تله داده‌ محور بودن

در سال 2006، زمانی که فیس‌بوک صفحه News Feed یا فید اخبار را عرضه کرد، کاربران نه تنها نسبت به آن هیچ علاقه‌ای نشان ندادند بلکه نسبت به آن ابزار تنفر داشتند. تعداد کاربران فیس بوک در آن زمان (تقریبا 12 میلیون نفر) به اندازه‌ای بود که این غوغا در میان کاربران، تیترهای خبری را به خود جلب کند. آدام موسری، مدیر اجرایی فیس‌بوک، در مورد عرضه این قابلیت جدید گفت که حتی با وجود واکنش شدید کاربران، با تکیه بر دانش و تجربه فیس‌بوک، به این استراتژی جدید پایبند است و تیم فیس‌بوک تمام تلاش خود را برای پیاده‌سازی هر چه بهتر آن بکار خواهند بست.

در نهایت، اعتماد آن‌ها نتیجه‌بخش بود و News Feed به محرک اصلی ترافیک و تعامل در سایت تبدیل شد و به فیس‌بوک کمک کرد تا به بیش از 2 میلیارد کاربر در سراسر جهان برسد.

این داستان اهمیت ترکیب داده و تجربه (Data-informed) به جای داده‌محوری (Data-driven) را نشان می‌دهد.

تفاوت Data-driven با Data-informed چیست؟
زمانی که هر نوع تحقیقی را انجام می‌دهید، معمولاً از ترکیبی از داده‌ها و تجربیات استفاده می‌کنید. معمولا تکیه بیش از حد به تجربه شخصی و شهود منجر به نتایج جانبدارانه‌ می‌شود، به همین دلیل است که دانشگاهیان در هر زمینه‌ای، از داده‌ها و یافته‌های همتایان خود استفاده می‌کنند. البته، تحقیقات آکادمیک، سال‌ها به طول می‌انجامد ولی تصمیمات تجاری اغلب باید به سرعت انجام شود. به راحتی می‌توان به داده‌ها وزن بسیار بیشتری در فرآیند تصمیم‌گیری داد و آن‌ها را بر تجربه و شهود اولویت داد. این چیزی است که به آن Data-driven می‌گویند. Data-informed به معنای استفاده از ترکیب داده و تجربه برای تصمیم‌گیری‌ها است.

در ادامه بررسی می‌کنیم که چرا این رویکرد منجر به تصمیم‌گیری بهتر و در نهایت محصولات بهتر می‌شود.

داده‌ها تنها پارامتر اثر گذار نیستند.
فرض کنید که می‌خواهید یک پرواز رزرو کنید. آیا فقط بر اساس قیمت رزرو بلیط انتخاب می‌کنید؟ انتخاب بعضی بلیط‌های ارزان قیمت که مستلزم اقامت یک شبه یا خروج از فرودگاهی دورافتاده هستند، زمانی که این هزینه‌هایی جانبی را در نظر بگیرید، در مقدار هزینه کلی شما تفاوتی ایجاد نمی‌شود. بنابراین مانند بسیاری از مسافران، برای انتخاب این که کدام بلیط را ررزو کنید، به قیمت بلیط در کنار متغیرهای دیگر به تصمیم‌گیری می‌پردازید.

با این وجود، طراحی محصول باید بیشتر تحت تاثیر داده‌ها باشد. از خود بپرسید: محیط کسب و کار چگونه است؟ آیا بازخورد مثبت یا منفی کاربران برای محصول شما وجود داشته است؟ رقبای شما در حال انجام چه کاری هستند؟ در حالی که در نظر گرفتن این موارد ممکن است بدیهی به نظر برسد، اما مهم است که اهتمام شما نسبت به آن‌ها در راستای کمک به جمع‌آوری داده‌ها، کم نشده باشد.

آگاهی از شاخص‌های تاخیری
اعتماد مطلق به داده‌ها گاهی اوقات می‌تواند خطر اتکا به معیارهای اشتباه را به همراه داشته باشد. ممکن است بر اساس شاخص‌های تاخیری تصمیم بگیرید که اندازه‌گیری آن آسان‌تر است، اما درستی تصمیم شما را ضمانت نمی‌کند.

فرض کنید می‌خواهید یک قابلیت جدید محصول را راه‌اندازی کنید، اما بازخورد اولیه کاربران نشان می‌دهد که ناوبری محصول را دشوار می‌کند. یک تست A/B را در طول یک هفته اجرا می‌کنید و هیچ تاثیر منفی را مشاهده نمی‌کنید، بنابراین بروز رسانی را انجام می‌دهید. در چند هفته اول، نرخ ریزش ثابت باقی می‌ماند، اما پس از چند ماه افزایش می‌یابد و بررسی‌ها نشان می‌دهند که به‌روزرسانی انجام شده دلیل اصلی این اتفاق است.

این جا است که در می‌یابیم نتایج آزمون A/B یک شاخص تاخیری بوده و یک هفته برای ارزیابی واقعی تأثیر بروز رسانی کافی نبوده است. در این مثال، بازخورد منفی اولیه کاربران یک شاخص راهنما بود و باید قبل از بروز‌ رسانی بیشتر مورد توجه قرار می‌گرفت.

رسیدن به حداکثر نسبی
رابرت مور، بنیانگذار شرکت تحلیل داده RJmetrics، در سال 2014 درباره نحوه انتخاب عنوان اولین وب سایت خود نوشت: تحقیقات سئو در آن زمان نشان داد که اصطلاح “تجزیه و تحلیل تجارت الکترونیک” دارای ترافیک بالا و رقابت کم است، بنابراین آنها تصمیم گرفتند از آن استفاده کنند و اجازه دادند داده‌ها تصمیم گیری کنند. اما نتوانستند در نظر بگیرند که این انتخاب در نهایت چگونه بر هویت کسب و کار آن‌ها تأثیر می‌گذارد. در طول سال بعد، مخاطبان آنها به شدت به سمت تجارت الکترونیک گرایش پیدا کردند و از بخش‌های عمده‌ای از بازارشان استفاده نمی‌کردند. یک تصمیم داده محور منجر به نتیجه‌ای شد که اصلاح آن سال‌ها به طول انجامید.

این همان چیزی است که از آن به عنوان دستیابی به حداکثر نسبی یاد می‌شود. نتیجه‌ای که یک پیشرفت است اما در بهینه‌سازی برای اهداف بلندمدت تجاری با ناکامی همراه است.

اتخاذ یک رویکرد Data-informed به معنای تصمیم‌گیری تا حدی بر اساس داده‌ها است، اما در یک زمینه بزرگتر از بازار، ترجیحات کاربر، و معیارهای رقبا به منظور درک چشم انداز کامل امکانات محصول و تأثیر تجاری، تمرکز بر تعدادی معیارهای خاص می‌تواند منجر به از دست رفتن فرصت‌ها یا اصلاحات گران شود.

رویکرد Data-informed در طراحی محصول
تیم‌های مبتنی بر Data-driven که به شدت بر بهینه‌سازی تمرکز می‌کنند، می‌توانند درگیر حداکثرهای نسبی شوند، زیرا در پیگیری تصمیم‌های داده‌محور، خلاقیت را کنار می‌گذارند. این ایده که استفاده از داده‌ها می‌تواند شما را از خطر ناشی از خلاقیت دور کند، وسوسه انگیز، اما یک وعده نادرست است.

معمولا در چرخه عمر محصول زمانی پیش می‌آید که در آن تکرار کافی نیست و تنها یک تغییر اساسی می‌تواند محصول شما را به سطح بعدی برساند. چنین تغییراتی بدون نوآوری و خلاقیت اتفاق نمی‌افتد. داده محور بودن (Data-driven) ممکن است احساس امنیت و عمل‌گرایی داشته باشد، اما پتانسیل واقعی محصول شما را از بین می‌برد.

Data-informed برتر از Data-driven
مفهوم Data-informed، ایجاد تعادل بین تجربه و معیارها است که به شما کمک می‌کند تا نسبت به داده‌ها بینش‌ داشته باشید و از خلاقیت و نوآوری خود نیز بهره‌ ببرید. داشتن اطلاعات از داده‌ها به تیم شما قدرت می‌دهد تا محصولات ارزشمندی را ارائه دهد که نه تنها توسط داده‌ها، بلکه توسط تجربیات ارزشمند نیز پشتیبانی می‌شود.