Два подхода к использованию данных

Интересный взгляд на то, как можно типизировать подходы к использованию данных при принятия решений.

data-informed-gray

Введение от Go Practice

В оринигальном источнике подходы имеют следующие названия: Data-driven и Data-informed.

Data-driven можно перевести как подход к управлению, где основным критерием принятия решения являются результаты измеримого эксперимента.
Data-informed же подразумевает использование данных лишь как одного из многих факторов при принятии решения.

В дальнейшем я продолжу называть подходы так, как их называют в оригинальной статей. Дело в том, что достойного перевода я так и не придумал. 

Далее следует перевод статьи.

 

Ваши данные — это лишь отражение вашего текущего продукта

Численные данные очень могущественны, так как очень конкретны. Для большинства предпринимателей с техническим образованием, эмпирические данные важнее большинства других факторов (опыт, советы консультантов) при принятии решений. И это хорошо.

Но очень просто зайти в этом подходе слишком далеко — и в этом различия между подходами data-informed и data-driven, о которых я впервые услышал в выступлении сотрудника Facebook в 2010 (youtube link).

Необходимо понимать, что ваши метрики — это отражение вашего продукта, который вы имеете в данный момент. Поэтому данные, которые вы имеете ограничены тем, что вы реализовали и основываются на поведении ваших нынешних пользователей на вашем имеющемся продукте. Поэтому применить подход data-driven для оценки нового функционала или новой версии продукта с другой целевой аудиторией часто бывает невозможно.

Последовательная работа над продуктом, построенная на основе data-driven подхода (kpi — гипотеза — эксперимент — решение) могут привести к заметным улучшениям, но у такого процесса всегда есть предел. Подход data-driven наиболее подходит для задач оптимизации (или поиска локального максимума), но он является недостаточным для решения задачи поиска наибольшего возможного значения функции.

tumblr_l3yuhnAPpJ1qz8ohs

 

 

Развитие продукта — сложная задача, не позвольте данным ложно упростить ее

C моей точки зрения, различия этих двух подходов состоят в том, что при подходе data-informed вы понимаете, что имеющиеся у вас данные являются лишь одним из факторов для принятия решений и существует много других не менее важных факторов.

При подходе data-driven вы откидываете все кроме численных данных. Но в таком случае вы получаете с одной стороны конкретные объективные цифры, посчитанные на основе вашего продукта, но при всем этом эти данные могут искажать реальную картину мира в контексте более глобальной и масштабной задачи, которую вы пытаетесь решить.

Полное полагание лишь на то, что вы можете измерить прямо сейчас, всегда будет понижать приоритет важных задач, результаты внедрения которых проверить сложно или невозможно.

Как тотальное применение подхода data-driven приводит к спорным решениям

Использовать подход data-driven не оправдано при попытках работать над любыми длинными метриками. Сложно провести эксперимент, который покажет влияние новой, скорее всего, недешевой в разработке функциональности на такие долгоиграющие показатели, как churn rate или возвращаемость. Плюс ко всему стоимость эксперимента увеличивается, так как его длительность составит минимум месяц.

С другой стороны эксперимент по оптимизации конверсии главной страницы является быстрым, дешевым и легко измеримым. При использовании тотально и повсеместно подхода Data-driven «правильнее» будет заняться оптимизацией главной страницы, так как в этом случае решение можно четко обосновать данными, а решение о разработке нового функционала проверить на данных сложно, дорого или иногда почти невозможно.

Но проблема в том, что в конечном итоге долгоиграющие метрики вроде возвращаемости и churn rate являются основополагающими. И отказываться от работы над ними из-за сложности честного измерения и прогнозирования полезности такой работы — большая ошибка.

Используйте данные правильно

Важно понимать суть каждого из подходов и знать который применять к каждой конкретной ситуации. Когда вы работаете над чем-то, то у вас есть видение того, к чему вы хотите прийти. Используйте данные для того, чтобы корректировать ваше направление движения и не позволяйте поверхностному дешевому анализу данных оттолкнуть вас от вашей цели.

 

Основные выводы от Go Practice:

  • применяйте подход data-driven для задач оптимизации
  • если в определенный момент оптимизационный подход перестал давать плоды или неприменим, то поднимите задачу на более высокий уровень
  • есть ряд задач высокого уровня, которые невозможно решить используя подход data-driven, используйте для них подход data-informed (данные становятся лишь один из факторов среди прочих)
  • прочие факторы могут быть следующими: качественные исследования, инсайты из общения с пользователями, бизнес интересы, стратегические цели, ваша вера и желание сделать мир лучше 🙂

Кстати, вот еще раз ссылка на выступление сотрудника Facebook
http://www.youtube.com/watch?feature=player_embedded&v=bKZiXAFeBeY#!

Запись опубликована в рубрике Аналитика, Менеджмент, Предпринимательство с метками , , , , . Добавьте в закладки постоянную ссылку.