En el panorama actual impulsado por los datos, las organizaciones a menudo se encuentran ahogadas en un mar de información, pero luchan por obtener conocimientos prácticos de la misma. Muchas empresas están ansiosas por calificarse como centradas en datos, pero la realidad es que no todas tienen la misma capacidad para interpretar y utilizar los datos de manera eficaz. Frecuentemente, los conocimientos están fragmentados y los análisis presentados no ofrecen la perspectiva completa necesaria para tomar decisiones informadas.
En este episodio, Hannah Clark conversa con Mo Hallaba—CEO de Datawisp—para hablar sobre las brechas entre la gran cantidad de datos que recopilan las organizaciones y la eficacia de su uso, a la vez que ofrecen soluciones prácticas para una mejor gestión y visualización de datos.
Puntos destacados de la entrevista
- Conoce a Mo Hallaba [01:00]
- Mo comenzó su carrera en finanzas, específicamente en investigación de acciones.
- Su trabajo consistía en recomendar acciones y realizar mucho trabajo manual de datos.
- Luego pasó a fusiones y adquisiciones corporativas, realizando adquisiciones y más investigación de datos.
- Cansado de esto, siguió su pasión por los videojuegos y fundó una startup de juegos.
- La startup fracasó, pero conoció a personas que trabajaban en un equipo de e-sports que utilizaba datos y análisis para entrenar a los jugadores.
- Este concepto le intrigó y evolucionó hacia una empresa de análisis de datos más general.
- Eventualmente, se expandieron más allá del sector de juegos para centrarse en la analítica en general.
- Comprender la toma de decisiones basada en datos [02:40]
- Muchas organizaciones esperan que los datos tomen decisiones por ellas, lo cual es un error.
- Campos muy técnicos pueden usar la toma de decisiones basada en datos, pero ese no es el objetivo para todos.
- Datawisp se enfoca en la toma de decisiones «informada por datos».
- Este enfoque implica usar los datos para respaldar decisiones que ya tomarías, ofreciendo más perspectiva.
- Un ejemplo: decidir dónde colocar un botón en una interfaz de usuario en función de los datos del comportamiento del usuario.
- Los datos ayudan a informar los ajustes en lugar de depender de suposiciones.
- El poder de la visualización de datos [04:02]
- No todos se sienten cómodos con los números, especialmente quienes no son técnicos.
- La visualización de datos ayuda a quienes trabajan en campos creativos o gestión de productos a comprender mejor los datos.
- Ver los datos en forma visual, como en gráficos, facilita captar tendencias y patrones.
- Por ejemplo, mostrar visualmente cómo evolucionan los KPIs con el tiempo es más efectivo que explicarlo con números.
- Las visualizaciones permiten identificar rápidamente cambios claves, como cuando los datos divergen, y fomentan mejores preguntas.
- Cómo protegerse contra la mala interpretación de los datos [05:12]
- La IA no está pensada para reemplazar a las personas, sino para reducir el trabajo repetitivo de los científicos de datos.
- Las organizaciones deberían contratar al menos uno o dos científicos de datos, incluso con buen software.
- El objetivo es eliminar la necesidad de habilidades técnicas, como escribir SQL, para analizar los datos.
- Eliminar barreras técnicas permite que más personas dediquen tiempo a comprender los datos.
- Los responsables de la toma de decisiones deben colaborar con los científicos de datos para evitar malas interpretaciones.
- Mantener a una persona involucrada en el proceso de datos ayuda a garantizar una comprensión correcta, especialmente con relaciones complejas como la causalidad.
Muchas personas ven la IA como reemplazo de funciones humanas, pero nosotros no lo vemos así. Nos enfocamos en usar la IA para eliminar tareas repetitivas y cuellos de botella que dificultan el trabajo de los científicos de datos. Una excelente forma de protegerse ante estos problemas es contar con un científico de datos capacitado en tu equipo o contratar a alguien que realmente sepa lo que hace.
Mo Hallaba
- Guía para dividir los datos en fragmentos contextuales [06:45]
- Comienza identificando los objetivos de negocio, no solo analizando los datos de forma aislada.
- El análisis de datos debe ayudar a revelar nuevos conocimientos sobre el negocio.
- Por ejemplo, para evaluar la efectividad de un tutorial, compara los datos entre usuarios que lo completaron y aquellos que no.
- Analiza las tasas de abandono y las diferencias de retención entre estos grupos.
- Si no hay diferencia, o bien el tutorial no es necesario o el producto es fácil de usar.
- Si los usuarios que completan el tutorial obtienen mejores resultados, sugiere que el tutorial es valioso.
- La segmentación de datos depende de la pregunta comercial específica que se esté respondiendo.
- Datos accionables vs. no accionables [08:05]
- Los datos accionables permiten tomar medidas claras y específicas basadas en los conocimientos obtenidos.
- Los datos no accionables brindan información pero no indican pasos claros a seguir.
- La diferencia radica en lo que se puede hacer con la información, no en los datos en sí.
- Ejemplo: En un embudo de marketing, si los usuarios no agendan demostraciones, puedes ajustar el tamaño del botón, la página de destino o los gráficos (accionable).
- Si los usuarios prueban el producto pero luego lo abandonan, es más difícil identificar el motivo (no accionable).
- Cuanto más arriba en el embudo, hay acciones más claras a tomar, mientras que más abajo, los datos se vuelven menos accionables.
- Para conocimientos no accionables, las entrevistas a clientes y la observación del uso son útiles.
- Herramientas para recopilar y analizar datos de usuarios [09:54]
- Las herramientas que utilizan los equipos de producto dependen del tipo de producto que se esté desarrollando (por ejemplo, juegos, sitios web, plataformas de comercio electrónico).
- Los equipos necesitan software de análisis de productos que recopile eventos (seguimiento de acciones de los usuarios) y los almacene para facilitar el análisis.
- Para juegos, los complementos de Unity pueden rastrear eventos dentro del juego y almacenarlos en plataformas como Snowflake para su análisis.
- El comercio electrónico y otros sectores disponen de soluciones específicas adaptadas a sus necesidades.
- La clave está en utilizar herramientas alineadas con los requisitos del producto para la recopilación y análisis de datos.
- Aprovechando la IA para el análisis de datos [10:52]
- La IA ayuda a personas no técnicas a analizar y transformar datos, tarea que antes requería científicos de datos.
- La IA se ocupa de los aspectos técnicos, permitiendo a los usuarios hacer preguntas en lenguaje sencillo.
- Los usuarios no técnicos pueden explorar los datos con conocimientos básicos de negocio y curiosidad.
- Este enfoque fomenta que más personas se involucren con los datos.
- El interés creciente por los datos lleva a las empresas a invertir más en datos limpios y accesibles.
- Esto crea un ciclo beneficioso donde mejores datos conducen a mejores conocimientos y decisiones.
Cuanto más valoren las personas los datos, más invertirá la empresa en mantener los datos limpios y hacerlos accesibles para todos.
Mo Hallaba
- Iterando con datos: Ejemplos del mundo real [12:12]
- Datawisp se centró en los tiempos de espera de los usuarios para su función de IA, Wispy.
- Probaban dos versiones: una IA rápida con respuestas decentes y una IA lenta con respuestas potencialmente mejores.
- Los datos revelaron que los usuarios preferían respuestas más rápidas, lo que llevó a priorizar la velocidad.
- Ajustaron el rendimiento de Wispy según la paciencia de los usuarios, optimizando para respuestas rápidas.
- Implementaron cambios en el diseño guiados por datos, como el tiempo de aparición de los mensajes de estado, basados en los tiempos de espera de los usuarios.
- Utilizaron datos en tiempo real para perfeccionar e iterar la función y así mejorar la experiencia del usuario.
- Capacitar a los usuarios tiene menos que ver con cambiar el comportamiento y más con establecer expectativas adecuadas.
- Ejemplo: El enfoque de Steve Jobs de “lo estás sosteniendo mal” fue ineficaz.
- La clave es gestionar las expectativas de los usuarios a través de la educación y una comunicación clara.
- Los usuarios esperan respuestas rápidas, por lo que establecer plazos realistas es fundamental.
- Comparar el tiempo de respuesta de Datawisp con los métodos tradicionales (por ejemplo, esperar una semana) ayuda a resaltar los beneficios.
- La comunicación efectiva implica transmitir de manera honesta y precisa los tiempos de respuesta.
- Un buen marketing y mensajes claros son esenciales para establecer estas expectativas.
- Los usuarios están acostumbrados a respuestas instantáneas de los motores de búsqueda y la IA, lo que crea expectativas poco realistas.
- ChatGPT ha contribuido a la creencia de que la IA puede proporcionar respuestas inmediatas para todas las tareas.
- En realidad, el tiempo de procesamiento está influido por las consultas a la base de datos, no solo por el rendimiento de la IA.
- Ahora, Wispy informa a los usuarios sobre su estado durante el procesamiento, como «Estoy pensando» o «esperando a tu base de datos», para gestionar expectativas.
- Los usuarios a menudo asumen que un sistema está roto si tarda demasiado, lo que los lleva a refrescar o reenviar solicitudes.
- El seguimiento de datos y las pruebas con usuarios revelan que una comunicación clara sobre los tiempos de procesamiento es crucial para la satisfacción del usuario.
- Historias triunfantes de éxito impulsadas por datos [19:10]
- En los esports, el análisis de datos llevó a ganar un torneo.
- El software proporcionó mapas de calor detallados al desglosar los datos por diferentes situaciones y condiciones en el juego.
- Esto permitió identificar con precisión las posiciones de los oponentes, contribuyendo a la victoria a pesar de tener el presupuesto más bajo.
- En Datawisp, ayudaron a que un juego triplicara rápidamente su base de usuarios.
- Analizaron las fuentes de adquisición de usuarios y los comportamientos dentro del juego para enfocarse en los canales de adquisición más efectivos.
- La historia de éxito incluye un caso de estudio con la empresa Honeyland, destacado en el sitio web de Datawisp.
Conoce a nuestro invitado
Mo Hallaba es el director ejecutivo de Datawisp, una plataforma que ayuda a desarrolladores de juegos y empresas de software a aprovechar mejor los datos que recopilan para así poder mejorar su producto, reducir los costos de adquisición de usuarios y aumentar la retención. Datawisp fue construido desde cero específicamente para personas no técnicas y está diseñado para que puedan simplemente hacer las preguntas que son importantes para ellos y obtener respuestas de inmediato.
El viaje de Mo comenzó cuando trabajaba en la industria bancaria como analista de investigación de valores. Su trabajo era increíblemente repetitivo, pasando mucho tiempo haciendo tareas que sentía que debía realizar una computadora (análisis de datos en profundidad para personas de negocios).
El punto de inflexión llegó cuando dejó las finanzas y fundó una empresa de videojuegos, trabajando como consultor con editoras de juegos triple A. Estas empresas tenían exactamente los mismos problemas de acceso a datos que él experimentó en finanzas: personas a merced de solicitudes de datos y los equipos de ciencia de datos ocupados gestionando esas solicitudes para el área de negocios. Al darse cuenta de que la consultoría pura solo era un «parche» al problema y que la solución sería crear un producto, nació Datawisp.

Rastrea todo lo que hacen tus usuarios en tu producto, ya que en algún momento será útil.
Mo Hallaba
Recursos de este episodio:
- Consulta al patrocinador de este episodio Sprig
- Suscríbete al boletín de The CPO Club
- Conecta con Mo en X y LinkedIn
- Consulta Datawisp
Artículos y podcasts relacionados:
- Acerca del podcast de The CPO Club
- Cómo ser gestor de producto sin formación técnica
- Guía de análisis de productos: beneficios, métricas y por qué es importante
- Gestor de productos de datos: ¿Necesitas uno, o necesitas serlo?
- 7 libros de análisis de productos para tomar mejores decisiones basadas en datos
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.
