Обычно я применяю такой подход как основную методику для сбора фактических данных об использовании продуктов для корпоративных клиентов. Участники нашей программы по выявлению новых потребителей часто получают обновления прототипа на реальных данных, и мы сравниваем их данные об использовании с данными более широкого пула клиентов.
Роль аналитики
Одно из самых значительных изменений в нашем сегодняшнем подходе к созданию нового продукта связано с использованием аналитических данных. В наши дни от каждого хорошего продакта ожидают умения работать с такими данными и использовать аналитику для быстрого обучения, приобретения нужных знаний и повышения профессионального уровня.
Я объясняю это изменение несколькими факторами. Во-первых, тем, что благодаря глобальному доступу — и появлению сетевых устройств — рынок наших продуктов в последние годы резко расширился, а объем данных многократно увеличился и несравненно быстрее обеспечивает нас интересными и статистически значимыми результатами.
Во-вторых, тем, что инструменты для получения доступа к этим данным и приобретения благодаря им ценных знаний за последние годы значительно усовершенствовались. Но главную причину я вижу в осознании той роли, которую обычно играют эти данные, помогая вам быстро учиться и адаптироваться к изменениям.
В сильных продуктовых командах мы видим пять основных областей применения аналитических данных. Предлагаю детально рассмотреть каждую из них.
Понимание поведения пользователей и потребителей
Большинство людей, думая об аналитике, имеют в виду именно данные о пользователях продуктов, притом что это только один тип аналитики. Эти данные изучаются для того, чтобы понять, каким образом пользователи и клиенты используют наши продукты (помните: на одного потребителя приходится много пользователей, по крайней мере в контексте «бизнес для бизнеса»). Мы делаем это для выявления функций, которые ими не используются; для подтверждения того, что функции применяются так, как мы того ожидали; или просто для того, чтобы лучше понять, насколько велика пропасть между тем, что люди говорят и что делают.
Успешные продуктовые команды собирают и используют такие аналитические данные с этой целью уже не менее тридцати лет. За доброе десятилетие до появления интернета персональные компьютеры и серверы с помощью превентивного контроля состояния устройств собирали поведенческую аналитику, которая затем изучалась продуктовыми командами для доработки и усовершенствования продукта. По-моему, это одно из очень немногих требований к продукту, которое не стоит даже обсуждать. Я убежден: если вы собираетесь добавить новую фичу, вам необходимо включить как минимум базовый механизм сбора аналитики по ее использованию. А иначе как вы узнаете, работает ли она так, как вам требуется?
Оценка прогресса продукта
Уже много лет я пылкий сторонник использования данных для управления продуктовыми командами. Вместо того чтобы выдавать команде устаревшие дорожные карты с составленными кем-то списками догадок относительно того, какие фичи могут (или не могут) сработать, я предпочитаю предложить ей набор бизнес-целей с измеримыми конечными результатами, после чего команда сама принимает решение, какими способами лучше всего этих целей достигать. Это один из аспектов всеобъемлющей тенденции, наблюдающейся сегодня в сфере разработки новых продуктов — сосредоточиваться на результате, а не на процессе.
Подтверждение перспективности идей относительно продукта
Сегодня мы — особенно в компаниях по выпуску потребительских товаров, — проводя A/B-тесты, а затем сравнивая полученные результаты, имеем отличную возможность вычленить вклад новых фич, новых версий рабочих процессов и новых проектных решений. Это позволяет получать наглядные подтверждения того, какие из наших идей работают, а какие нет. Нам не нужно делать это со всеми своими предложениями, но для исследования продуктов, сопряженных с серьезным риском или высокими затратами на развертывание, или тех, что требуют изменений поведения пользователей, этот инструмент может быть чрезвычайно действенным и полезным. Даже если сбор статистически значимых результатов существенно затруднен из-за объема трафика или занимает очень много времени, мы имеем возможность собирать фактическую аналитику с помощью прототипов на реальных данных и принимать в итоге более информированные решения.
Сбор информации для принятия решений о продукте
По моему многолетнему опыту, самым скверным в решениях о продуктах в прошлом было то, что они обычно опирались на чьи-то мнения. И как правило, чем более высокую должность занимал в организации этот человек, тем больше с ним считались.
Сегодня, когда мы руководствуемся правилом «данные важнее мнений», у нас есть возможность провести тест и использовать собранные данные для принятия более обоснованных решений. Конечно, аналитика — это еще не все, и мы не должны становиться ее рабами, но в лучших продуктовых командах я вижу бесчисленные примеры удачных решений, в основу которых легли именно результаты тестов. И я постоянно слышу от людей, как часто аналитические данные становятся для них сюрпризом и как сильно меняют их точку зрения.
Вдохновение от работы над продуктом
Я давно укрепился в намерении использовать аналитические данные во всех перечисленных случаях, но, должен признать, мой фаворит — этот последний пункт. Совокупные данные, собранные из всех доступных источников, могут стать для нас настоящей «золотой жилой». Тут часто все сводится к умению задавать правильные вопросы, но впоследствии, изучая эти данные, мы можем выявить некоторые очень большие возможности в плане создания новых продуктов. Лучшие проекты, которые разрабатываются прямо сейчас, были вдохновлены именно аналитикой. Конечно, мы часто получаем отличные идеи, наблюдая за потребителями и применяя новые технологии, но анализ и изучение данных нередко становятся озарением и мощным толчком, дающим старт поистине революционным идеям. Во многом так происходит потому, что аналитика частенько застает нас врасплох, становится сюрпризом. У нас имеется ряд предположений о том, как используется наш продукт, причем о большинстве вариантов мы даже не подозреваем, и, увидев данные, очень удивляемся тому, насколько сильно действительность не соответствует нашим ожиданиям. И такие сюрпризы нередко становятся толчком к реальному прогрессу.
Менеджер по высокотехнологичным продуктам обязан разбираться в разных видах данных для тех продуктов, с которыми он работает. Многие коллеги, надо признать, подходят к этой задаче слишком узко. Вот базовый набор аналитики для работы с большинством высокотехнологичных продуктов.
• Аналитика тенденций пользовательского поведения (отслеживание кликов, активность пользователей).
• Бизнес-аналитика (активные пользователи, коэффициент конверсии, пожизненная ценность клиента, коэффициент удержания клиентов).
• Финансовая аналитика (средняя продажная цена, обороты по счетам, время закрытия счетов).
• Производительность (время загрузки, аптайм).
