In der heutigen datengetriebenen Landschaft finden sich Organisationen oft in einem Meer von Daten wieder, kämpfen jedoch damit, umsetzbare Erkenntnisse daraus zu gewinnen. Viele Unternehmen sind bestrebt, sich als datenzentriert zu bezeichnen, aber die Realität ist, dass nicht jeder gleichermaßen geschickt darin ist, Daten effektiv zu interpretieren und zu nutzen. Oft sind die Erkenntnisse fragmentiert, und die präsentierten Analysen bieten nicht das vollständige Bild, das für fundierte Entscheidungen erforderlich ist.
In dieser Episode wird Hannah Clark von Mo Hallaba—CEO von Datawisp—begleitet, um die Lücken zwischen der riesigen Menge an von Organisationen gesammelten Daten und der Wirksamkeit ihrer Nutzung zu diskutieren und gleichzeitig praktische Lösungen für ein besseres Datenmanagement und eine bessere Visualisierung anzubieten.
Interview-Highlights
- Treffen Sie Mo Hallaba [01:00]
- Mo begann seine Karriere im Finanzwesen, speziell in der Aktienforschung.
- Seine Arbeit bestand darin, Aktien zu empfehlen und umfangreiche manuelle Datenarbeit zu leisten.
- Später wechselte er zu Unternehmens-M&A, führte Akquisitionen durch und betrieb weitere Datenforschung.
- Er war dessen müde und verfolgte seine Leidenschaft für Videospiele und gründete ein Gaming-Startup.
- Das Startup scheiterte, aber er traf Leute, die an einem E-Sport-Team arbeiteten, das Daten und Analysen zur Schulung von Spielern nutzte.
- Dieses Konzept faszinierte ihn, und es entwickelte sich zu einem breiteren Datenanalyseunternehmen.
- Schließlich erweiterten sie sich über das Gaming hinaus, um sich auf allgemeine Analysen zu konzentrieren.
- Verständnis von datengetriebener Entscheidungsfindung [02:40]
- Viele Organisationen erwarten, dass Daten Entscheidungen für sie treffen, was ein Missverständnis ist.
- In hoch technischen Bereichen kann datengetriebene Entscheidungsfindung genutzt werden, aber das ist nicht das Ziel für alle.
- Datawisp konzentriert sich auf "dateninformierte" Entscheidungsfindung.
- Dieser Ansatz beinhaltet die Nutzung von Daten zur Unterstützung von Entscheidungen, die Sie bereits treffen würden, und bietet mehr Einblick.
- Ein Beispiel: Die Entscheidung, wo ein Button in einer Benutzeroberfläche basierend auf Nutzerdaten platziert werden soll.
- Daten helfen, Anpassungen zu informieren, anstatt sich auf Vermutungen zu verlassen.
- Die Macht der Datenvisualisierung [04:02]
- Nicht jeder ist mit Zahlen vertraut, insbesondere nicht-technische Personen.
- Datenvisualisierung hilft Menschen in kreativen Bereichen oder im Produktmanagement, Daten besser zu verstehen.
- Daten in visueller Form zu sehen, wie z.B. in Grafiken, erleichtert das Erfassen von Trends und Mustern.
- Zum Beispiel ist es effektiver, zu zeigen, wie sich KPIs im Laufe der Zeit visuell entwickeln, als es mit Zahlen zu erklären.
- Visualisierungen helfen Menschen, schnell wichtige Änderungen zu identifizieren, wie z.B. wenn Daten abweichen, und bessere Fragen zu stellen.
- Schutz vor Datenfehlinterpretation [05:12]
- KI soll Menschen nicht ersetzen, sondern die Arbeitslast für Datenwissenschaftler verringern.
- Organisationen sollten mindestens ein oder zwei Datenwissenschaftler einstellen, auch mit guter Software.
- Das Ziel ist es, die Notwendigkeit technischer Fähigkeiten, wie das Schreiben von SQL, zur Datenanalyse zu beseitigen.
- Das Entfernen technischer Barrieren ermöglicht es mehr Menschen, Zeit mit dem Verständnis von Daten zu verbringen.
- Entscheidungsträger sollten mit Datenwissenschaftlern zusammenarbeiten, um Fehlinterpretationen von Daten zu vermeiden.
- Eine Person in den Datenprozess einzubeziehen, hilft, ein korrektes Verständnis sicherzustellen, insbesondere bei komplexen Beziehungen wie Kausalität.
Viele Menschen sehen KI als Ersatz für menschliche Rollen, aber wir sehen das nicht so. Wir konzentrieren uns darauf, KI zu nutzen, um Arbeitslast und Engpässe zu beseitigen, die Datenwissenschaftler behindern. Ein großartiger Weg, um sich gegen diese Probleme abzusichern, besteht darin, einen qualifizierten Datenwissenschaftler in Ihrem Team zu haben oder jemanden einzustellen, der wirklich weiß, was er tut.
Mo Hallaba
- Playbook zum Aufteilen von Daten in kontextbezogene Stücke [06:45]
- Beginnen Sie damit, Geschäftsziele zu identifizieren, anstatt Daten isoliert zu analysieren.
- Datenanalyse sollte helfen, neue Erkenntnisse über das Geschäft zu gewinnen.
- Zum Beispiel, um die Effektivität eines Tutorials zu bewerten, vergleichen Sie Daten zwischen Nutzern, die es abgeschlossen haben, und denen, die es nicht getan haben.
- Analysieren Sie Abwanderungsraten und Unterschiede in der Bindung zwischen diesen Gruppen.
- Wenn kein Unterschied festgestellt wird, ist entweder das Tutorial nicht notwendig oder das Produkt ist einfach zu bedienen.
- Wenn Nutzer, die das Tutorial abschließen, bessere Ergebnisse erzielen, deutet dies darauf hin, dass das Tutorial wertvoll ist.
- Das Aufteilen von Daten hängt von der spezifischen Geschäftsfrage ab, die behandelt wird.
- Umsetzbare vs. nicht umsetzbare Daten [08:05]
- Umsetzbare Daten ermöglichen es Ihnen, klare, spezifische Maßnahmen basierend auf Erkenntnissen zu ergreifen.
- Nicht umsetzbare Daten liefern Erkenntnisse, bieten jedoch keine klaren Schritte zur Handlung.
- Der Unterschied liegt darin, was Sie mit den Informationen tun können, nicht in den Daten selbst.
- Beispiel: In einem Marketingtrichter, wenn Leute keine Demos buchen, können Sie die Button-Größe, die Landingpage oder die Grafiken anpassen (umsetzbar).
- Wenn Nutzer das Produkt ausprobieren, aber dann abspringen, ist es schwieriger, den Grund zu bestimmen (nicht umsetzbar).
- Weiter oben im Trichter gibt es klarere Maßnahmen zu ergreifen, während die Daten weiter unten weniger umsetzbar werden.
- Für nicht umsetzbare Erkenntnisse sind Kundeninterviews und Nutzungsbeobachtungen hilfreich.
- Tools zum Sammeln und Analysieren von Benutzerdaten [09:54]
- Die Tools, die Produktteams verwenden, hängen von der Art des Produkts ab, das entwickelt wird (z.B. Spiele, Websites, E-Commerce-Plattformen).
- Teams benötigen Produktanalysesoftware, die Ereignisse sammelt (Verfolgung von Benutzeraktionen) und sie zur einfachen Analyse speichert.
- Für Spiele können Unity-Plugins In-Game-Ereignisse verfolgen und sie in Plattformen wie Snowflake zur Analyse speichern.
- E-Commerce und andere Sektoren haben spezifische Lösungen, die auf ihre Bedürfnisse zugeschnitten sind.
- Der Schlüssel liegt darin, Tools zu verwenden, die den Anforderungen des Produkts für die Datenerfassung und -analyse entsprechen.
- KI für die Datenanalyse nutzen [10:52]
- KI hilft nicht-technischen Personen, Daten zu analysieren und zu transformieren, eine Aufgabe, die zuvor Datenwissenschaftler erforderte.
- KI übernimmt die technischen Aspekte, sodass Benutzer Fragen in einfachem Englisch stellen können.
- Nicht-technische Benutzer können Daten mit grundlegenden Geschäftswissen und Neugierde erkunden.
- Dieser Ansatz ermutigt mehr Menschen, sich mit Daten zu beschäftigen.
- Ein gesteigertes Interesse an Daten führt dazu, dass Unternehmen mehr in saubere, zugängliche Daten investieren.
- Dies schafft einen vorteilhaften Kreislauf, in dem bessere Daten zu besseren Erkenntnissen und Entscheidungen führen.
Je mehr Menschen Daten schätzen, desto mehr wird das Unternehmen in die Pflege sauberer Daten investieren und sie für alle zugänglich machen.
Mo Hallaba
- Iterieren mit Daten: Praxisbeispiele [12:12]
- Datawisp konzentrierte sich auf die Wartezeiten der Benutzer für ihre KI-Funktion Wispy.
- Sie testeten zwei Versionen: eine schnelle KI mit anständigen Antworten und eine langsame KI mit potenziell besseren Antworten.
- Daten zeigten, dass Benutzer schnellere Antworten bevorzugten, was zu einem Fokus auf Geschwindigkeit führte.
- Sie passten die Leistung von Wispy basierend auf der Geduld der Benutzer an und optimierten für schnelle Antworten.
- Implementierte datengetriebene Designänderungen, wie z.B. das Timing von Statusmeldungen, basierend auf den Wartezeiten der Benutzer.
- Verwendete Echtzeitdaten, um die Funktion zu verfeinern und zu iterieren, um die Benutzererfahrung zu verbessern.
- Die Schulung der Benutzer dreht sich weniger um Verhaltensänderungen als um das Setzen richtiger Erwartungen.
- Beispiel: Steve Jobs' Ansatz "falsch halten" war ineffektiv.
- Der Schlüssel liegt darin, die Erwartungen der Benutzer durch Bildung und klare Kommunikation zu managen.
- Benutzer erwarten schnelle Antworten, und das Setzen realistischer Zeitrahmen ist entscheidend.
- Der Vergleich der Antwortzeiten von Datawisp mit traditionellen Methoden (z.B. eine Woche warten) hilft, die Vorteile hervorzuheben.
- Effektive Kommunikation beinhaltet eine ehrliche und genaue Darstellung der Antwortzeiten.
- Gutes Marketing und klare Botschaften sind entscheidend, um diese Erwartungen zu setzen.
- Benutzer sind an sofortige Antworten von Suchmaschinen und KI gewöhnt, was zu unrealistischen Erwartungen führt.
- ChatGPT hat zu dem Glauben beigetragen, dass KI sofortige Antworten für alle Aufgaben liefern kann.
- In Wirklichkeit wird die Verarbeitungszeit von Datenbankabfragen beeinflusst, nicht nur von der KI-Leistung.
- Wispy informiert jetzt die Benutzer über seinen Status während der Verarbeitung, wie "Ich denke nach" oder "Warte auf Ihre Datenbank", um die Erwartungen zu managen.
- Benutzer nehmen oft an, dass ein System defekt ist, wenn es zu lange dauert, was sie dazu veranlasst, Anfragen zu aktualisieren oder erneut zu senden.
- Datenverfolgung und Benutzertests zeigen, dass klare Kommunikation über Verarbeitungszeiten entscheidend für die Benutzerzufriedenheit ist.
- Erfolgreiche datengetriebene Erfolgsgeschichten [19:10]
- Im E-Sport führte Datenanalyse zum Gewinn eines Turniers.
- Die Software lieferte detaillierte Heatmaps, indem sie Daten nach verschiedenen Spielsituationen und -bedingungen aufschlüsselte.
- Dies ermöglichte die präzise Identifizierung von Gegnerpositionen, was trotz des niedrigsten Budgets zum Sieg beitrug.
- Bei Datawisp half es einem Spiel, seine Nutzerbasis schnell zu verdreifachen.
- Analysierte Quellen der Nutzerakquise und In-Game-Verhalten, um sich auf effektive Akquisitionskanäle zu konzentrieren.
- Die Erfolgsgeschichte beinhaltete eine Fallstudie mit dem Unternehmen Honeyland, die auf der Website von Datawisp vorgestellt wurde.
Unser Gast
Mo Hallaba ist der CEO von Datawisp, einer Plattform, die Spieleentwicklern und Softwareunternehmen hilft, die von ihnen gesammelten Daten besser zu nutzen, um ihr Produkt zu verbessern, die Kosten für die Nutzerakquise zu senken und die Bindung zu erhöhen. Datawisp wurde von Grund auf speziell für nicht-technische Personen entwickelt und so gestaltet, dass sie einfach die für sie wichtigen Fragen stellen und sofort Antworten erhalten können.
Mo's Reise begann, als er in der Bankenbranche als Aktienforschungsanalyst arbeitete. Seine Arbeit war unglaublich repetitiv, da er viel Zeit mit Aufgaben verbrachte, die sich anfühlten, als sollte sie ein Computer erledigen (tiefgehende Datenanalyse für Geschäftsleute).
Der Wendepunkt kam, als er die Finanzwelt verließ und ein Gaming-Unternehmen gründete, in dem er als Berater mit Triple-A-Spieleverlegern arbeitete. Diese Unternehmen hatten genau die gleichen Datenzugangsprobleme, die er im Finanzwesen erlebte: Menschen waren auf Datenanfragen angewiesen, und Wissenschaftsteams waren damit beschäftigt, Datenanfragen für Geschäftsleute zu bearbeiten. Die Erkenntnis, dass reine Beratung das Problem nur "überkleben" würde und dass die Lösung darin bestand, ein Produkt zu schaffen, führte zur Gründung von Datawisp.
Verfolgen Sie alles, was Ihre Benutzer in Ihrem Produkt tun, da es irgendwann nützlich sein wird.
Mo Hallaba
Ressourcen aus dieser Episode:
- Schauen Sie sich den Sponsor dieser Episode an Sprig
- Abonnieren Sie den The CPO Club Newsletter
- Verbinden Sie sich mit Mo auf X und LinkedIn
- Schauen Sie sich Datawisp an
Verwandte Artikel und Podcasts:
- Über den Product Manager Podcast
- Wie man ohne technischen Hintergrund Produktmanager wird
- Ein Leitfaden zur Produktanalyse: Vorteile, Metriken & warum es wichtig ist
- Daten-Produktmanager: Brauchen Sie einen oder müssen Sie einer sein?
- 7 Bücher zur Produktanalyse, um bessere datengetriebene Entscheidungen zu treffen
