Когда дело доходит до создания эффективных продуктов, большинство менеджеров по продуктам стремятся ускорить процесс и «чувствуют необходимость в скорости». Они хотят быстро получать данные, чтобы оперативно находить ответы и быстрее влиять на продукт.
Прежде чем вы решите, что ускорение вашей продуктовой аналитики может замедлить вас в достижении результатов, уделите время пониманию того, что ускорение вашей продуктовой аналитики может на самом деле замедлять вас в достижении результатов.
Все хотят опираться на данные, но не все готовы вкладывать время и деньги в создание здоровой инфраструктуры данных, чтобы правильно собирать данные и использовать их для принятия взвешенных решений о продукте — в основном потому, что это отвлекает от краткосрочных задач в дорожной карте.
Вместо этого они выбирают универсальные инструменты для сбора данных, чтобы собрать быстрые данные в надежде получить значимые ответы и результаты.
Это только вопрос времени, когда они поймут, что собирали «грязные данные».
К тому времени, когда они найдут способ очистить их, они обнаружат, что лишь немногие в их организации обладают достаточной грамотностью в области данных, чтобы понимать их, не говоря уже о том, чтобы принимать решения на их основе. Постепенно становится ясно, что спешка с данными — враг быстрой продуктовой аналитики.
Фактически, быстрые данные не только ухудшают вашу способность принимать более взвешенные решения с помощью продуктовой аналитики, но и влияют на другие организационные усилия, которые также зависят от этих данных, такие как маркетинговая автоматизация, предотвращение оттока клиентов, рекомендации, даже оценка потенциальных клиентов. Инвестирование времени и денег в вашу инфраструктуру и ваших сотрудников не только улучшает процесс принятия решений, но и создаёт основу для других случаев использования, которые стимулируют доходы.
Мы предлагаем пропустить трудный урок. Поймите, что замедление на начальном этапе для разработки здоровой инфраструктуры данных — это ключ к ускорению эффективного анализа и поиска решений в долгосрочной перспективе.
Сделайте шаг назад, чтобы определить основные вопросы, на которые вы хотите получить ответы, чтобы разработать целенаправленную стратегию сбора данных. В то же время повышайте квалификацию своих продуктовых команд, чтобы улучшить их грамотность в области данных и дать им возможность взять на себя ответственность.
Хорошо реализованная стратегия продуктовой аналитики позволяет вашей организации стать по-настоящему хорошо отлаженной машиной, которая может принимать более своевременные, обоснованные решения с более эффективными результатами.
Шаг 1: Нарисуйте полную картину пути пользователя
Прежде чем делать что-либо ещё, Дивья говорит, что нужно начать свой путь в продуктовой аналитике с составления полной картины пути пользователя — понять «сейчас» вашего продукта.
Патрик говорит, что фрагментарные данные о пути пользователя — одна из самых больших ошибок, которые допускают продуктовые команды.
«90% команд, с которыми я общаюсь, не имеют полной видимости своего пути клиента, поскольку у них есть отдельные решения для маркетинга и продуктовой аналитики, а также плохая инструментация. Это создаёт неполную картину их бизнеса, что приводит к разрозненному принятию решений».
— Патрик Томпсон, директор по продукту в Amplitude
Без чёткой картины команды часто фокусируются на решении неправильной проблемы или разрабатывают неточные гипотезы, только чтобы позже узнать, что у них нет полной картины — это приводит к напрасной трате усилий и упущенным возможностям.
Другими словами, эти пробелы в пути пользователя становятся слепыми зонами.
Шаг 2: Собирайте данные, основанные на гипотезах
Сбор данных, основанных на гипотезах, может показаться простым, но многие организации сегодня полностью упускают этот шаг.
Организации должны определить твёрдые гипотезы о поведении пользователей, собрать данные вокруг этих гипотез, а затем использовать продуктовую аналитику и эксперименты, чтобы доказать или опровергнуть эти гипотезы.
Данные, которые мы собираем, имеют решающее значение, поскольку именно на их основе мы строим нашу аналитику и эксперименты. Мы используем аналитику, чтобы показать нам корреляцию, а эксперименты — чтобы помочь нам доказать причинно-следственную связь.
Но обычно вместо гипотезо-ориентированного подхода происходит безумная гонка за сбором как можно большего количества данных без чёткой цели, что приводит к тому, что мы называем менталитетом сервисного центра, когда продуктовые команды используют навыки и опыт своих команд данных не по назначению.
Бесконечные запросы данных — это скрытый виновник бессмысленной аналитики.
И всё же большинство команд данных оказываются в самом центре кошмара сервисного центра, отвечая на бесконечные запросы данных от разных групп в продуктовой команде, которые, кажется, не имеют никакого смысла.
Дивья говорит, что команды, которые добиваются успеха, — это те, которые ориентированы на гипотезы, а не те, кто устраивают «театр данных» и собирают данные ради самого процесса.
Шаг 3: Овладейте тремя компонентами здоровой инфраструктуры данных
Теперь, когда вы наметили полный путь пользователя и воспитали в себе гипотезо-ориентированный подход к сбору данных, мы можем перейти к сбору и использованию правильных данных для анализа, настроив здоровую инфраструктуру данных, которая состоит из трёх компонентов — качества данных, демократизации данных и разнообразного исследовательского анализа.
Качество данных
Часть уравнения здоровой инфраструктуры данных — обеспечение высокого качества данных — или сбор чистых данных.
«Качество данных — это ахиллесова пята продуктовой аналитики. Оно всплывает практически в каждом разговоре с клиентами в Amplitude».
— Патрик Томпсон, директор по продукту в Amplitude
И Дивья, и Патрик использовали одну и ту же поговорку: «мусор на входе — мусор на выходе».
Если ваша команда не анализирует чистые данные — будь то из-за того, что данные неточны, содержат тестовые данные или вы просто отслеживаете не то — вы просто замедляете создание ценности вашего продукта. Не спешите с этим шагом.
Вам необходимо убедиться, что в потоках данных нет перерывов.
Три распространённые проблемы с качеством данных:
- Беспорядочные данные: несогласованные соглашения об именах и человеческие ошибки, которые возникают во время инструментации, что оставляет PMs и аналитиков с беспорядочными, если не бесполезными данными.
- Ошибки аналитики: когда отслеживание не тестируется перед запуском, оставляя код аналитики уязвимым для ошибок или потери данных по мере развития продукта.
- Отсутствие ответственности: когда нет чёткого понимания того, кто отвечает за сбор и анализ данных, вещи ускользают сквозь трещины, и вы рискуете получить неточные сведения.
После того как вы обеспечите высокое качество данных, демократизация данных станет следующим ключевым компонентом разработки здоровой инфраструктуры. Крайне важно, чтобы эти чистые данные попали в способные, грамотные в области данных руки, чтобы обеспечить более быструю и эффективную продуктовую аналитику — и эти способные руки не должны принадлежать только вашим командам данных.
Демократизация данных и возможности самообслуживания
Высококачественного отслеживания недостаточно. Люди из продуктовых команд должны понимать, что означают данные, чтобы интерпретировать их или делать действенные выводы.
Демократизация данных — это когда организация делает данные доступными для всех сотрудников и заинтересованных сторон — не только для команд данных — и подчёркивает необходимость обучать их работе с данными, независимо от их технического образования.
Патрик и Дивья говорят, что большинство компаний по умолчанию полагаются на команды данных, чтобы перевести собранные данные в продуктовые команды. И всё же оставлять данные на усмотрение технически подкованных людей — верный способ замедлить принятие важных продуктовых решений.
Вместо этого:
- Сделайте грамотность в области данных частью карьерного руководства вашей продуктовой команды и публично отмечайте, когда люди принимают решения на основе данных.
- Стандартизируйте словарь данных — это отличный способ обеспечить грамотность в области данных и возможности самообслуживания в вашей инфраструктуре.
Когда информационные панели построены для самообслуживания, вы с большей вероятностью получите разнообразные точки зрения на решения проблем, которые вы пытаетесь решить.
Команды данных должны работать вместе с продуктовыми командами, встраиваться в процесс решения проблем и повышать общий уровень анализа продуктовой команды. Патрик говорит, что думать о команде данных — это всё равно, что полагаться на кого-то, кто сделает экспертную оценку вашего анализа, проверив качество инсайта.
Как настроить возможности самообслуживания?
Стандартизация словаря данных — отличный способ обеспечить грамотность в области данных и возможности самообслуживания в вашей инфраструктуре.
«Я бы сказал, что самое важное — иметь точный и актуальный словарь данных таблиц и столбцов. Удивительно, насколько самообслуживание может быть эффективным, когда у вас есть хорошо определённый словарь, и люди знают, где искать. В VK словарь данных был чётко определён. Это позволило мне и моей команде провести много собственных тестов гипотез и освободило инженеров и учёных данных для решения более сложных задач».
— Дивья Читтур, советник по продуктам, бывший вице-президент по продукту в Lob
Словарь данных — это одна из тех вещей, которые уникальны для каждой компании, поэтому важно как можно точнее маркировать и определять вещи внутри вашей организации, чтобы все в компании говорили на одном языке.
Патрик говорит, что если вы не замедлитесь и не потратите время на стандартизацию и кодификацию своего словаря данных, вы поставите под угрозу свой путь в аналитике.
Важно предоставить контекст вокруг вашего анализа, например, информационные панели и блокноты, иначе вы оставите их уязвимыми для интерпретации без руководства о том, как данные должны использоваться внутри компании.
«Люди видят то, что хотят видеть, и часто используют данные как оружие грубой силы. Ваш словарь данных — это надёжный инструмент для снижения этого риска».
— Патрик Томпсон, директор по продукту в Amplitude
Елена также подчёркивает важность использования одних и тех же слов для обсуждения данных и обеспечения их распространения по отделам, чтобы помочь компании сосредоточиться на правильном.
В то время как команды данных работают над сбором и обработкой чистых, понятных данных, менеджеры по продуктам должны инвестировать в своих сотрудников и обучать их грамотности в области данных и продуктовой аналитике.
«Инструменты данных бесполезны без инвестиций в ваших людей. Развивайте мышцы сначала, тренируйтесь и инвестируйте в повышение грамотности в области данных. Быстрое принятие решений приходит после этого».
— Патрик Томпсон, директор по продукту в Amplitude
В других словах, создайте проторенные дороги для продуктовых команд, чтобы они могли внедрить аналитику, сначала предоставив шаблонные словари данных, руководства по стилю инструментации и процессы работы с инструментами; а затем поддержите это образованием.
Экспертные советы для успеха в продуктовой аналитике
В стремлении стать ориентированными на данные многие организации совершают ошибку, отдавая приоритет быстрому и лёгкому сбору данных над созданием здоровой инфраструктуры данных.
Ясно, что такой подход часто приводит к сбору «грязных данных» и отсутствию грамотности в области данных в организации. Результат — медленный и неэффективный процесс продуктовой аналитики, который не даёт значимых инсайтов и решений.
Чтобы избежать этих распространённых ошибок, крайне важно инвестировать время и усилия на начальном этапе для разработки надёжной инфраструктуры данных. Это означает сделать шаг назад, чтобы определить основные проблемы и намеренно сформулировать вопросы, на которые вы хотите, чтобы данные ответили. Одновременно важно повышать квалификацию ваших продуктовых команд и давать им возможность стать грамотными в области данных, что позволит им эффективно анализировать и использовать собранные данные.
Следуя нашему трёхшаговому подходу к продуктовой аналитике, который мы изложили в этой статье, ваша организация по продуктовой аналитике может превратиться в хорошо отлаженную машину, которая последовательно выдаёт эффективный анализ и решения.
Помните, что хотя может показаться заманчивым пойти на компромисс и ускорить процесс сбора данных, долгосрочные преимущества здоровой инфраструктуры данных намного перевешивают первоначальные инвестиции. Так что замедлитесь сейчас, чтобы ускорить позже, и раскройте истинную силу принятия решений на основе данных для вашей организации.