Datos Para Principiantes: Un Curso Acelerado Para PMs No Técnicos

Lea la transcripción:

Estamos probando la transcripción de nuestros pódcasts con un programa de software. Por favor, disculpe cualquier error tipográfico ya que el bot no es 100% preciso.

Hannah Clark: ¿Podemos ser honestos sobre algo? Esta industria está un poco obsesionada con ser guiada por los datos. No, esa no es la parte honesta, ya lo sabías. La parte honesta es que no todos somos tan buenos con los datos. Y si eres de esas personas que se maneja bastante bien con un panel de análisis, puede que no siempre trabajes con los insights correctos para mostrar la imagen completa.

Mi invitado de hoy es Mo Hallaba, CEO de Datawisp, que si no lo conoces, es una herramienta de visualización de datos potenciada por IA. Dada esta posición, Mo tiene una perspectiva única sobre la desconexión entre la cantidad de datos que la mayoría de las organizaciones recolectan y la eficacia con la que realmente los usan. Además, tengo que decir, raramente hablo con personas que son tan inteligentes que logran hacer accesibles temas altamente complejos para cualquiera. Pero por suerte para ti y para mí, de eso se trata esta charla. Vamos a ello.

Bienvenidos de nuevo al pódcast de The CPO Club. Mo, muchísimas gracias por hacerte un hueco para acompañarnos hoy.

Mo Hallaba: Gracias por invitarme. Estoy emocionado de estar aquí y hablar sobre IA y datos y todas estas otras palabras de moda también, así que.

Hannah Clark: Nosotros también lo esperamos con ganas.

¿Puedes contarnos un poco sobre tu trayectoria y cómo llegaste a donde estás hoy en Datawisp?

Mo Hallaba: Por supuesto. Es una historia larga, pero trataré de resumirla. Empecé mi carrera en finanzas, en research de acciones, básicamente diciéndole a la gente qué acciones comprar y cosas así. Eso implica mucha investigación y trabajo manual con datos, lo cual es un dolor de cabeza.

Terminé dejando eso y haciendo M&A corporativo por un tiempo. Era parecido, pero desde otro enfoque. En vez de decirle a la gente qué comprar, hacíamos adquisiciones. Y para esas adquisiciones, también hacíamos mucha de nuestra propia investigación. Y otra vez, lidiando con montañas de datos.

Y finalmente me cansé de eso y pensé: quiero hacer algo propio, quiero fundar una startup. Siempre me han apasionado los videojuegos, así que pensé en hacer algo en ese campo. Empecé una startup de gaming que fracasó estrepitosamente, pero en el proceso conocí gente que trabajaba en algo muy interesante, que era un equipo de esports. Compraban jugadores de regiones poco conocidas y usaban software para entrenarlos usando datos y análisis.

Eso me pareció muy interesante: era como Moneyball para videojuegos. Y de ahí surgió porque otros equipos lo querían y algunos organizadores de torneos querían mostrar estadísticas en pantalla. Así es como pasé de trabajar en finanzas a estar en una empresa de análisis de datos.

Eventualmente decidimos expandirnos fuera del mundo gamer. Ahora somos análisis de datos en general.

Hannah Clark: Genial. Profundizaremos en eso en un momento. De hecho, viene perfecto para lo que sigue.

Hoy hablaremos sobre cómo usar realmente los datos para informar la toma de decisiones. Para comenzar, me da curiosidad, ¿qué crees que muchas organizaciones hacen mal al respecto de la tan mencionada “toma de decisiones basada en datos”? Sé que ese término es un poco polémico.

Mo Hallaba: Sí, creo que hay muchas personas que esperan que los datos tomen decisiones por ellos, como si la toma de decisiones fuese automática gracias a los datos. Y sí, en algunos campos muy técnicos tienes científicos de datos y las decisiones se basan mucho en datos, pero ese no es nuestro caso.

Eso no es lo que hacemos en Datawisp. Nosotros trabajamos más con la toma de decisiones informadas por datos; es tomar esas decisiones que ibas a hacer igual sin datos y simplemente darte acceso a algo de datos para que cuando tomes la decisión, estés más informado. Por ejemplo: ¿Dónde ponemos este botón en la interfaz del usuario?

¿Lo ponemos aquí arriba? ¿Aquí abajo? ¿Lo movemos? Si ves que tus tasas de conversión, es decir, la gente llega a tu web y luego se pierde en la página principal, quizás quieras mover el botón, ¿verdad? Pero si ves que el 90% de las personas llegan a tu página y hacen clic en el botón, entonces no debes preocuparte por ello. Son pequeños detalles como ese, donde en vez de adivinar, ahora tienes datos que te educan. Así que tomar decisiones informadas por datos.

Hannah Clark: Sí, yo también prefiero, perdón, tomar decisiones informadas por datos. Se me nota lo canadiense.

¿Puedes contarnos un poco sobre cómo la visualización de datos puede ayudarnos a democratizar la comprensión y el uso de los datos en las organizaciones?

Mo Hallaba: Claro. No todos son personas de números, especialmente en campos más creativos o roles como gerente de producto. Hay gente que simplemente comprende mejor los datos cuando los ve visualizados, como en una imagen en frente de ellos. No es lo mismo decir que un patrón cambia con el tiempo que mostrarle a alguien una gráfica donde puede ver claramente cómo evoluciona el KPI a lo largo del tiempo.

Si tienes una rama principal y una rama nueva de producto y ambas evolucionan juntas, y luego en un punto los datos se separan, solo viendo esa gráfica puedes decir “¿qué pasó en julio?”. Muy diferente a mirar una tabla o reportes trimestrales. Visualizarlo, especialmente para gente no técnica, hace mucho más fácil saber qué preguntas hacer a continuación, en mi opinión.

Hannah Clark: Sí, como alguien que no es de números, apoyo totalmente la visualización de datos.

¿Cuáles son algunas formas en las que las organizaciones pueden protegerse contra interpretaciones incorrectas de los datos, para que así los tomadores de decisiones tengan claridad sobre los puntos de datos?

Mo Hallaba: Mucha gente ve la IA y piensa que va a reemplazar a las personas. Nosotros no vamos por ese camino, buscamos más bien evitar el trabajo tedioso que ralentiza a los científicos de datos. Una buena forma de protegerse es tener un científico de datos en tu equipo o contratar a alguien que sepa lo que hace. Lo bueno es que con un buen software puedes arreglártelas con uno o dos científicos de datos en vez de diez.

Lo que quieres eliminar es la necesidad de habilidades técnicas solo para analizar datos. No debería tener que escribir SQL para obtener una gráfica, pero tampoco debería tomar decisiones solo con esa gráfica sin entender qué significan los datos. Cuando eliminas la barrera técnica, la gente puede pasar más tiempo con los datos y educarse bien sobre cómo usarlos correctamente.

Así ahora tienen más tiempo para hablar con un científico de datos y comprender qué muestran los datos y qué no, por ejemplo. Puede haber variables correlacionadas por causalidad u otros motivos. Pero, básicamente, mantener a una persona en el proceso es el mejor modo de evitar errores.

Ya sea un científico de datos o el mejor ingeniero que tengas, sigo pensando que si tus opciones son no hacer nada o hacer algo, siempre deberías hacer algo.

Hannah Clark: ¿Cuál es tu manual para segmentar los datos y darles contexto? ¿Puedes compartir una anécdota de cómo se hace esto en la práctica?

Mo Hallaba: Claro. Para mí lo mejor es mirar tus objetivos de negocio. No se trata de trabajar con datos en el vacío, sino de entender algo nuevo sobre tu negocio que antes no sabías.

Suele depender de la pregunta de negocio, pero por ejemplo: ¿nuestro tutorial es útil? Para responder esa pregunta, podrías dividir los datos entre personas que usaron el tutorial y quienes no lo completaron, luego mirar las tasas de abandono y ver cómo difieren los grupos, y quizás no hay diferencia.

En ese caso puedes pensar que el tutorial no es efectivo, o que la app es tan fácil de usar que no lo necesitan. Pero si ves que quienes completan el tutorial usan el producto mucho más, son más eficaces y permanecen más tiempo, entonces puedes decir: “hay algo con esto del tutorial”. Todo depende del problema que intentas resolver.

Hannah Clark: Muy claro el ejemplo, muchas gracias.

Has hablado antes de la diferencia entre datos accionables y no accionables. ¿Puedes explicar a qué te refieres con cada uno? ¿Cuáles son datos accionables y no accionables? ¿Cómo identificar y aprovechar ambos ejemplos?

Mo Hallaba: Es más sobre cómo puedes actuar en base a los insights que obtienes. Los datos no cambian, pero depende de tus opciones. Por ejemplo, en Datawisp tenemos un embudo de marketing; atraemos gente, se registran, usan la app, les gusta o no, y luego se quedan o se van. Cuanto más arriba del embudo, más opciones tienes.

Si nadie reserva una demo puedes pensar: quizá el botón no es suficientemente grande, o la página poco atractiva, o necesitamos otro gráfico. Pero si alguien inicia sesión, reserva una demo, habla contigo, prueba el producto y luego abandona, puede que simplemente no le gustó, o el producto no solucionaba su problema. Eso ya es menos accionable que el problema de arriba.

Entonces, ¿qué puedes hacer con la información? Si tienes una caída del 50% en el paso tres de tu embudo, puedes hacer una lista de posibles causas e ir tras ellas. Pero al final del embudo, cuando hay muchas variables, es más difícil saber el motivo. Para eso debes hacer entrevistas de usuario o ver cómo usan el producto; hay otras herramientas para eso.

Hannah Clark: ¿Cuáles son algunas herramientas que los equipos de producto pueden usar para recolectar y analizar mejor los datos de sus usuarios y tomar mejores decisiones?

Mo Hallaba: Depende mucho de lo que estés construyendo, pero hay múltiples softwares según el producto. Si haces un juego, es muy diferente a un sitio web o un ecommerce. Necesitas algo que recoja eventos (cosas que suceden) y las guarde en un lugar fácil de analizar.

Para juegos, existen módulos para Unity que guardan eventos y los almacenan, por ejemplo en Snowflake. Eso hace mucho más fácil empezar con el análisis. Es un requisito básico. Para ecommerce y similares, existen muchas soluciones verticales específicas que hacen ese trabajo. Depende de tu sector y producto.

Hannah Clark: Sobre la IA y su papel ayudando a analizar datos, mencionaste que tener un científico de datos es lo mejor.

¿Hay lugar para la IA en ayudar a que los datos sean más comprensibles para personas, especialmente para no técnicos?

Mo Hallaba: Absolutamente. De hecho, ese es todo nuestro negocio en Datawisp. Lo que la IA puede ayudar es permitiendo a gente sin habilidades técnicas transformar los datos y obtener respuestas por sí mismos.

La IA es muy buena en eso, algo que antes solo un científico de datos podía hacer. Ahora cualquiera, incluso alguien no técnico como yo, puede usar una de estas herramientas y la IA se encarga del código. Solo tienes que hacer preguntas en lenguaje natural. Así cualquier persona curiosa, con un conocimiento básico de negocio o producto, puede indagar en los datos.

Y eso es genial, porque crea un círculo virtuoso: cuanta más gente se interesa por los datos, más invertirá la empresa en tenerlos limpios y disponibles, y todos se benefician de eso.

Hannah Clark: Hablemos ahora de cómo usar los datos para iterar. Cuando aplicas datos y aprendes de alguna característica, ¿cómo creas un ciclo de retroalimentación para seguir iterando sobre esa característica?

Mo Hallaba: Claro. Te doy un ejemplo concreto que hicimos en Datawisp.

Con Wispy, nuestra IA, nos importa mucho el número de personas que la usan y, más importante aún, cuánto tiempo están dispuestas a esperar por una respuesta. Al principio teníamos dos opciones: una versión rápida de Wispy con respuestas “ok” y una versión mucho más lenta pero con mejores respuestas, aunque no siempre mejores.

Rápidamente vimos en los datos cuánta gente estaba dispuesta a esperar: después de cierto tiempo, la gente deja de esperar, no quieren aguantar más de 30 segundos o un minuto. Nuestra versión “inteligente” de Wispy a veces tardaba dos minutos, nadie esperaba tanto —por buenas que fueran las respuestas—.

Así que decidimos centrarnos en la rapidez. Tratamos de hacer Datawisp lo más rápido posible, y se nota cómo subieron las métricas. Primero era solo la versión lenta, luego dividimos 50-50 y al final solo la rápida.

Los números iban subiendo en cada iteración. Es en este tipo de proceso donde Moritz y yo, Moritz es nuestro CTO, estábamos en una llamada diseñando los mensajitos que aparecen mientras Wispy calcula la respuesta. Si tarda 30 segundos, no puedes simplemente dejarlo cargando sin más; así que pusimos mensajes tipo “Sigo trabajando…” o “La ciencia de datos es difícil…” y discutíamos cuánto tiempo debería pasar entre cada mensaje. Entonces pensamos: podríamos verlo en los datos. Vimos cuánto esperaban realmente los usuarios y programamos los mensajes en consecuencia.

Ese es un ejemplo concreto de cómo iterar usando datos.

Hannah Clark: Es genial y me pregunto porque muchas veces hablamos de entrenar modelos de IA, pero ¿existe un elemento de entrenar a los usuarios? Porque cuando mencionas la impaciencia de los usuarios por esperar una respuesta mejor, parece un comportamiento modificable. ¿Cómo lo abordáis?

Mo Hallaba: Estás usando el producto mal. Así no es. ¿No recuerdas eso? Creo que fue Steve Jobs quien dijo: “lo estás sujetando mal”, cuando salió el nuevo iPhone y tenía problemas de recepción porque el diseño de la antena dependía de cómo lo sujetabas. Dijeron, tienes que sujetar el móvil así. Ese es un ejemplo de cómo no hacerlo, es lo peor que puedes hacer. En realidad es una cuestión de expectativas y educación a partes iguales. El usuario tiene una idea de lo que quiere y hay que llegar a un compromiso.

Sabemos que Datawisp es para gente no técnica. Y el comportamiento habitual es: mando un email a Joe y Joe me pasa los datos. Así que son personas que no invierten mucho esfuerzo para obtener lo que quieren.

Ahora, es un fastidio para Joe, pero así es la realidad. No podemos pedirles mucho esfuerzo, un poco sí, pero no mucho más. A la vez, toca marketing y establecer expectativas. ¿Qué quieres? ¿Una buena respuesta? ¿Cuándo la quieres?

¿Cuánto tarda Joe en contestar? ¿Una semana? ¿Vale la pena esperar un minuto por una respuesta de Datawisp? 30 segundos sería ideal, pero un minuto aún es mucho menos que una semana. Dejas caer pequeños mensajes; necesitas un buen copywriter para esto, en tu web, dejando claro lo que va a pasar desde el principio.

“Consigue tu respuesta en minutos, no en semanas”. No pones “segundos” porque si lo pones la gente lo espera instantáneo. Si dices “en segundos”, genera una expectativa equivocada. Es curioso, digo esto y seguro que nuestra web sigue diciendo “segundos”, pero en las llamadas de ventas hay que ser claro desde el inicio.

“Mira, ¿cuánto te tarda esto ahora?” El cliente responde. “Vale, nosotros podemos hacerlo en una fracción de ese tiempo”. Así que sientas expectativas desde el principio.

Hannah Clark: Es interesante. Siento que la costumbre de buscar todo en buscadores genera que se espere inmediatez, cuando la tecnología detrás es muy distinta.

Mo Hallaba: Además, ChatGPT ha malacostumbrado a la gente, ahora piensan que la IA es magia y no entienden cómo funciona realmente. Y han visto lo rápido que genera textos. Si le pido: “Hazme un itinerario de viaje para cinco días en Milán”, ¡lo tiene listo en segundos!

La gente asume que la IA hace magia y que todo debe ser instantáneo. Pero cuando conectas con una base de datos con miles de millones de filas, el problema de rendimiento viene de la consulta, no de la IA. Ejecutar ese query puede llevar tiempo, y no hay nada que podamos hacer para apresurarlo. Pero como ven ChatGPT tan rápido, esperan lo mismo. Por eso, ahora Wispy muestra en pantalla el estado actual: “Estoy pensando”, y cuando termina eso y está esperando la base de datos, dice: “Esperando a la base de datos”. Siempre comunicamos lo que ocurre para ajustar expectativas.

Hannah Clark: Veo que eso ayuda mucho. También creo que los usuarios cuando ven que algo carga mucho tiempo piensan que está roto y le dan refrescar. Muy interesante.

Mo Hallaba: Analizamos muy bien este comportamiento. Cuando tienes un producto en vivo, mide todo. Nosotros registramos cada botón que se pulsa en Datawisp, cada acción.

Así comprendemos bien todo lo que pasa. En los tests de usuarios vimos que cuando algo cargaba demasiado, la gente refrescaba la página enseguida, así que el producto tiene que comunicar lo que hace si la espera supera los cinco segundos.

Hannah Clark: Tiene mucho sentido. “Mide todo” podría ser el lema de este episodio.

Mo Hallaba: Sí, mide todo lo que hace tu usuario en el producto porque algún día te servirá.

Hannah Clark: Ya has compartido un ejemplo de cómo los datos informan decisiones. Me interesa saber cuál es tu ejemplo más exitoso de decisión informada por datos, ya sea de un cliente tuyo o tu propio equipo.

Mo Hallaba: No es de Datawisp, pero el más exitoso fue en esports, literalmente ganamos un torneo usando datos.

Nuestro software era muy interesante, pues te permitía filtrar los datos por distintas condiciones. La mayoría de las herramientas solo te dan mapas de calor.

Te muestra todo el mapa y dónde suelen estar los jugadores del otro equipo, pero si miras un mapa de calor de una partida de una hora, sale todo verde, no dice nada. Pero si filtras por situación, por ejemplo: primera ronda, ¿dónde están? ¿Cuándo tienen cierto dinero? ¿Con qué armas aparecen? El mapa pasa de estar verde por todos lados a mostrar solo cinco puntos rojos, y ahora sabes exactamente dónde están tus rivales.

Así lo usábamos en competición, y el equipo ganaba con el presupuesto más bajo de todos. Increíble.

Hannah Clark: Seguro que muchos aficionados a los esports están deseando algo así ahora mismo.

Mo Hallaba: El mejor ejemplo de Datawisp fue con un juego al que ayudamos a triplicar su base de usuarios en muy poco tiempo. Lo lograron segmentando los usuarios según la fuente de adquisición, luego buscaron comportamientos in-game específicos que valoraban, y vieron que la gente que venía de cierto canal tenía el comportamiento que buscaban y así enfocaron los esfuerzos de adquisición. La empresa se llama Honeyland. Hicimos un caso de estudio que está en nuestra web. Fue genial.

Hannah Clark: Muy interesante, lo miraré.

Mo, gracias por acompañarnos hoy. ¿Dónde te puede seguir la gente en línea?

Mo Hallaba: En X, soy ElectronicMo. También pueden seguirme en LinkedIn, solo busquen mi nombre. Datawisp igual, pueden seguir a Datawisp en X y en LinkedIn.

Hannah Clark: Genial, muchísimas gracias por acompañarnos y por este curso acelerado que fue muy accesible para quienes no somos expertos en datos.

Mo Hallaba: Intento hacerlo sencillo. Gracias por invitarme, Hannah.

Hannah Clark: Gracias por escucharnos. Para más ideas, guías y reseñas de herramientas, suscríbete a nuestro boletín en theproductmanager.com/subscribe. Escucha más charlas como esta suscribiéndote a The CPO Club donde sea que escuches pódcasts.