Чем отличаются data-driven, data-informed и data-inspired-подходы к управлению продуктом?

Чем отличаются data-driven, data-informed и data-inspired-подходы к управлению продуктом?

Существует три подхода к принятию решений, основанные на данных: data-driven, data-informed и data-inspired. Разберемся, что они означают и в каких случаях их стоит применять.

Data-driven

Это самый строгий и формальный подход — решения принимаются исключительно на основе точных количественных данных. Для data-driven необходимо много данных, причем проектировать систему сбора данных и собирать их необходимо задолго до начала принятия решений — чтобы накопить статистически значимые показатели. Такой подход предполагает, что в команде будут профессиональные аналитики, которые понимают, как правильно обращаться с данными и какие из них корректные. Data-driven отвечает на вопрос, что делать прямо сейчас.

Data-driven-подход помогает прогнозировать продажи, выбирать наилучшее время для запуска новой фичи, сравнивать эффективность разных вариантов дизайна. Решения, основанные на данных, обычно легче защищать перед руководством.

Но у data-driven есть и проблемы: 

  • Дает ответы только на конкретные вопросы — можно проверять и сравнивать какие-то решения, но для стратегических вопросов он не подходит.
  • Есть соблазн обосновать тот ответ, который вам нравится больше — данные позволяют это сделать, если использовать их предвзято. 
  • Данные — не панацея и не снимают ответственность с менеджера продуктов. В любом случае он должен ориентироваться на здравый смысл. Иначе можно упустить интересные и потенциально прорывные решения только потому, что эффект от них невозможно точно измерить и напрямую связать с метриками. С другой стороны, решения, приносящие выгоду прямо сейчас, в долгосрочной перспективе могут негативно влиять на продукт.
  • Необходимо корректно настроить аналитику, хранить и постоянно обрабатывать большие объемы данных, ставить эксперименты — это трудоемко и недешево. А в небольших продуктах данных слишком мало, чтобы делать однозначные выводы.

Для простых решений, которые нужно принимать ежедневно, подойдут метрики и A/B-тесты. Например, в ВК решали, справа или слева должен быть значок лайков. В реальной жизни все сложнее, и метрики — не панацея, потому что на небольших ежедневных решениях невозможно построить фундаментальный продукт. 

Андрей Законов, CPO Алисы, Яндекс

Почему все верят в Метрику Всевластия и как ее найти

Data-informed

Data-informed — более верхнеуровневый подход, когда учитываются не только количественные данные, но и интуиция. Он не говорит точно, что надо делать, а помогает планировать развитие продукта через анализ успехов и неудач прошлого. Data-informed-подход полезен, когда необходимо разработать новые фичи, приоритизировать бэклог, выйти на новый рынок, оптимизировать продукт. Он не подходит для принятия стратегических решений и революционных, подрывных инноваций — потому что отвечает на вопрос, что делать в ближайшем будущем и основан на уже известных по прошлому опыту закономерностях.

Мы пишем о менеджменте продуктов и развитии в телеграм-каналах make sense и Product Mindset, а обсудить любые продуктовые вопросы можно в Product Sense Chat.

Проблемы data-informed-подхода

  • Сложнее обосновать свои решения стейкхолдерам, потому что они не полностью основаны на количественных данных и во многом зависят от точки зрения и картины мира.
  • Как и в первом подходе, на решения могут влиять когнитивные искажения, когда менеджер продуктов неосознанно отбирает аргументы, подтверждающие его гипотезу. 
  • Возникает проблема множественного выбора — слишком много входных данных, их придется приоритизировать, искать корреляцию, а информация на выходе может быть противоречивой.

Сейчас на рынке стереотип: менеджер продуктов — аналитическая прокладка между стейкхолдерами и разработкой. Его функция — собрать список гипотез, приоритезировать их, отдать в разработку, измерить результат и раскатить на всех. Но это неправильно.

На самом деле senior менеджер продуктов использует данные в связке с интуицией, эмпатией, абстрактным мышлением и благодаря этому приоритизирует работу над продуктом в пользу вероятного прироста. Он как продвинутая нейронка, в которой много данных и она выдает интересные решения, основываясь на опыте и насмотренности. Такая модель мышления позволит не хоронить решения.

Измеримость влияния не должна быть ключевым критерием для приоритизации, иначе появится две проблемы:

  1. Менеджер продуктов отказывается от сложных и дорогих решений, которые невозможно корректно измерить — а они могли бы стать драйвером бизнеса.
  2. Менеджер продуктов проводит невалидные A/B-тесты там, где не хватает данных для экспериментов.

Арсений Ольховский, Head of Growth, LegionFarm

make sense #120: О формулировании гипотез, подходах и критериях корректности, и проверке гипотез разных уровней

Data-inspired

Data-inspired — это еще более абстрактный и творческий подход, где интуиция и поиск неочевидных связей между разрозненными данными играет ключевую роль. Его цель — разработка кардинально новых решений, подрывных и прорывных инноваций. Данные в data-inspired нужны для вдохновения и определения контекста. В отличие от data-informed, этот подход не преследует цель прогнозировать будущее на основе закономерностей из прошлого, потому что так почти невозможно придумать нечто совершенно новое. Data-inspired-подход используют, например, для создания стратегии. Он отвечает на вопрос, что делать в долгосрочной перспективе.

На выходе получаются самые абстрактные идеи и решения — они вполне могут оказаться ложными, так же, как и якобы существующие связи между данными, которые обнаружила команда. Реализация решений data-inspired-подхода всегда связана с высокой степенью неопределенности и риском. Но это не игра вслепую, потому что команда разрабатывает стратегию не на пустом месте, а изучая рынок, тренды, предпочтения пользователей, а не только фантазирует на мозговых штурмах. 

Выходя на рынок и создавая подрывную инновацию, вы должны знать, что успех компании не будет измеряться теми же показателями, которые используют уже существующие крупные игроки. И если вы разрабатываете новый тип приложений или продукт, будет трудно понять, на какие данные смотреть и на какие показатели ориентироваться.

Des Traynor, Co-Founder & Chief Strategy Officer, Intercom

Выводы

  1. Data-driven-подход основан на четких количественных данных и помогает принимать ежедневные небольшие решения.
  2. Data-informed-подход основан на анализе данных и интуиции. Он помогает приоритизировать бэклог и планировать ближайшее будущее.
  3. Data-inspired-подход основан на анализе трендов и помогает создавать кардинально новые решения и работать на долгосрочную перспективу. Такие решения — самые рискованные.

Задать вопрос продакту