در این قسمت، مسیر چهار مرحله‌ای Double Diamond را یک‌جا مرور می‌کنیم و به یک مدل ذهنی برای مهندس نرم‌افزار Product-Minded می‌رسیم.
چهار مرحله Double Diamond
Double Diamond چهار مرحله اصلی دارد:
1. Discover؛ کشف مسئله
2. Define؛ تعریف مسئله
3. Develop؛ کشف و توسعه راه‌حل
4. Deliver؛ ساخت و تحویل راه‌حل و سپس سنجش و یادگیری
اما اهمیت Double Diamond فقط در این چهار عنوان نیست؛ بلکه در نحوه حرکت بین دو فضای متفاوت است.
فضای مسئله و فضای راه‌حل
در مدل دو الماس، دو فضای اصلی داریم:
فضای مسئله: آیا داریم مسئله درست را حل می‌کنیم؟
فضای راه‌حل: آیا مسئله‌ای را که انتخاب کرده‌ایم، درست حل می‌کنیم؟
در هر دو فضا، فرآیند شامل حرکت واگرا و همگراست. ابتدا باید فضا را باز کنیم، شواهد و گزینه‌ها را ببینیم و بعد آگاهانه روی یک مسیر متمرکز شویم.
این رویکرد کمک می‌کند خیلی زود تصمیم نگیریم.
از مهندسی نرم‌افزار سنتی تا Product Thinking
در یک جریان سنتی، ممکن است Requirement را از مشتری دریافت کنیم، آن را تحلیل کنیم، کدنویسی و تست کنیم و در نهایت Deploy کنیم.
در رویکرد Product Thinking، مسیر گسترده‌تر است: مسئله را دریافت می‌کنیم، دنبال Evidence می‌گردیم، فرضیه می‌سازیم، راه‌حل‌های ممکن را بررسی می‌کنیم، آزمایش می‌کنیم، MVP می‌سازیم، Solution را Deliver می‌کنیم و سپس Measurement و Learning را ادامه می‌دهیم.
این چرخه نیز به‌صورت Iterative تکرار می‌شود.
نقش AI در چرخه یادگیری
AI می‌تواند در بخش‌های مختلف این چرخه کمک‌کننده باشد؛ از پیدا کردن Evidence و شکل دادن به فرضیه‌ها گرفته تا ساخت MVP و یادگیری از رفتار کاربر.
اما نکته مهم این است که هدف Product Thinking صرفاً ساختن سریع‌تر نیست. اگر AI بتواند خروجی را سریع‌تر تولید کند، اما یادگیری ما بهتر نشود، صرفاً سرعت تولید افزایش پیدا کرده است.
ارزش مهم‌تر AI می‌تواند افزایش سرعت Iteration، دریافت سریع‌تر Feedback و در نتیجه تسریع Learning باشد.
مدل ذهنی Product-Minded Engineer
وقتی یک Feature به مهندس نرم‌افزار پیشنهاد می‌شود، سؤال فقط این نیست که «چطور آن را بسازم؟»
سؤال‌های مهم‌تر عبارت‌اند از:
- چرا این Feature را می‌خواهیم؟
- مسئله چیست؟
- چه شواهدی برای وجود این مسئله داریم؟
- کدام User با این مشکل مواجه است؟
- Outcome موردنظر چیست؟
- چه Solutionهایی در اختیار داریم؟
- چگونه می‌توانیم گزینه‌ها را آزمایش کنیم؟
- چگونه موفقیت را اندازه‌گیری کنیم؟
این مدل ذهنی، نقش مهندس نرم‌افزار را از صرفاً «مجری راه‌حل» به مشارکت‌کننده در کشف مسئله و اعتبارسنجی راه‌حل گسترش می‌دهد.
Iteration مهم‌تر از ساعت است
یکی از ایده‌های مطرح‌شده در این قسمت این است که برای خبره شدن، تعداد Iterationها اهمیت زیادی دارد.
یک چرخه می‌تواند شامل فهم Feature، پیاده‌سازی، شکست، یادگیری، اصلاح و تکرار باشد. هرچه این چرخه سریع‌تر تکرار شود، فرصت بیشتری برای یادگیری ایجاد می‌شود.
AI می‌تواند این چرخه را کوتاه‌تر کند؛ چون امکان ساخت سریع‌تر Output، آزمایش سریع‌تر و دریافت Feedback سریع‌تر را فراهم می‌کند.
بنابراین، مزیت مهم AI در این نگاه، فقط سرعت تولید نیست؛ بلکه Accelerate کردن Learning Loop است.
پنج نکته اصلی Double Diamond
۱. با Solution شروع نکنیم؛ با Problem شروع کنیم
گاهی یک Solution یا Feature از قبل در ذهن ما وجود دارد و تلاش می‌کنیم مسئله‌ای برای آن پیدا کنیم. رویکرد Double Diamond نقطه شروع را Problem قرار می‌دهد.
۲. مسئله را با Evidence تعریف کنیم
در Discover و Define باید بر اساس شواهد، Logها و رفتار مشتری، مسئله را بهتر بفهمیم و تعریف کنیم؛ نه صرفاً بر اساس نظر افراد.
۳. در Develop گزینه‌ها را گسترش دهیم
قبل از انتخاب راه‌حل، فضای گزینه‌ها را باز کنیم و راه‌حل‌های مختلف را بررسی کنیم.
۴. در Deliver بسازیم و Feedback بگیریم
پس از انتخاب راه‌حل، روی اجرای آن تمرکز کنیم و آن را وارد دنیای واقعی کنیم تا بتوانیم بازخورد واقعی دریافت کنیم.
۵. نتیجه واقعی را اندازه‌گیری کنیم
در نهایت باید ببینیم راه‌حل واقعاً چه اثری ایجاد کرده است و از این نتیجه برای Iteration بعدی یاد بگیریم.
جمع‌بندی نهایی
Double Diamond کمک می‌کند به جای اینکه فقط سریع‌تر چیزی را بسازیم، ابتدا مسئله درست را بفهمیم، راه‌حل‌های بهتری پیدا کنیم و در نهایت نتیجه واقعی را بسنجیم.
این مدل، در کنار AI، می‌تواند چرخه آزمایش، بازخورد و یادگیری را کوتاه‌تر و تکرارپذیرتر کند.
