Gegevens voor beginners: een spoedcursus voor niet-technische productmanagers

Lees het transcript:

We proberen onze podcasts te transcriberen met behulp van een softwareprogramma. Vergeef ons eventuele typefouten, want de bot heeft niet altijd 100% gelijk.

Hannah Clark: Kunnen we ergens eerlijk over zijn? Deze sector is een beetje geobsedeerd door datagedreven werken. Nee, dat is niet het eerlijke deel, dat wist je al. Het eerlijke deel is dat niet iedereen van ons nou echt zo goed is met gegevens. En als je iemand bent die behoorlijk handig is met een analysedashboard, werk je misschien niet altijd met de juiste soorten inzichten om het volledige plaatje te laten zien.

Mijn gast vandaag is Mo Hallaba, CEO van Datawisp, dat, als je er niet bekend mee bent, een AI-aangedreven hulpmiddel voor gegevensvisualisatie is. Vanuit deze positie heeft Mo een uniek perspectief op de kloof tussen de hoeveelheid gegevens die de meeste organisaties verzamelen en hoe effectief ze die daadwerkelijk gebruiken. Bovendien moet ik zeggen dat ik zelden spreek met mensen die zo slim zijn dat ze zeer complexe onderwerpen voor iedereen toegankelijk kunnen maken. Maar gelukkig voor jou en voor mij gaat dit gesprek precies daarover. Laten we beginnen.

Welkom terug bij de podcast van The CPO Club. Mo, heel erg bedankt dat je vandaag tijd voor ons hebt vrijgemaakt.

Mo Hallaba: Bedankt dat je me hebt uitgenodigd. Ik vind het leuk om hier te zijn en te praten over AI, gegevens en al die andere modewoorden, dus.

Hannah Clark: Wij kijken er ook naar uit.

Kun je ons iets vertellen over je achtergrond en hoe je bent gekomen waar je vandaag bij Datawisp bent?

Mo Hallaba: Absoluut. Het is een lang verhaal, dus heb even geduld. Ik begon mijn carrière in de financiële sector, in aandelenonderzoek, en vertelde mensen gewoon welke aandelen ze moesten kopen en dergelijke. En daar komt veel onderzoek en handmatig gegevenswerk bij kijken, wat ontzettend vervelend is.

Uiteindelijk ben ik daarmee gestopt en heb ik een tijdje aan fusies en overnames binnen bedrijven gewerkt. Dat was meer van hetzelfde, maar dan vanuit een ander perspectief. In plaats van mensen te vertellen wat ze moesten kopen, deden wij overnames. En voor die overnames deden we ook veel van ons eigen onderzoek. En opnieuw: bergen gegevens doorspitten.

Uiteindelijk was ik dat zat en besloot ik: hé, ik wil iets voor mezelf gaan doen. Ik wil een start-up beginnen. Ik ben altijd erg gepassioneerd geweest over videogames. Dus dacht ik dat ik iets op dat gebied zou doen. En zo begon ik deze gamingstart-up, die absoluut en ronduit jammerlijk mislukte, maar tijdens dat proces ontmoette ik mensen die aan iets heel interessants werkten: een e-sportteam. Ze kochten spelers uit onbekende regio’s en dergelijke, maar gebruikten software om hen te trainen met behulp van gegevens en analyses.

Ik vond dat erg interessant. Het was als Moneyball, maar dan voor videogames. En van daaruit groeide het uit tot iets op zichzelf, omdat sommige andere teams het ook wilden en sommige andere toernooiorganisatoren het op het scherm wilden tonen en statistieken en dergelijke wilden laten zien. En zo ging ik van werken in de financiële sector naar werken bij een bedrijf voor gegevensanalyse.

Uiteindelijk besloten we buiten gaming te groeien. Dus nu doen we volledig aan analyses.

Hannah Clark: Geweldig. We gaan daar zo dieper op in. Eigenlijk is dit een perfecte overgang.

Vandaag gaan we het hebben over hoe je gegevens echt kunt gebruiken om je besluitvorming te onderbouwen. Om te beginnen ben ik benieuwd: wat denk je dat veel organisaties verkeerd begrijpen aan zogenoemde “datagedreven” besluitvorming? Ik weet dat die term nogal gevoelig ligt.

Mo Hallaba: Ja, ik denk dat er veel mensen zijn die verwachten dat gegevens beslissingen voor hen nemen, dus datagedreven besluitvorming. En ja, in sommige vakgebieden is het natuurlijk zeer technisch en heb je datawetenschappers en beslissingen die sterk door gegevens worden gestuurd, maar daar zijn wij niet voor.

Daar is Datawisp niet voor. Wij richten ons veel meer op gegevensgeïnformeerde besluitvorming. Het gaat erom dat je beslissingen die je toch al zou nemen toegang geeft tot gegevens om naar te kijken, zodat je beter geïnformeerd bent wanneer je die beslissing neemt. Een voorbeeld zou kunnen zijn: hé, waar moeten we deze knop in onze gebruikersinterface plaatsen?

Moeten we hem hier bovenaan zetten? Daar onderaan? Moeten we hem überhaupt verplaatsen? En als je ziet dat je conversiepercentages, dus de mensen die op je website komen en vervolgens verdwalen op je hoofdpagina, laag zijn, wil je de knop misschien verplaatsen, toch? Maar als je merkt dat 90% van de mensen op je pagina komt en op de knop klikt, hoef je je daar geen zorgen over te maken. Het zijn kleine dingen zoals dat: in plaats van te gokken, word je nu door gegevens geïnformeerd. Dus gegevensgeïnformeerd.

Hannah Clark: Ja, ik geef ook de voorkeur aan gegevens, sorry, gegevensgeïnformeerde besluitvorming. Mijn Canadees komt naar boven.

Kun je ons iets vertellen over de manieren waarop gegevensvisualisatie ons kan helpen om het begrip en gebruik van gegevens binnen organisaties te democratiseren?

Mo Hallaba: Absoluut. Ik denk dat niet iedereen een echt getallenmens is, vooral niet wanneer je met niet-technische mensen werkt.

Als je kijkt naar creatievere vakgebieden, productmanagers of wat dan ook, begrijpen sommige mensen gegevens gewoon beter wanneer ze die gevisualiseerd, in beeldvorm, voor zich zien. Het is één ding om te zeggen dat een patroon in de loop van de tijd verandert. Het is iets anders om iemand gewoon een grafiek te laten zien waarop die kan zien hoe de KPI zich in de loop van de tijd ontwikkelt.

En als je vervolgens een hoofdtak en een nieuwe tak hebt die samen bewegen en de gegevens op een bepaald moment een andere richting inslaan, is het zo makkelijk om naar de grafiek te kijken en te zeggen: oh, wat gebeurde er in juli? Dat is iets anders dan naar een tabel, kwartaaloverzichten of iets dergelijks kijken. Door gegevens te visualiseren, vooral voor niet-technische mensen, wordt het naar mijn mening veel gemakkelijker om te weten welke vragen je vervolgens moet stellen.

Hannah Clark: Ja, als iemand die zichzelf een niet-getallenmens noemt, ben ik een groot voorstander van gegevensvisualisatie.

Wat zijn enkele manieren waarop organisaties zich kunnen beschermen tegen een verkeerde interpretatie van gegevens, nu we het daar toch over hebben, zodat besluitvormers de gegevenspunten goed begrijpen?

Mo Hallaba: Veel mensen kijken naar AI en zeggen: AI gaat mensen vervangen. Daar zijn wij dus niet voor. Wij willen juist een deel van het administratieve werk en dergelijke wegnemen dat datawetenschappers ophoudt. Een goede manier om je daartegen te beschermen is een datawetenschapper in je team hebben of iemand aannemen die echt weet wat die doet. Het verschil is dat je met goede software waarmee mensen in feite zonder technische vaardigheden gegevens kunnen analyseren, met één of twee datawetenschappers kunt volstaan in plaats van met tien.

Wat je eigenlijk wilt elimineren, is de noodzaak van technische vaardigheden om gegevens te kunnen analyseren. Ik zou dus geen SQL hoeven schrijven om een grafiek te kunnen maken, maar dat betekent niet dat ik zonder te begrijpen wat de gegevens betekenen zomaar beslissingen moet nemen op basis van die grafiek. Wanneer je die technische barrière wegneemt, geef je mensen de mogelijkheid om meer tijd met gegevens door te brengen en beter te leren wat de juiste manieren zijn om gegevens te gebruiken.

En zo hebben ze meer tijd om met een datawetenschapper te praten en te begrijpen wat die gegevens wel en niet laten zien, bijvoorbeeld. Er kunnen variabelen zijn die met elkaar samenhangen vanwege causaliteit of wat dan ook. Maar in feite is iemand bij het proces betrekken de beste manier om dat te voorkomen.

Of dat nu een datawetenschapper is of je beste technicus, ik denk nog steeds dat als je moet kiezen tussen niets doen of iets doen, je toch iets moet doen, maar.

Hannah Clark: Wat is jouw aanpak voor het opdelen van gegevens in contextuele stukken? Kun je een voorbeeld geven van hoe dat er in de praktijk uitziet?

Mo Hallaba: Dat kan ik. Naar mijn mening kun je er het beste zo over denken: je wilt kijken naar wat je bedrijfsdoelen zijn. Het gaat dus niet alleen om het werken met gegevens in een vacuüm. De reden dat we dit allemaal met gegevens doen, is omdat we iets over ons bedrijf proberen te begrijpen wat we nog niet wisten voordat we naar de gegevens keken, toch?

Het hangt dus meestal af van de zakelijke vraag. Stel dat de vraag is: is onze handleiding nuttig? Als we proberen te beantwoorden hoe goed onze handleiding is, kan één manier om de gegevens op te delen zijn: mensen die onze handleiding hebben gebruikt en mensen die onze handleiding niet hebben voltooid. Vervolgens kijk je naar uitstroompercentages, of deel je de volledige gegevensverzameling op in mensen die de handleiding hebben gedaan en mensen die dat niet hebben gedaan, en kijk je hoe ze van elkaar verschillen. Misschien is er geen verschil.

En dan zeggen we: oké, óf de handleiding is niet effectief, óf de app is heel eenvoudig te gebruiken en hebben mensen de handleiding niet nodig, toch? Maar als je ziet dat mensen die de handleiding voltooien gemiddeld veel meer gebruikmaken van het product, er veel effectiever mee zijn en langer behouden blijven, kun je zeggen: oh, misschien zit er toch iets in die handleiding. Het hangt dus af van wat je in eerste instantie probeert op te lossen.

Hannah Clark: Dat is een heel duidelijk voorbeeld. Dat waardeer ik echt.

Je hebt eerder gesproken over het verschil tussen gegevens waarop je actie kunt ondernemen en gegevens waarop dat niet kan. Kun je iets meer vertellen over wat je met elk van die begrippen bedoelt? Wat zijn actiegerichte gegevens? Wat zijn niet-actiegerichte gegevens? En hoe identificeren en benutten we beide typen effectief?

Mo Hallaba: Het gaat er meer om hoe je kunt handelen op basis van de inzichten die je krijgt. Het is niet zo dat de gegevens zelf op enige manier anders zijn. Het gaat er meer om wat je opties zijn. Ik zal proberen een voorbeeld te geven, goed?

Stel dat je naar Datawisp kijkt. Wij hebben een trechter: we doen aan marketing, proberen mensen aan te trekken, ze komen binnen, doorlopen het introductieproces, gebruiken de app, vinden die leuk of niet leuk, en vervolgens haken ze af of niet. Hoe hoger je in de trechter zit, hoe meer je in zekere zin kunt doen.

Als niemand een demonstratie boekt, denk je misschien: de knop is niet groot genoeg, deze bestemmingspagina is misschien niet overtuigend, of we hebben misschien een nieuwe afbeelding nodig. Maar als iemand inlogt, een demonstratie boekt, met ons praat, het product uitprobeert, allerlei vragen stelt en vervolgens afhaakt, dan denk je misschien: ze vonden het niet leuk.

Of misschien voldeed het niet aan hun behoefte. Dat is veel minder actiegericht dan sommige zaken boven in de trechter. Het gaat dus gewoon om de vraag: wat kun je op basis van deze informatie doen? Bepaalde dingen zijn duidelijker dan andere. Als het bijvoorbeeld een trechter is waarin je van stap één naar stap twee gaat en je ziet bij stap drie een uitval van 50%, dan kun je een lijst maken van dingen die de uitval tussen deze twee stappen kunnen veroorzaken en daar werk van maken. Maar wanneer je helemaal aan het einde bent en mensen gewoon je product gebruiken en dergelijke, wordt het veel moeilijker om te zeggen:

oké, ze zijn afgehaakt vanwege X? Want op dat moment weet je het gewoon niet. De manier om daar vervolgens achter te komen, is meer klantgesprekken te voeren en mensen je product te zien gebruiken. Daar bestaan andere hulpmiddelen voor.

Hannah Clark: Welke hulpmiddelen kunnen productteams gebruiken om gebruikersgegevens beter te verzamelen en te verwerken, zodat ze de beslissingen die ze nemen ermee kunnen onderbouwen?

Mo Hallaba: Dat hangt ervan af. Er is veel verschillende software die je kunt gebruiken, en het hangt echt af van het soort product dat je bouwt. Als je een game bouwt, is dat heel anders dan wanneer je een website, een webwinkelplatform of iets dergelijks bouwt. Maar je hebt iets nodig dat gebeurtenissen verzamelt, dus bijhoudt wanneer dingen gebeuren, en ze opslaat op een plek die analyse gemakkelijk maakt.

Idealiter zijn er, als je een game bouwt, plug-ins voor Unity die gebeurtenissen in de game kunnen vastleggen en opslaan in Snowflake, toch? Als je iets dergelijks kunt krijgen, wordt het veel eenvoudiger om die gegevens daadwerkelijk te gaan analyseren. Dat is de basisvereiste. Voor webwinkels en dergelijke zijn er allerlei sectorspecifieke oplossingen die dit soort dingen doen. Ik zou dus zeggen: het hangt er gewoon van af wat je bouwt.

Hannah Clark: Wat betreft AI en de rol van AI bij het helpen verwerken van gegevens: je noemde dat het hebben van één of meerdere datawetenschappers in dienst je beste optie is.

Is er een plaats voor AI als het gaat om het begrijpelijker maken van gegevens voor mensen, vooral voor niet-technische mensen?

Mo Hallaba: Absoluut. Dat is ons hele bedrijf bij Datawisp, toch? Wat AI kan doen, is helpen met de technische vaardigheid die nodig is om gegevens te verwerken en ze te transformeren en vorm te geven zoals je wilt, om de antwoorden te krijgen die je nodig hebt.

AI is daar heel goed in. Vroeger konden alleen datawetenschappers dit doen. Maar nu kan iedereen, zoals ik, die volledig niet-technisch is, een van deze AI-hulpmiddelen gebruiken en zorgt de AI voor het codegedeelte. Je kunt gewoon vragen stellen in gewone taal, toch? Iedereen met een beetje nieuwsgierigheid en basiskennis van het bedrijf of product kan dus in gegevens gaan graven.

En ik vind dat interessant, omdat het een soort vliegwieleffect creëert: hoe meer mensen om gegevens geven, hoe meer het bedrijf zal investeren in goede, schone gegevens, die gegevens beschikbaar maken voor mensen en al die andere zaken. En daar profiteren ze vervolgens weer meer van.

Hannah Clark: Laten we het ook even hebben over het gebruiken van gegevens voor iteratie. Als je je gegevens en de geleerde lessen eenmaal op een specifieke functie hebt toegepast, hoe creëer je dan een feedbacklus om toekomstige iteraties van die functie te informeren?

Mo Hallaba: Absoluut. Ik zal een voorbeeld geven van iets wat we daadwerkelijk bij Datawisp hebben gedaan.

Bij Wispy, onze AI, vinden we het aantal mensen dat de AI gebruikt erg belangrijk en, nog belangrijker, hoe lang ze bereid zijn op een antwoord te wachten. In het begin konden we kiezen voor een heel snelle Wispy die redelijke antwoorden gaf, of een veel tragere Wispy die veel betere antwoorden gaf, al waren die niet altijd veel beter, maar soms wel.

We kwamen er vervolgens snel achter door naar de gegevens te kijken hoe lang mensen bereid waren te wachten. Na een bepaald punt haakten mensen namelijk gewoon af: ze waren niet bereid langer dan 30 seconden tot een minuut te wachten, toch? Onze slimme versie van Wispy deed er soms twee minuten over, maar leverde dan echt interessante dingen op, en niemand bleef zitten wachten.

Daarom besloten we ons op snelheid te richten. We probeerden Datawisp dus zo snel mogelijk te maken. En je kunt zien dat de statistieken omhooggaan. Eerst hadden we de trage versie. Daarna was er een verdeling van 50-50, waarbij we de helft van de mensen de ene versie gaven en de andere helft de andere versie. Vervolgens gingen we volledig over op de snelle versie.

Je ziet de cijfers stijgen naarmate we deze iteratie doorlopen. En dit is precies het soort situatie waarin Moritz en ik, Moritz is onze technisch directeur, samen aan de telefoon zaten en die kleine berichten ontwierpen die verschijnen terwijl Wispy aan het antwoord werkt. Als het 30 seconden duurt, kun je niet gewoon 30 seconden lang een laadanimatie tonen, toch?

Dus had het berichten als: hé, ik ben er nog mee bezig, of: gegevenswetenschap is moeilijk, of iets dergelijks. We probeerden uit te zoeken hoeveel tijd er tussen die berichten moest zitten. Toen dachten we: wacht, we kunnen gewoon naar de gegevens kijken. We keken hoe lang mensen bereid waren te wachten, stemden de intervallen daarop af en rolden de functie uit.

Dat is een concreet voorbeeld van hoe je dit soort dingen met behulp van gegevens iteratief verbetert.

Hannah Clark: Dat is echt interessant. Ik vraag me af: we praten vaak over het trainen van AI-modellen en hoe dat eruitziet. Zit er ook een element van het trainen van gebruikers in? Want wanneer je zegt dat gebruikers ongeduldig worden terwijl ze op een antwoord van hogere kwaliteit wachten, lijkt dat op aangeleerd gedrag. Hoe pak je die beslissing dan aan?

Mo Hallaba: Je houdt hem verkeerd vast. Zo doe je dat niet. Weet je dat niet meer? Wanneer was het ook alweer, Steve Jobs? Hij zei iets als: je houdt de telefoon verkeerd vast. Dat was het beroemde verhaal: de nieuwe iPhone kwam uit en kreeg geen goede ontvangst omdat de antenne op een plek zat waar je hand lag. Toen kwamen ze naar buiten en zeiden: hé, je houdt hem verkeerd vast.

Je moet je telefoon zo vasthouden. Dat is een voorbeeld van hoe je het niet moet doen. Dat is absoluut de slechtste manier. In het algemeen gaat het om het scheppen van de juiste verwachtingen. Het is een combinatie van voorlichting en verwachtingsmanagement. Die twee gaan hand in hand, maar uiteindelijk heeft de gebruiker wel een idee van wat die wil.

En dus eindig je met een compromis. We begrijpen dat Datawisp bedoeld is voor niet-technische mensen. Het bestaande gedrag is: ik stuur Joe een e-mail en Joe bezorgt me de antwoorden, toch? Dit zijn dus al mensen die niet ontzettend veel moeite hoeven te doen om iets te krijgen.

Voor Joe is dat vervelend, maar dat is de realiteit voor deze persoon, toch? We kunnen hun niet vragen om ontzettend veel werk te doen. We kunnen hun vragen om een beetje werk te doen. Maar als het meer is dan dat, dan is het tegelijkertijd ook een kwestie van marketing en verwachtingen scheppen. Wat wil je? Een goed antwoord? Wanneer wil je dat antwoord hebben?

Hoe lang duurt het voordat Joe bij je terugkomt? Een week? Is het de moeite waard om een minuut te wachten op een antwoord van Datawisp? Dertig seconden zou prettig zijn, maar een minuut is nog steeds korter dan een week. Je geeft dus kleine hints en je hebt hiervoor een goede tekstschrijver nodig, bijvoorbeeld op je website, om vanaf het begin de juiste verwachtingen te scheppen.

Hé, krijg je antwoord in minuten, niet in weken. Je zegt niet in seconden, want als je seconden zegt, verwachten mensen het meteen, toch? Als je zegt: krijg antwoord in seconden, creëer je een verschil tussen verwachting en werkelijkheid. Het is grappig, want na dit alles gezegd te hebben, vermeldt onze website waarschijnlijk nog steeds seconden. Maar ik denk dat je tijdens verkoopgesprekken gewoon heel eerlijk tegen de klant moet zijn en moet zeggen: kijk, als dit je nu zoveel tijd kost, en dan vertellen ze het je.

En dan zeg je: oké, wij kunnen het in een fractie van die tijd doen. Zo stel je de verwachtingen een beetje bij.

Hannah Clark: Ja, interessant. Ik heb het gevoel dat mensen die zo gewend zijn aan zoekmachines, verwachten dat antwoorden onmiddellijk verschijnen, terwijl de technologie heel anders werkt.

Mo Hallaba: ChatGPT heeft mensen ook verwend, omdat mensen gewoon denken dat AI magie is. Ze begrijpen helemaal niet hoe het werkt. Bovendien hebben ze gezien hoe snel het bijvoorbeeld veel tekst kan produceren. Als ik zeg: hé, ChatGPT, schrijf een reisprogramma voor een vijfdaagse reis naar Milaan, dan zegt het gewoon: boem, klaar.

Gewone mensen nemen dus aan dat dit magie is en dat het alles snel kan doen. Maar er is een verschil. Als je verbinding maakt met een database waarin een miljard rijen gegevens staan, is de AI niet eens het deel dat tijd kost. Je moet die zoekopdracht uitvoeren en die zoekopdracht kan tijd nodig hebben om verwerkt te worden.

Daar kunnen we absoluut niets aan veranderen. Maar omdat iemand ChatGPT heel snel heeft zien werken, denken ze: dit zou twee seconden moeten duren. Een van de dingen die Wispy nu doet en vroeger niet deed, is daarom dat het je tijdens het laden daadwerkelijk vertelt in welke status het zich bevindt.

Nu zegt het eerst: ik denk na. Wanneer het klaar is met nadenken en alleen nog op je database wacht, zegt het: ik wacht op je database. Zo communiceert het voortdurend wat er gebeurt, om tijdens het hele proces de verwachtingen goed te houden.

Hannah Clark: Ik kan me voorstellen dat dat heel nuttig is. Ik denk ook dat gebruikers sterk zijn aangeleerd dat wanneer iets naar hun idee te lang blijft laden, het kapot is of je het opnieuw moet versturen. Heel interessant.

Mo Hallaba: We hebben hier veel gegevens over bekeken. We keken hoe lang het duurde, en om te beginnen: houd alles bij. Zodra je een product live hebt, moet je beginnen met het bijhouden van gebeurtenissen. Wij hielden dus alles bij: elke knop waarop je in Datawisp kunt drukken, leggen we vast telkens wanneer iemand erop drukt.

We hebben daardoor een heel goed beeld van hoe dit allemaal werkt. We hebben ook gebruikerstests gedaan en merkten inderdaad dat wanneer iets een tijdje bleef laden, mensen gewoon op F5 drukten om de pagina te vernieuwen. Het product moet dus echt communiceren wat het doet als het mensen langer dan vijf seconden laat wachten.

Hannah Clark: Dat is logisch. En ja, ik denk dat “houd alles bij” de slogan van deze aflevering zou kunnen zijn.

Mo Hallaba: Ja, houd alles bij wat je gebruikers in je product doen, want op een bepaald moment zal het nuttig zijn.

Hannah Clark: Je hebt al een voorbeeld gedeeld van gegevens die een beslissing onderbouwen. Ik vond dat een heel goed concreet voorbeeld. Ik ben benieuwd naar het meest succesvolle voorbeeld van gegevens die een beslissing hebben onderbouwd, of dat nu bij een klant was of binnen je eigen team.

Mo Hallaba: Dit was niet bij Datawisp, maar het meest succesvolle voorbeeld: ik vertelde dat ik eerder in e-sport werkte, en we hebben letterlijk een toernooi gewonnen op basis van dit soort gegevens.

De manier waarop deze software werkte, was eigenlijk heel interessant. Ik kan ook een voorbeeld van Datawisp geven als je wilt. De software maakte het mogelijk om gegevens te filteren op basis van verschillende voorwaarden of wat dan ook. De meeste hulpmiddelen toonden warmtekaarten.

Dit is de volledige kaart en dit is waar de andere spelers van het andere team meestal rondhangen, toch? Als je naar een warmtekaart kijkt van een spel dat een uur duurt, ziet alles er gewoon groen uit. Maar daar heb je niets aan. Als ik in een spel zit en de hele kaart groen is, vertelt dat me niet waar ze zijn.

Maar wat echt interessant was, was dat je dit kon opsplitsen naar situatie. Waar zijn ze in de eerste ronde van het spel? Waar zijn ze wanneer ze zoveel geld hebben? Waar zijn ze wanneer ze geen geld hebben? Waar staan ze wanneer ze deze wapens hebben, vergeleken met wanneer ze andere wapens hebben?

Zo kun je scenario’s creëren waarin de warmtekaart plotseling uit vijf rode stippen bestaat en je precies weet waar je tegenstander is. Je kunt die informatie tijdens wedstrijden gebruiken. Zij gebruikten dit en wonnen met het laagste salarisbudget van alle teams in de competitie.

Het was ongelooflijk.

Hannah Clark: Geweldig. Ik weet zeker dat sommige e-sportliefhebbers hier nu enthousiast van worden.

Mo Hallaba: Het beste voorbeeld bij Datawisp dat ik kan geven, is dat we een game hebben geholpen om zijn gebruikersbestand in zeer korte tijd ongeveer te verdrievoudigen. Dat deden ze door de gebruikers te segmenteren op basis van de acquisitiebron die ze gebruikten.

Vervolgens zochten ze naar specifiek gedrag in de game dat ze meer waardeerden dan ander gedrag. Zo konden ze vaststellen: wanneer we gebruikers via dit kanaal aantrekken, gedragen ze zich in de game op de manier die wij prettig vinden. Daardoor konden ze hun inspanningen richten op bepaalde acquisitiekanalen die hun voorkeur hadden.

Het bedrijf heet Honeyland. We hebben samen met hen een casestudy gemaakt. Die staat op onze website. Dat was dus echt interessant.

Hannah Clark: Ja, dat is heel interessant. Die wil ik wel bekijken.

Mo, heel erg bedankt dat je vandaag bij ons was. Waar kunnen mensen je online volgen?

Mo Hallaba: Als je op X zit, ben ik te vinden als ElectronicMo. Anders kun je me volgen op LinkedIn. Daar gebruik ik gewoon mijn eigen naam. Voor Datawisp geldt hetzelfde: je kunt Datawisp volgen op X en LinkedIn.

Hannah Clark: Geweldig, heel erg bedankt dat je bij ons was en voor deze spoedcursus. Hij was heel toegankelijk voor mensen zoals ik die niet veel met gegevens werken.

Mo Hallaba: Ik probeer het eenvoudig te maken. Heel erg bedankt voor de uitnodiging, Hannah.

Hannah Clark: Bedankt voor het luisteren. Abonneer je voor meer geweldige inzichten, praktische handleidingen en beoordelingen van hulpmiddelen op onze nieuwsbrief via theproductmanager.com/subscribe. Je kunt meer gesprekken zoals dit beluisteren door je te abonneren op The CPO Club, waar je ook naar podcasts luistert.