Data-driven подход: управление продуктом на основе данных
30.07.2024
Продукты нужно постоянно улучшать. Чтобы делать это эффективно, используют data-driven подход. Расскажем, как грамотно управлять продуктом на основе данных.
Что такое data‑driven
Концепция data-driven (с англ. «управляемый данными») ― подход, при котором данные и аналитику используют для принятия решений на каждом из этапов развития продукта.
В основе подхода лежит идея, что с помощью данных стейкхолдеры (от англ. stakeholder ― заинтересованные в продукте лица) смогут понять, как пользователи взаимодействуют с продуктом. Например, узнать, какие функции наиболее востребованы, где прерывается путь клиентов к покупке и каких кнопок им не хватает. На основе этой информации можно обновлять сервис: добавлять, улучшать или убирать функции.
Data-driven подход помогает искать точки роста продукта и принимать взвешенные решения о развитии бизнеса: в каком регионе развивать бизнес, в какой продукт вкладывать деньги в продвижение, а какой стоит закрыть.
Принципы data-driven подхода
В основе data-driven подхода лежат четыре принципа:
1. Итеративный сбор и анализ данных. Постоянное изучение того, как работает продукт, ― основа data-driven подхода. Продукт «живёт» и меняется вместе с задачами бизнеса, новыми знаниями о клиентах, ситуацией на рынке, поэтому наблюдать за ним нужно непрерывно.
2. Изучение поведения и предпочтений пользователя. При разработке продукта необходимо учитывать потребности пользователей, чтобы создать сервис, который будет им удобен и полезен. Например, принять решение о платформах продукта на основе поведения клиентов: нужно ли вкладываться в мобильное приложение или лучше развивать сайт.
3. Эксперименты и тестирование. Чтобы определить, какие изменения в продукте приведут к улучшению метрик, нужно проводить эксперименты и тестировать гипотезы. Например, проверить, какой дизайн рекламного баннера лучше воспринимается клиентами, прежде чем добавлять фичу в приложение.
4. Командная работа. Data-driven подход требует тесного взаимодействия разных команд: разработчиков, дизайнеров, маркетологов и аналитиков. Каждая команда должна использовать данные для принятия решений по изменению продукта.
На курсе «Продуктовая аналитика: симулятор» студенты знакомятся с тонкостями АВ-тестирования, учатся рассчитывать метрики с помощью SQL и выполнять ad-hoc запросы. Практиковаться можно на реальных кейсах из разных областей: онлайн-кинотеатре, доставке еды и маркетплейсе.
Пройдёте полный путь А/В-тестирования, научитесь сегментировать аудиторию, создадите в Tableau дашборд для мониторинга ключевых метрик.
Этапы data-driven работы с продуктом
Цикл data-driven развития продукта состоит из шести этапов:
1. Ideas. Сначала появляется предположение о развитии продукта.
2. Build. Когда состоятельность гипотезы подтвердили аналитикой, в продукт вносят изменения.
3. Product. Продукт или обновление запускают и начинают собирать данные, которые позволят оценить эффективность изменений.
4. Measure. Аналитики следят за изменениями в продукте.
5. Data. Собранные на этапе Measure данные интерпретируют и делают выводы о влиянии изменений на продукт.
6. Learn. На последствиях изменений учатся и формируют новые гипотезы для развития продукта.
Метрики продуктовой аналитики
Чтобы определить успешность продукта, при data-driven подходе исследуют метрики. Например:
● Конверсию (с англ. conversion) ― показывает, сколько пользователей выполнили целевое действие на сайте или в приложении. Это может быть покупка товара, подписка на рассылку или регистрация.
● Удержание (с англ. retention) ― показывает, как много пользователей продолжают использовать продукт после первого взаимодействия. Этот показатель особенно важен для онлайн-сервисов, так как пользователи быстро переключаются между приложениями и страницами в браузере.
● Отток (с англ. churn) ― показывает, сколько пользователей перестали использовать продукт в определённый период. Удержание и отток связаны: чтобы удержать пользователей, нужно понимать причины, по которым они уходят.
● Вовлечённость (с англ. engagement) ― показывает, насколько активно пользователи взаимодействуют с продуктом. Может включать в себя количество сессий; время, проведённое в сервисе; количество действий, выполненных пользователем.
● Индекс потребительской лояльности, или NPS (сокр. от Net Promoter Score), ― показывает, с какой вероятностью пользователи будут рекомендовать продукт. Этот показатель помогает определить уровень удовлетворённости клиентов.
Метрики используют вместе или по отдельности, в зависимости от целей и потребностей компании.
Недостатки data-driven подхода
Data-driven подход полезен для принятия решений в бизнесе, но чтобы использовать его эффективнее, важно учитывать его недостатки:
❌Сбор и анализ данных может потребовать значительных ресурсов ― как финансовых, так и временных. Компании могут столкнуться с нехваткой ресурсов для исследований на любом этапе цикла, особенно если сотрудники только начинают использовать data-driven подход.
❌Если данные неправильно собраны или проанализированы, то есть риск принять на их основе неверные решения.
❌Data-driven подход не может полностью заменить опыт. Иногда профессиональная интуиция для принятия решений важнее, например если компания сталкивается с новыми или неожиданными ситуациями.
В каких сферах используется data-driven подход
Data-driven подход помогает во многих сферах. Рассмотрим, как его используют в маркетинге, финансах, медицине, грузовых и пассажирских перевозках.
Маркетинг
Маркетологи используют данные о поведении потребителей, чтобы определить, какие продукты и услуги наиболее востребованы, какие рекламные кампании приносят больше продаж.
Финансы
Банки и инвестиционные компании используют данные о рынке, экономике и поведении инвесторов, чтобы принимать решения о том, какие активы покупать и продавать, какие инвестиционные стратегии использовать и какие риски принимать.
Медицина
Врачи и исследователи используют данные о здоровье пациентов, чтобы определить, какие способы лечения наиболее эффективны, какие факторы влияют на здоровье и какие меры предосторожности следует принимать.
Транспорт
Компании, которые перевозят грузы или пассажиров, используют данные о трафике, погоде и поведении водителей, чтобы оптимизировать маршруты, обеспечить их безопасность и снизить затраты на топливо.
Как data-driven подход работает на практике
Data-driven подход помогает выяснить, подходит ли решение бизнесу. Рассмотрим, как это работает на примерах:
1. Руководитель службы поддержки хочет нанять дополнительно 10 сотрудников, поскольку считает, что это увеличит скорость ответа на электронные письма, а значит, и срок жизни пользователя.
Аналитик, изучив данные, пришёл к выводу, что скорость ответа не влияет на лояльность клиентов, а наём 10 дополнительных сотрудников увеличит затраты компании и просадит юнит-экономику.
Данные опровергли гипотезу о росте срока жизни пользователя. Его можно увеличить другим способом, например оценить скорость обработки запросов и найти точки оптимизации: доработать систему ответов на письма и добавить шаблоны.
2. Сервис доставки еды хочет поднять цены на доставку, чтобы увеличить зарплаты курьерам.
Аналитик изучил, как изменится количество заказов в зависимости от цены на доставку, спрогнозировал отток пользователей и выяснил, можно ли найти цену, которая компенсирует или предотвратит отток. Чтобы увеличить зарплаты курьерам за счёт цены доставки, назначили новую стоимость доставки в часы пик, а в обычное время цены оставили прежними.
После обновления аналитик сделал вывод, что после повышения цены доставки спрос снизился только на небольшие заказы с низкой маржинальностью. Ими можно пожертвовать.
Ирина Бобринёва
