2.2 KiB
2.2 KiB
id, category, confidence_score, tags, last_reinforced
| id | category | confidence_score | tags | last_reinforced | ||||||
|---|---|---|---|---|---|---|---|---|---|---|
| P-REINFORCE-AUTO-CDIS-001 | 10_Wiki/💡 Topics/AI | 0.94 |
|
2026-04-20 |
Continuous-Discovery
📌 한 줄 통찰 (The Karpathy Summary)
"만들기 전에 증명하기: 매주 고객과 대화하며 그들의 진짜 고통을 확인하고, 매일 가설을 검증하여 '아무도 원하지 않는 제품'을 만드는 리스크를 0에 가깝게 줄이는 현대적 기획의 호흡법."
📖 구조화된 지식 (Synthesized Content)
지속적 발견(Continuous-Discovery)은 제품 팀이 어떤 기능을 만들지 결정하기 위해 매주 고객과 상호작용하며 학습하는 과정입니다. (Teresa Torres의 프레임워크가 대표적)
- 핵심 워크플로우:
- Outcome Focus: 기능 개발이 아니라 '사용자의 행동 변화'라는 결과에 집중.
- Weekly User Interviews: 일회성 조사가 아닌 정기적인 고객 접점 확보.
- Opportunity Solution Tree: 목표-기회-솔루션을 시각화하여 최선의 경로 탐색. (Decision-Making와 연결)
- 왜 중요한가?:
- 시장의 변화 속도가 너무 빨라, 한 번의 완벽한 기획서 정책은 반드시 실패하기 때문임. (Agile와 연결)
⚠️ 모순 및 업데이트 (Contradictions & RL Update)
- 과거 데이터와의 충돌: 과거에는 기획자와 고객이 만나는 것이 시간 낭비라 여겼으나, 현대 정책은 개발자가 고객의 목소리 정책을 직접 듣고 가설 정책을 즉시 수정하는 '임파워드 팀 정책(Empowered Teams)'이 훨씬 더 혁신적인 결과를 낸다는 점을 인정함(RL Update).
- 정책 변화(RL Update): 이제는 단순 인터뷰 정책을 넘어, AI 가 수만 건의 피드백 정책을 실시간으로 분석(Text-Mining)하여 기획자에게 '기회 영역'을 추천해 주는 'AI-Augmented Discovery'로 진화 중임. (Text-Mining와 연결)
🔗 지식 연결 (Graph)
- Decision-Making, Agile, Text-Mining, Research-Methodology, Product-Management
- Key Figure: Teresa Torres.