Dr. Felix Riese ist Head of Product beim Münchner Mobility-Scaleup Peter Park. Peter Park digitalisiert Mobilität durch schrankenfreies Parken und digitale Bezahlmethoden in einem Umfeld mit harten Daten, vielen Emotionen und dem Querschnitt der Gesellschaft als Kunden. 

Felix verantwortet bei Peter Park seit über drei Jahren die Produktstrategie. Sein Zugang zu Produktmanagement ist gleichzeitig analytisch und pragmatisch. Sein Lebenslauf ist eine Kombination aus Teilchenphysik, Machine Learning und MBA. Dadurch ist er gewöhnt, Daten und KI eng mit der Produktentwicklung zu verzahnen, um auch in unsicheren und sich verändernden Umgebungen schnelle und fundierte Entscheidungen zu treffen. Und Daten gibt es bei Peter Park zuhauf – insbesondere Support-Tickets und User Feedback. 

Worum gehts im Talk?

Hand aufs Herz: Wer hat im Tagesgeschäft wirklich Zeit, jede Woche hunderte Support-Tickets oder User-Feedbacks Zeile für Zeile zu lesen, um daraus Muster für die Discovery abzuleiten? Oft scheitert Continuous Discovery nicht am Willen, sondern an der schieren Masse unstrukturierter Daten. Die Versuchung ist groß, diesen Berg an "Fleißarbeit" einfach an eine KI zu delegieren. Doch wenn wir nicht aufpassen, optimieren wir auf Basis von Halluzinationen statt echter Insights. 

Ich zeige euch unseren Weg von der zeitintensiven Handarbeit hin zu einem KI-gestützten Discovery-Prozess. Ihr erfahrt, wie wir heute Support-Daten automatisiert clustern, um echte Painpoints zu identifizieren. Aber ich berichte auch von den tückischen Plausibilitäts-Fallen. Ein Beispiel ist die Truncation Trap, bei der uns eine KI eine absolut schlüssige Analyse lieferte. Erst unser Validierungsprozess deckte auf, dass das Modell stillschweigend nur einen Bruchteil der Daten berücksichtigt hatte. Das Ergebnis wirkte perfekt, war aber statistisch wertlos.