Dane dla opornych: przyspieszony kurs dla nietechnicznych kierowników produktu

Przeczytaj transkrypcję:

Próbujemy transkrybować nasze podcasty za pomocą programu komputerowego. Wybaczcie wszelkie literówki, ponieważ bot nie zawsze jest w 100% dokładny.

Hannah Clark: Czy możemy szczerze porozmawiać o jednej kwestii? Ta branża ma lekką obsesję na punkcie podejścia opartego na danych. Nie, to nie jest ta szczera część — to już wiecie. Szczera część jest taka, że nie wszyscy z nas są naprawdę dobrzy w pracy z danymi. A jeśli jesteś osobą, która całkiem sprawnie posługuje się panelem analitycznym, nie zawsze musisz pracować z właściwymi rodzajami informacji, aby pokazać pełny obraz.

Moim dzisiejszym gościem jest Mo Hallaba, dyrektor generalny Datawisp, czyli — jeśli nie znacie tego narzędzia — wykorzystującego sztuczną inteligencję rozwiązania do wizualizacji danych. Dzięki swojej pozycji Mo ma wyjątkową perspektywę na rozbieżność między ilością danych gromadzonych przez większość organizacji a tym, jak skutecznie faktycznie z nich korzystają. Muszę też powiedzieć, że rzadko rozmawiam z ludźmi tak bystrymi, że potrafią przedstawić bardzo złożone kwestie w sposób zrozumiały dla każdego. Ale na szczęście dla was i dla mnie właśnie o tym jest ta rozmowa. Zaczynajmy.

Witaj ponownie w podcaście The CPO Club. Mo, bardzo dziękuję, że znalazłeś dziś dla nas czas.

Mo Hallaba: Dzięki za zaproszenie. Cieszę się, że tu jestem i mogę porozmawiać o sztucznej inteligencji, danych i wszystkich tych innych modnych słowach.

Hannah Clark: My również bardzo się cieszymy.

Czy możesz trochę opowiedzieć o swoim doświadczeniu i o tym, jak trafiłeś do miejsca, w którym jesteś dziś, czyli do Datawisp?

Mo Hallaba: Oczywiście. Ta historia jest długa, więc proszę o cierpliwość. Karierę rozpocząłem w finansach, w analizie akcji — zajmowałem się po prostu mówieniem ludziom, jakie akcje kupować i tak dalej. Wiązało się to z ogromną ilością analiz oraz ręcznej pracy z danymi, która była absolutnie uciążliwa.

Później przeszedłem do fuzji i przejęć w sektorze przedsiębiorstw. To było właściwie to samo, tylko z innej perspektywy. Zamiast mówić ludziom, co kupować, przeprowadzaliśmy przejęcia. W przypadku tych transakcji również wykonywaliśmy mnóstwo własnych analiz i ponownie przekopywaliśmy się przez góry danych.

W końcu miałem tego dość i postanowiłem: „Hej, chcę wyjść z tego i zrobić coś własnego. Chcę założyć firmę technologiczną”. Od zawsze pasjonowały mnie gry wideo, więc pomyślałem, że zrobię coś w tej dziedzinie. Założyłem więc start-up związany z grami, który poniósł absolutnie spektakularną porażkę. Po drodze poznałem jednak ludzi pracujących nad czymś naprawdę ciekawym — drużyną e-sportową. Kupowali zawodników z nieznanych regionów i tym podobne, ale korzystali z oprogramowania, aby szkolić ich z użyciem danych i analiz.

Uznałem to za bardzo interesujące. To było coś w rodzaju „Moneyball”, tylko dla gier wideo. Później projekt zaczął się rozwijać, ponieważ zainteresowały się nim inne drużyny, a także organizatorzy turniejów, którzy chcieli wyświetlać statystyki na ekranie. W ten sposób przeszedłem od pracy w finansach do pracy w firmie zajmującej się analizą danych.

W końcu zdecydowaliśmy się wyjść poza świat gier. Dziś jesteśmy już pełnoprawną firmą analityczną.

Hannah Clark: Świetnie. Za chwilę dokładnie się tym zajmiemy. To zresztą idealne przejście.

Dziś porozmawiamy o tym, jak naprawdę wykorzystywać dane do podejmowania decyzji. Na początek chciałabym zapytać: co twoim zdaniem wiele organizacji robi źle w przypadku tak zwanego podejmowania decyzji opartego na danych? Wiem, że to określenie może budzić pewne emocje.

Mo Hallaba: Myślę, że wiele osób oczekuje, iż dane będą podejmować decyzje za nich. I owszem, niektóre dziedziny są bardzo techniczne, pracują w nich analitycy danych, a decyzje są w dużym stopniu oparte na danych, ale nie o to tutaj chodzi.

Nie po to jest Datawisp. My skupiamy się raczej na podejmowaniu decyzji wspieranym danymi. Chodzi o decyzje, które i tak zamierzałeś podjąć, ale dzięki dostępowi do pewnych danych możesz je lepiej zrozumieć i podjąć bardziej świadomie. Przykładowo: gdzie powinniśmy umieścić ten przycisk w naszym interfejsie?

Czy umieścić go tutaj? Czy tam? A może w ogóle go przesunąć? Jeśli widzisz, że użytkownicy wchodzą na stronę, a następnie gubią się na stronie głównej, być może warto przesunąć przycisk. Ale jeśli okazuje się, że 90% osób trafia na stronę i klika przycisk, nie musisz się tym martwić. Chodzi o takie drobne rzeczy: zamiast zgadywać, podejmujesz decyzję na podstawie danych. To właśnie decyzja wspierana danymi.

Hannah Clark: Tak, ja również wolę podejście wspierane danymi. Przepraszam — mój kanadyjski akcent daje o sobie znać.

Czy możesz opowiedzieć nam trochę o tym, w jaki sposób wizualizacja danych pomaga demokratyzować rozumienie i wykorzystywanie danych w organizacjach?

Mo Hallaba: Oczywiście. Nie każdy jest osobą, która dobrze czuje się w świecie liczb, szczególnie wśród ludzi nietechnicznych.

Kiedy patrzysz na bardziej kreatywne dziedziny, kierowników produktu czy podobne role, niektórzy po prostu lepiej rozumieją dane, gdy widzą je w postaci obrazu. Czym innym jest powiedzenie, że pewien wzorzec zmienia się w czasie, a czym innym pokazanie komuś wykresu, na którym może zobaczyć, jak wskaźnik KPI zmienia się w czasie.

Jeśli masz główną gałąź i nową gałąź, które przez pewien czas poruszają się razem, a następnie dane rozchodzą się w różnych kierunkach, wystarczy spojrzeć na wykres i zapytać: „Co wydarzyło się w lipcu?”. To znacznie łatwiejsze niż analizowanie tabeli, kwartalnych zestawień czy czegoś podobnego. Wizualizacja, szczególnie dla osób nietechnicznych, bardzo ułatwia ustalenie, jakie pytania zadać dalej.

Hannah Clark: Jako osoba, która sama przyznaje, że nie jest dobra w liczbach, zdecydowanie popieram wizualizację danych.

Jakie działania mogą podjąć organizacje, aby zabezpieczyć się przed błędną interpretacją danych — tak aby osoby podejmujące decyzje miały jasne rozumienie poszczególnych punktów danych?

Mo Hallaba: Wiele osób patrzy na sztuczną inteligencję i mówi: „AI zastąpi ludzi”. My nie wychodzimy z takiego założenia. Chodzi nam raczej o usunięcie części żmudnej pracy, która tworzy wąskie gardła dla analityków danych. Dobrym sposobem na zabezpieczenie się przed błędami jest zatrudnienie analityka danych w zespole albo osoby, która naprawdę zna się na tym, co robi. Różnica polega na tym, że dzięki dobremu oprogramowaniu, które pozwala ludziom samodzielnie wykonywać podstawowe analizy, możesz potrzebować jednego lub dwóch analityków zamiast dziesięciu. Tak naprawdę chcesz wyeliminować konieczność posiadania umiejętności technicznych, aby móc analizować dane.

Nie powinienem musieć pisać zapytań SQL, żeby uzyskać wykres, ale to nie znaczy, że powinienem podejmować decyzje na podstawie tego wykresu bez zrozumienia znaczenia danych. Kiedy usuwasz barierę techniczną, pozwalasz ludziom spędzać więcej czasu z danymi i lepiej poznawać właściwe sposoby ich wykorzystywania.

Mają wtedy więcej czasu, aby porozmawiać z analitykiem danych i zrozumieć, co dane pokazują, a czego nie pokazują. Dla przykładu: pewne zmienne mogą być ze sobą skorelowane z powodu przyczynowości lub z innych względów. Zasadniczo najlepszym sposobem na uniknięcie błędów jest pozostawienie człowieka w procesie.

Niezależnie od tego, czy będzie to analityk danych, czy najlepszy inżynier w zespole, uważam, że jeśli wybór brzmi „nie robić nic albo coś zrobić”, nadal należy coś zrobić.

Hannah Clark: Jak wygląda twoja metoda dzielenia danych na kontekstowe fragmenty? Czy możesz opowiedzieć, jak wygląda to w praktyce?

Mo Hallaba: Najlepiej myśleć o tym w ten sposób: trzeba zacząć od celów biznesowych. Nie chodzi wyłącznie o pracę z danymi w próżni. Wszystko, co robimy z danymi, wynika z próby zrozumienia czegoś w naszym biznesie, czego nie wiedzieliśmy przed ich przeanalizowaniem.

Zwykle zależy to od pytania biznesowego. Jeśli pytamy na przykład, czy nasz samouczek jest użyteczny, możemy podzielić dane na osoby, które skorzystały z samouczka, oraz osoby, które go nie ukończyły. Następnie możemy sprawdzić współczynniki rezygnacji albo podzielić cały zbiór danych według tych dwóch grup i zobaczyć, czym się różnią. Być może nie będzie między nimi różnicy.

Wtedy możemy stwierdzić: „Samouczek nie jest skuteczny” albo „Aplikacja jest bardzo łatwa w użyciu i użytkownicy nie potrzebują samouczka”. Jeśli jednak okaże się, że osoby, które ukończyły samouczek, średnio znacznie częściej korzystają z produktu, są skuteczniejsze i pozostają z nami dłużej, możemy pomyśleć: „Może rzeczywiście ten samouczek ma znaczenie”. Wszystko zależy więc od tego, jaki problem próbujesz rozwiązać.

Hannah Clark: To bardzo jasny przykład. Naprawdę to doceniam.

Wcześniej mówiłeś o różnicy między danymi umożliwiającymi działanie a danymi, które nie umożliwiają działania. Czy możesz wyjaśnić, co oznaczają oba te pojęcia? Czym są dane umożliwiające działanie, czym są dane, które go nie umożliwiają, oraz jak skutecznie rozpoznawać i wykorzystywać oba rodzaje?

Mo Hallaba: Chodzi raczej o to, czy na podstawie uzyskanych informacji możesz podjąć działanie. Same dane nie różnią się pod tym względem. Różne są po prostu możliwości, jakie masz. Spróbuję podać przykład.

W Datawisp mamy lejek marketingowy. Staramy się przyciągnąć ludzi, użytkownicy przychodzą, przechodzą proces wdrożenia, korzystają z aplikacji, podoba im się ona albo nie, a następnie rezygnują lub pozostają. Im wyżej w lejku się znajdujesz, tym więcej możesz zrobić.

Jeśli nikt nie rezerwuje prezentacji, możesz pomyśleć, że przycisk jest zbyt mały, strona docelowa nie jest wystarczająco przekonująca albo potrzebujesz nowej grafiki. Jeśli jednak ktoś loguje się, rezerwuje prezentację, rozmawia z nami, testuje produkt, zadaje mnóstwo pytań, a następnie rezygnuje, być może po prostu mu się nie spodobał albo nie rozwiązał jego problemu. To znacznie mniej możliwe do wykorzystania niż informacje znajdujące się wyżej w lejku.

Chodzi więc o to, co możesz zrobić na podstawie danej informacji. Niektóre rzeczy są wyraźniejsze od innych. Jeśli masz lejek, w którym użytkownik przechodzi z pierwszego kroku do drugiego, a następnie widzisz 50-procentowy spadek na trzecim kroku, możesz sporządzić listę czynników, które wpływają na ten spadek, i zająć się nimi. Kiedy jednak użytkownik dociera do końca, korzysta z produktu i mimo to rezygnuje, znacznie trudniej jest powiedzieć: „Zrezygnował z powodu X”.

W takiej sytuacji warto przeprowadzić więcej rozmów z klientami i obserwować, jak korzystają z produktu. Istnieją do tego inne narzędzia.

Hannah Clark: Z jakich narzędzi zespoły produktowe mogą korzystać, aby lepiej gromadzić i analizować dane użytkowników oraz wykorzystywać je przy podejmowaniu decyzji?

Mo Hallaba: To zależy. Istnieje wiele różnych programów i wiele zależy od rodzaju budowanego produktu. Jeśli tworzysz grę, wygląda to zupełnie inaczej niż w przypadku strony internetowej czy platformy handlu elektronicznego. Potrzebujesz jednak czegoś, co rejestruje zdarzenia — śledzi, kiedy coś się dzieje — i przechowuje je w miejscu ułatwiającym analizę.

Jeśli tworzysz grę, możesz na przykład skorzystać z wtyczek do Unity, które rejestrują zdarzenia zachodzące w grze i zapisują je w Snowflake. Dzięki temu znacznie łatwiej rozpocząć analizę danych. To podstawowy wymóg. W przypadku handlu elektronicznego istnieje mnóstwo rozwiązań branżowych, które robią podobne rzeczy. Wszystko zależy więc od tego, co budujesz.

Hannah Clark: Jeśli chodzi o sztuczną inteligencję i jej rolę we wspieraniu analizy danych, wspominałeś, że najlepszym rozwiązaniem jest zatrudnienie jednego lub kilku analityków danych.

Czy sztuczna inteligencja może pomóc w sprawieniu, aby dane były bardziej zrozumiałe, szczególnie dla osób nietechnicznych?

Mo Hallaba: Oczywiście. Na tym właśnie polega cała działalność Datawisp. Sztuczna inteligencja może pomóc w zakresie umiejętności technicznych potrzebnych do analizowania danych, przekształcania ich i kształtowania w taki sposób, aby uzyskać odpowiedzi, których potrzebujesz.

AI świetnie sobie z tym radzi. Wcześniej mogły to robić tylko osoby zajmujące się analizą danych. Teraz każdy — także całkowicie nietechniczny człowiek taki jak ja — może skorzystać z jednego z tych narzędzi, a sztuczna inteligencja zajmie się częścią związaną z kodem. Możesz po prostu zadawać pytania w języku naturalnym. Każda osoba odrobinę ciekawa świata, posiadająca podstawową znajomość biznesu lub produktu, może zacząć analizować dane.

Uważam, że to świetne, ponieważ tworzy efekt pozytywnego koła zamachowego: im więcej osób interesuje się danymi, tym więcej firma inwestuje w dobre, uporządkowane dane, udostępnianie ich ludziom i tym podobne działania. W rezultacie wszyscy odnoszą większe korzyści z ich posiadania.

Hannah Clark: Porozmawiajmy o wykorzystywaniu danych do iteracji. Gdy zastosujesz dane i wyciągnięte z nich wnioski do konkretnej funkcji, jak tworzysz pętlę informacji zwrotnej, która pomaga w kolejnych iteracjach tej funkcji?

Mo Hallaba: Podam przykład z Datawisp.

W przypadku Wispy, naszego narzędzia AI, bardzo zależy nam na liczbie osób, które z niego korzystają, a jeszcze bardziej na tym, jak długo są gotowe czekać na odpowiedź. Na początku mogliśmy stworzyć bardzo szybką wersję Wispy, która udzielałaby poprawnych odpowiedzi, albo znacznie wolniejszą wersję, która zwracałaby znacznie lepsze odpowiedzi — choć nie zawsze, ale czasami rzeczywiście lepsze.

Szybko dowiedzieliśmy się na podstawie danych, jak długo ludzie są gotowi czekać. Po pewnym czasie użytkownicy po prostu rezygnują — nie chcą czekać dłużej niż od 30 sekund do minuty. Nasza inteligentna wersja Wispy czasami potrzebowała dwóch minut, ale zwracała naprawdę interesujące wyniki, a nikt nie chciał tyle czekać.

Postanowiliśmy więc skupić się na szybkości. Staraliśmy się, aby Datawisp działał jak najszybciej, i obserwowaliśmy wzrost wskaźników. Najpierw używaliśmy wolniejszej wersji, potem podzieliliśmy użytkowników po połowie między obie wersje, a następnie przeszliśmy całkowicie na szybszą.

Widzieliśmy, jak liczby rosły wraz z kolejnymi iteracjami. Moritz, nasz dyrektor ds. technicznych, i ja rozmawialiśmy przez telefon i projektowaliśmy krótkie komunikaty wyświetlane podczas pracy Wispy. Jeśli oczekiwanie trwa 30 sekund, nie możesz po prostu wyświetlać animacji przez 30 sekund.

Dodaliśmy więc komunikaty typu: „Nadal nad tym pracuję” albo „Analiza danych jest trudna”. Próbowaliśmy ustalić, jaki powinien być odstęp między tymi komunikatami. Wtedy pomyśleliśmy: „Chwileczkę, możemy po prostu sprawdzić dane”. Zobaczyliśmy, jak długo ludzie są gotowi czekać, dopasowaliśmy do tego odstępy i wdrożyliśmy funkcję.

To konkretny przykład iteracyjnego rozwijania produktu z wykorzystaniem danych.

Hannah Clark: To naprawdę ciekawe. Zastanawiam się, ponieważ często rozmawiamy o trenowaniu modeli AI i o tym, jak to wygląda. Czy istnieje również element trenowania użytkowników? Skoro użytkownicy stają się niecierpliwi, gdy czekają na odpowiedź wyższej jakości, wydaje się, że jest to zachowanie, którego można ich nauczyć. Jak podchodzisz do takiej decyzji?

Mo Hallaba: „Źle go trzymasz”. Tak się tego nie robi. Nie pamiętasz? Kiedy to było — Steve Jobs? Powiedział: „Źle trzymasz telefon”. To była słynna sytuacja. Pojawił się nowy iPhone, ale miał słaby zasięg, ponieważ antena znajdowała się w miejscu, w którym trzymało się telefon, więc firma powiedziała: „Hej, trzymasz go nieprawidłowo”.

„Powinieneś trzymać telefon w ten sposób”. To przykład niewłaściwego podejścia — właściwie najgorszego z możliwych. Ogólnie chodzi o ustalanie oczekiwań. Jest to połączenie edukacji i właściwego określenia oczekiwań. Te elementy idą ze sobą w parze, ale użytkownik ostatecznie ma własne wyobrażenie o tym, czego chce.

W efekcie trzeba znaleźć kompromis. Rozumiemy, że Datawisp jest przeznaczony dla osób nietechnicznych. Ich dotychczasowe zachowanie wyglądało tak: „Napiszę do Joe, a Joe zdobędzie dla mnie odpowiedzi”. To osoby, które nie musiały wykonywać szczególnie dużej pracy, aby coś uzyskać.

Dla Joe jest to oczywiście uciążliwe, ale taka jest rzeczywistość tych użytkowników. Nie możemy wymagać od nich ogromnego wysiłku. Możemy poprosić o niewielką pracę, ale jeśli będzie jej więcej, pojawi się problem. Jednocześnie jest to kwestia marketingu i właściwego ustalania oczekiwań. Czego chcesz? Dobrej odpowiedzi? Kiedy chcesz ją otrzymać?

Ile Joe potrzebuje czasu, aby ci odpowiedzieć? Tydzień? Czy warto poczekać minutę na odpowiedź z Datawisp? 30 sekund byłoby świetne, ale minuta i tak jest krótsza niż tydzień. Trzeba więc dawać drobne wskazówki i zatrudnić dobrego autora treści, który odpowiednio ustawi oczekiwania na stronie od samego początku.

„Uzyskaj odpowiedź w kilka minut, a nie tygodni”. Nie mówisz „w kilka sekund”, bo wtedy użytkownik będzie oczekiwał odpowiedzi natychmiast. Jeśli powiesz „uzyskaj odpowiedź w kilka sekund”, powstanie rozbieżność między oczekiwaniem a rzeczywistością. To zabawne, bo mówię o tym wszystkim, a nasza strona prawdopodobnie nadal obiecuje sekundy. Podczas rozmów sprzedażowych trzeba jednak być z klientem bardzo szczerym: zapytać, ile czasu zajmuje mu to obecnie, a następnie powiedzieć, że możecie zrobić to w ułamku tego czasu. W ten sposób odpowiednio kształtujesz oczekiwania.

Hannah Clark: To interesujące. Mam wrażenie, że ludzie są przyzwyczajeni do wyszukiwarek i oczekują natychmiastowych odpowiedzi, choć technologia stojąca za tymi rozwiązaniami jest zupełnie inna.

Mo Hallaba: ChatGPT również rozpieszcza ludzi, ponieważ wszyscy myślą, że sztuczna inteligencja to magia. Nie rozumieją, jak działa. Widzą też, jak szybko potrafi wygenerować dużą ilość tekstu. Jeśli powiem: „ChatGPT, napisz mi plan pięciodniowej podróży do Mediolanu”, narzędzie odpowie natychmiast.

Zwykli ludzie zakładają więc, że to magia i że wszystko może wydarzyć się szybko. Jest jednak różnica. Kiedy łączysz się z bazą danych zawierającą miliard wierszy, sztuczna inteligencja nie jest nawet elementem, który zajmuje najwięcej czasu. Najpierw trzeba wykonać zapytanie, a jego przetworzenie może chwilę potrwać.

Nie możemy nic na to poradzić. Ponieważ jednak ktoś zobaczył, że ChatGPT działa bardzo szybko, oczekuje, że wszystko powinno trwać dwie sekundy. Jedną z rzeczy, których Wispy wcześniej nie robiło, a robi teraz, jest informowanie użytkownika o aktualnym stanie procesu.

Najpierw pojawia się komunikat: „Myślę”. Kiedy Wispy skończy myśleć i czeka już tylko na bazę danych, wyświetla się: „Czekam na bazę danych”. W ten sposób narzędzie cały czas komunikuje, co się dzieje, i pomaga kształtować oczekiwania podczas całego procesu.

Hannah Clark: Widzę, że to może być bardzo pomocne. Użytkownicy są też przyzwyczajeni do tego, że jeśli coś ładuje się zbyt długo, oznacza to, że aplikacja się zepsuła albo trzeba ponownie wysłać żądanie. Bardzo ciekawe.

Mo Hallaba: Przeanalizowaliśmy w tym zakresie mnóstwo danych. Po pierwsze, śledź wszystko. Gdy tylko masz działający produkt, zacznij rejestrować zdarzenia. My rejestrowaliśmy wszystko — każdy przycisk, który można nacisnąć w Datawisp, i za każdym razem, gdy ktoś go naciskał.

Dzięki temu bardzo dobrze rozumiemy, jak działa cały system. Przeprowadziliśmy również testy z użytkownikami i zauważyliśmy, że gdy coś długo się ładowało, ludzie po prostu odświeżali stronę klawiszem F5. Produkt naprawdę musi komunikować, co robi, jeśli zmusza użytkownika do czekania dłużej niż pięć sekund.

Hannah Clark: To ma wiele sensu. Myślę, że „śledź wszystko” mogłoby być hasłem przewodnim tego odcinka.

Mo Hallaba: Tak, śledź wszystko, co użytkownicy robią w twoim produkcie, ponieważ w pewnym momencie te dane okażą się przydatne.

Hannah Clark: Wspomniałeś już o przykładzie decyzji podjętej na podstawie danych i był to bardzo dobry, konkretny przykład. Ciekawi mnie jednak najbardziej spektakularny przykład decyzji wspartej danymi — niezależnie od tego, czy dotyczył klienta, czy własnego zespołu.

Mo Hallaba: To nie wydarzyło się w Datawisp, ale najbardziej spektakularny przykład pochodzi z czasów, gdy pracowałem w e-sporcie. Dosłownie wygraliśmy turniej dzięki temu, na podstawie danych.

Oprogramowanie działało naprawdę ciekawie. Mogę też podać przykład z Datawisp, jeśli chcesz. Narzędzie pozwalało filtrować dane według różnych warunków. Większość narzędzi oferowała mapy cieplne.

Widzisz całą mapę i miejsca, w których zwykle przebywają przeciwnicy. Jeśli spojrzysz na mapę cieplną z jednogodzinnej rozgrywki, wszystko będzie wyglądało jak zielona plama. To jednak niewiele pomaga. Jeśli jestem w trakcie gry i cała mapa jest zielona, nie wiem, gdzie znajdują się przeciwnicy.

Ciekawe było rozbicie danych według sytuacji. Gdzie znajdują się w pierwszej rundzie? Gdzie są, kiedy mają określoną ilość pieniędzy? Gdzie są, kiedy nie mają pieniędzy? Gdzie stoją, gdy mają konkretną broń, a gdzie, gdy mają inną?

Możesz tworzyć scenariusze, w których nagle mapa cieplna pokazuje pięć czerwonych punktów i dokładnie wiesz, gdzie znajduje się przeciwnik. Wykorzystywaliśmy te informacje podczas zawodów i wygrywaliśmy, dysponując najniższym budżetem płacowym spośród wszystkich drużyn w turnieju.

To było niesamowite.

Hannah Clark: Świetnie. Wyobrażam sobie, że niektórzy fani e-sportu bardzo się tym zainteresowali.

Mo Hallaba: Najlepszy przykład z Datawisp jest taki, że pomogliśmy pewnej grze potroić bazę użytkowników w bardzo krótkim czasie. Firma podzieliła użytkowników według źródła pozyskania, a następnie szukała konkretnych zachowań w grze, które były dla niej ważniejsze od innych.

Dzięki temu odkryli, że użytkownicy pozyskani przez konkretny kanał zachowują się w grze w pożądany sposób. Mogli więc skoncentrować działania na wybranych kanałach pozyskiwania.

Firma nazywa się Honeyland. Przygotowaliśmy z nią studium przypadku, które znajduje się na naszej stronie. To było naprawdę ciekawe.

Hannah Clark: To bardzo interesujące. Chętnie się z tym zapoznam.

Mo, bardzo dziękuję za udział w rozmowie. Gdzie można cię znaleźć w internecie?

Mo Hallaba: Jeśli korzystacie z X, znajdziecie mnie jako ElectronicMo. Możecie też obserwować mnie na LinkedIn — wystarczy wyszukać moje imię i nazwisko. Datawisp działa tak samo: możecie obserwować Datawisp na X i LinkedIn.

Hannah Clark: Świetnie, bardzo dziękuję za udział i za ten przyspieszony kurs. Był bardzo przystępny nawet dla osób takich jak ja, które nie zajmują się danymi.

Mo Hallaba: Staram się przedstawiać wszystko w prosty sposób. Bardzo dziękuję za zaproszenie, Hannah.

Hannah Clark: Dziękujemy za wysłuchanie. Po więcej ciekawych spostrzeżeń, poradników i recenzji narzędzi zapisz się do naszego newslettera na stronie theproductmanager.com/subscribe. Więcej podobnych rozmów znajdziesz, subskrybując The CPO Club na swojej ulubionej platformie z podcastami.