Управление данными в управлении продуктом - интервью с Михаилом Пинским
15.09.22, Чт, 11:00, Мск,
Data driven подход — это определенная система принятия решений для разработки продукта с основным упором на анализ данных на каждом шагу. Полное название подхода — data driven decision making (DDDM), в переводе — «принятие решений на основе данных».
О том, как решения на основе данных набирают обороты с развитием продуктовой разработки, рассказал Михаил Пинский, эксперт с многолетним опытом работы в продуктовой разработке. Обладая большим багажом знаний в данной сфере, Михаил объясняет принципы этого подхода и делится полезными инсайтами о том, как внедрить такой подход и использовать его преимущества в своём стартапе.
Прежде всего, задам такой вопрос: могут ли решения, принятые на основании анализа данных, кардинально изменить ход разработки продукта? Если да, то как?
В 2022 году отчет NewVantage Partners показал, что только 56% компаний "внедряют инновации с помощью данных". Данные предоставляют сведения, которые опровергают одни гипотезы и освещают новые. Например, благодаря анализу поведения пользователей команда может обнаружить, что функция, которую они считали незначительной, на самом деле высоко ценится пользователями, что побудит их уделить приоритетное внимание ее улучшению. Аналогичным образом, A/B-тестирование может показать, что новый дизайн снижает вовлеченность, и направить разработку в нужную сторону. Данные, полученные в результате исследования рынка, могут выявить новые тенденции и подтолкнуть продукт в новом направлении, чтобы удовлетворить нереализованные потребности. По сути, данные служат компасом, направляющим команды разработчиков продукта через сложный ландшафт потребностей пользователей, динамики рынка и технологических возможностей, позволяя принимать взвешенные решения, способные повернуть развитие продукта к успеху.
Как изменилась интерпретация данных и какие инструменты или методологии вы считаете переломными?
Интерпретация данных в рамках разработки продуктов претерпела значительную эволюцию, которая обусловлена развитием технологий, увеличением объема данных и разработкой сложных аналитических инструментов и методов. Эра больших данных привела к появлению беспрецедентного объема и разнообразия данных. Такое обилие данных потребовало более надежных аналитических инструментов и методов для их обработки и интерпретации.
Интеграция машинного обучения и искусственного интеллекта произвела революцию в интерпретации данных. Эти технологии позволяют обрабатывать огромные массивы данных для выявления закономерностей, прогнозирования поведения пользователей и автоматизации процессов принятия решений, обеспечивая конкурентное преимущество при разработке продуктов. Наш век предлагает беспрецедентное количество подходов к анализу данных. У нас есть платформы машинного обучения, такие как TensorFlow и PyTorch, которые сделали машинное обучение более доступным, позволяя продуктовым командам строить предиктивные модели, которые могут прогнозировать поведение пользователей, выявлять тенденции и персонализировать пользовательский опыт в масштабе. Такие инструменты, как Tableau и Power BI, изменили подход к интерпретации данных, позволив визуализировать сложные массивы данных в виде интуитивно понятных интерактивных панелей. Это сделало данные более доступными и понятными для всех, способствуя принятию решений на основе данных. Такие инструменты для анализа пользовательского поведения, как Mixpanel и Amplitude, дают глубокое представление о том, как пользователи взаимодействуют с продуктами, позволяя командам отслеживать конкретные действия, измерять вовлеченность и оптимизировать функции продукта на основе реальных моделей использования. Возможность анализировать данные в режиме реального времени с помощью таких инструментов, как Apache Kafka и платформ потоковой аналитики, открыла новые возможности для оперативной корректировки продукта и немедленного получения информации о влиянии изменений.
И последнее, но не менее важное - облачные платформы, такие как AWS, Google Cloud и Azure, которые предлагают масштабируемые, мощные вычислительные ресурсы и аналитические сервисы, позволяющие обрабатывать и анализировать данные в масштабе, уменьшая ограничения на инфраструктуру и ресурсы, которые раньше ограничивали проекты по обработке данных. Все эти инструменты двигают продуктовую аналитику вперёд.
Как именно вы используете эти инструменты для выявления новых тенденций и возможностей для создания новых продуктов или функций?
Существует два типа данных: количественные и качественные. Количественные данные говорят о том, что делают ваши пользователи, а качественные - почему. Поэтому при принятии решений о продукте важно использовать оба вида данных. Чтобы получить максимальную отдачу от обоих типов данных, необходимо провести глубокое исследование своих клиентов, чтобы задать правильные вопросы и максимально задействовать их ответы. Качественный анализ позволяет нам интерпретировать и понимать контекст за этими данными. Например, глубокие интервью с пользователями, фокус-группы и методы наблюдения могут раскрыть причины определенного поведения пользователей, которые не всегда очевидны при анализе только количественных данных. Это позволяет нам не только видеть "что" происходит в наших продуктах, но и понимать "почему" это происходит, что является ключом к созданию более глубокого и ценного пользовательского опыта. Таким образом, сочетание количественного анализа с качественными исследованиями позволяет нам создавать продукты, которые не только отвечают на текущие требования рынка, но и предвосхищают будущие потребности пользователей.
Общепринятых стандартов у data-driven-подхода нет. У каждой компании свои задачи и наборы данных, поэтому принципы работы с ними разные. Но я в своей работе придерживаюсь двух принципов. Первый принцип — данные должны быть качественными. Иначе пропадает смысл использования data-driven-подхода.
Что такое качественные данные? Это данные, которые собраны корректно, в полном объёме и без ошибок. Корректный сбор подразумевает, что данные собирают по общему правилу и единообразно. Так они отражают объективную картину. Второй принцип — постоянная работа с гипотезами. Гипотезы — предположения о том, что нужно изменить, чтобы улучшить результат. Data-driven-подход работает тогда, когда в компании постоянно выдвигают и тестируют гипотезы: ищут, что можно улучшить, и делают это, опираясь на результаты анализа. Компании, где так делают, как правило, растут в два раза быстрее, чем компании, где такой практики нет.
Звучит здорово, но как преобразовать чистые данные в действенные инсайты, направляющие разработку продукта и внедрение инновация?
Вот тут-то и пригодится умение рассказывать истории. Продуктовый менеджер должен знать, как рассказать историю и как адаптировать ее для своей аудитории. Данные играют важнейшую роль в формировании истории и предоставлении аудитории информации, необходимой для продвижения вперед. Данные в истории - это не просто метрики или KPI, это кто, что, когда, почему, где и как - строительные блоки любой истории. Точнее, данные - это факты. Однако самое большое, что мы видим, когда компании разрабатывают продукт, услугу или создают бренд, - это то, что они зацикливаются на "что?". Что делает продукт? Чем занимается компания? Этой штукой. И той. И вот этой. И это здорово, но главный вопрос здесь "почему?" Опытные потребители смотрят не только на то, что делает продукт; они хотят знать, что делает его подлинным? Какова предыстория? Почему они должны поверить в вас? Люди покупают не просто товары, они покупают улучшенные версии самих себя и хотят знать, как это повлияет на их жизнь. Адаптация вашей истории к аудитории может отличить хорошего продуктового менеджера от блестящего. Краткое изложение ключевых бизнес-результатов за прошлый месяц для команды инженеров, вероятно, будет отличаться от изложения тех же результатов директору, вице-президенту и выше. Аналогичным образом, донесение видения продукта или стратегии должно быть адаптировано к аудитории в зависимости от результата, который вы хотите получить.
Как сформировать культуру управления данными в команде продуктовой разработки?
Прежде всего, обучите свою команду аналитике данных. Ваши данные бесполезны, если вы не можете их проанализировать и сделать выводы. Именно здесь на помощь приходит аналитика данных. Она позволяет организации легко изучать информацию из различных областей бизнеса. Еще лучше - нанять профессиональных аналитиков, которые знают, что делать с "сырыми" данными.
Во-вторых, необходимо определить четкую и хорошо структурированную стратегию видения данных. Хорошее видение данных должно быть согласовано с общим видением компании. Аналогично, стратегия данных должна быть согласована с общей бизнес-стратегией вашей компании. При составлении концепции данных помните, что она должна быть краткой, четкой и прямой. Что касается стратегии, просто определите, куда вы хотите двигаться в отношении данных вашей организации. Также необходимо помнить о том, как эти данные будут защищены.
Однако не все данные можно использовать повсеместно. Поэтому необходимо знать, какие метрики задействовать и в каких ситуациях. Например, компания, которая рассчитывает получить прибыль, предсказывая падение цен конкурентов, может использовать силу точности прогнозирования во времени. Таким образом, все участники процесса принятия решений должны знать, какие метрики использовать в тех или иных ситуациях. Ваши сотрудники также должны понимать ценность такого подхода. Они должны смотреть на данные как на двигатель, который может привести компанию к успеху. Именно поэтому необходимо разъяснять сотрудникам преимущества такого подхода.
Какие стратегии вы используете, чтобы примирить необходимость широкого сбора данных с конфиденциальностью и доверием пользователей?
На пути к формированию надежной data-driven культуры, безопасность данных играет важнейшую роль. Речь идет не только о накоплении и анализе данных, но и об их защите. Все заинтересованные стороны, от сотрудников до партнеров, должны придерживаться передовых методов обеспечения безопасности данных. Одним из таких методов является шифрование. Например, надежным, но экономически эффективным методом защиты данных при их передаче является использование дешевого SSL-сертификата. Этот тип сертификата обеспечивает необходимое шифрование при передаче данных и гарантирует их подлинность и целостность. Вы создаете щит вокруг информационных активов вашей организации, пропагандируя и внедряя передовые методы обеспечения безопасности данных. Регулярное обучение и обновление протоколов безопасности должно стать частью вашей культуры, чтобы адаптироваться к новым угрозам и поддерживать безопасную среду для ваших инициатив, основанных на использовании данных.
Что бы вы посоветовали начинающим предпринимателям, которые готовы погрузиться в сферу data-driven разработки?
Одна из распространенных ловушек, которой следует избегать, - неоптимальное тестирование. Придерживайтесь простоты и проверяйте по одной переменной за раз. Вам придется проводить по несколько тестов или тестировать более двух переменных, и это может показаться пустой тратой времени, но по сравнению с постоянными недостоверными результатами, вы будете рады, что потратили на это дополнительные усилия.
Еще один подводный камень - данных `слишком много, слишком часто`. Получив данные, изучайте их только тогда, когда вы можете что-то из них узнать, и проверяйте их на том уровне детализации, который имеет наибольший смысл - чаще всего еженедельно (а то и ежемесячно), чтобы ежедневные колебания не выбили вас из колеи. Очень немногие метрики будут постоянными ежедневно, и обращать внимание на колебания фонового шума будет лишь пустой тратой усилий. И наконец, постарайтесь не обманывать себя идеей идеальной метрики: одна-единственная метрика не сможет охватить все тонкости даже самого простого бизнеса. Но есть лучшие и худшие идеальные метрики. Начните с того, что метрика должна быть каким-то образом связана с ценностью, которую вы приносите своим клиентам. Но всегда помните, что ценность, которую вы предоставляете конечным пользователям, определяет продукт и, следовательно, метрику - метрика не должна определять продукт.
Попробуйте выстоить прочный фундамент в области аналитики данных и принципов машинного обучения. Научитесь балансировать между решениями, основанными на данных, и эмпатией пользователей и творческим подходом. Всегда ставьте под сомнение последствия данных и ищите идеи, которые могут способствовать инновациям и удовлетворенности пользователей.
Автор: Николай Бородин