eLLMo 專案

在這個案例研究中，我們探索了eLLMo的開發。

作為產品設計VP，我領導了這個項目的戰略和產品設計。

eLLMo已上線，快來試試： ZipRecruiter.com

ZipRecruiter面臨一個挑戰：超過一半的訪客沒有特定的職位頭銜就到達了網站。這些「空白搜索者」在一個為基於職位頭銜搜索和活動驅動匹配系統設計的網站上掙扎。

我們的目標受眾是18-65歲的美國求職者。

我共同領導了一個由50多名創新者組成的充滿活力的跨職能團隊，彙集了產品營銷人員、用戶研究員、數據科學家、工程師、產品經理和兩位首席產品設計師，共同應對這一變革性挑戰。

我們收集洞察的方法是全面和多方面的。我們從產品營銷團隊的定量調查開始。

最後，我們分析了當前的網站體驗和用戶行為，清晰地了解了人們實際如何與我們的平台互動。

我在項目早期階段進行提示工程時創建了這些原則。下面是我在當時的GPT 4.0中探索技術邊界的OpenAI Playground截圖。

我的基礎提示長度為1,397個token，經過一週的實驗開發而成。想像LLM如何實現獨特且有用的用戶體驗對項目的成功至關重要。

我們的設計流程既系統又充滿活力。我們從既定原則開始，但很快適應。數據科學家和產品經理提供了重要的輸入，重塑了我們的初始概念。

為了測試我們的想法，我們構建了一個沙盒版本。真實用戶與之互動，提供了寶貴的反饋。這導致了在沙盒中進行多輪用戶深度訪談和進一步改進。

我們的迭代設計流程帶來了幾項關鍵改進。我們改用選擇題，並將問題數量限制在5個，減少了用戶的工作量。添加了新的「介紹一下自己」提示來個性化體驗。

設計最終確定後，我們與開發團隊緊密合作，確保精確實施。每個細節都被仔細地從設計轉換為代碼。新版本準備就緒後，我們啟動了A/B測試與原版進行比較。

eLLMo的推出帶來了顯著變化。用戶滿意度飆升，96%對職位推薦感到滿意，82%讚揚了創新方法。

參與度激增。首次職位點擊翻了一番多，註冊完成率從82%上升到89%。

儘管增加了步驟，用戶報告稱摩擦減少、個性化改善、導航更容易。

將LLM技術整合到我們的產品中最初遇到了領導層的阻力。為了克服這一點，我採取了三管齊下的方法。