مقدمه:
فضای کسبوکار، فضایی پویا و پر از ابهام است و مدیران روز به روز با متغیرهای متفاوتی مواجه میشوند. راهکار مقابله با متغیرهای جدید و چالشهای بازار، تصمیمگیری دقیق و بر مبنای حقایق است. برای فعالان اکوسیستم فناوری و نوآوری، تصمیمگیری دادهمحور موضوعی ناآشنا نیست. دائماً میشنویم استراتژی باید مبتنی بر داده باشد. فضای کنونی کسبوکارهای آنلاین نیز به قلمروی بیچون و چرایی برای دادهها تبدیل شده و اهمیت و ضرورت دادهها و نقش تحلیل آنها در کسبوکارها، بیشازپیش، مورد توجه قرار گرفته است.
در نوشته پیشرو قصد داریم چهار اشتباهی که ممکن است راهبران کسبوکارها در هنگام تحلیل دادهها انجام دهند، یادآور شویم.
«حرکت اول» هلدینگ سرمایهگذاری خطرپذیر گروه «همراه اول» با مأموریت توانمندسازی اکوسیستم دیجیتال کشور، همواره به اشتراک دانش در حوزه نوآوری و کارآفرینی باور داشته و انتشار مطالب مرتبط و برگزاری رویدادهای هماندیشی و آموزشی در راستای همین نگرش است.
چهار اشتباه گمراهکنندهای که بسیاری از استارتآپها
در مواجهه با دادهها مرتکب میشوند[1]
آماندا ریچاردسون[2] به عنوان مدیر ارشد داده و استراتژی در هتلتونایت[3]، نظارت بر ۴۰۰ الی ۵۰۰ رویداد داده[4] برای یک اپلیکیشن با میلیونها کاربر ماهانه را برعهده دارد. تیم او صدها رویداد مرتبط با هر سفر کاربری را ثبت میکند. او غرق در دنیای داده است و بر استفاده شرکتها از دادهها برای تصمیمگیری نظارت دارد. اما آنچه او در شرکتها میبیند، روندها و رویکردهایی است که ناکارآمد و گمراهکنندهاند و باعث از دست رفتن فرصتهای زیادی برای شرکتها میشوند.
در مصاحبه اختصاصی پیشرو، ریچاردسون به چهار مورد از رویکردهایی که تیمهای تحلیل داده (در صنایع مختلف) باید مراقب آنها باشند و اینکه چگونه رهبران میتوانند از آنها فاصله بگیرند تا بهتر به اهداف استراتژیک خود نزدیک شوند، اشاره میکند. در این مصاحبه او نحوه شکلگیری تیم خود را که مشابه تیمهای محصولی است که سالها پیش رهبری کرده، شرح میدهد. همچنین توضیح میدهد که چرا ایجاد محصولات نسل بعدی بیش از آنکه به استفاده از به روزترین ابزارها وابسته باشد، به سادگی و ثبات بستگی دارد.
اشتباه شماره ۱: شروع با معیارهای از پیش تعریف شده به جای هدف
اکنون دادهها بیش از هر زمان دیگری در دسترس هستند. جمعآوری، ذخیرهسازی و تحلیل دادهها فرایند استانداردی است که در بیشتر شرکتها انجام میشود. اما اغلب، در میانۀ تلاش برای تحلیلهای آنی و حجم عظیمی از دادهها، پیروی از فرایندی منسجم و ساده برای تحلیل دادهها غیر ممکن میشود. مشاهدات ریچاردسون نشان داده است که بسیاری از تیمها بدون هدف مشخصی دادهها را کندوکاو میکنند و به دنبال داستانهای معنادار میگردند. اما بدون وجود دیدگاهی واضح و روشن، مثل این میماند که به دنبال هدفی متحرک بدوند.
او میگوید: “شما باید با سوالی خاص برای پاسخ دادن یا فرضیهای برای بررسی شروع کنید. اوقات بسیاری پیش آمده که افراد پس از راهاندازی یک محصول میپرسند: چطور عمل میکند؟ درحالیکه باید بگویند: هدف محصول ما این است که از این به این تبدیل شود. منجر به افزایش آگاهی نسبت به محصول شود، تحقق خرید را افزایش دهد و یا درآمد به ازای هر کاربر را بالا ببرد.”
بدون هدفی روشن و مورد توافق، شما همواره در معرض خطر تکرار تاریخ هستید. به ویژگی ایجاد لیست علاقهمندیها در پلتفرم هتلتونایت توجه کنید. “آیا این ویژگی برای کاربران ویژه است؟ آیا برای افراد جدیدی است که ممکن است از تصادفی بودن انتخاب هتل در هتلتونایت خوششان نیاید و بخواهند یک هتل خاص را دنبال کنند؟ آیا برای افرادی است که در حال برنامهریزی سفر هستند و میخواهند لیست علاقهمندی داشته باشند؟” او میگوید: “همه این موارد محتمل است. اما معیار کلیدیای که موفقیت را تعیین میکند چیست؟ در نهایت شما در موقعیتی قرار میگیرید که یک نفر میگوید، این ویژگی برای کاربران ویژه ما که به طور متوسط 12 هتل را در علاقهمندیها قرار میدهند، عالی بود، و دیگری میگوید: نه این ویژگی برای کاربران جدید مناسب است و شما فکر میکنید، کدام درست است؟”
راز بهرهگیری مؤثر از دادهها این است که به وضوح مشخص کنید، میخواهید چه چیزی به دست آورید و چه تعریفی از موفقیت دارید. اما فقط گفتنش آسان است. “همه با کلیات موافق هستند. اما وقتی پای جزئیات به میان میآید، موضوع به این سادگی نیست.”
بنابراین، سعی کنید همه چیز واضح و روشن شود. با توجه به تعریفی که از موفقیت دارید، کارت امتیاز بسازید. “یعنی اینکه قبل از شروع هر پروژه هدفها را مکتوب کنید.” در اینجا ریچاردسون به روشی کلاسیک برای تعیین هدف مؤثر اشاره میکند: “همان مدل قدیمی هدفگذاری اسمارت[5]: خاص، قابل اندازهگیری، قابل دستیابی، مرتبط و دارای زمان.”
وقتی صحبت از تعیین هدف نهایی میشود، او هیچ شکی ندارد که این از مسئولیتهای کلیدی بنیانگذاران کسبوکار است.”وظیفه رهبر این است که بگوید: ما قرار است اورست را فتح کنیم. وظیفه تیم این است که بهترین مسیر صعود به اورست و نیازهای هر عضو را مشخص و مهیا کند. اما منصفانه نیست که این اولویتهای استراتژیک را به مدیر محصول واگذار کنیم.”
نوشتن هدف روی کاغذ بهترین راه برای مقاومت در برابر انحراف از مسیر در طی پیشرفت است. پیش میآید که ویژگیای که اخیراً در یک جلسه شنیدهاید، به طور ناگهانی هدف شما شود. همچنین همه ما میخواهیم طبق برنامه پیش برویم، در نتیجه پیش میآید که موفقیتهای جاری را به عنوان هدف بپذیریم. شاید هدفگذاری شما این باشد که تعداد کاربران جدید ۱۰٪ افزایش یابد ولی در عمل این ویژگی توسط کاربران تکراری ۳۰٪ تحقق مییابد. به خود میگویید، “این یک موفقیت بزرگ است! ما ۳۰٪ از کاربران تکراری را به دست آوردیم!” و این موفقیت را به عنوان هدف تعیین میکنید. افراد همیشه هدف خود را گم میکنند.
درک این موضوع آسان است. “فشار زیادی وجود دارد. مدیران عامل باید موفقیت را به تصویر بکشند. اگر تیم در حال رشد است، آنها باید اهداف را بازبینی کنند و این بسیار استرسزا است. اما وظیفه آنها، بیش از هر فرد دیگری، این است که صادقانه بگویند هدف چیست.”
تا حد امکان در مورد هدف اصلی خود و معیارهایی که برای اندازهگیری آن استفاده میکنید، دقیق باشید. “ممکن است بگویید: هدف بزرگ ما این است که تا تاریخ تعیین شده، تعداد رزرو مشخصی را برای نوع خاصی از هتلها به دست آوریم.'” بنابراین درباره عددی که نمایانگر موفقیت است، شفاف باشید.
مفهوم فوق به این معنا نیست که باید چشم خود را بر روی دیگر بینشهایی که در دادههای شما ظاهر میشوند، ببندید. اما تمرکز خود را بر روی آنچه که قصد دارید تحلیل کنید و دادههایی که به دنبالشان هستید، حفظ کنید. “وقتی از تحلیلگران داده میپرسید که یک محصول یا ویژگی چگونه عمل میکند، آنها تقریباً همیشه با لیستی از حقایق جالب برمیگردند”، ریچاردسون میگوید: “این معیارهای ثانویه را با هدف اصلی خود اشتباه نگیرید.” اگر نمیدانید از کجا شروع کنید؟ هر بار یک بخش را بررسی کنید.
بر اولین اولویت خود در هر فصل تمرکز کنید. آیا معیارهای مشخص و قابل تعریف برای اولویت خود دارید؟
اشتباه شماره ۲: توسعه بیرویه شخصیسازی
برای بسیاری از استارتآپها، شخصیسازی (مانند سفارشیسازی صفحه اصلی کاربر یا ارائه توصیهها) راهکاری است که پیش از وقوع یک مشکل ارائه میشود. این ویژگی در شرکتهای بسیار موفقی مانند آمازون (محصولات پیشنهادی) و فیسبوک (خبرهای منتخب) تعریف شده است، بنابراین منطقی به نظر میرسد که ویژگی خوبی باشد.
نه لزوماً، و قطعاً نه لزوماً. مانند هر تصمیمی که رهبران میگیرند، باید هزینه فرصت را بررسی کنید. “برای توسعه شخصیسازی زمان زیادی نیاز است”، از نظر ریچاردسون: “در بسیاری از موارد، شخصیسازی فقط یک ویژگی دیگر برای محصول شماست. آیا این همان ویژگی ایست که به آن نیاز دارید و برای محصول شما معنادار است؟”
اگر پاسخ مثبت است، شاید هنوز هم نیاز به بررسی بیشتر باشد. شخصیسازی مؤثر یک محصول معمولاً به دادههای زیادی نیاز دارد؛ دادهای که یک شرکت جدید ممکن است زمان کافی برای جمعآوری آن را نداشته باشد.
از کارکنان استارتآپهایی که کمتر از ۱۰۰ کاربر داشتهاند شنیدهام که میگویند: “ما قصد داریم شخصیسازی را شروع کنیم”، با خود فکر میکنم، “چه چیزی را میخواهید شخصیسازی کنید؟ و مهمتر از آن، چرا؟ میخواهید چه مشکلی را حل کنید؟” این هدف اغلب ناشی از آگاهی از یک ویژگی در تیتر خبری یا ایده یکی از اعضای هیات مدیره است که تصور میکند، شخصیسازی کلید موفقیت است.
ریچاردسون مخالف شخصیسازی نیست؛ او از نتایج سفارشی کردن یک ویژگی کلیدی از تجربه کاربری خود در هتلتونایت صحبت میکند. برای درک اینکه کاربران دوست دارند شخصیسازی چگونه کار کند، دادههای زیادی لازم است. در نهایت، در هتل تونایت متوجه شدند که مسافران نمیخواهند پیشنهادها فقط بر اساس سوابقشان باشد، بلکه مایلند سایر عوامل نیز در نظر گرفته شود.
او توضیح می دهد “که شاید آخرین رزرو من یک هتل لوکس برای سالگرد ازدواجم بوده، اما اگر برای کار به نیویورک بیایم، نیازی به رزرو هتل لوکس ندارم. اینکه چه روز، چه ساعتی و چه امکاناتی برای سفر انتخاب شده از دادههای مهم برای تصمیم سازی است. مثالهای اینچنینی که بخشی از شخصیسازی است، بسیار با اهمیتتر از سوابق یک کاربر است. اگر در هتل تونایت برای شخصیسازی تجربه کاربری عجله میکردند، نمیتوانستند این مسائل را ببینند.”
هیچ پاسخ واحدی برای اینکه آیا باید شخصیسازی را انجام داد و اینکه چه زمانی مناسب است، وجود ندارد. توصیه ریچاردسون این است که، بار دیگر، با یک هدف یا فرضیه به صورت آزمایشی شروع کنید. “به من بگویید چه چیزی کار نمیکند. سپس شاید شخصیسازی راهحلش باشد” و اضافه میکند: “فرض کنید نرخ تبدیل[6] در نیویورک کاهش یافته و ما نمیدانیم چرا. شاید یک راهحل این باشد که نمایش هتلها را شخصیسازی کنیم. اما بهتر است که راهحلی درخور باشد تا زمان و هزینه انسانی را توجیه کند.”
برای برخی از استارتآپها، ممکن است شخصیسازی مأموریتی ویژه باشد و باید زودتر انجام شود. ممکن است برای دیگران، هرگز ارزش سرمایهگذاری را نداشته باشد. “اگر شما یک اپلیکیشن جدید برای نمایش عکس هستید، زمان مناسب شخصیسازی احتمالاً زودتر است زیرا میتواند تفاوت اساسی ایجاد کند. در عوض اگر نرمافزار مدیریت هزینههای سازمانی میفروشید، احتمالاً هرگز نیاز نخواهید داشت.”
تمرکز بیش از حد بر شخصیسازی، هزینه فرصت زیادی به کسبوکار تحمیل میکند. از نظر ریچاردسون وقتی وقت خود را برای دنبال کردن مسیرهای بینتیجه هدر نمیدهید، میتوانید از آن برای پیگیری فرصتهای رشد مهمتر با احتمال موفقیت بیشتر استفاده کنید. تیم داده شما میتواند به جای تمرکز بر شخصیسازی روی پاسخ به سؤالات حیاتی کسبوکار مانند درک نحوه تبدیل کاربران تمرکز کند.
تا زمانی که نتوانید مشکلی را بهدرستی شناسایی کنید، از ارائه راهحلهای بیهدف به علت ارزان و جذاب بودن خودداری کنید.
اشتباه شماره ۳: استخدام یک تحلیگر داده اختصاصی
اگر فکر میکنید که تحلیلهای سازمان شما باید توسط یک تحلیگر اختصاصی انجام شود، ریچاردسون شما را به تفکری گستردهتر دعوت میکند. “علم داده مجموعهای از مهارتها است، نه یک شغل. تحلیل و استراتژی نیز مجموعهای از مهارتهاست، نه یک شغل. همه اعضای تیم باید تفکر استراتژیک داشته باشند و باید بتوانند تحلیل کنند.”
او به فیلم اخیراً اکرانشدۀ «ارقام پنهان[7]» اشاره نمود که راوی داستان زنان ریاضیدانی است که پشت صحنه مأموریتهای اولیه ناسا بودند. “این زنان را کامپیوتر مینامیدند و تنها افرادی بودند که به انجام محاسبات پیچیده اختصاص یافته بودند. اما این دیگر یک شغل نبود، بلکه بخشی از مجموعه مهارتهای عمومی آنها شده. جهان اینگونه تکامل مییابد و ما با علم دادهها به این نقطه رسیدهایم. افراد بیشتری باید بتوانند مسئولیت تحلیل دادهها را بر عهده بگیرند و توانایی تصمیمگیری با استفاده از دادهها را داشته باشند.”
به این فکر کنید که برای اثرگذاری علم دادهها، چه چیزی نیاز است: البته که مهارتهای آماری و محاسباتی ضروری است ولی نیاز به دانش کافی درباره بازار و نحوه عملکرد کسبوکار در بازار نیز مهم است تا بتوانید سؤالات درستی بپرسید و به آنها پاسخهای معنادار بدهید. در کنار دانش، مهارتهای برنامهنویسی پیشرفته نیز حیاتی هستند. اما اغلب، شرکتها در زمان استخدام فقط بر مهارتهای آماری توجه میکنند و سپس آن فرد را محصور میکنند تا نتواند اطلاعات مورد نیاز در حوزه کسبوکار را به دست آورد. این انزوا تحلیلگر داده را نسبت به واقعیتهای عملکردی شرکت کور میکند و باعث میشود نتایج و توصیههای آنها تئوریک و اغلب بیربط از کار دربیاید.
اشتباهی که اغلب میشود این است که تحلیلگر داده حرفهای استخدام میکنیم که فاقد دانش کسبوکار است. سپس آن فرد را جدا میکنیم و او را با میلیونها سؤالی که میخواهیم پاسخ داده شود تنها میگذاریم. هرچقدر هم که آن فرد ماهر باشد، بدون اطلاعات مناسب نمیتواند موفق شود. او باید زمان یا فرصت تعامل با مهندسین، مدیران محصول یا رهبران بازاریابی که میتوانند این اطلاعات را به او بدهند، داشته باشد. ریچاردسون میگوید: “آنها نمیدانند به دنبال چه چیزی بگردند و قدرت پرسیدن سؤالات درست را ندارند”.
یکی از مثالها در هتلتونایت این است که تحلیلگران داده اغلب میگویند که کاربران ارزشمند معمولاً نه در دو هفته اول بلکه 15 تا 30 روز پس از نصب، خرید یا هر اقدام دیگری را انجام میدهند. این گفته درست است اما با این آمار چه میتوان کرد؟ این تنها یک واقعیت جالب است.
در همین حال، بسیاری از سؤالات خوب احتمالاً هرگز پرسیده نمیشوند. از نظر ریچاردسون ” اگر سازمانی ایجاد کنید که همه احساس توانایی و دانش در تحلیل دادهها را داشته باشند ، موفق تر خواهید بود.”
به جای تمرکز بر یک عنوان شغلی و یا یک درخواست شغلی مجزا، به مهارتهایی که یک تحلیلگر داده به ارمغان میآورد فکر کنید. احتمالاً از ابتدا آن مهارتها را در تیم خود داشته باشید. حتما یک نفر در تیم، کلاس آمار را گذرانده است و احتمالا یک برنامهنویس در تیم شما حضور دارد و حتما فردی توانایی درک و هدایت دنیای تجارت را دارد. در نهایت این سه نفر را در یک تیم قرار دهید، دیگر نیازی به انتظار کشیدن برای حضور شخص جادویی نیست.
علاوه بر موارد فوق استارتآپها باید بررسی کنند که به طور کلی داده کافی برای تحلیل یک فرد حرفهای گرانقیمت را دارند یا نه. برای انجام یک تحلیل عمیق، شما به دادههای زیادی نیاز دارید. اگر ماههای اول شروع به فعالیت کسبوکار شماست، احتمالاً داده کافی نخواهید داشت.
در نهایت اگر یک تحلیگر داده اختصاصی استخدام کردید، او را در گوشهای جدا از دیگران قرار ندهید. در عوض او را در جلسات و گفتگوهایی که نحوه استفاده از نتایج تحلیل را گزارش میدهند، مشارکت دهید. ریچاردسون میگوید:” همه اعضای تیم وقتی نقش خود را به عنوان بخشی از کل درک کنند، بهتر و هوشمندانهتر کار خواهند کرد. حتی اگر نیاز به ایجاد انگیزه داشته باشید، افراد دادهمحور خود را از منطقه امنشان خارج کنید و به کسبوکار وارد کنید.”
همیشه باید به دنبال توسعه مهارتهای مهندسی، دانش آماری و دانش کسبوکار باشید و از آن کارمندانی که تلاش میکنند مجموعه کاملی از این موارد را پوشش دهند، حمایت کنید. به ویژه در اوایل راهاندازی کسبوکار معمولاً بهتر است سه متخصص استخدام کنید و آنها را برای تحلیل گرد هم بیاورید تا اینکه به دنبال یک تکشاخ باشید که بتواند همه این کارها را انجام دهد.
اشتباه شماره ۴: دنبال کردن بهروزترین ابزارها
همیشه ابزارهای جدیدی در حال ظهور است. اما در نهایت، آنها نمیتوانند استراتژی مبنای تحلیل دادههای شما را تعیین کنند. به قولی اگر داده نامناسب وارد شود، نتیجه تحلیل ناکارآمد خواهد بود. یک ابزار میتواند هر دادهای را دریافت نماید، اما این شما هستید که باید تعریف کنید این رویدادها چه هستند و چه معنایی دارند.
هیچ جایگزینی برای تفصیل، فهم و ثبات دادهها وجود ندارد، و هیچ ابزاری نمیتواند یک دیدگاه واضح را تداوم بخشد. در همین حال، حتی سادهترین ابزارها اگر دقت کافی داشته باشند، میتوانند راهی مؤثر برای مدیریت دادهها باشند و کسبوکارهای نوپا با نرخ سوزاندن پول[8] بالا باید به این نکته توجه کنند. به توصیه ریچاردسون هر تیم داده باید سه مورد را برای سازمان خود مهیا کند:
داشبورد مرکزی: که به اشتباه اول در این نوشته برمیگردد. وقتی شاخص اصلی تعریف میشود، آن را در یک داشبورد قرار دهید و دیگر هیچکس نتواند آن را تغییر دهد. اگر این تیتر بهصورتی برجسته در بالا قرار گرفته باشد، هیچکس نمیتواند بگوید این هدف ما نیست. ایده اصلی این است که یک منبع واحد برای آنچه انجام میدهید داشته باشید و بتوانید آن را به طور منظم به بقیه سازمان ارسال کنید.
دادههای در دسترس: اگر میخواهید همه اعضای تیم تحلیلگر باشند، باید برای آنها دسترسی سهلالوصولی به دادهها فراهم نمایید. این داده در بازاریابی ممکن است مربوط به اندازهگیری رویدادهای مختلف باشد؛ در محصول، دادههای مربوط به نرخ تبدیل مهم است. مسئله اصلی این است که مشوقِ مشارکت فعال میان بخشهای مختلف کسبوکار باشید.
ابزارهای انعطافپذیر: پذیرش این ذهنیت بسیار مهمتر از پذیرش هر ابزار خاصی است: فقط بگذارید هر کسی ابزار داده تخصصی خود را داشته باشد. هیچ راهحل واحدی وجود ندارد. تیم ریچاردسون از لوکر[9] استفاده میکند؛ تیمهای دیگر ممکن است دریابند که ابزاری دیگر برای تحلیلهایشان کارآمدتر است. زیاد شنیدهایم که میگویند: بهتر نیست همه برای همه چیز از یک ابزار استفاده کنیم؟ زمان زیادی در دنیا وجود ندارد که بتوانم قابلیت های کافی برای یک ابزار بسازم، حتی با شخصیسازی هم نمیتواند پاسخ تیمهای مختلف را بدهد. پس اجازه دهید هر کسی از ابزاری استفاده کند که برایش کار میکند.
چرا باید دادهها را مانند محصول مدیریت کنید
ریچاردسون نمیتواند روند بعدی دادهها را پیشبینی کند، اما او برای اینکه مطمئن شود تیمش توسط آخرین ابزارهای جذاب منحرف نمیشوند، راهی پیدا کرده است، او عملیات دادهای هتلتونایت را مانند یک تیم محصول مدیریت میکند.
سه سال پس از شروع کار خود به عنوان معاون محصول در هتلتونایت، از او خواسته شد تا عملیات تحلیل دادههای کسبوکار را رهبری کند. “ما به نقطهای رسیده بودیم که افراد در مورد شاخصهای اصلی توافق نداشتند و باید این مشکل را حل میکردیم. مشهود بود که همان مشکل رایج در طراحی محصول یعنی «وجود تعداد زیادی از ذینفعان با انواع و اقسام نظرات در مورد اینکه چه چیزی مهمتر است و باید در اولویت باشد» در اینجا نیز وجود دارد.”
خبر خوب اینکه تیمهای تحلیل داده از همان مشکلاتی رنج میبرند که تیمهای محصول با آنها مواجهاند، بنابراین میتوان از نقشه راهی یکسان از فرآیندها و روشهای مناسب استفاده نمود.
ریچاردسون متوجه شد که باید همان نوع زیرساختی را که به عنوان یک رهبر محصول ساخته بود، ایجاد کند. “ما به کسی نیاز داریم که بداند راهحل چیست. ما به کسی نیاز داریم که با تیم ما در مورد نحوه تحلیل و استفاده از دادهها صحبت کند. ما به یک فرآیند تضمین کیفیت نیاز داریم تا اطمینان حاصل کنیم که دادهها تغییر داده نمیشوند.”
اول از همه ریچاردسون فهمید؛ درست همانطور که کسی مالک یک محصول است، کسی هم مالک محصول داده است. “یک مدیر فوقالعاده برای محصول داده دارم که از نظر تحصیلات، مدیر محصول است. او در کل سازمان جستجو میکند تا بفهمد تیمها چگونه از دادهها استفاده میکنند؛ پروژهها را اولویتبندی میکند؛ هر هفته با تیم مهندسی داده، برنامهریزی اسپرینت[10] انجام میدهد.”
سپس تیمی که مسئول اطمینان از کیفیت دادههای ورودی است، تست دقیق تضیمن کیفیت[11] را انجام میدهد. “ما همیشه بر ورود خودکار دادهها نظارت داریم، تا اینکه بعد از سه هفته متوجه نشویم چیزی خراب شده است. بررسی میکنیم که آیا دادهها در روزهای مختلف تغییر کردهاند؟ آیا دادهها به طور غیرعادی خارج از محدوده هستند؟ همه این سوالها با سوالهای مربوط به رفتار محصول که در سمت محصول پرسیده میشوند، یکسان هستند.”
ریچاردسون متوجه شده است که مستند سازی در کار با دادهها بیشتر از مدیریت محصول اهمیت دارد. برای دستیابی به اهدافِ مشخص باید با واژگانی مشترک کار کنیم و تیم ریچاردسون مسئول تعریف همهچیز از “درآمد” تا “بازدید” است. ” کاربر کیست؟ آیا کاربر باید جستجو کند؟ یا اگر کسی فقط رزروهای خود را بررسی کند، کاربر است؟ یا کاربر کسی است که ما آدرس ایمیل او را داریم؟”
در این جزئیات است که تحلیل موفق میشود یا شکست میخورد، اما رسیدن به توافق در مورد معنای این اصطلاحات میتواند پیچیده باشد. “این دلیل دیگری است برای داشتن یک مالک محصول داده، که میتواند در سراسر سازمان مانند یک مدیر محصول عمل کند.”
در نهایت، حذف دادههای منسوخ مهم است. حفظ یک محصول داده سالم نیاز به حذف جریانهای دادهای دارد که دیگر مرتبط نیستند و باید از پایگاه داده حذف شوند. “در غیر این صورت، کسی دادههای اشتباهی را بیرون میکشد و ناگهان شما با چند تعریف مختلف از درآمد مواجه میشوید.”
اگر شرکت شما هنوز بسیار جوان یا کوچک است، میتوانید این استراتژی را دنبال کنید. با یک مهندس داده حرفهای که به کسبوکار و تثبیت ارزش اهمیت میدهد شروع کنید، سپس مواردی را که باید پیگیری کند اولویتبندی کنید. شاید نیاز باشد چندین نقش را بر عهده بگیرد و مسئولیتهای دیگری مانند توسعه محصول و یا تحلیلگری را بپذیرد، اما باید تشویق شود که مانند یک مدیر محصول فکر کند و مهارتهای لازم را در حین کار یاد بگیرد.
برای ریچاردسون، نشانهای واضح وجود دارد که درستی مسیرش را تأیید میکند: “افراد نمیپرسند که آیا دادهها درست هستند یا نه. ممکن است دادهها را دوست نداشته باشند، اما هیچکس دقت آنها را زیر سوال نمیبرد.”
این اعتماد به نفس بزرگترین دستاورد رویکرد مبتنی بر محصول ریچاردسون به دادهها بوده است. با تعاریف دقیق و فرآیندهای خوب، او نه تنها اهداف کسبوکار را شفاف کرده است، بلکه این آزادی را ایجاد کرده است که به طور مؤثرتری دست به آزمایش بزند. “در محصول شما ویژگیهای اصلی که نسبت به آنها متعهد هستید را در نظر میگیرید و ایتمهای دیگر را در «حداقل محصول قابل ارائه[12]» تست میکنید. ما همین مفاهیم را در دادهها هم داریم؛ دادههایی طبق استاندارد طلایی و همچنین دادههای جدید دیگری که استخراج میکنیم، حتی اگر در حال حاضر ندانیم با آنها چه کنیم.”
[1]– The Four Cringe-Worthy Mistakes Too Many Startups Make with Data
[2] – Amanda Richardson
[3] – Hotel Tonight: آژانس مسافرتی و موتور جستجو متعلق به Airbnb
[4] -Data event
[5] -SMART: Specific, Measurable, Achievable, Relevant, and Timely.
[6] – Conversion rate
[7] – Hidden Figures
[8] -Burn rate
[9] – Looker
[10] -Sprint planning
[11] -Quality Assurance
[12] -Minimum viable product (MVP)
منبع:
https://review.firstround.com/the-four-cringe-worthy-mistakes-too-many-startups-make-with-data