Nell'attuale panorama orientato ai dati, le organizzazioni spesso si trovano sommerse da una quantità enorme di dati, ma faticano a ricavarne informazioni utili e concrete. Molte aziende sono desiderose di definirsi orientate ai dati, ma la realtà è che non tutti sono ugualmente abili nell'interpretare e utilizzare i dati in modo efficace. Spesso le intuizioni ricavate sono frammentarie e le analisi presentate non offrono la visione completa necessaria per prendere decisioni informate.
In questo episodio, Hannah Clark è affiancata da Mo Hallaba—CEO di Datawisp—per discutere delle lacune tra la grande quantità di dati raccolti dalle organizzazioni e l'efficacia del loro utilizzo, offrendo anche soluzioni pratiche per una migliore gestione e visualizzazione dei dati.
Punti Salienti dell'Intervista
- Conosciamo Mo Hallaba [01:00]
- Mo ha iniziato la sua carriera nella finanza, in particolare nella ricerca azionaria.
- Il suo lavoro consisteva nel raccomandare titoli azionari e svolgere numerose attività manuali sui dati.
- Successivamente è passato al settore M&A aziendale, occupandosi di acquisizioni e ulteriori ricerche sui dati.
- Stanco di ciò, ha seguito la sua passione per i videogiochi e ha avviato una startup di gaming.
- La startup è fallita, ma ha conosciuto persone che lavoravano in una squadra di e-sports utilizzando dati e analisi per allenare i giocatori.
- Questo concetto lo ha incuriosito, e si è evoluto in un'azienda più ampia di analisi dei dati.
- Con il tempo, si sono espansi oltre il settore videoludico, concentrandosi sull'analisi dati generica.
- Comprendere le Decisioni Basate sui Dati [02:40]
- Molte organizzazioni si aspettano che i dati prendano decisioni al posto loro, il che è un'idea errata.
- I settori altamente tecnici possono utilizzare decisioni guidate dai dati, ma questo non è l'obiettivo di tutti.
- Datawisp si concentra sul concetto di "decisioni informate dai dati".
- Questo approccio prevede l'utilizzo dei dati per supportare decisioni che già si prenderebbero, offrendo maggiori approfondimenti.
- Un esempio: decidere dove posizionare un pulsante nell'interfaccia utente in base ai dati sul comportamento degli utenti.
- I dati aiutano a guidare le modifiche invece di affidarsi alle supposizioni.
- La Potenza della Visualizzazione dei Dati [04:02]
- Non tutti si sentono a proprio agio con i numeri, soprattutto chi non ha un background tecnico.
- La visualizzazione dei dati aiuta chi lavora in ambiti creativi o nella gestione prodotto a comprendere meglio i dati.
- Vedere i dati sotto forma visiva, come i grafici, rende più semplice cogliere tendenze e pattern.
- Ad esempio, mostrare visivamente come gli indicatori chiave di prestazione (KPI) evolvono nel tempo è più efficace che spiegarlo con i numeri.
- Le visualizzazioni permettono di individuare rapidamente cambiamenti importanti, ad esempio quando i dati divergono, e portano a fare domande migliori.
- Tutelarsi dall'Errata Interpretazione dei Dati [05:12]
- L'IA non è pensata per sostituire le persone ma per ridurre i compiti ripetitivi dei data scientist.
- Le organizzazioni dovrebbero assumere almeno uno o due data scientist, anche con un buon software a disposizione.
- L'obiettivo è eliminare la necessità di competenze tecniche, come scrivere SQL, per analizzare i dati.
- Evitare le barriere tecniche consente a più persone di dedicarsi alla comprensione dei dati.
- Chi prende le decisioni dovrebbe collaborare con i data scientist per evitare cattive interpretazioni dei dati.
- Mantenere una persona coinvolta nel processo dati aiuta a garantire la corretta interpretazione, soprattutto per relazioni complesse come la causalità.
Molte persone vedono l'IA come una sostituzione dei ruoli umani, ma noi non la pensiamo così. Siamo focalizzati sull'uso dell'IA per eliminare lavori ripetitivi e colli di bottiglia che ostacolano i data scientist. Un ottimo modo per tutelarsi da questi problemi è avere un data scientist qualificato nel proprio team o assumere qualcuno che sappia davvero cosa sta facendo.
Mo Hallaba
- Playbook per suddividere i dati in segmenti contestuali [06:45]
- Inizia identificando gli obiettivi aziendali, non solo analizzando i dati in isolamento.
- L'analisi dei dati dovrebbe aiutare a rivelare nuove intuizioni sull'azienda.
- Ad esempio, per valutare l'efficacia di un tutorial, confronta i dati tra gli utenti che lo hanno completato e quelli che non lo hanno fatto.
- Analizza i tassi di abbandono e le differenze di fidelizzazione tra questi gruppi.
- Se non si riscontrano differenze, o il tutorial non è necessario, oppure il prodotto è facile da usare.
- Se gli utenti che completano il tutorial ottengono risultati migliori, significa che il tutorial è prezioso.
- La suddivisione dei dati dipende dalla specifica domanda di business che si sta affrontando.
- Dati azionabili vs. non azionabili [08:05]
- I dati azionabili permettono di intraprendere azioni chiare e specifiche sulla base delle intuizioni.
- I dati non azionabili forniscono intuizioni ma non suggeriscono azioni concrete da intraprendere.
- La differenza sta in ciò che puoi fare con l'informazione, non nei dati stessi.
- Esempio: In un funnel di marketing, se le persone non prenotano demo, puoi modificare la dimensione del bottone, la landing page o le grafiche (azionabile).
- Se gli utenti provano il prodotto e poi abbandonano, è più difficile capire il motivo (non azionabile).
- Più si sale nel funnel, più ci sono azioni chiare da intraprendere, mentre andando avanti i dati diventano meno azionabili.
- Per intuizioni non azionabili, sono utili interviste con i clienti e osservazioni sull'utilizzo.
- Strumenti per la raccolta e l'analisi dei dati degli utenti [09:54]
- Gli strumenti usati dai team di prodotto dipendono dal tipo di prodotto sviluppato (ad esempio, giochi, siti web, piattaforme e-commerce).
- I team hanno bisogno di software di analisi prodotto che raccolga eventi (tracciamento delle azioni degli utenti) e li memorizzi per un'analisi facilitata.
- Per i giochi, i plugin Unity possono tracciare gli eventi in game e salvarli su piattaforme come Snowflake per l’analisi.
- L'e-commerce e altri settori dispongono di soluzioni specifiche per le proprie necessità.
- La chiave è usare strumenti in linea con i requisiti di raccolta e analisi dati del prodotto.
- Sfruttare l’IA per l’analisi dei dati [10:52]
- L’IA aiuta le persone non tecniche a interpretare e trasformare i dati, un compito che in precedenza richiedeva data scientist.
- L’IA si occupa degli aspetti tecnici, permettendo agli utenti di porre domande in linguaggio naturale.
- Gli utenti non tecnici possono esplorare i dati con conoscenza di business di base e curiosità.
- Questo approccio incentiva più persone a coinvolgersi con i dati.
- Un interesse crescente per i dati porta le aziende a investire maggiormente nella loro pulizia e accessibilità.
- Questo genera un ciclo virtuoso dove dati migliori portano a migliori intuizioni e decisioni.
Più le persone danno valore ai dati, più l’azienda investirà nel mantenere dati puliti e accessibili a tutti.
Mo Hallaba
- Iterare con i dati: esempi reali [12:12]
- Datawisp si è concentrata sui tempi di attesa degli utenti per la loro funzione AI, Wispy.
- Hanno testato due versioni: una AI veloce con risposte decenti e una AI lenta con risposte potenzialmente migliori.
- I dati hanno mostrato che gli utenti preferivano risposte più rapide, portando a dare priorità alla velocità.
- Hanno adattato le performance di Wispy in base alla pazienza degli utenti, ottimizzando per risposte immediate.
- Sono state implementate modifiche progettuali guidate dai dati, come il tempismo dei messaggi di stato, basate sui tempi di attesa degli utenti.
- Hanno utilizzato dati in tempo reale per perfezionare e iterare la funzionalità, migliorando l’esperienza utente.
- Formare gli utenti è meno questione di cambiare i comportamenti e più di fissare aspettative corrette.
- Esempio: L’approccio “lo state tenendo in modo sbagliato” di Steve Jobs si è rivelato inefficace.
- La chiave è gestire le aspettative degli utenti tramite formazione e comunicazione chiara.
- Gli utenti si aspettano risposte rapide e fissare tempistiche realistiche è fondamentale.
- Confrontare il tempo di risposta di Datawisp con i metodi tradizionali (ad esempio, aspettare una settimana) aiuta a evidenziare i benefici.
- Una comunicazione efficace implica una presentazione onesta e precisa dei tempi di risposta.
- Un buon marketing e messaggi chiari sono fondamentali per definire queste aspettative.
- Gli utenti sono abituati a risposte istantanee da motori di ricerca e intelligenze artificiali, creando aspettative poco realistiche.
- ChatGPT ha contribuito alla credenza che l’AI possa fornire risposte immediate a qualsiasi compito.
- In realtà, i tempi di elaborazione sono influenzati dalle query sui database, non solo dalle prestazioni dell’AI.
- Ora Wispy informa gli utenti sul proprio stato durante l’elaborazione, ad esempio "sto pensando" o "in attesa del tuo database", per gestire le aspettative.
- Gli utenti spesso credono che il sistema sia in errore se impiega troppo tempo, portandoli ad aggiornare la pagina o reinviare le richieste.
- Il monitoraggio dei dati e i test sugli utenti rivelano che una comunicazione chiara sui tempi di elaborazione è essenziale per la soddisfazione degli utenti.
- Storie di successo basate sui dati [19:10]
- Nell’e-sport, l’analisi dei dati ha portato alla vittoria in un torneo.
- Il software forniva mappe di calore dettagliate suddividendo i dati in base a differenti situazioni e condizioni di gioco.
- Ciò ha permesso di identificare con precisione le posizioni degli avversari, contribuendo alla vittoria nonostante il budget più basso.
- In Datawisp, hanno aiutato un gioco a triplicare rapidamente la propria base utenti.
- Hanno analizzato le fonti di acquisizione utenti e i comportamenti in-game, concentrandosi sui canali di acquisizione più efficaci.
- La storia di successo riguardava uno studio di caso realizzato con l’azienda Honeyland, presentata sul sito di Datawisp.
Conosci il nostro ospite
Mo Hallaba è il CEO di Datawisp, una piattaforma che aiuta sviluppatori di giochi e software house a sfruttare meglio i dati che raccolgono, per poter migliorare il proprio prodotto, abbassare i costi di acquisizione utenti e aumentare la retention. Datawisp è stata creata da zero pensando alle persone non tecniche, in modo che possano semplicemente fare le domande importanti per loro e ottenere le risposte immediatamente.
Il percorso di Mo è iniziato quando lavorava nel settore bancario come analista di ricerca azionaria. Il suo lavoro era estremamente ripetitivo, trascorrendo molto tempo a svolgere attività che sembravano più adatte a un computer (analisi approfondita dei dati per persone d’affari).
Il punto di svolta è arrivato quando ha lasciato la finanza per fondare un’azienda di giochi, collaborando come consulente con publisher di giochi tripla A. Queste aziende avevano gli stessi identici problemi di accesso ai dati riscontrati nella finanza: persone alla mercé delle richieste di dati e team scientifici occupati a evadere richieste di dati per i business people. La consapevolezza che la semplice consulenza sarebbe stata solo una "soluzione temporanea" e che la vera soluzione era creare un prodotto ha portato alla nascita di Datawisp.
Traccia tutto ciò che fanno i tuoi utenti nel prodotto, perché prima o poi tornerà utile.
Mo Hallaba
Risorse da questo episodio:
- Scopri lo sponsor di questo episodio Sprig
- Iscriviti alla newsletter The CPO Club
- Connettiti con Mo su X e LinkedIn
- Dai un'occhiata a Datawisp
Articoli e podcast correlati:
Leggi la trascrizione:
Stiamo sperimentando la trascrizione dei nostri podcast tramite un programma software. Ti preghiamo di scusare eventuali errori di battitura, il bot non è sempre preciso al 100%.
Hannah Clark: Possiamo essere onesti su una cosa? Questo settore è un po’ ossessionato dall’essere guidato dai dati. No, questa non è la parte onesta, lo sapevate già. La parte onesta è che non tutti noi siamo poi così bravi con i dati. E se sei il tipo di persona che va a nozze con una dashboard di analisi, non sempre lavori comunque con gli insight giusti per avere una visione completa.
Il mio ospite oggi è Mo Hallaba, CEO di Datawisp, che, se non lo conosci, è uno strumento di visualizzazione dei dati alimentato dall’IA. In questa posizione, Mo ha una prospettiva unica sul divario tra la quantità di dati che la maggior parte delle organizzazioni raccoglie e quanto efficacemente vengano realmente utilizzati. Devo anche dire che raramente parlo con persone così intelligenti da riuscire a rendere materie complesse accessibili a chiunque. Ma per fortuna tua e mia, è proprio di questo che tratta questa chiacchierata. Cominciamo.
Ben tornati a The CPO Club Podcast. Mo, grazie mille per aver trovato il tempo di essere con noi oggi.
Mo Hallaba: Grazie a voi per avermi invitato. Sono entusiasta di essere qui per parlare di IA, dati e tutte queste altre parole di moda, quindi.
Hannah Clark: Non vediamo l’ora anche noi.
Puoi raccontarci un po’ del tuo percorso e come sei arrivato dove sei oggi in Datawisp?
Mo Hallaba: Certamente. È una storia lunga, ma vi chiedo di portare pazienza. Ho iniziato la mia carriera nella finanza, nel settore della ricerca azionaria, consigliando alla gente quali titoli comprare ecc. E questo comportava un sacco di ricerca e lavoro manuale sui dati che è veramente una fatica tremenda.
Poi sono passato alla M&A aziendale per un po’. Anche lì, più o meno la stessa musica, ma da una prospettiva diversa. Non dicevamo più cosa comprare, ma facevamo acquisizioni. E quindi per queste acquisizioni facevamo anche molte ricerche autonome. E ancora una volta, analizzavamo montagne di dati.
Alla fine, mi sono stancato e ho deciso “Hey, voglio fare qualcosa di mio, voglio fondare una startup.” Sono sempre stato appassionato di videogiochi, così ho pensato di buttarmi in quel campo. Ho avviato una startup nel gaming che è andata malissimo, ma nel processo ho conosciuto delle persone che stavano lavorando su qualcosa di molto interessante: una squadra di esports. Compravano giocatori da regioni sconosciute e utilizzavano software per allenarli usando dati e analisi.
Ho trovato la cosa molto interessante. Era tipo Moneyball applicato ai videogiochi. Da lì è poi cresciuto, perché anche altre squadre e organizzatori di tornei volevano usare la piattaforma per mostrare statistiche ecc. Ed è così che sono passato dalla finanza ad un’azienda di analisi dati.
Poi abbiamo deciso di espanderci oltre il gaming. Ora ci dedichiamo totalmente all’analisi dei dati.
Hannah Clark: Fantastico. Tra poco ci entreremo più a fondo. In realtà è la perfetta introduzione.
Quindi oggi parleremo di come davvero utilizzare i dati per supportare i processi decisionali. Per cominciare, sono curiosa, qual è secondo te l’errore più comune che fanno molte organizzazioni a proposito delle cosiddette decisioni guidate dai dati? So che è un termine un po’ controverso.
Mo Hallaba: Sì, penso che molte persone si aspettino che siano i dati a prendere le decisioni per loro, come se il data-driven decision-making fosse automatico. Certo, ci sono campi molto tecnici dove ci sono data scientist e decisioni guidate pesantemente dai dati, ma non è quello di cui ci occupiamo noi.
Non è nemmeno l’obiettivo di Datawisp. Per noi si tratta più di decisioni informate dai dati: dare accesso ad alcune informazioni utili per valutare meglio ciò che si sta per decidere. In pratica: stai per prendere una decisione, e adesso puoi guardare a dei dati per essere più informato. Un esempio potrebbe essere: “Dove mettiamo questo bottone nell’interfaccia utente?”
Lo mettiamo sopra? Sotto? Lo cambiamo? Se vedi che i tassi di conversione delle persone che entrano nel sito sono bassi, magari hanno difficoltà a trovare il bottone e conviene spostarlo. Ma se il 90% delle persone arriva sulla pagina e clicca sul bottone, allora non devi preoccuparti. Sono dettagli che senza i dati dovresti indovinare – ma con i dati puoi essere più preparato. Quindi decisioni informate dai dati.
Hannah Clark: Anch’io preferisco informato dai dati. Scusate, il mio lato canadese si fa sentire.
Puoi dirci qualcosa su come la visualizzazione dei dati può aiutare a democratizzare la comprensione e l’uso dei dati all’interno delle organizzazioni?
Mo Hallaba: Certo. Non tutti sono portati per i numeri, specialmente tra le persone non tecniche.
In campi creativi o tra i product manager, non tutti comprendono i dati allo stesso modo, ma vederli visualizzati, magari con un’immagine o un grafico, rende tutto più accessibile. Dire che un pattern sta cambiando nel tempo è una cosa, ma mostrare a qualcuno un grafico che fa vedere come si evolve una KPI è tutta un’altra storia.
E poi, se hai un ramo principale e uno nuovo che si muovono assieme e a un certo punto la curva si divide, è facilissimo guardare al grafico e dire “Cosa è successo a luglio?” invece di leggere una tabella o dei bilanci trimestrali. La visualizzazione, soprattutto per le persone non tecniche, rende molto più semplice sapere quali domande porre successivamente, secondo me.
Hannah Clark: Da non amante dei numeri lo confermo: la visualizzazione aiuta tantissimo.
Quali accorgimenti possono adottare le organizzazioni per evitare interpretazioni errate dei dati, così che chi prende decisioni abbia una comprensione chiara dei punti dati?
Mo Hallaba: Molte persone pensano che l’IA sostituirà le persone. Non è questo il punto. Noi puntiamo a togliere il lavoro ripetitivo che crea colli di bottiglia per i data scientist. Una buona pratica per evitare errori è avere un data scientist nel team, o qualcuno realmente competente in materia. Con il software giusto, magari basta uno o due data scientist invece di dieci – l’importante è eliminare la necessità di competenze tecniche profonde per analizzare i dati.
Non dovrei dover scrivere query SQL per ottenere un grafico; ma questo non significa che io debba prendere decisioni solo guardando un grafico senza capire cosa mostrano davvero i dati. Eliminando la barriera tecnica, la gente può passare più tempo coi dati, capire quali sono i giusti utilizzi e parlare con il data scientist per interpretare bene cosa mostrano (e cosa non mostrano) i numeri. A volte ci sono variabili che sembrano correlate solo per via della causalità o altro. Insomma: mantenere sempre la persona nel processo è il sistema migliore.
Quindi, sia che tu abbia un data scientist sia che sia il tuo miglior ingegnere, penso comunque che meglio fare qualcosa che non fare niente.
Hannah Clark: Qual è il tuo metodo per suddividere i dati in porzioni contestuali? Puoi condividere un aneddoto concreto?
Mo Hallaba: Volentieri. Il modo migliore è partire dagli obiettivi aziendali. Non si lavora mai coi dati in astratto: lo si fa per scoprire qualcosa sull’azienda che prima non sapevamo.
Dipende dunque dalla domanda di business: ad esempio, “Il nostro tutorial è utile?” Un modo per rispondere è dividere le persone tra chi ha usato il tutorial e chi no, e guardare i tassi di abbandono. Analizzi la base dati suddividendola tra chi ha completato o meno il tutorial e vedi che differenze emergono.
Se non c’è differenza, magari il tutorial non serve o l’app è intuitiva. Se invece noti che chi completa il tutorial usa il prodotto di più, con maggiore efficacia e rimane più a lungo, allora forse è il tutorial a fare la differenza. Dipende sempre dal problema che devi risolvere.
Hannah Clark: Esempio davvero chiaro, ti ringrazio molto.
Hai parlato della differenza tra dati azionabili e non azionabili. Puoi spiegare meglio cosa intendi? Cosa sono i dati azionabili e quelli non azionabili? E come distinguerli e usarli efficacemente?
Mo Hallaba: Si tratta più di quali azioni puoi prendere sulla base degli insight ottenuti. Non che i dati in sé siano diversi: la differenza sta nelle possibilità che ti offrono. Faccio un esempio:
Poniamo, su Datawisp, abbiamo un funnel di marketing per attrarre persone, farle iscrivere, usare l’app, apprezzarla o meno, e infine restare o abbandonare. Più risali il funnel, più puoi intervenire facilmente.
Se nessuno prenota una demo, magari il bottone non è visibile, la landing page non è coinvolgente o serve una grafica diversa. Ma se l’utente entra, prenota la demo, ci parla, testa il prodotto e poi abbandona, forse non era soddisfatto, ma è molto meno chiaro come intervenire rispetto alle fasi iniziali.
Insomma: dipende da quali azioni puoi dedurre. In un funnel, se noti il 50% di abbandono al terzo step, puoi fare subito un elenco di possibili cause e agire. Più vai avanti e più è complicato capire i motivi (ad esempio, perché un cliente dopo molte interazioni abbandona? Boh). In quei casi intervengono interviste e strumenti di observation diversi.
Hannah Clark: Quali strumenti possono aiutare un team prodotto a raccogliere e analizzare meglio i dati degli utenti per orientare le loro decisioni?
Mo Hallaba: Dipende. Ci sono tanti software diversi e cambiano in base al tipo di prodotto. Se sviluppi un gioco è diverso che se crei un sito e-commerce. Serve uno strumento che raccolga eventi – cioè che tenga traccia di cosa succede e lo archivi in modo che sia facile analizzarlo.
Per i giochi ci sono plugin di Unity che registrano gli eventi e li salvano su Snowflake, ad esempio. Averlo ti semplifica moltissimo l’analisi. Per l’e-commerce ci sono soluzioni verticali dedicate. Dipende sempre da cosa stai costruendo.
Hannah Clark: E riguardo l’IA e il suo ruolo nell’aiutare a estrarre e interpretare i dati, hai detto che la soluzione migliore è avere data scientist in casa o anche più di uno.
C’è un ruolo per l’IA nel rendere i dati più comprensibili soprattutto ai non tecnici?
Mo Hallaba: Assolutamente. È proprio quello di cui si occupa Datawisp. L’IA aiuta soprattutto dove servono competenze tecniche per processare, trasformare e ottenere risposte dai dati.
Qui l’IA è fortissima: prima queste cose le faceva solo un data scientist, ora chiunque, anche io che sono zero tecnico, può usare questi strumenti d’IA e lasciare all’IA tutta la parte di codice. Si possono fare domande in linguaggio naturale, quindi chiunque abbia un po’ di curiosità e una conoscenza di base del business o del prodotto può mettersi a scavare nei dati.
Questo crea anche un interessante effetto volano: più persone si interessano ai dati, più l’azienda investe nella loro qualità e accessibilità. E tutti ne beneficiano.
Hannah Clark: Parliamo un attimo di come sfruttare i dati nelle iterazioni. Una volta applicati i dati e le lezioni apprese a una funzionalità, come si crea un circuito di feedback per migliorare la feature nelle versioni successive?
Mo Hallaba: Posso farti un esempio reale di Datawisp.
Con Wispy, la nostra IA, per noi è importante il numero di persone che la usano e, ancora di più, quanto sono disposte a aspettare una risposta. All’inizio avevamo due opzioni: una Wispy molto veloce che dava risposte “ok”, e una più lenta che però a volte generava risposte nettamente migliori.
Guardando i dati, abbiamo visto subito quanto sono disposti ad aspettare: oltre i 30 secondi/un minuto la gente abbandona. La versione più “smart” impiegava anche due minuti: troppo, nessuno restava ad aspettare, anche se la risposta era superiore. Così abbiamo deciso di puntare tutto sulla velocità.
Abbiamo instaurato un processo iterativo: prima era lenta, poi test A/B 50-50 fra le due varianti, poi solo quella rapida. I numeri sono aumentati e abbiamo affinato il prodotto. Un esempio concreto: io e Moritz (il nostro CTO) ci siamo messi a telefonarci per progettare i messaggi che appaiono mentre Wispy elabora una risposta. Se impiega 30 secondi, non puoi mostrare solo la rotellina; così abbiamo creato dei messaggi (“Sto ancora lavorando”, “La data science è difficile”, ecc) e ci siamo chiesti ogni quanto mostrarli. Poi ci siamo detti: “Vediamo i dati!” E abbiamo calibrato la tempistica di conseguenza. E abbiamo pubblicato la feature.
Ecco come si fa ad iterare con i dati.
Hannah Clark: Molto interessante! Mi chiedo – dal momento che si parla tanto di “addestrare” i modelli di IA, c’è anche un elemento di “addestramento” degli utenti? Mi sembra che l’impazienza degli utenti di fronte a tempi lunghi sia un comportamento… allenabile? Cosa ne pensi?
Mo Hallaba: Lo stai facendo nel modo sbagliato! Non ti ricordi? Quando Steve Jobs disse “Lo state tenendo male” ai clienti che si lamentavano dell’antenna dell’iPhone? Ecco, quello è un esempio di cosa NON fare. È proprio l’opposto.
Il punto, in generale, è la gestione delle aspettative, un misto fra educazione dell’utente e appunto expectation setting. Vanno di pari passo: ma alla fine l’utente ha una sua idea di cosa vuole.
Quindi si arriva sempre ad un compromesso. Comprendiamo che Datawisp è dedicato a persone non tecniche. Il comportamento usuale era: “mando una mail a Joe e lui mi risponde”, quindi sono persone abituate a fare poco per ottenere una risposta.
Per Joe è massacrante, ma questa è la realtà. Non si può chiedere troppo sforzo a queste persone, solo un minimo sì, ma non si può eccedere. Allo stesso tempo, c’entrano anche marketing e comunicazione delle aspettative. “Cosa vuoi? Una buona risposta. Quando la vuoi?”
Quanto ci mette Joe a risponderti? Una settimana? Vale la pena aspettare un minuto per Datawisp? 30 secondi sarebbe meglio, ma un minuto è sempre meno di una settimana. Quindi, bisogna suggerirlo già con il copy giusto nel sito all’inizio: “Ricevi la tua risposta in minuti, non in settimane.” Non bisogna scrivere “secondi” altrimenti si aspettano istantaneità. Io lo dico ma sicuramente sul nostro sito c’è scritto seconds! Però nelle call commerciali, con i clienti, bisogna essere molto trasparenti: chiedere quanto tempo impiegano attualmente, e proporsi come soluzione molto più rapida.
Hannah Clark: Giusto, c’è ormai un’abitudine a ricercare risposte istantanee, come nei motori di ricerca, mentre la tecnologia è ben diversa.
Mo Hallaba: Sì, poi ChatGPT ha proprio “viziato” le persone: tutti credono che l’IA sia magia e non hanno idea di cosa ci sia dietro. Visto che ChatGPT scrive testi velocemente pensano che l’IA faccia tutto subito.
Se gli chiedi di scrivere un itinerario di viaggio a Milano per cinque giorni, lo fa all’istante. Tutti si aspettano che sia magia e rapidità, ma collegarsi ad un database con un miliardo di righe richiede tempo! Non è l’IA la parte lenta, ma la query, che va lanciata e può impiegare tempo.
Non c’è niente che si possa fare su questo fronte, ma visto che hanno visto ChatGPT così veloce, si aspettano tutto in due secondi. Quindi Wispy adesso comunica in tempo reale cosa sta facendo: “Sto ragionando…”, e appena finisce la parte “pensante” e aspetta il database, mostra “In attesa del database”. Comunicare questo durante l’attesa aiuta a gestire l’aspettativa.
Hannah Clark: Penso sia davvero utile. Inoltre gli utenti sono abituati a pensare che se un caricamento dura troppo, allora qualcosa si è rotto oppure bisogna rifare la richiesta. Molto interessante.
Mo Hallaba: Abbiamo guardato un sacco di dati al riguardo. Tracciamo tutto: appena il prodotto è dal vivo, bisogna tracciare ogni cosa. Ad esempio, ogni bottone premuto in Datawisp viene tracciato, così sappiamo esattamente come funziona il sistema.
Abbiamo fatto anche user test e notato che quando l’attesa era troppo lunga, molti utenti premevano F5 e ricaricavano. Quindi il prodotto deve comunicare sempre cosa sta facendo, soprattutto se fa aspettare più di 5 secondi.
Hannah Clark: Ha perfettamente senso. Penso che “traccia tutto” potrebbe essere il motto di questo episodio.
Mo Hallaba: Concordo: traccia tutto quello che fanno gli utenti nel prodotto, prima o poi ti tornerà utile.
Hannah Clark: Hai già fatto un esempio concreto di come i dati guidano le decisioni, molto efficace. Ma qual è stato il caso più “trionfale” a cui hai assistito usando i dati? Da cliente, da team…
Mo Hallaba: Non riguarda Datawisp, ma in passato nel settore esports abbiamo letteralmente vinto un torneo grazie ai dati.
Il software che usavamo era davvero interessante: permetteva di filtrare i dati a seconda di tante condizioni. La maggior parte degli strumenti ti dà solo heatmap generali – ovvero la mappa con le aree dove si trovano di solito gli avversari. Se guardi una heatmap su una partita di un’ora, è tutta verde ovunque. Ma è inutile: in partita, se la mappa è tutta verde, non ti dice dove sono ora.
La genialità stava nel suddividerla per situazione: “Primo round della partita: dove sono?”, “Quando hanno tot monete: dove sono?”, “Con queste armi si piazzano qui, con altre là”.
Così crei scenari: la heatmap diventa cinque pallini rossi e capisci subito dove sono. Abbiamo usato questi dati in competizione e vinto con il più basso budget salariale di tutta la lega. Incredibile.
Hannah Clark: Eccezionale. Sono sicura che qualche appassionato di esports starà già fremendo…
Mo Hallaba: L’esempio di Datawisp più bello che posso citare è su un gioco che ha triplicato la base utenti in poco tempo grazie al nostro supporto. Come? Segmentando gli utenti per canale di acquisizione e poi cercando specifici comportamenti di gioco considerati di maggior valore.
Hanno scoperto che chi arrivava da certi canali aveva comportamenti in gioco molto più in linea con gli obiettivi, così hanno potuto concentrare tutti gli sforzi sui canali più efficaci.
La società si chiama Honeyland, abbiamo fatto con loro una case study che trovate sul nostro sito. È stato molto interessante.
Hannah Clark: Grazie! Molto interessante, andrò a leggerla.
Mo, grazie davvero per essere stato con noi oggi. Dove possiamo trovarti online?
Mo Hallaba: Su X sono ElectronicMo, altrimenti potete seguirmi su LinkedIn con il mio nome. Datawisp ha lo stesso nome, basta seguirci su X o LinkedIn.
Hannah Clark: Perfetto, grazie per la disponibilità e per il corso intensivo: è stato accessibile anche per una non-data come me!
Mo Hallaba: Cerco sempre di rendere tutto semplice. Grazie a te Hannah per l’invito.
Hannah Clark: Grazie a chi ci ha ascoltato. Per approfondimenti, guide pratiche e recensioni di strumenti, iscriviti alla nostra newsletter su theproductmanager.com/subscribe. Puoi ascoltare altre conversazioni come questa iscrivendoti a The CPO Club ovunque tu ascolti i tuoi podcast.
