Kundanskaffning och kundlojalitet
Kundanskaffning och kundlojalitet

Data för nybörjare: En snabbkurs för icke-tekniska produktchefer

Hannah Clark

I dagens datadrivna landskap finner sig organisationer ofta drunknande i ett hav av data, samtidigt som de har svårt att utvinna användbara insikter ur den. Många företag är ivriga att kalla sig datacentrerade, men verkligheten är att alla inte är lika skickliga på att tolka och använda data effektivt. Ofta är insikterna fragmenterade, och den analys som presenteras ger inte hela den bild som krävs för välgrundade beslut.

I det här avsnittet får Hannah Clark sällskap av Mo Hallaba – vd för Datawisp – för att diskutera gapet mellan den stora mängd data som organisationer samlar in och hur effektivt den används, samtidigt som de erbjuder praktiska lösningar för bättre datahantering och datavisualisering.

Höjdpunkter från intervjun

  • Möt Mo Hallaba [01:00]
    • Mo inledde sin karriär inom finans, närmare bestämt inom aktieanalys.
    • Hans arbete innebar att rekommendera aktier och utföra omfattande manuellt dataarbete.
    • Senare gick han över till företags-M&A, där han arbetade med förvärv och ytterligare dataanalys.
    • Trött på detta följde han sin passion för videospel och startade ett spelbolag.
    • Startupsatsningen misslyckades, men han träffade personer som arbetade med ett e-sportlag där data och analys användes för att träna spelare.
    • Konceptet fascinerade honom och utvecklades till ett bredare dataanalysföretag.
    • Så småningom breddade de verksamheten från spel till att fokusera på analys i allmänhet.
  • Att förstå databaserat beslutsfattande [02:40]
    • Många organisationer förväntar sig att data ska fatta besluten åt dem, vilket är en missuppfattning.
    • Mycket tekniska områden kan använda databaserat beslutsfattande, men det är inte målet för alla.
    • Datawisp fokuserar på "datainformerat" beslutsfattande.
    • Detta tillvägagångssätt innebär att använda data för att stödja beslut som du redan skulle fatta, vilket ger större insikt.
    • Ett exempel är att bestämma var en knapp ska placeras i ett användargränssnitt utifrån data om användarnas beteende.
    • Data hjälper till att informera justeringar i stället för att man förlitar sig på gissningar.
  • Datavisualiseringens kraft [04:02]
    • Alla känner sig inte bekväma med siffror, särskilt inte personer utan teknisk bakgrund.
    • Datavisualisering hjälper personer inom kreativa områden eller produktledning att bättre förstå data.
    • Att se data i visuell form, exempelvis som diagram, gör det lättare att uppfatta trender och mönster.
    • Att exempelvis visuellt visa hur KPI:er utvecklas över tid är mer effektivt än att förklara det med siffror.
    • Visualiseringar hjälper människor att snabbt identifiera viktiga förändringar, exempelvis när data avviker, och väcker bättre frågor.
  • Skydd mot feltolkning av data [05:12]
    • AI är inte avsett att ersätta människor, utan att minska rutin- och administrativt arbete för dataanalytiker.
    • Organisationer bör anställa minst en eller två dataanalytiker, även om de har bra programvara.
    • Målet är att undanröja behovet av tekniska kunskaper, som att skriva SQL, för att analysera data.
    • När tekniska hinder tas bort kan fler människor ägna tid åt att förstå data.
    • Beslutsfattare bör samarbeta med dataanalytiker för att undvika att data feltolkas.
    • Att låta en person vara delaktig i dataprocessen bidrar till att säkerställa korrekt förståelse, särskilt när det gäller komplexa samband som kausalitet.

Många ser AI som en ersättning för mänskliga roller, men så ser inte vi på det. Vi fokuserar på att använda AI för att eliminera rutinuppgifter och flaskhalsar som hindrar dataanalytiker. Ett bra sätt att skydda sig mot dessa problem är att ha en skicklig dataanalytiker i teamet eller att anställa någon som verkligen vet vad de gör.

Mo Hallaba
  • Handbok för att dela upp data i kontextuella delar [06:45]
    • Börja med att identifiera affärsmålen, inte bara genom att analysera data isolerat.
    • Dataanalys bör hjälpa till att avslöja nya insikter om verksamheten.
    • För att till exempel utvärdera hur effektiv en handledning är kan du jämföra data mellan användare som slutförde den och de som inte gjorde det.
    • Analysera skillnader i andelen kunder som lämnar och i kundbevarandet mellan dessa grupper.
    • Om ingen skillnad upptäcks behövs handledningen antingen inte, eller så är produkten enkel att använda.
    • Om användare som slutför handledningen får bättre resultat tyder det på att handledningen är värdefull.
    • Hur data delas upp beror på den specifika affärsfråga som ska besvaras.
  • Handlingsbara kontra icke-handlingsbara data [08:05]
    • Handlingsbara data gör det möjligt att vidta tydliga, specifika åtgärder utifrån insikterna.
    • Icke-handlingsbara data ger insikter men erbjuder inga tydliga steg att vidta.
    • Skillnaden handlar om vad du kan göra med informationen, inte om själva datan.
    • Exempel: I en marknadsföringstratt kan du justera knappens storlek, landningssidan eller grafiken om människor inte bokar demonstrationer (handlingsbart).
    • Om användare provar produkten men sedan lämnar är det svårare att fastställa varför (icke-handlingsbart).
    • Högre upp i tratten finns tydligare åtgärder att vidta, medan datan längre ner blir mindre handlingsbar.
    • För icke-handlingsbara insikter är kundintervjuer och observationer av användningen användbara.
  • Verktyg för att samla in och tolka användardata [09:54]
    • De verktyg som produktteam använder beror på vilken typ av produkt som utvecklas (t.ex. spel, webbplatser och e-handelsplattformar).
    • Team behöver programvara för produktanalys som samlar in händelser (spårar användaråtgärder) och lagrar dem så att de enkelt kan analyseras.
    • För spel kan Unity-tillägg spåra händelser i spelet och lagra dem på plattformar som Snowflake för analys.
    • E-handel och andra branscher har specifika lösningar som är anpassade efter deras behov.
    • Det viktiga är att använda verktyg som stämmer överens med produktens krav på datainsamling och analys.
  • Att utnyttja AI för dataanalys [10:52]
    • AI hjälper personer utan teknisk bakgrund att tolka och omvandla data, en uppgift som tidigare krävde dataanalytiker.
    • AI hanterar de tekniska aspekterna och gör det möjligt för användare att ställa frågor på vanligt språk.
    • Användare utan teknisk bakgrund kan utforska data med grundläggande affärskunskaper och nyfikenhet.
    • Detta tillvägagångssätt uppmuntrar fler att engagera sig i data.
    • Ökat intresse för data leder till att företag investerar mer i rena och lättillgängliga data.
    • Detta skapar en positiv cykel där bättre data leder till bättre insikter och beslut.

Ju fler som värdesätter data, desto mer kommer företaget att investera i att upprätthålla rena data och göra dem tillgängliga för alla.

Mo Hallaba
  • Iterera med data: Exempel från verkligheten [12:12]
    • Datawisp fokuserade på användarnas väntetider för sin AI-funktion Wispy.
    • De testade två versioner: en snabb AI med anständiga svar och en långsam AI med potentiellt bättre svar.
    • Data visade att användarna föredrog snabbare svar, vilket ledde till ett fokus på snabbhet.
    • De anpassade Wispys prestanda utifrån användarnas tålamod och optimerade för snabba svar.
    • De genomförde datadrivna designförändringar, till exempel anpassning av tidpunkten för statusmeddelanden utifrån användarnas väntetider.
    • De använde realtidsdata för att förfina och iterera funktionen för att förbättra användarupplevelsen.
    • Att utbilda användare handlar mindre om att förändra beteenden och mer om att skapa rätt förväntningar.
    • Exempel: Steve Jobs strategi med att säga att användarna ”höll den fel” var ineffektiv.
    • Nyckeln är att hantera användarnas förväntningar genom utbildning och tydlig kommunikation.
    • Användare förväntar sig snabba svar, och det är avgörande att ange realistiska tidsramar.
    • Att jämföra Datawisps svarstid med traditionella metoder, till exempel att vänta en vecka, hjälper till att tydliggöra fördelarna.
    • Effektiv kommunikation innebär en ärlig och korrekt beskrivning av svarstiderna.
    • God marknadsföring och tydliga budskap är avgörande för att skapa dessa förväntningar.
    • Användare är vana vid omedelbara svar från sökmotorer och AI, vilket skapar orealistiska förväntningar.
    • ChatGPT har bidragit till uppfattningen att AI kan ge omedelbara svar på alla uppgifter.
    • I verkligheten påverkas behandlingstiden av databasfrågor, inte bara av AI:ns prestanda.
    • Wispy informerar nu användarna om sin status under behandlingen, med meddelanden som ”Jag tänker” eller ”väntar på din databas”, för att hantera förväntningarna.
    • Användare antar ofta att ett system är trasigt om det tar för lång tid, vilket får dem att uppdatera sidan eller skicka förfrågningar igen.
    • Datainsamling och användartester visar att tydlig kommunikation om behandlingstider är avgörande för användarnöjdheten.
  • Triumferande datadrivna framgångshistorier [19:10]
    • Inom e-sport ledde dataanalys till att ett lag vann en turnering.
    • Programvaran tillhandahöll detaljerade värmekartor genom att dela upp data efter olika situationer och förhållanden i spelet.
    • Detta möjliggjorde en exakt identifiering av motståndarnas positioner, vilket bidrog till segern trots att laget hade den lägsta budgeten.
    • På Datawisp hjälpte de ett spel att snabbt tredubbla sin användarbas.
    • De analyserade källor till användarförvärv och beteenden i spelet för att fokusera på effektiva förvärvskanaler.
    • Framgångshistorien omfattade en fallstudie med företaget Honeyland, som finns på Datawisps webbplats.

Möt vår gäst

Mo Hallaba är vd för Datawisp, en plattform som hjälper spelutvecklare och programvaruföretag att bättre utnyttja den data de samlar in, så att de kan förbättra sin produkt, sänka kostnaderna för användarförvärv och öka användarretentionen. Datawisp byggdes från grunden specifikt för personer utan teknisk bakgrund och utformades så att de enkelt kan ställa de frågor som är viktiga för dem och få svar omedelbart.

Mos resa började när han arbetade inom banksektorn som aktieanalytiker. Hans arbete var otroligt repetitivt och han ägnade mycket tid åt uppgifter som kändes som sådant en dator borde göra (djupgående dataanalys för affärsverksamma).

Vändpunkten kom när han lämnade finansbranschen och startade ett spelföretag, där han arbetade som konsult åt spelutgivare av AAA-spel. Dessa företag hade exakt samma problem med dataåtkomst som han hade upplevt inom finansbranschen: människor var beroende av dataförfrågningar och analysteam var upptagna med att ta fram dataförfrågningar åt affärsverksamma. Insikten att renodlad konsultverksamhet bara skulle ”lappa ihop” problemet och att lösningen var att skapa en produkt ledde till att Datawisp grundades.

foto av Mo Hallaba

Spåra allt dina användare gör i din produkt, eftersom det kommer att vara användbart vid någon tidpunkt.

Mo Hallaba

Resurser från detta avsnitt:

Relaterade artiklar och poddar:

You may also like

Podcast with mario ciabarra 86524
Podcast

Hur kan generativ AI göra analys mer tillgänglig för produktteam?

By Hannah Clark