Input metrics directly affecting North Star
2. Level 2: Sub-metrics for each Level 1 metric
3. Level 3: Operational metrics per sub-metric
4. Relationship between metrics
5. Which team owns each metric
6. Frequency of measurement

Format: hierarchical tree structure.

Example structure:
North Star
├── Input Metric 1
│   ├── Sub-metric 1.1
│   │   └── Operational 1.1.1
│   └── Sub-metric 1.2
└── Input Metric 2
    ├── Sub-metric 2.1
    └── Sub-metric 2.2

ارتباط با قیف تبدیل

درخت معیار می‌تواند با قیف تبدیل هماهنگ شود. برای جزئیات، پست Conversion Funnel چیست را ببینید.

تخصیص مالکیت

هر معیار باید یک مالک مشخص داشته باشد. پرامپت می‌تواند در تخصیص مالکیت کمک کند.

تعریف OKR با پرامپت

OKR (Objectives and Key Results)، چارچوبی برای تعیین اهداف و نتایج کلیدی است. پرامپت می‌تواند در تعریف OKR کمک کند.

پرامپت تعریف OKR

You are a product leader. Define OKRs for the following product
team for the next quarter.

Product: {product}
Team: {team}
Business goal: {goal}
Available resources: {resources}

Provide:
1. 3 Objectives (qualitative, inspiring)
2. For each Objective: 3 Key Results (quantitative, measurable)
3. For each Key Result: baseline, target, measurement method
4. Alignment with company OKRs
5. Potential conflicts between OKRs
6. Leading indicators to monitor weekly

Requirements:
- Objectives should be ambitious but achievable.
- Key Results should be outcome-based, not activity-based.
- Avoid vague language.
- Each Key Result must have a clear owner.

تفاوت OKR و KPI

OKR و KPI دو چارچوب متفاوت هستند. OKR برای جهت‌دهی و اولویت‌گذاری، KPI برای پایش مستمر عملکرد. پرامپت می‌تواند تفاوت را روشن کند.

OKR در استارتاپ‌ها

در استارتاپ‌ها، OKR می‌تواند ابزار مهمی برای تمرکز باشد. برای مطالعه بیشتر، پست OKR در تیم‌سازی را ببینید.

شاخص‌های پیشرو و پسرو

شاخص‌های پیشرو (Leading) نشانه‌های زودهنگام تغییر هستند. شاخص‌های پسرو (Lagging) نتیجه نهایی را نشان می‌دهند.

پرامپت تفکیک شاخص‌ها

Classify the following metrics as leading or lagging indicators
for the product.

Product: {product}
Metrics: {metrics_list}

For each metric:
1. Classification (leading/lagging)
2. Time delay between change and effect
3. Predictive power for business outcomes
4. Recommended frequency of measurement
5. Actionability for the team

Then provide:
- Top 3 leading indicators to monitor weekly
- Top 3 lagging indicators to review monthly
- Relationship between them

اهمیت تعادل

تمرکز صرف بر شاخص‌های پسرو، تیم را دیر به مشکل می‌رساند. تمرکز صرف بر شاخص‌های پیشرو، ممکن است تیم را از نتیجه نهایی دور کند. تعادل میان این دو، کلید سنجش موفق است.

پایش پیوسته

شاخص‌های پیشرو باید به‌صورت هفتگی یا حتی روزانه پایش شوند. شاخص‌های پسرو می‌توانند ماهانه پایش شوند.

شاخص‌های متقابل

یکی از اصول طراحی معیار، تعریف شاخص‌های متقابل (Counter Metrics) است که از بهینه‌سازی مضر جلوگیری می‌کنند.

پرامپت تعریف شاخص متقابل

For each of the following metrics, suggest a counter metric
that prevents harmful optimization.

Metrics:
{metrics_list}

For each metric:
1. Primary metric
2. Potential harmful optimization
3. Suggested counter metric
4. How to balance the two
5. Warning threshold for counter metric

Example:
Primary: Conversion Rate
Harmful: Making offer too aggressive, harming trust
Counter: Customer Satisfaction (CSAT)
Balance: Track both, alert if CSAT drops while CVR rises

مثال‌های رایج

  • نرخ تبدیل در برابر رضایت مشتری.
  • تعداد سفارش در برابر نرخ بازگشت کالا.
  • زمان صرف‌شده در اپ در برابر نرخ حفظ.
  • درآمد کوتاه‌مدت در برابر LTV.

اهمیت شاخص‌های متقابل

بدون شاخص‌های متقابل، تیم ممکن است به بهینه‌سازی مضر دچار شود که در کوتاه‌مدت نتایج خوبی نشان می‌دهد اما در بلندمدت به کسب‌وکار آسیب می‌زند.

ساختار پرامپت تعیین معیار

یک پرامپت تعیین معیار مؤثر، ساختار مشخصی دارد.

اجزای پرامپت تعیین معیار

  1. نقش: تعریف تخصص مدل (تحلیلگر محصول، مدیر محصول).
  2. محصول: معرفی محصول و زمینه آن.
  3. مدل کسب‌وکار: توصیف مدل درآمدی.
  4. هدف کسب‌وکار: تعریف هدف اصلی.
  5. مرحله: مرحله فعلی محصول.
  6. وظیفه: تعریف دقیق خروجی.
  7. چارچوب: چارچوب تحلیل (OKR، Metric Tree).
  8. محدودیت‌ها: عدم استفاده از Vanity Metrics.

نمونه‌ای از پرامپت ساختاریافته

Role: You are a senior product analyst with expertise in
SaaS metrics and growth.

Context:
- Product: {product_name} in {category}
- Business model: {model}
- Target audience: {audience}
- Current stage: {stage}
- Business goal: {goal}

Task: Define a comprehensive metrics framework for this product.

Framework: North Star + Metric Tree + Counter Metrics

Output:
1. North Star Metric with justification
2. Top 5 input metrics
3. Metric tree with 3 levels
4. OKRs for the next quarter
5. Counter metrics for each primary metric
6. Leading vs lagging classification
7. Warning thresholds

Constraints:
- Avoid vanity metrics.
- Each metric must connect to business value.
- Include counter metrics to prevent harmful optimization.
- Mark confidence level for recommendations.

ترکیب با زنجیره تفکر

در تعریف چارچوب‌های پیچیده، می‌توان از زنجیره تفکر استفاده کرد. برای جزئیات، پست زنجیره تفکر در پرامپت نویسی را ببینید.

ارزیابی کیفیت معیارها

پس از تعریف معیارها، باید کیفیت آن‌ها ارزیابی شود.

معیارهای ارزیابی

  • قابل اندازه‌گیری: آیا می‌توان آن را به‌صورت عددی سنجید؟
  • مرتبط: آیا به هدف کسب‌وکار متصل است؟
  • قابل تأثیر: آیا تیم می‌تواند آن را تغییر دهد؟
  • قابل فهم: آیا همه اعضای تیم آن را درک می‌کنند؟
  • پایدار: آیا در طول زمان معنادار می‌ماند؟

پرامپت ارزیابی معیارها

Evaluate the quality of the following product metrics.

Metrics:
{metrics_list}

For each metric, score 1-5 on:
1. Measurability
2. Relevance to business goals
3. Actionability for the team
4. Clarity for stakeholders
5. Stability over time

Provide:
- Individual scores
- Overall score (average)
- Recommendations for improvement
- Metrics to replace or remove

Format: table with scores and reasoning.

بازبینی دوره‌ای

معیارها باید به‌صورت دوره‌ای بازبینی شوند. برای جزئیات، پست نسخه‌بندی پرامپت را ببینید.

ملاحظات امنیتی

تعریف معیارها معمولاً شامل داده‌های کسب‌وکار است. استفاده از LLM برای این کار، ملاحظات خاصی دارد.

ریسک‌های امنیتی

  • افشای استراتژی: ارسال استراتژی محرمانه به سرویس‌های بیرونی.
  • تزریق پرامپت: اگر پرامپت شامل ورودی نامعتبر باشد. برای جزئیات، پست تزریق پرامپت چیست را ببینید.
  • نشت پرامپت: برای جزئیات، پست نشت پرامپت و خطرات آن را ببینید.

راهکارهای امنیتی

پرسش‌های پرتکرار درباره تعیین معیارها

تفاوت OKR و KPI چیست؟

OKR برای جهت‌دهی و اولویت‌گذاری استفاده می‌شود، KPI برای پایش مستمر عملکرد. OKR معمولاً فصلی، KPI پیوسته.

چطور شاخص تزئینی را از اقدام‌محور تفکیک کنیم؟

با پرسیدن این سؤال: «آیا این شاخص به تصمیم مشخصی منجر می‌شود؟» اگر پاسخ خیر باشد، احتمالاً شاخص تزئینی است.

آیا North Star Metric برای همه محصولات یکسان است؟

خیر. North Star Metric به مدل کسب‌وکار، مخاطب و مرحله محصول بستگی دارد.

چرا شاخص‌های متقابل مهم هستند؟

بدون شاخص‌های متقابل، تیم ممکن است به بهینه‌سازی مضر دچار شود که در کوتاه‌مدت نتایج خوبی نشان می‌دهد اما در بلندمدت آسیب می‌زند.

چطور از بیش‌برازش به یک شاخص جلوگیری کنیم؟

با تعریف شاخص‌های متقابل و پایش همزمان چند شاخص.

آیا پرامپت تعیین معیار بر هزینه اثر دارد؟

بله. تحلیل‌های پیچیده، هزینه توکن را افزایش می‌دهند. برای بهینه‌سازی، پست بهینه‌سازی هزینه در پرامپت نویسی را ببینید.

آیا پرامپت تعیین معیار با امنیت تداخل دارد؟

بله. استراتژی کسب‌وکار معمولاً محرمانه است. برای جزئیات، پست بهترین روش‌های امنیت پرامپت را ببینید.

آیا پرامپت تعیین معیار با RAG قابل ترکیب است؟

بله. RAG می‌تواند داده‌های تاریخی عملکرد را بازیابی و به پرامپت تزریق کند. برای جزئیات، پست RAG چیست را ببینید.

چطور معیارها را در تیم نهادینه کنیم؟

با تعریف فرایندهای استاندارد، ایجاد داشبورد مشترک و آموزش تیم. برای جزئیات، پست کتابخانه‌های پرامپت را ببینید.

آیا تعیین معیار نیازمند حاکمیت است؟

در سازمان‌های بزرگ، بله. برای جزئیات، پست حاکمیت پرامپت را ببینید.

آیا می‌توان از چند مدل برای تعیین معیار استفاده کرد؟

بله. در سامانه‌های پیشرفته، از چند مدل با نقش‌های متفاوت استفاده می‌شود. برای جزئیات، پست مجموعه‌های پرامپت را ببینید.

نتیجه‌گیری کاربردی

تعیین معیارهای محصول با پرامپت، حوزه‌ای است که در آن، کیفیت پرامپت مستقیماً بر کیفیت تصمیم‌های محصول اثر می‌گذارد. از انتخاب North Star Metric و ساخت درخت معیار تا تعریف OKR و شاخص‌های متقابل، پرامپت می‌تواند سرعت و دقت کار تیم محصول را چند برابر کند. اما این ابزار، جایگزین تجربه انسانی نیست؛ ابزاری برای ساخت چارچوب سنجش است.

در تعیین معیار، پرامپت خوب، تفاوت میان شاخص معنادار و شاخص تزئینی است.

در پروژه‌هایی که تیم‌های محصول از پرامپت استفاده می‌کردند، طراحی دقیق پرامپت مهم‌ترین عامل موفقیت بوده است. توصیه می‌شود ابتدا با پرامپت‌های انتخاب North Star شروع کنید و به‌تدریج به ساخت درخت معیار و تعریف OKR گسترش دهید. اگر تجربه‌ای در تعریف معیارهای محصول با پرامپت دارید، برای ما جالب است بدانید کدام چارچوب بیشترین تأثیر را در تصمیم‌های تیم داشته است.