Descubra oportunidades de melhoria de produtos por meio da análise de dados de autoatendimento

No coração do gerenciamento de produtos está uma curiosidade inerente e uma motivação para responder a perguntas. Não é suficiente ver o desempenho de um produto e se perguntar por quê. Um bom gerente de produto segue sua curiosidade, fatiando e cortando os dados de todas as maneiras possíveis para diagnosticar o que está acontecendo.

Alguns PMs têm essa curiosidade, mas não têm as ferramentas para levá-la adiante. Em vez disso, eles provavelmente precisam confiar em alguém como um cientista de dados ou uma equipe de análise dedicada. Leva muito mais tempo para formular hipóteses e responder perguntas dessa forma, retardando o processo de desenvolvimento do produto. Ter a ferramenta certa para responder as perguntas de forma independente pode fazer toda a diferença para a conversão.

Longos prazos de entrega e dados sem saída

Eu sei disso por experiência pessoal como PM no mercado de carros usados ​​Shift. O mercado de carros usados ​​é complexo. É cíclico, portanto, embora o vento esteja em grande parte às nossas costas durante a pandemia, enfrentamos ventos contrários significativos em outros momentos. Comprar qualquer carro também é um processo demorado. Para muitas pessoas, o carro é a segunda maior compra da vida, depois da casa. Os compradores querem ter certeza de que estão escolhendo o carro certo para eles, o que leva tempo e consideração. A jornada média de compra de um carro leva três meses e há muitas etapas nessa jornada, desde a pesquisa e o orçamento até a concentração em modelos específicos e os méritos de carros individuais.

Ter a ferramenta certa para responder às perguntas de dados do produto de forma independente pode fazer toda a diferença para a conversão.

Assumi uma função de gerente de produto sênior na Shift em 2020, onde sou responsável pelo crescimento. “Crescimento” pode cobrir muito. Eu me concentro em SEO e trabalho em estreita colaboração com nosso departamento de marketing para otimizar a publicidade, o que é importante devido ao nosso grande estoque e orçamento de publicidade. Também realizamos promoções em determinados momentos, como 4 de julho ou durante as vendas de final de ano, e ajudo a garantir que essas promoções sejam bem-sucedidas.

Quando cheguei à Shift, a equipe estava usando o Segment como nossa plataforma de dados do cliente (CDP). Também estávamos executando o Periscope Data, uma ferramenta de inteligência de negócios (BI) que é executada sobre consultas SQL. Eu poderia fazê-lo funcionar porque conheço um pouco de SQL, mas levou muito tempo, e muitas das pessoas na organização do produto não tinham essa mesma capacidade. Em vez disso, eles teriam que enviar um tíquete para criar um gráfico e, em seguida, enviar tíquetes subsequentes se não obtivessem o que precisavam. Houve um longo tempo de espera para obter essas respostas de dados e, mesmo assim, chegamos a muitos becos sem saída porque os dados estavam incompletos.

Decisões melhores e mais rápidas em toda a organização

A falta de acesso a dados em tempo real forçou a equipe de produto a se mover mais devagar, e é por isso que a Shift recorreu ao Amplitude Analytics pouco antes de eu chegar. Poucas pessoas ainda usavam a plataforma, mas pude ver o valor. Os dados de autoatendimento capacitariam PMs, designers e qualquer outra pessoa na empresa a responder suas próprias perguntas.

Para colocar isso em contexto: quando eu entrei, havia apenas quatro PMs na Shift. Agora temos 16. Esse crescimento por si só teria sido impossível se todos continuassem a enviar solicitações de dados por meio da equipe de análise. Precisávamos permitir que PMs individuais fizessem, editassem e compartilhassem gráficos.

Capacitar gerentes de produto e designers para responder suas perguntas permite que eles tomem decisões críticas rapidamente.

Iniciamos uma iniciativa contínua para aumentar o uso do Analytics na Shift. A cada duas semanas, faço um passo a passo de convite aberto dos painéis fáceis de compartilhar e de entender da plataforma. Converso com qualquer pessoa sobre a plataforma, seja de produto, design, pesquisa de usuários ou qualquer outro lugar. Eu tenho uma agenda para essas sessões, mas muitas vezes acho que as sessões mais envolventes são quando as pessoas chegam com uma pergunta específica, como: “Quantas pessoas passam pelas etapas três, quatro e cinco do nosso pedido de empréstimo?” Quando mostro às pessoas como identificar os eventos de análise relevantes para atender às suas necessidades, elas percebem imediatamente o valor da plataforma.

Com o tempo, tenho visto as pessoas usarem e confiarem cada vez mais no Analytics e uma melhoria na confiança dos dados na equipe maior. Capacitar PMs e designers para responder suas perguntas permite que eles tomem decisões críticas para suas áreas com muito mais rapidez, criando produtos orientados por dados e roteiros estratégicos. Podemos ver isso nas sólidas melhorias anuais em uma de nossas principais métricas, Visitor to Lead: a jornada do usuário desde a visita ao nosso site até o interesse ativo em um carro. Desde a popularização do Analytics na Shift, fizemos muitas melhorias em nosso processo de compras, incluindo a criação de centenas de artigos para ajudar a educar as pessoas enquanto elas compram. Tudo isso resultou em uma métrica de visitante para lead mais alta.

Como usamos os recursos do Amplitude para melhorar nosso produto

Nossos PMs aproveitam muitos recursos da plataforma para melhorar nosso produto, incluindo:

Experimento de Amplitude : Eu penso nisso como o segundo nível de ser orientado por dados. O primeiro nível é simplesmente entender o que está acontecendo. Este segundo nível que desbloqueamos com o Experiment é ver o impacto das alterações baseadas em testes A/B. Anteriormente, executamos testes A/B usando nossa solução caseira, mas ainda exigia que nossos cientistas de dados gastassem tempo escrevendo código para criar o painel de teste no Periscope Data.

Mover os testes para o Experimento significa que podemos criar painéis, iniciar e interromper um experimento e responder nossas perguntas por conta própria. Um exemplo é um teste que executamos em um novo recurso em potencial chamado Comparação de carros. Comparação de carros permite que os usuários selecionem vários carros e comparem seus atributos, preços e detalhes, como quantos acidentes cada um teve. Também mostra fotos desses carros lado a lado. Comparar maçãs com maçãs ajuda os usuários a tomar decisões de compra com mais rapidez e confiança. Esse recurso foi lançado com a ajuda do Experiment. Por fim, o Gerente de Produto poderia controlar a implementação e os testes divididos (sem precisar de Engenharia ou Ciência de Dados). Isso melhorou drasticamente o tempo de ciclo desde o lançamento até o aprendizado. Após algumas semanas, vimos uma melhoria estatisticamente significativa nas principais métricas e atualizamos imediatamente o Experimento para lançar o recurso para 100% dos compradores de carros. Comparação de carros foi um grande sucesso nos testes A/B e, agora que o lançamos, tem sido um dos principais contribuintes para nossa métrica Visitor to Lead.

Segmentação e coortes : geralmente usamos segmentação para criar coortes de usuários e diagnosticar problemas sob a superfície de nossos dados. Por exemplo: à medida que mais pessoas se sentem à vontade para fazer compras em um dispositivo móvel, vemos muitos usuários visitando nosso site pela primeira vez em um dispositivo móvel e depois mudando para um computador para preencher formulários financeiros. Portanto, criaremos uma coorte para rastrear esse comportamento de dois dispositivos.

Outra coisa que vimos com questões de inflação e cadeia de suprimentos, houve um aumento do interesse no mercado de carros usados. Como um dos principais mercados de carros usados, isso significou um grande aumento de bots rastreando nosso site e coletando dados sobre nossos veículos para pesquisa de mercado. Os bots inicialmente causaram muita preocupação porque criaram grandes picos em tipos de página específicos, como nossas páginas de detalhes de veículos. Mas agora, criamos uma coorte que nos permite identificar e filtrar esses bots de nossos dados de usuário. Também usamos coortes para segmentar usuários por canal de marketing.

User Lookup: User Lookup é uma ferramenta de diagnóstico fantástica. Podemos ter uma pergunta como: "Existe um evento para quando um usuário clica em seguida no carrossel de imagens?" Nesse caso, encontro meu ID de usuário anônimo no Amplitude, clico em um carrossel no meu navegador e vejo quais eventos foram acionados.

A pesquisa de usuário também pode ajudar a entender como criar um funil. Se eu quiser entender o fluxo de um determinado comportamento do usuário, mergulharei no fluxo de eventos para ver os eventos importantes que levaram à conversão em questão. O uso dessa ferramenta nos mostra como é a jornada de um cliente individual e o caminho que ele percorreu para comprar um carro conosco.

Tornar-se orientado por dados permite que todos descubram as oportunidades dentro de um produto.

Funis: os funis são fundamentais para nós porque o processo de compra de um carro é longo e envolve muitas etapas. Atraímos usuários em vários estágios do processo de compra de carros - algumas pessoas nos procuram no início de sua jornada, quando ainda estão descobrindo qual tipo de carro é o certo para elas. Eles podem estar conversando com seu parceiro sobre a compra ou determinando se precisam de um carro. Outros clientes chegam ao nosso site já pesquisando, sabendo exatamente o ano, marca e modelo que desejam.

Os funis ajudam a equipe de produto a dividir a complexa jornada do usuário de compra de carros em etapas, com objetivos específicos indicando que o cliente está se aproximando da compra. Portanto, nosso primeiro funil pode ser se inscrever em nosso site. O próximo pode envolver vários carros favoritos ou adicionar uma pesquisa salva. Por meio do Analytics, identificamos eventos críticos na jornada do comprador. Por exemplo, vimos que quando os clientes clicam para ver um relatório CARFAX, é muito mais provável que comprem um carro.

Identificando oportunidades que valem a pena perseguir

Em algumas organizações, a pessoa mais bem paga da sala decide para onde o produto vai em seguida. Eles têm um palpite de que a página inicial deve ser azul, então a página inicial fica azul. Ninguém faz perguntas concretas porque é difícil obter respostas concretas. Mas você não deve tomar decisões com base apenas em evidências anedóticas.

Tornar-se mais orientado a dados permite que todos na Shift descubram as oportunidades que existem em nosso produto. Quando vemos algo inesperado no Analytics, todos podemos ir mais fundo para ver se esse momento é uma oportunidade em formação e até testar para descobrir as implicações de persegui-lo. Isso contribui para uma melhor tomada de decisão para todos. É fácil se perder em grandes números e métricas, mas o Analytics fornece ótimos dados quantitativos que podemos combinar com dados qualitativos e trabalhar com a equipe de pesquisa de usuários para decidir quais oportunidades valem a pena perseguir e quais são falsas ou não valem a pena .

Amplitude ajuda os PMs da Shift a concentrar nossos esforços nas peças que importam, que irão gerar impacto nos negócios e ajudar os clientes a se sentirem mais à vontade para comprar carros usados.