Przekształcenie analityki w sport zespołowy w WeWork

Zapytany, prawie każdy profesjonalista w tej dziedzinie powiedziałby, że analityka produktu to sport zespołowy. Zakres obowiązków i wymaganej pracy, od konfiguracji infrastruktury danych, przez definiowanie metryk, po raportowanie wyników i dostarczanie informacji, to znacznie więcej niż jedna osoba mogłaby sobie poradzić samodzielnie.

Tyle że jakoś często to robią. Wielu analityków danych pracuje pod radarem, wiedząc, że są częścią zespołu, ale czują się jak jeden zespół danych.

Przez pierwsze dwanaście miesięcy pełnienia roli naukowca ds. danych produktowych w WeWork byłem jedną osobą wspierającą dwa produkty i pięciu menedżerów produktów, a także zasobem dla zespołu badawczego ds. projektowania i moich odpowiedników danych w całej firmie. W typowy dzień mogę przełączać się między dziesiątkami zadań, umiejętności i kontekstów: odpytywanie hurtowni danych, budowanie pulpitów analitycznych, zbieranie danych w celu zdefiniowania metryki lub przeprowadzanie analizy przed eksperymentem.

Tak więc, chociaż analityka produktu brzmi jak sport zespołowy, nie zawsze tak to wygląda. Myślę, że problem zaczyna się od wyrażenia „rozwój produktu oparty na danych”.

Problem z rozwojem produktu opartym na danych

W zależności od kultury danych organizacji lub tego, jak umiejętne jest zarządzanie danymi, istnieje ukryte założenie, że przeciętny specjalista ds. danych jest niezależną maszyną. Ludzie oczekują, że analitycy będą stale ujawniać spostrzeżenia i przekazywać je zespołowi produktowemu, który następnie uwzględnia je w planie działania.

Ale dane o produktach i spostrzeżenia nie pojawiają się znikąd — składanie elementów w całość jest zawsze czyimś zadaniem. W WeWork wygląda to mniej więcej tak:

• Oprzyrządowanie : ktoś decyduje, o czym chcemy zbierać dane i dokumentuje to, co daje nam podstawę do rozpoczęcia pracy. (W moim przypadku jest to zwykle aktywność użytkownika frontonu).
• Implementacja: ktoś pisze kod implementujący to śledzenie aktywności.
• QA: Ktoś (naprawdę niedoceniany bohater) potwierdza, że ​​implementacja generuje dane zgodnie z oczekiwaniami.
• Zarządzanie: ktoś zarządza zarządzaniem danymi, upewniając się, że przesyłamy możliwie najczystsze dane i odpowiednio się nimi zajmujemy.
• Modelowanie : ktoś generuje nasz model danych hurtowni danych, od pozyskiwania danych po zaprojektowanie skalowalnej struktury, która spełni potrzeby firmy.
• Monitorowanie wydajności: ktoś wykorzystuje zebrane dane do monitorowania wydajności produktu, odpowiadania na istotne pytania i podawania konkretnych liczb interesariuszom — jednocześnie umieszczając je w kontekście, który krystalizuje, co jest znaczące, a co nie.
• Testowanie hipotez: ktoś identyfikuje sensowne hipotezy i przeprowadza eksperymenty oraz analizy, aby (miejmy nadzieję) podejmować decyzje dotyczące produktów i kształtować przyszłość naszego produktu.

Potrzeba wioski, aby uzyskać szczegółowe informacje na temat danych, a jeden zespół po prostu tego nie zrobi.

Dobre dane są produktem ubocznym systematycznego procesu, który wymaga wielu dyscyplin i członków zespołu. Potrzeba wioski, aby uzyskać szczegółowe informacje na temat danych, a jeden zespół po prostu tego nie zrobi. Im mniejszy zespół danych, tym większe ryzyko niechlujnych danych, problemów z błędną wydajnością i analityka, który jest zbyt rozłożony, aby zapewnić wartość

Przezwyciężanie zastraszania danych dzięki szkoleniu 1:1

Naszym marzeniem w WeWork było włączenie większej liczby osób do „zespołu” danych, ale mieliśmy trudności z przyjęciem narzędzi analitycznych, w tym Looker i Tableau. To problem kanoniczny — myślę, że większość specjalistów od danych dostarczyła co najmniej jeden pulpit nawigacyjny, który był całkowicie nieużywany lub ignorowany. Mimo że samoobsługowe analizy nie są nowością, nigdy nie osiągnęliśmy większej przyczepności — ale osiągamy to dzięki Amplitude Analytics.

Jako specjalista ds. danych łatwo przeoczyć, jak zastraszające mogą być dane. Dla ludzi, którzy nie działają w tej przestrzeni, to wciąż tajemniczy byt, który tylko eksperci mogą nadać sens. Pokonanie tej bariery zastraszania ma kluczowe znaczenie dla rozwoju umiejętności korzystania z danych. Kiedy ludzie zdadzą sobie sprawę, że dane to tylko informacje – informacje , które mogą opowiedzieć historię o produktach i klientach – ich naturalna ciekawość przejmuje kontrolę.

Moją misją było stworzenie „momentów z żarówką, w których ludzie odkrywają, jak satysfakcjonujące jest zadawanie pytań i szybkie odpowiadanie na nie za pomocą samoobsługowych narzędzi danych. Wiedziałem, że zastraszanie jest formą strachu, więc zacząłem od spotkania z straszydłem.

Niektórzy interesariusze uważają, że tylko eksperci mogą zrozumieć dane, a pokonanie tej bariery zastraszania ma kluczowe znaczenie dla zwiększania umiejętności korzystania z danych.

Na początku zaczęło się od wielu indywidualnych coachingów, obejmujących podstawy: jak działa śledzenie, jak identyfikujemy użytkowników i czym jest strumień zdarzeń. Następnie przeszliśmy przez platformę i dyskutowaliśmy, jak myśleć o naszych danych i jak zadawać pytania, na które można odpowiedzieć w Amplitude. Nauczyłem moich użytkowników (moich interesariuszy produktu), jak być ciekawym danych i jak tworzyć wykresy, aby zaspokoić tę ciekawość.

Teraz, gdy mój zespół ds. produktów ma pytanie, na które nie może odpowiedzieć, proszę go, aby poświęcił czas na mój kalendarz, abyśmy mogli wspólnie nad nim pracować . Jeśli w naszym przeglądzie panelu pojawi się coś godnego uwagi – pozytywnego lub negatywnego – zachęcam zespół do zagłębienia się w dane. Uprawniam każdego członka zespołu do samodzielnego zajęcia miejsca kierowcy, ale zawsze chętnie przyglądam się problemom jako zespół.

Jedną z największych korzyści płynących z tego procesu szkoleniowego była znajomość. Im bardziej mój zespół czuł się komfortowo z Analytics, tym mniej onieśmielające stawały się „dane” jako całość. Czuli się też ze mną bardziej komfortowo, a to zaufanie doprowadziło do lepszej współpracy.

Wolna droga do zmiany kultury danych

Nauka i wyrabianie nawyków wymagają czasu i powtarzania. Wielu z nas, pracowników technicznych, nauczono, że sukces przychodzi, gdy poruszamy się szybko i niszczymy rzeczy, ale jeśli próbujesz zmienić kulturę danych, musisz złagodzić swoje oczekiwania.

Sam też musiałem to zrobić. Wyszedłem z założenia, że ​​gdy ludzie zapoznają się z Analytics, opracują własne rytuały związane z przeglądaniem i używaniem pulpitów nawigacyjnych na platformie. A jednak wciąż odpowiadałem na pytania, na które już udzielono jasnych odpowiedzi, na istniejących wykresach i pulpitach nawigacyjnych. Było oczywiste, że mój zespół nie korzystał z platformy tak często, jak się spodziewałem.

Więc wiedziałem, że muszę pomóc zbudować mięsień nawykowy. W tym celu zorganizowałem cotygodniowy przegląd pulpitu nawigacyjnego, w którym menedżerowie projektu i ja analizujemy nasze podstawowe wskaźniki za pomocą pulpitów nawigacyjnych Amplitude. Te regularne przeglądy nieuchronnie nasuwają inne pytania, które możemy wspólnie zbadać w Analytics. Tak więc nie tylko przyjęliśmy nawyk rozpoczynania tygodnia od dostosowania się do metryk, ale dzięki temu przygotowaliśmy się na więcej „żarówek”.

Moje wysiłki gdzieś nas zaprowadziły, ale pomogło również jasne przesłanie i pewna odpowiedzialność, od kierownictwa produktowego po zespoły produktowe. Kiedy kierownictwo produktu dało jasno do zrozumienia, że ​​oczekuje, że zespoły produktowe będą posiadały swoje dane, a nie tylko partnerów danych, zaczęliśmy widzieć coraz więcej osób nie tylko przeglądających pulpity nawigacyjne, ale także przeprowadzających samodzielne eksploracje. To była ogromna wygrana.

Odkąd zacząłem pracować nad ewangelizacją Analytics, zaobserwowaliśmy przyzwoity wzrost liczby aktywnych użytkowników. Jestem z tego dumny, ale jeszcze bardziej jestem dumny z naszego wzrostu liczby uczących się użytkowników, którzy nie tylko przeglądają pulpity nawigacyjne dla własnej wiedzy, ale faktycznie tworzą i udostępniają treści innym.

Cel: rozwój produktu oparty na danych

Zapomnij o kierowaniu się danymi. Dążymy do rozwoju produktu opartego na danych — rozwoju produktu, który jest napędzany przez zespół ds. produktu, ale napędzany przez partnerstwo z zespołem danych. Po prostu nie ma sensu, aby cała eksploracja danych, wyszukiwanie informacji i analiza ograniczały się do osób ze słowem „dane” w tytule. Amplituda Analytics została stworzona, aby umożliwić całemu zespołowi produktowemu eksplorację danych; w pewnym sensie, aby każdy członek zespołu produktu był członkiem „zespołu danych”. A im większy „zespół danych”, tym więcej „paliwa danych” dodasz do rozwoju produktu.