Dataa aloittelijoille: Tehokurssi ei-teknisille tuotepäälliköille
Nykypäivän dataohjautuvassa toimintaympäristössä organisaatiot huomaavat usein hukkuvansa datamereen, mutta kamppailevat silti saadakseen siitä käyttökelpoisia oivalluksia. Monet yritykset haluavat innokkaasti kutsua itseään datakeskeisiksi, mutta todellisuudessa kaikki eivät ole yhtä taitavia tulkitsemaan ja hyödyntämään dataa tehokkaasti. Usein oivallukset ovat hajanaisia, eivätkä esitetyt analyysit anna kaikkea tietoa, jota perusteltujen päätösten tekemiseen tarvitaan.
Tässä jaksossa Hannah Clarkin vieraana on Datawispin toimitusjohtaja Mo Hallaba. He keskustelevat organisaatioiden keräämän valtavan datamäärän ja sen hyödyntämisen tehokkuuden välisistä puutteista sekä tarjoavat käytännön ratkaisuja parempaan datanhallintaan ja visualisointiin.
Haastattelun kohokohdat
- Tutustu Mo Hallabaan [01:00]
- Mo aloitti uransa rahoitusalalla, tarkemmin sanottuna osaketutkimuksen parissa.
- Hänen työhönsä kuului osakkeiden suosittelu ja laaja manuaalinen datankäsittely.
- Myöhemmin hän siirtyi yritysfuusioiden ja -yrityskauppojen pariin, jossa hän työskenteli yritysostoissa ja teki lisää datatutkimusta.
- Tähän kyllästyttyään hän seurasi intohimoaan videopelejä kohtaan ja perusti pelialan startup-yrityksen.
- Startup epäonnistui, mutta hän tapasi ihmisiä, jotka työskentelivät dataa ja analytiikkaa pelaajien valmentamiseen hyödyntävässä e-urheilujoukkueessa.
- Tämä ajatus kiehtoi häntä, ja siitä kehittyi laajempi data-analytiikkayritys.
- Lopulta he laajensivat toimintaansa pelaamisen ulkopuolelle ja keskittyivät yleiseen analytiikkaan.
- Dataohjautuvan päätöksenteon ymmärtäminen [02:40]
- Monet organisaatiot odottavat datan tekevän päätökset niiden puolesta, mikä on väärinkäsitys.
- Erittäin teknisillä aloilla voidaan käyttää dataohjautuvaa päätöksentekoa, mutta se ei ole kaikkien tavoite.
- Datawisp keskittyy dataan perustuvaan päätöksentekoon.
- Tässä lähestymistavassa dataa käytetään tukemaan päätöksiä, joita tekisit jo muutenkin, ja se tarjoaa lisää näkemyksiä.
- Esimerkiksi painikkeen sijoittaminen käyttöliittymään voidaan päättää käyttäjien käyttäytymisestä saadun datan perusteella.
- Data auttaa tekemään muutoksia perustellusti sen sijaan, että luotettaisiin arvauksiin.
- Datavisualisoinnin voima [04:02]
- Kaikki eivät tunne oloaan mukavaksi lukujen parissa, etenkään teknisen alan ulkopuolella työskentelevät.
- Datavisualisointi auttaa luovilla aloilla tai tuotehallinnassa työskenteleviä ymmärtämään dataa paremmin.
- Datan näkeminen visuaalisessa muodossa, kuten kaavioina, helpottaa trendien ja mallien hahmottamista.
- Esimerkiksi KPI-mittareiden kehityksen näyttäminen visuaalisesti ajan kuluessa on tehokkaampaa kuin sen selittäminen lukujen avulla.
- Visualisoinnit auttavat tunnistamaan nopeasti keskeiset muutokset, kuten tilanteet, joissa data alkaa poiketa aiemmasta kehityksestä, ja kannustavat esittämään parempia kysymyksiä.
- Suojautuminen datan väärintulkinnalta [05:12]
- Tekoälyä ei ole tarkoitettu korvaamaan ihmisiä, vaan vähentämään datatieteilijöiden rutiinityötä.
- Organisaatioiden tulisi palkata vähintään yksi tai kaksi datatieteilijää, vaikka niillä olisi käytössään hyvä ohjelmisto.
- Tavoitteena on poistaa teknisten taitojen, kuten SQL-kyselyiden kirjoittamisen, tarve datan analysoinnissa.
- Teknisten esteiden poistaminen antaa useammille ihmisille mahdollisuuden käyttää aikaa datan ymmärtämiseen.
- Päättäjien tulisi tehdä yhteistyötä datatieteilijöiden kanssa välttääkseen datan väärintulkinnan.
- Kun ihminen osallistuu edelleen datankäsittelyprosessiin, voidaan varmistaa datan oikea ymmärtäminen, erityisesti monimutkaisten suhteiden, kuten kausaliteetin, osalta.
Monet näkevät tekoälyn ihmisten roolien korvaajana, mutta me emme ajattele niin. Keskitymme tekoälyn hyödyntämiseen datatieteilijöitä haittaavan rutiinityön ja pullonkaulojen poistamisessa. Hyvä tapa suojautua näiltä ongelmilta on pitää tiimissä ammattitaitoinen datatieteilijä tai palkata henkilö, joka todella tietää, mitä tekee.
Mo Hallaba
- Ohjeistus tietojen pilkkomiseen kontekstuaalisiksi osioiksi [06:45]
- Aloita tunnistamalla liiketoimintatavoitteet sen sijaan, että analysoisit dataa vain erillään muusta kontekstista.
- Data-analyysin pitäisi auttaa paljastamaan uusia näkemyksiä liiketoiminnasta.
- Arvioidaksesi esimerkiksi opetusohjelman tehokkuutta vertaile sitä käyttäneiden ja käyttämättä jättäneiden käyttäjien dataa.
- Analysoi poistumisasteita ja käyttäjien pysyvyyden eroja näiden ryhmien välillä.
- Jos eroa ei löydy, opetusohjelmaa ei joko tarvita tai tuotetta on helppo käyttää.
- Jos opetusohjelman suorittaneilla käyttäjillä on parempia tuloksia, se viittaa siihen, että opetusohjelma on arvokas.
- Datan pilkkominen riippuu käsiteltävästä liiketoimintakysymyksestä.
- Toimenpiteitä mahdollistava ja toimenpiteitä mahdollistamaton data [08:05]
- Toimenpiteitä mahdollistavan datan perusteella voit tehdä oivallusten pohjalta selkeitä ja täsmällisiä toimia.
- Toimenpiteitä mahdollistamaton data tarjoaa oivalluksia, mutta ei selkeitä toimintavaiheita.
- Ero on siinä, mitä tiedolla voi tehdä, ei itse datassa.
- Esimerkki: markkinointisuppilossa, jos ihmiset eivät varaa esittelyjä, voit muuttaa painikkeen kokoa, laskeutumissivua tai grafiikkaa (toimenpiteitä mahdollistava).
- Jos käyttäjät kokeilevat tuotetta mutta poistuvat sen jälkeen, on vaikeampaa määrittää tarkasti, miksi näin tapahtuu (toimenpiteitä mahdollistamaton).
- Suppilon yläpäässä on selkeämpiä toimia, kun taas alempana data muuttuu vähemmän hyödynnettäväksi.
- Toimenpiteitä mahdollistamattomien oivallusten kohdalla asiakashaastattelut ja käytön havainnointi ovat hyödyllisiä.
- Käyttäjätietojen keräämisen ja jäsentämisen työkalut [09:54]
- Tuotetiimien käyttämät työkalut riippuvat rakennettavan tuotteen tyypistä (esimerkiksi pelit, verkkosivustot tai verkkokauppa-alustat).
- Tiimit tarvitsevat tuoteanalytiikkaohjelmiston, joka kerää tapahtumia (käyttäjien toimien seurantaa) ja tallentaa ne helposti analysoitavaan muotoon.
- Pelien kohdalla Unity-laajennukset voivat seurata pelin sisäisiä tapahtumia ja tallentaa ne analysointia varten Snowflaken kaltaisille alustoille.
- Verkkokaupalla ja muilla toimialoilla on omiin tarpeisiinsa räätälöityjä ratkaisuja.
- Keskeistä on käyttää työkaluja, jotka vastaavat tuotteen datan keräämistä ja analysointia koskevia vaatimuksia.
- Tekoälyn hyödyntäminen data-analyysissä [10:52]
- Tekoäly auttaa teknisesti suuntautumattomia ihmisiä jäsentämään ja muuntamaan dataa – tehtävässä, joka aiemmin edellytti data-asiantuntijoita.
- Tekoäly hoitaa tekniset osuudet, joten käyttäjät voivat esittää kysymyksiä arkikielellä.
- Teknisesti suuntautumattomat käyttäjät voivat tutkia dataa liiketoiminnan perustietojen ja uteliaisuuden avulla.
- Tämä lähestymistapa kannustaa yhä useampia ihmisiä hyödyntämään dataa.
- Kasvava kiinnostus dataa kohtaan saa yritykset investoimaan enemmän puhtaaseen ja helposti saatavilla olevaan dataan.
- Tämä luo hyödyllisen kierteen, jossa parempi data johtaa parempiin oivalluksiin ja päätöksiin.
Mitä useammat ihmiset arvostavat dataa, sitä enemmän yritys investoi puhtaan datan ylläpitämiseen ja sen tekemiseen kaikkien saataville.
Mo Hallaba
- Iterointi datan avulla: tosielämän esimerkkejä [12:12]
- Datawisp keskittyi käyttäjien odotusaikoihin tekoälyominaisuutensa Wispyssä.
- He testasivat kahta versiota: nopeaa tekoälyä, joka antoi kohtuullisia vastauksia, ja hidasta tekoälyä, joka saattoi antaa parempia vastauksia.
- Data osoitti, että käyttäjät suosivat nopeampia vastauksia, mikä johti keskittymiseen nopeuteen.
- He säätivät Wispyn suorituskykyä käyttäjien kärsivällisyyden perusteella ja optimoivat sen nopeita vastauksia varten.
- He toteuttivat dataan perustuvia suunnittelumuutoksia, kuten tilaviestien ajoituksen säätämisen käyttäjien odotusaikojen perusteella.
- He käyttivät reaaliaikaista dataa ominaisuuden kehittämiseen ja iterointiin paremman käyttäjäkokemuksen saavuttamiseksi.
- Käyttäjien kouluttamisessa ei ole niinkään kyse käyttäytymisen muuttamisesta kuin asianmukaisten odotusten asettamisesta.
- Esimerkki: Steve Jobsin lähestymistapa ”pidät sitä väärin” oli tehoton.
- Avainasemassa on käyttäjien odotusten hallinta koulutuksen ja selkeän viestinnän avulla.
- Käyttäjät odottavat nopeita vastauksia, joten realististen aikataulujen asettaminen on ratkaisevan tärkeää.
- Datawispin vastausajan vertaaminen perinteisiin menetelmiin, kuten viikon odottamiseen, auttaa tuomaan hyödyt esiin.
- Tehokas viestintä edellyttää vastausaikojen rehellistä ja täsmällistä kuvaamista.
- Hyvä markkinointi ja selkeä viestintä ovat olennaisia näiden odotusten asettamisessa.
- Käyttäjät ovat tottuneet hakukoneiden ja tekoälyn välittömiin vastauksiin, mikä luo epärealistisia odotuksia.
- ChatGPT on vahvistanut käsitystä siitä, että tekoäly voi antaa välittömiä vastauksia kaikkiin tehtäviin.
- Todellisuudessa käsittelyaikaan vaikuttavat tietokantakyselyt, eivät pelkästään tekoälyn suorituskyky.
- Wispy ilmoittaa nykyään käyttäjille käsittelyn aikaisen tilansa esimerkiksi viesteillä ”Mietin” tai ”Odotan tietokantaasi”, jotta odotuksia voidaan hallita.
- Käyttäjät olettavat usein järjestelmän olevan rikki, jos käsittely kestää liian kauan, ja alkavat siksi päivittää sivua tai lähettää pyyntöjä uudelleen.
- Datan seuranta ja käyttäjätestaus osoittavat, että selkeä viestintä käsittelyajoista on ratkaisevan tärkeää käyttäjätyytyväisyyden kannalta.
- Loistavia menestystarinoita dataohjautuvuudesta [19:10]
- Elektronisessa urheilussa data-analyysi johti turnauksen voittoon.
- Ohjelmisto tuotti yksityiskohtaisia lämpökarttoja jakamalla dataa pelin eri tilanteiden ja olosuhteiden perusteella.
- Tämä mahdollisti vastustajien sijaintien tarkan tunnistamisen ja auttoi saavuttamaan voiton pienimmästä budjetista huolimatta.
- Datawisp auttoi erästä peliä kolminkertaistamaan käyttäjäkuntansa nopeasti.
- He analysoivat käyttäjähankinnan lähteitä ja pelinsisäistä käyttäytymistä keskittyäkseen tehokkaisiin hankintakanaviin.
- Menestystarinaan liittyi Honeyland-yritystä koskeva tapaustutkimus, joka on esillä Datawispin verkkosivustolla.
Tutustu vieraaseemme
Mo Hallaba on Datawispin toimitusjohtaja. Datawisp on alusta, joka auttaa pelikehittäjiä ja ohjelmistoyrityksiä hyödyntämään paremmin keräämäänsä dataa, jotta ne voivat kehittää tuotettaan, pienentää käyttäjähankinnan kustannuksia ja parantaa käyttäjien pysyvyyttä. Datawisp rakennettiin alusta alkaen erityisesti teknisesti suuntautumattomille ihmisille, ja se suunniteltiin niin, että he voivat esittää itselleen tärkeitä kysymyksiä ja saada vastauksia välittömästi.
Mo aloitti uransa työskennellessään pankkialalla osaketutkimusanalyytikkona. Hänen työnsä oli uskomattoman toistuvaa, ja hän käytti paljon aikaa tehtäviin, jotka tuntuivat sellaisilta, joita tietokoneen pitäisi hoitaa (liiketoiminnan ammattilaisten tarvitsema syvällinen data-analyysi).
Käännekohta koitti, kun hän jätti rahoitusalan ja perusti peliyrityksen toimien konsulttina AAA-pelijulkaisijoille. Näillä yrityksillä oli täsmälleen samat datan saatavuuteen liittyvät ongelmat, joita hän oli kohdannut rahoitusalalla: ihmiset olivat datapyynnöistä riippuvaisia ja data-analyysitiimit kiireisiä tuottamaan liiketoiminnan ammattilaisille suunnattuja datapyynnöjä. Oivallus siitä, että pelkkä konsultointi vain ”paikkaisi” ongelmaa ja että ratkaisuna olisi tuotteen luominen, johti Datawispin perustamiseen.
Seuraa kaikkea, mitä käyttäjäsi tekevät tuotteessasi, sillä siitä on jossain vaiheessa hyötyä.
Mo Hallaba
Tämän jakson resurssit:
- Tutustu tämän jakson sponsoriin Sprig
- Tilaa CPO Clubin uutiskirje
- Ota yhteyttä Moohon palveluissa X ja LinkedIn
- Tutustu Datawispiin
Aiheeseen liittyvät artikkelit ja podcastit:
- Tietoja CPO Club -podcastista
- Kuinka tulla tuotepäälliköksi ilman teknistä taustaa
- Tuoteanalytiikan opas: hyödyt, mittarit ja miksi sillä on merkitystä
- Datatuotepäällikkö: tarvitsetko sellaisen vai pitääkö sinun olla sellainen?
- 7 tuoteanalytiikkaa käsittelevää kirjaa parempien dataan perustuvien päätösten tekemiseen
Lue litterointi:
Kokeilemme podcastiemme litterointia ohjelmiston avulla. Pahoittelemme mahdollisia kirjoitusvirheitä, sillä botti ei ole sataprosenttisen tarkka.
Hannah Clark: Voimmeko olla rehellisiä yhdestä asiasta? Tämä ala on hieman pakkomielteinen datalähtöisyyden suhteen. Ei, tuo ei ollut se rehellinen osa, tiesitte sen jo. Rehellinen osa on se, etteivät kaikki meistä oikeastaan ole kovin hyviä datan kanssa. Ja jos olet sellainen henkilö, joka hallitsee analytiikkakojelautojen käytön, et välttämättä aina työskentele oikeanlaisten oivallusten kanssa nähdäksesi kokonaiskuvan.
Vieraana tänään on Mo Hallaba, Datawispin toimitusjohtaja. Jos yritys ei ole sinulle tuttu, se on tekoälypohjainen datan visualisointityökalu. Tässä asemassa Molla on ainutlaatuinen näkökulma siihen, miten suuri ero useimpien organisaatioiden keräämän datan määrän ja sen tosiasiallisen hyödyntämisen tehokkuuden välillä on. Lisäksi on sanottava, että puhun harvoin ihmisille, jotka ovat niin älykkäitä, että pystyvät tekemään erittäin monimutkaisista asioista kaikkien ymmärrettäviä. Mutta sinun ja minun onneksemme juuri siitä tässä keskustelussa on kyse. Aloitetaan.
Tervetuloa takaisin The CPO Club -podcastiin. Mo, kiitos paljon, että ehdit liittyä seuraamme tänään.
Mo Hallaba: Kiitos kutsusta. On hienoa olla täällä puhumassa tekoälystä, datasta ja kaikista muistakin muotisanoista.
Hannah Clark: Me odotamme tätä myös innolla.
Voitko kertoa hieman taustastasi ja siitä, miten päädyit nykyiseen asemaasi Datawispillä?
Mo Hallaba: Toki. Tarina on pitkä, joten kestäkää mukana. Aloitin urani rahoitusalalla osaketutkimuksen parissa. Kerroin ihmisille, mitä osakkeita heidän kannattaisi ostaa ja niin edelleen. Se vaati paljon tutkimusta ja manuaalista datatyötä, joka oli todella tuskallista.
Siirryin myöhemmin yritysfuusioiden ja -yritysostojen pariin. Työ oli hyvin samanlaista, mutta näkökulma oli erilainen. Osakkeiden ostosuositusten sijaan teimme yritysostoja. Niitä varten teimme jälleen paljon omaa tutkimusta ja kaivoimme läpi valtavia tietomääriä.
Lopulta kyllästyin siihen ja päätin tehdä jotain omaa. Halusin perustaa startup-yrityksen. Olen aina ollut intohimoinen videopelien harrastaja, joten ajattelin tehdä jotain sillä alalla. Perustin pelialan startupin, joka epäonnistui täysin ja surkeasti. Sen aikana tapasin kuitenkin ihmisiä, jotka työskentelivät todella kiinnostavan asian parissa: e-urheilujoukkueen. He hankkivat pelaajia tuntemattomilta alueilta ja käyttivät ohjelmistoa heidän valmentamiseensa datan ja analytiikan avulla.
Pidin sitä todella kiinnostavana. Se oli kuin Moneyball, mutta videopeleille. Siitä toiminta kasvoi omaksi kokonaisuudekseen, koska muut joukkueet halusivat saman ratkaisun ja turnausjärjestäjät halusivat näyttää tilastoja ruudulla. Näin siirryin rahoitusalalta datan analytiikan pariin.
Lopulta päätimme laajentua pelialan ulkopuolelle. Nyt keskitymme kokonaan analytiikkaan.
Hannah Clark: Hienoa. Perehdymme siihen hetken kuluttua tarkemmin. Se onkin täydellinen johdanto seuraavaan aiheeseen.
Tänään puhumme siitä, miten dataa voidaan todella käyttää päätöksenteon tukena. Aloitetaan kysymyksellä: mitä monet organisaatiot mielestäsi ymmärtävät väärin niin sanotussa ”datalähtöisessä” päätöksenteossa? Tiedän, että tämä termi herättää jonkin verran tunteita.
Mo Hallaba: Monet ihmiset odottavat datan tekevän päätökset heidän puolestaan. Joillakin aloilla tämä pitääkin paikkansa: ne ovat hyvin teknisiä, ja päätöksiä ohjaavat vahvasti data-analyytikot ja data. Mutta siitä ei tässä ole kyse.
Datawisp ei ole sitä varten. Me keskitymme enemmän datan ohjaamaan päätöksentekoon. Otat päätöksiä, jotka tekisit joka tapauksessa, ja saat käyttöösi dataa, jota voit tarkastella. Näin olet päätöstä tehdessäsi paremmin informoitu. Esimerkiksi: mihin käyttöliittymässämme pitäisi sijoittaa tämä painike?
Pitäisikö se sijoittaa tähän vai tuonne? Pitäisikö sitä siirtää lainkaan? Jos näet, että verkkosivustollesi saapuvat ihmiset eksyvät pääsivulle, saatat haluta siirtää painiketta. Mutta jos 90 prosenttia ihmisistä päätyy sivullesi ja painaa painiketta, sinun ei tarvitse huolehtia asiasta. Tällaisissa pienissä asioissa et enää arvaa, vaan data auttaa sinua tekemään valistuneen päätöksen. Kyse on datan ohjaamasta päätöksenteosta.
Hannah Clark: Minäkin pidän enemmän datan ohjaamasta päätöksenteosta. Kanadalaisuuteni taitaa näkyä.
Voitko kertoa hieman siitä, miten datan visualisointi voi auttaa demokratisoimaan datan ymmärtämistä ja käyttöä organisaatioissa?
Mo Hallaba: Kaikki eivät ole numer ihmisiä, etenkään ei-teknisissä tehtävissä työskentelevät.
Kun tarkastellaan luovempia aloja tai tuotepäälliköitä, jotkut ymmärtävät dataa paremmin silloin, kun se esitetään visuaalisessa muodossa. On eri asia sanoa, että jokin kaava muuttuu ajan kuluessa kuin näyttää henkilölle kuvaaja, josta hän näkee, miten keskeinen suorituskykymittari kehittyy.
Jos sinulla on päähaara ja uusi haara, jotka liikkuvat ensin yhdessä ja sitten data haarautuu eri suuntaan, kuvaajaa on helppo katsoa ja kysyä: ”Mitä heinäkuussa tapahtui?” Taulukon tai neljännesvuosiraporttien tarkastelu ei ole yhtä helppoa. Visualisointi tekee datasta erityisesti ei-teknisille ihmisille helpommin ymmärrettävää ja auttaa hahmottamaan, mitä kysymyksiä pitäisi seuraavaksi esittää.
Hannah Clark: Itse julistautuneena numerovastaisena ihmisenä kannatan datan visualisointia erittäin vahvasti.
Millä tavoin organisaatiot voivat suojautua datan virheelliseltä tulkinnalta, jotta päätöksentekijöillä on selkeä käsitys datapisteistä?
Mo Hallaba: Monet katsovat tekoälyä ja ajattelevat, että tekoäly korvaa ihmiset. Me emme ajattele niin. Haluamme poistaa osan rutiinityöstä ja pullonkauloista, jotka kuormittavat data-analyytikkoja. Hyvä tapa varmistaa tulkintojen oikeellisuus on pitää tiimissä data-analyytikko tai palkata joku, joka todella ymmärtää asian. Hyvän ohjelmiston avulla voit kuitenkin tulla toimeen yhden tai kahden data-analyytikon kanssa kymmenen sijaan.
Tavoitteena on poistaa teknisten taitojen välttämättömyys datan analysoimisesta. Minun ei pitäisi joutua kirjoittamaan SQL-kyselyä saadakseni kuvaajan. Se ei kuitenkaan tarkoita, että voisin tehdä päätöksiä kuvaajan perusteella ymmärtämättä, mitä data tarkoittaa. Kun tekninen este poistetaan, ihmiset voivat käyttää enemmän aikaa dataan ja oppia, miten sitä pitäisi hyödyntää.
Heillä on myös enemmän aikaa keskustella data-analyytikon kanssa siitä, mitä data kertoo ja mitä se ei kerro. Jotkin muuttujat voivat esimerkiksi korreloida keskenään ilman, että toinen aiheuttaa toisen. Ihmisen pitäminen mukana prosessissa on paras tapa välttää virhetulkinnat.
Se voi olla data-analyytikko tai paras insinöörisi. Jos vaihtoehdot ovat olla tekemättä mitään tai tehdä jotain, mielestäni kannattaa silti tehdä jotain.
Hannah Clark: Millainen toimintamallisi on datan pilkkomiseen asiayhteyteen sopiviksi osiksi? Voitko kertoa käytännön esimerkin?
Mo Hallaba: Paras tapa ajatella asiaa on tarkastella liiketoimintatavoitteita. Dataa ei käsitellä tyhjiössä. Teemme kaikkea tätä datan kanssa, koska yritämme ymmärtää jotain liiketoiminnastamme, mitä emme tienneet ennen datan tarkastelua.
Kaikki riippuu yleensä liiketoimintakysymyksestä. Jos haluamme tietää, onko opastus hyödyllinen, voimme jakaa datan ihmisiin, jotka ovat käyttäneet opastusta, ja ihmisiin, jotka eivät ole suorittaneet sitä. Sen jälkeen voimme tarkastella esimerkiksi asiakaspoistumaa ja verrata ryhmiä.
Jos eroa ei ole, opastus ei ehkä ole tehokas tai sovellusta on niin helppo käyttää, ettei opastusta tarvita. Jos taas opastuksen suorittaneet käyttävät tuotetta keskimäärin paljon enemmän, ovat sen käytössä tehokkaampia ja pysyvät asiakkaina pidempään, voimme päätellä, että opastuksesta on hyötyä. Kaikki riippuu siitä, mitä ongelmaa alun perin yrität ratkaista.
Hannah Clark: Tuo on todella selkeä esimerkki. Arvostan sitä.
Olet puhunut aiemmin toiminnallisen ja ei-toiminnallisen datan erosta. Voitko kertoa, mitä tarkoitat näillä käsitteillä? Mitä toiminnallinen data on, mitä ei-toiminnallinen data on ja miten tunnistamme ja hyödynnämme molempia tehokkaasti?
Mo Hallaba: Kyse on enemmän siitä, miten pystyt toimimaan saamiesi oivallusten perusteella. Data itsessään ei välttämättä ole erilaista. Kysymys on siitä, mitä vaihtoehtoja sinulla on. Annan esimerkin.
Datawispillä meillä on markkinointisuppilo. Yritämme houkutella ihmisiä, he tulevat mukaan, aloittavat käytön, pitävät sovelluksesta tai eivät pidä siitä, minkä jälkeen he joko poistuvat tai jäävät. Mitä ylempänä suppilossa ollaan, sitä enemmän voit yleensä tehdä.
Jos kukaan ei varaa esittelyä, voit ajatella, että painike ei ole tarpeeksi suuri, aloitussivu ei ole vakuuttava tai tarvitsette uuden kuvan. Mutta jos joku kirjautuu, varaa esittelyn, keskustelee kanssamme, kokeilee tuotetta, esittää paljon kysymyksiä ja sen jälkeen poistuu, hän ei ehkä pitänyt tuotteesta tai se ei ratkaissut hänen tarvettaan. Tämä on paljon vähemmän toiminnallista dataa kuin suppilon yläpään tieto.
Kysymys on siis siitä, mitä voit tehdä tämän tiedon perusteella. Jos siirtymässä vaiheesta yksi vaiheeseen kaksi näet esimerkiksi 50 prosentin pudotuksen vaiheessa kolme, voit luetella mahdolliset syyt ja tutkia niitä. Kun asiakas päätyy suppilon loppuun ja käyttää tuotetta mutta poistuu, on paljon vaikeampaa tietää, miksi näin kävi.
Silloin kannattaa tehdä lisää asiakashaastatteluja ja seurata ihmisiä tuotteen käytössä. Siihen on olemassa muitakin työkaluja.
Hannah Clark: Millaisia työkaluja tuotetiimit voivat käyttää kerätäkseen ja jäsentääkseen käyttäjädataa paremmin päätöksenteon tueksi?
Mo Hallaba: Se riippuu tilanteesta. Saatavilla on paljon erilaisia ohjelmistoja, ja valinta riippuu siitä, millaista tuotetta rakennat. Pelin rakentaminen on hyvin erilaista kuin verkkosivuston tai verkkokaupan rakentaminen. Tarvitset kuitenkin jotain, joka kerää tapahtumia eli seuraa, milloin asioita tapahtuu, ja tallentaa ne paikkaan, jossa niitä on helppo analysoida.
Jos rakennat peliä, esimerkiksi Unity-lisäosat voivat ottaa pelissä tapahtuvat tapahtumat, tallentaa ne ja siirtää ne Snowflakeen. Tällainen ratkaisu tekee datan analysoinnin aloittamisesta paljon helpompaa. Se on perusvaatimus. Verkkokauppaa varten on paljon toimialakohtaisia ratkaisuja. Kaikki riippuu siis siitä, mitä rakennat.
Hannah Clark: Entä tekoäly ja sen rooli datan jäsentämisessä? Mainitsit, että data-analyytikon palkkaaminen on paras vaihtoehto.
Onko tekoälyllä sijaa siinä, että data saadaan erityisesti ei-teknisille ihmisille ymmärrettävämpään muotoon?
Mo Hallaba: Ehdottomasti. Se on koko Datawispin liiketoiminnan ydin. Tekoäly auttaa käsittelemään teknisiä taitoja, joita tarvitaan datan jäsentämiseen ja muokkaamiseen halutulla tavalla, jotta saat haluamasi vastaukset.
Tekoäly on siinä erittäin hyvä. Aiemmin vain data-analyytikot pystyivät tekemään tätä, mutta nyt täysin ei-tekninen henkilö, kuten minä, voi käyttää tekoälytyökalua, joka huolehtii koodiosuudesta. Voit esittää kysymyksiä tavallisella kielellä. Kun ihmisellä on hieman uteliaisuutta ja perustiedot liiketoiminnasta tai tuotteesta, hän voi alkaa tutkia dataa.
Se on mielestäni hienoa, koska syntyy positiivinen kierre: mitä useampi ihminen välittää datasta, sitä enemmän yritys investoi puhtaaseen dataan ja sen saatavuuteen. Silloin yritys hyötyy datasta entistä enemmän.
Hannah Clark: Puhutaan hieman datan hyödyntämisestä iteroinnissa. Kun olet käyttänyt dataa ja soveltanut oppeja esimerkiksi tiettyyn ominaisuuteen, miten luot palautesilmukan, joka ohjaa ominaisuuden tulevia versioita?
Mo Hallaba: Voin antaa esimerkin Datawispistä.
Wispy-tekoälyn kohdalla meille on tärkeää, kuinka moni sitä käyttää ja ennen kaikkea, kuinka kauan ihmiset ovat valmiita odottamaan vastausta. Aluksi meidän piti valita erittäin nopea Wispy, joka antaisi kohtuullisia vastauksia, tai paljon hitaampi Wispy, joka antaisi paljon parempia vastauksia, joskaan ei aina.
Selvitimme datan avulla nopeasti, kuinka kauan ihmiset olivat valmiita odottamaan. Tietyn pisteen jälkeen ihmiset yksinkertaisesti lähtivät. He eivät halunneet odottaa yli 30 sekuntia tai minuuttiin asti. Wispyn älykäs versio saattoi kestää joskus kaksi minuuttia, mutta kukaan ei jäänyt odottamaan sitä.
Päätimme siis keskittyä nopeuteen ja tehdä Datawispistä mahdollisimman nopean. Mittarit nousivat. Aluksi käytössä oli hidas versio, sitten toteutimme 50–50-jaon, jossa puolet sai toisen ja puolet toisen version, ja lopulta siirryimme kokonaan nopeaan versioon.
Näimme lukujen nousevan jokaisen iteraation aikana. Moritz, teknologiajohtajamme, ja minä suunnittelimme samalla viestejä, jotka näkyvät Wispyn työskennellessä vastauksen parissa. Jos vastaus kestää 30 sekuntia, käyttäjää ei voi vain pitää odottamassa pyörivää kuvaketta.
Näytölle tuli viestejä kuten ”Työskentelen vielä asian parissa” tai ”Datan tiede on vaikeaa”. Yritimme päättää, kuinka pitkä tauko viestien välillä pitäisi olla, kunnes tajusimme, että voisimme katsoa dataa. Selvitimme, kuinka kauan ihmiset olivat valmiita odottamaan, ajoitimme viestit sen mukaan ja julkaisimme ominaisuuden.
Se on konkreettinen esimerkki siitä, miten tällaisia asioita voidaan iteroida datan avulla.
Hannah Clark: Tuo on todella kiinnostavaa. Mietin, koska puhumme usein tekoälymallien kouluttamisesta. Onko käyttäjien kouluttamisessa vastaava elementti? Kun käyttäjät eivät malta odottaa laadukkaampaa vastausta, vaikuttaa siltä, että kyse voisi olla opeteltavasta käyttäytymisestä. Miten lähestyt tällaista päätöstä?
Mo Hallaba: ”Käytät sitä väärin.” Niin ei pidä tehdä. Muistatko sen? Oliko se Steve Jobs? Hän sanoi ihmisille, että nämä pitivät puhelinta väärin. Uusi iPhone oli julkaistu eikä saanut hyvää kuuluvuutta, koska antenni oli kohdassa, jonka käsi peitti. Sitten ihmisille sanottiin, että he pitivät puhelinta väärin.
Puhelin olisi pitänyt pitää toisella tavalla. Se on esimerkki väärästä toimintatavasta, oikeastaan kaikkein huonoimmasta. Yleisesti kyse on odotusten asettamisesta. Siinä yhdistyvät kouluttaminen ja odotusten hallinta, mutta käyttäjällä on silti käsitys siitä, mitä hän haluaa.
Siksi päädymme kompromissiin. Ymmärrämme, että Datawisp on suunnattu ei-teknisille ihmisille. Nykyinen toimintatapa voi olla se, että lähetän sähköpostia Joelle ja Joe hankkii minulle vastaukset. He eivät siis ole tottuneet tekemään paljon työtä saadakseen jotain.
Joen kannalta tilanne on ikävä, mutta se on käyttäjän todellisuus. Emme voi vaatia käyttäjältä valtavasti työtä, mutta voimme pyytää hieman. Sen lisäksi tarvitaan markkinointia ja odotusten hallintaa. Mitä haluat? Hyvän vastauksen? Milloin tarvitset vastauksen?
Kuinka kauan Joelta kestää vastata? Viikko? Kannattaako Datawispin vastausta odottaa minuutin? 30 sekuntia olisi mukavaa, mutta minuutti on silti lyhyempi aika kuin viikko. Verkkosivustolla odotukset pitää asettaa heti alusta lähtien. Hyvä tekstisuunnittelija voi auttaa tässä.
”Saat vastauksen minuuteissa, et viikoissa.” Sekunteja ei kannata luvata, sillä silloin käyttäjä odottaa vastausta välittömästi. Jos sanot saavasi vastauksen sekunneissa, syntyy odotusten ja todellisuuden välinen ristiriita. On ironista, että Datawispin verkkosivusto saattaa silti luvata sekunteja. Myyntipuheluissa asiakkaalle pitää kuitenkin kertoa suoraan, kuinka kauan nykyinen prosessi kestää ja että voimme tehdä saman murto-osassa siitä ajasta.
Hannah Clark: On kiinnostavaa, miten ihmiset, jotka ovat tottuneet hakukoneisiin, odottavat vastausten tulevan välittömästi, vaikka tekniikka on hyvin erilainen.
Mo Hallaba: Myös ChatGPT on hemmotellut ihmisiä. He ajattelevat tekoälyn olevan taikuutta eivätkä ymmärrä, miten se toimii. He ovat nähneet, kuinka nopeasti tekoäly tuottaa esimerkiksi suuren määrän tekstiä. Jos pyydän ChatGPT:tä laatimaan viiden päivän matkasuunnitelman Milanoon, vastaus tulee hetkessä.
Tavalliset ihmiset olettavat, että kyse on taikuudesta ja että kaikki tapahtuu nopeasti. Tietokantaan yhdistettäessä tilanne on erilainen. Jos tietokannassa on miljardi tietoriviä, tekoäly ei välttämättä ole hitain osa. Kysely täytyy suorittaa, ja sen käsittely voi kestää.
Emme voi tehdä sille juuri mitään. Koska ihmiset ovat nähneet ChatGPT:n toimivan nopeasti, he ajattelevat kaiken kestävän kaksi sekuntia. Siksi Wispy kertoo nykyään, missä vaiheessa se on. Aiemmin se vain näytti latausanimaatiota, mutta nyt se sanoo ensin ”Mietin” ja sen jälkeen, tietokantaa odottaessaan, ”Odotan tietokantaasi”. Se viestii jatkuvasti siitä, mitä tapahtuu, ja auttaa asettamaan odotuksia koko prosessin ajan.
Hannah Clark: Se kuulostaa todella hyödylliseltä. Käyttäjät ovat myös tottuneet siihen, että jos jokin pyörii heidän mielestään liian pitkään, se on rikki tai pyyntö pitää lähettää uudelleen.
Mo Hallaba: Tutkimme tästä paljon dataa. Ensinnäkin kaikkea kannattaa seurata heti, kun sinulla on toimiva tuote. Seurasimme Datawispissä kaikkea: jokaista painiketta ja jokaista painallusta.
Meillä on siis erittäin hyvä käsitys siitä, miten kaikki toimii. Teimme myös käyttäjätestejä ja huomasimme, että jos jokin pyöri pitkään, ihmiset painoivat F5-näppäintä ja päivittivät sivun. Tuotteen pitää kertoa, mitä se tekee, jos käyttäjä joutuu odottamaan yli viisi sekuntia.
Hannah Clark: Tuo käy järkeen. ”Seuraa kaikkea” voisi olla tämän jakson iskulause.
Mo Hallaba: Seuraa kaikkea, mitä käyttäjäsi tekevät tuotteessasi, koska tiedosta on jossain vaiheessa hyötyä.
Hannah Clark: Kerroit jo esimerkin datan avulla tehdystä päätöksestä. Se oli erittäin hyvä ja konkreettinen esimerkki. Mikä on vaikuttavin esimerkki siitä, että data on ohjannut päätöstä, olipa kyse asiakkaasta tai omasta tiimistäsi?
Mo Hallaba: Tämä ei tapahtunut Datawispillä, mutta vaikuttavin esimerkki liittyy aikaan, jolloin työskentelin e-urheilun parissa. Voitimme kirjaimellisesti turnauksen tämän datan avulla.
Ohjelmisto toimi todella hienosti. Sen avulla dataa pystyi suodattamaan eri ehtojen perusteella. Useimmat työkalut näyttivät lämpökarttoja: koko kartan ja alueet, joilla vastustajajoukkueen pelaajat yleensä oleskelivat. Jos katsot tunnin mittaisen pelin lämpökarttaa, koko kartta näyttää vihreältä. Se ei ole hyödyllistä, koska et näe, missä vastustajat ovat.
Kun data jaettiin tilanteen mukaan, tulokset olivat paljon hyödyllisempiä. Missä vastustajat ovat pelin ensimmäisellä kierroksella? Missä he ovat, kun heillä on tietty määrä rahaa? Entä kun heillä ei ole rahaa? Missä he seisovat, kun heillä on tietyt aseet?
Näin pystyimme luomaan tilanteita, joissa lämpökartalle jäi yhtäkkiä viisi punaista pistettä. Silloin tiesimme täsmälleen, missä vastustaja oli. Joukkue hyödynsi tätä kilpailussa ja voitti käyttämällä pienintä palkkabudjettia koko turnauksessa.
Se oli uskomatonta.
Hannah Clark: Mahtavaa. E-urheilun parissa työskentelevät varmasti innostuvat tästä.
Mo Hallaba: Paras Datawisp-esimerkkini on peli, jonka käyttäjäkuntaa autoimme lähes kolminkertaistamaan hyvin lyhyessä ajassa. He segmentoivat käyttäjät sen perusteella, mitä hankintakanavaa he olivat käyttäneet.
Sen jälkeen he etsivät tiettyjä pelinsisäisiä käyttäytymismalleja, joita he arvostivat muita enemmän. He pystyivät näkemään, että tietyn kanavan kautta hankitut käyttäjät käyttäytyivät pelissä halutulla tavalla. Näin he pystyivät keskittämään panoksensa haluamiinsa hankintakanaviin.
Yrityksen nimi on Honeyland. Teimme heidän kanssaan tapaustutkimuksen, joka löytyy verkkosivustoltamme. Se oli todella hienoa.
Hannah Clark: Todella kiinnostavaa. Haluan tutustua siihen.
Mo, kiitos paljon, että liityit seuraamme. Missä ihmiset voivat seurata sinua verkossa?
Mo Hallaba: Jos olet X:ssä, käyttäjänimeni on ElectronicMo. Muuten minut löytää LinkedInistä omalla nimelläni. Datawisp löytyy samoista palveluista, joten Datawispia voi seurata sekä X:ssä että LinkedInissä.
Hannah Clark: Hienoa, kiitos paljon osallistumisestasi ja tästä tehokurssista. Se oli hyvin ymmärrettävä myös kaltaisilleni ihmisille, jotka eivät työskentele datan parissa.
Mo Hallaba: Yritän pitää asiat yksinkertaisina. Kiitos paljon kutsusta, Hannah.
Hannah Clark: Kiitos kuuntelusta. Lisää hyviä näkemyksiä, käytännön oppaita ja työkaluarvosteluja saat tilaamalla uutiskirjeemme osoitteessa theproductmanager.com/subscribe. Voit kuunnella lisää tämän kaltaisia keskusteluja tilaamalla The CPO Clubin kaikissa podcastipalveluissa.
