Data Driven Design — czyli jakościowe definiowanie produktu na podstawie zgromadzonych danych.

Odnajdywanie i gromadzenie danych nie jest już żadną sztuką. Każdy produkt cyfrowy, który wszedł w fazę produkcyjną, dysponuje wystarczającą ilością danych, na podstawie których można priorytetyzować jego dalszy rozwój. Problemem, z którym musimy się zmierzyć, jest brak wartości samych danych. Wyzwaniem – analiza i klasyfikacja, pozwalające te dane przełożyć na insighty, a insighty na działanie. Dopiero wtedy cała idea bycia data-driven nabiera sensu. 

O co tyle krzyku, czyli po co nam właściwie ta analityka?

Żyjemy w czasach dynamicznie rosnącej konkurencji, w świecie digital. Pandemiczna rzeczywistość zmusza przedsiębiorców do weryfikacji swoich założeń i planów, a każdy, kto myślał, że nadal może uniknąć kanału cyfrowego, musi solidnie przemyśleć swoje plany na przyszłość.  Dopóki współczynnik konwersji znajdował się na wysokim poziomie przy zastosowaniu nomenklatury analitycznej, nikt tak naprawdę nie widział potrzeby zbytniego zagłębiania się w analizę własnych działań. Sytuacja rynkowa wymusiła na nas jednak rewizję dotychczasowej strategii obecności w cyfrowym świecie. Powstaje
coraz więcej wirtualnych projektów. Marki znane konsumentom offline przechodzą cyfrowe transformacje, a – przełamując tym samym bariery lokalizacji – stają się bardziej dostępne i mają znacznie większe szanse (przynajmniej w teorii) docierać do najszerszego grona odbiorców. Dlaczego jednak w wielu przypadkach tak się nie dzieje?

Warto zwrócić uwagę na nasz sposób postrzegania konkurencji. Przyjęło się, że benchmarkiem działań są inne marki, rozwiązania czy usprawnienia, które konkurenci wprowadzają w swoich produktach. W rozumieniu świata digital to kolejne „features”, które też chcemy mieć. Obserwując rynek startupów, widzę, że niejednokrotnie podążanie za działaniami konkurencji i prezentowanymi przez nich innowacjami wpływa niekorzystnie na rozwój produktu i jego szanse rynkowe. Bo przecież nie chodzi o to, żeby mieć więcej i lepiej. Chodzi o to, żeby zrozumieć własną specyficzną grupę odbiorców. Naszym zadaniem jest identyfikowanie, kto i dlaczego wybiera nasz produkt, jakie wartości sprawiają, że chce się z nim identyfikować, i ponad wszystko: jakie napotyka przeszkody na ścieżce produktowej lub które czynniki odciągają od nas jego bezcenną uwagę.

Twoją największą konkurencją są problemy Twojego klienta, a nie działania rywalizującej firmy.

I tutaj wchodzi analityka – cała na biało! To ona pozwala nam skupić się na dokładnych i realnych problemach naszych klientów, odnaleźć insighty, które na poziomie deklaratywnym byłyby nie do wykrycia, i dopracowywać projekty dokładnie do potrzeb naszej grupy docelowej. Proste? W analitycznej rzeczywistości, niestety, wcale nie. Kluczową zmianą, o którą musimy walczyć, jest ta najtrudniejsza – zmiana własnego sposobu myślenia. 

 Ile danych potrzeba?

W mojej pracy wielokrotnie spotykałam się z przekonaniem, że danych trzeba mieć mnóstwo. Im więcej, tym lepiej! Trzeba dobrze planować ich zbieranie, potrzeba też kolejnych badań, żeby gromadzić kolejne dane, które umożliwią wyciąganie nieomylnych wniosków. O ile zdaję sobie sprawę, że w fazie projektowania produktu czy usługi całościowy i dokładny research jest kluczowy, a sami badacze powinni przeprowadzić jak najwięcej badań, o tyle w świecie produktów digital w temacie danych częstszym problemem niż samo gromadzenie informacji jest klęska urodzaju. 

Mamy wtedy do czynienia z tzw. data spam, czyli sytuacją, w której zgromadzone przez nas duże ilości danych przeradzają się w nadmiar wskaźników i metryk, a każda pojedyncza informacja wydaje nam się na wagę złota. Na podstawie tego ogromu danych staramy się wyciągać wnioski, nie wiedząc, że w rzeczywistości większość zgromadzonych i analizowanych przez nas źródeł nie ma żadnego przełożenia na biznes. 

 W związku z data spam obserwuję też wielokrotnie, jak problematyczne bywają same procesy analizy. Przy nadmiarze nagromadzonych wskaźników i metryk mamy tendencję do podchodzenia do samego procesu na zasadzie „half baked” – z niedogotowaną analityką mamy do czynienia wtedy, gdy na naszej analitycznej drodze pojawia się wskaźnik, który zdecydowanie przykuwa naszą uwagę. Wtedy często bez zbyt wnikliwej analizy staramy się, na podstawie własnych doświadczeń lub intuicji, wprowadzać zmiany mające zaradzić sytuacji. Podejmujemy decyzję jedynie na podstawie pewnych przesłanek, a nie pełnego zestawu danych. 

Przykład: analizując formularze rejestracji, zauważamy, że współczynnik konwersji dla danego formularza spadł. Zabieramy się więc za działanie! W dobrze przeprowadzonym procesie analitycznym przyjrzelibyśmy się najpierw trendowi w czasie dla tego wskaźnika, sprawdzilibyśmy, którego kroku w formularzu dotyczy spadek, a w przypadku braku wyraźnej zmiany w obrębie samego formularza – zabralibyśmy się do analizy całej ścieżki, żeby zdiagnozować wąskie gardła. Następnie przeszlibyśmy do obserwacji zachowań użytkownika, żeby znaleźć konkretne rozwiązania – quick wins – i zaaplikowalibyśmy je do produktu, nie zapominając o śledzeniu zmian. Easy peasy! Jak jednak ma się ta sama sytuacja w analityce „half-baked”? Samo obniżenie się współczynnika konwersji staje się już dla nas triggerem do zmian – na podstawie dobrych praktyk lub obserwacji rynku wprowadzamy rozwiązanie ogólnie uznane za „poprawiające konwersję”, opcjonalnie ograniczamy analizę do samego formularza i to w nim szukamy przyczyny spadku. 

Myśl jak data scientist

W poszukiwaniach Świętego Graala analityki musimy przede wszystkim zmienić swoje myślenie. Najlepszym, co możemy dla swoich danych zrobić, jest przestawienie naszych umysłów na fale, na których nadaje typowy data scientist! Warto więc notować nawet najdrobniejsze szczegóły, klasyfikować, porządować i szukać wzorców. Z czasem kropki zaczną łączyć się w quick winy, a pomiędzy quick winami łatwiej samodzielnie odkryć insighty. Nie zapominajmy o celu analitycznym i unikaniu analizy „half baked”  – to nie gromadzenie obiektywnie największej ilości danych i parametrów pozwala określić, czy dana hipoteza faktycznie ma uzasadnienie, a mądre podejście do ich selekcji. Niezwykle ważnym aspektem jest również szukanie trendów w danych, bez doszukiwania się w nich na siłę zależności i męczenia ich tak długo, aż wyklarują się nam konkretne rozwiązania. 

Ogrom danych, do których mamy dostęp, potrafi przytłaczać, jednak dzięki odpowiednio przemyślanej i wdrożonej strategii analitycznej możemy w prosty sposób znaleźć miejsca, w których tracimy klientów i zidentyfikować wąskie gardła w procesie zakupowym, a nawet przewidzieć potrzeby klientów, wyprzedzając tym samym rynek. Aby tego typu działania miały szanse powodzenia, musimy podejść z głową do analityki – nie tylko zbierać dane, ale również prowadzić ich dokładną i szczegółową klasyfikację.

Choć szybkie wnioski i budowanie na ich podstawie projektu wydaje się być kuszące, nie zapominajmy, że korzyści płynące z poznania danych są warte poświęcenia czasu i wysiłku. Im więcej wiemy o swoich danych, tym bardziej świadome decyzje – na każdym etapie projektu – będziemy podejmować.

Jakich rodzajów danych potrzebujemy?

Na każdym etapie działania projektu musimy być świadomi możliwości i ograniczeń płynących z założeń i wyników biznesowych projektu. To, oprócz wyznaczonych celów analitycznych, stanowi ważne ramy dla analiz. Badania, monitorowanie i analizowanie zachowań klientów może przybierać obecnie bardzo różne formy: od mierzenia podstawowych wskaźników w GA, przez etnografię, po analizę holistyczną. Dlatego dobrze mieć ułożony, opracowany proces, który pozwoli nam efektywnie zdobywać i analizować informacje o tym, jacy nasi klienci są.

W początkowych fazach projektowania produktu czy usługi, kiedy przygotowujemy się dopiero do wejścia na konkurencyjny rynek, najlepsze będą spotkania z ludźmi, rozmowy oraz testy stacjonarne. Jednym słowem: zbieranie i analiza feedbacku. Niestety, w momencie wejścia na rynek tego typu działania okazują się być zupełnie niewystarczające. Szczególnie, gdy weźmiemy pod uwagę fakt, że oprócz klasycznych offline’owych punktów styku z marką, w przypadku biznesów wchodzących w świat digitalu, te online’owe czynniki zaczynają dominować albo stanową wyłączność. Jakie więc wyróżniamy rodzaje analiz i o czym musimy pamiętać, pracując nad nimi? 

Quo vadis, analityko?

Pamiętajmy o tym, że w analityce produktowej zawsze należy zacząć od najszerszego możliwego kontekstu, żeby móc finalnie skupić się na wybranym wycinku danych. Niestety, z obserwacji firm i organizacji, dla których konsultuję wypracowywanie strategii analitycznych, niejednokrotnie wynika, że analiza bezcelowa to niepokojąco częste i cieszące się popularnością zjawisko. Znacząca większość osób, z którymi rozmawiam, przyznaje, że choć widzą potencjał analizy danych i tworzenia na bazie jej wniosków i rozwiązań, na sam proces zwyczajnie nie ma czasu. Analityce poświęcają do 5% czasu pracy – zdecydowanie za mało, aby nie dać się ponieść „nurtowi danych”, a raczej dobrze planować działania i wyciągać z nich wnioski.

Rynek jednak nieomylnie pędzi z odpowiedziami na nasze potrzeby i z problemami niedoboru czasu na analityczne przyjemności również potrafi sobie poradzić. Do naszej dyspozycji oddawanych jest coraz więcej narzędzi, optymalizujących zarówno czas, jak i możliwości analityków. Już teraz przy niewielkim wysiłku możemy gromadzić dane o użytkownikach, współczynnikach odrzuceń czy konwersji sprzedażowej na stronie (Google Analytics, Heap Analytics). Mamy dostęp do pogłębionej analizy behawioralnej naszych użytkowników, do rozszerzania kontekstu wizyt i wyciągania wniosków na podstawie analizy jakościowej (cux.io), a także zbierania feedbacku bezpośrednio od użytkowników (Intercom, Survicate).

 Dokładna i przemyślana analiza zgromadzonych i – przede wszystkim – wyselekcjonowanych danych jest kluczem do budowania konkurencyjności rynkowej i wzmacniania produktu, jednak czas, który jesteśmy w stanie na nią poświęcić w pędzącym świecie digitalu, stale się kurczy. Wyzwaniem więc, z jakim przyjdzie się zmierzyć współczesnej analityce, będzie nie tylko wprowadzanie procesów automatyzacji, ale również predyktywne przewidujące podejście do wyciągania wniosków.