Data-Driven управление продуктом

За последнее десятилетие произошли значительные изменения в подходах к управлению продуктами. Все начиналось с написания пользовательских историй, которые подкреплялись обширными исследованиями клиентов, однако контроль над результатами был очень слабым. Успех продукта предполагал значительную дозу принятия желаемого за действительное и/или надежды на положительные результаты для бизнеса.

С ростом доступности данных и развитием инструментов аналитики в режиме реального времени менеджеры по продуктам теперь могут тестировать результаты на итеративной и регулярной основе.

То, что начиналось как надежда на положительные результаты в прошлом, теперь превратилось в достижение лучших результатов с помощью данных и экспериментов.

Методологии определения фич продукта перешли от функций, определяемых исключительно опытом, к возможностям, определяемым результатом:

• Опыт
  • Как <личность пользователя>,
  • Я хочу <быть в состоянии сделать что-то>
  • Чтобы <я получил определенную выгоду>.
• Опыт + Бизнес-результат + Стратегия данных после запуска
  • Как <пользовательская персона>,
  • Я хочу <быть в состоянии сделать что-то>
  • Чтобы <я получил определенную выгоду>.
  • Мы считаем, что <это возможность>
  • Приведет к этому <бизнес-результату>
  • Мы будем уверены, когда увидим <измеримый сигнал>.
• Опыт + бизнес-результат + Расширенная стратегия данных
  • Как <персона пользователя>,
  • Я хочу <быть в состоянии сделать что-то>
  • Чтобы <я получил определенную выгоду>.
  • Мы считаем, что <это возможность>
  • Приведет к этому <бизнес-результату>
  • Мы будем уверены, когда увидим <измеримый сигнал>.
  • Мы будем измерять и отслеживать этот <сигнал>.
  • С помощью инструментария этих <данных>
  • С помощью этой <системы экспериментов

Однако, как выяснили многие менеджеры по продуктам, проектирование с учетом пожеланий клиента, хотя и необходимо, но недостаточно для обеспечения положительного результата. Чтобы увеличить шансы на успех продукта, менеджерам по продуктам нужны данные.

Точнее, им нужны измеряемые сигналы - сигналы, которые можно получить только путем разработки передовой стратегии сбора, организации и анализа данных на этапе определения продукта.

Недавнее исследование, проведенное компанией Splunk, показало, что организации, которые уделяют стратегическое внимание данным и имеют продвинутую стратегию извлечения бизнес-ценности, увеличили свой доход на 83%. За последние 12 месяцев на 83% больше доходов и на 66% больше прибыли. Кроме того, 93% таких организаций считают, что они принимают более эффективные и быстрые решения. чем конкуренты. И 91% считают, что их организация находится в сильной позиции, чтобы конкурировать и преуспеть на своих рынках в течение следующих нескольких лет.

Мы считаем, что компании могут использовать основанные на данных продуктовые стратегии, которые ведут к дифференциации и конкурентным преимуществам. Для этого организации должны уметь быстро перестраиваться на основе полученных данных. экспериментов. Для достижения такого уровня мастерства и гибкости необходимо реализовать шесть инициатив:

1. Примите экспериментальную культуру.
2. Демократизируйте данные.
3. Практикуйте ответственный сбор данных.
4. Не путайте корреляцию с причинно-следственной связью.
5. Создайте маховик искусственного интеллекта.
6. Культивируйте менеджеров по продуктам, заточенных под Рост и Outbound.

Примите экспериментальную культуру

Если бы управление продуктами на основе данных имело мантру, то это была бы фраза "тестировать рано и поворачивать быстро". Неудачи - это неотъемлемая часть обучения и роста. Менеджеры продуктов не должны придумывать идеальную идею с первой попытки. Вместо этого их следует поощрять относиться ко всему как к эксперименту - быстро пробовать в коротких циклах "создать/измерить/обучиться".

Изменение культуры должно происходить на всех уровнях - от руководства до отдельных участников. Хорошая модель управления также чтобы добиться успеха.

Генеральный директор Amazon Джефф Безос считает экспериментальную культуру Amazon значительным стратегическим преимуществом и основной причиной того, что компания достигла 100 млрд. долл. продаж быстрее, чем любая другая компания

Экспериментальная культура требует от продакт менеджеров:

• Принять подход, основанный на гипотезах, который определяет Product roadmap, минимальный любимый продукт (MLP) и истории пользователей. Менеджеры по продукту определяют эти элементы на основе основополагающего бизнес-кейса. Тем не менее, данные, которые определяют базовые предположения и ожидаемые результаты для не всегда указываются. Менеджеры должны создать "экспериментальную базу", которая определяет, какие данные должны быть получены, как они будут обработаны, и какие наблюдения будут свидетельствовать об успехе.
• Избегайте предвзятости в экспериментальной схеме. Предвзятость может закрасться в эксперименты. Например, если исследование слишком теоретическое или слишком наводящее, можно начать с неверной гипотезы. Чтобы избежать этого, все гипотезы должны быть сформулированы как решения проблем клиента проблемы. Это означает, что менеджеры по продуктам должны описать обстоятельства проблемы клиента, саму проблему, и идею ее решения. Еще одним потенциальным источником предвзятости может возникнуть из-за создания кода на ранних стадиях процесса. Это может усилить предвзятость, поскольку люди стремятся защитить инвестиции в такие ресурсы. Чтобы избежать этого, электронные схемы или макеты дизайна могут быть протестированы в качестве прототипов с клиентами.
• Измеряйте фактические результаты с помощью систем и автоматизации чтобы избежать предвзятости. Данные должны быть инструментально обработаны везде, где это возможно, с использованием инструментов для автоматизации измерения фактических результатов.

Организациям не просто необходимо принять экспериментальную культуру, а это настоятельная необходимость чтобы они приняли экспериментальную культуру.

HADI Цикл: Гипотезы-Тесты-Данные-Анализ-Знания

Для Data-Driven лидеров Роста, наш канал в Telegram: VP of sales.

Демократизируйте данные

Экспериментальная культура опирается на демократизацию данных, то есть каждый имеет доступ к данным, необходимым для принятия решений. Каждый сотрудник организации должны понимать и ценить данные.

Отдайте данные в руки человека, который ближе всего к бизнесу.

Управление данными необходимо для демократизации данных. Руководство следит за тем, как данные собираются, аннотируются и к ним предоставляется доступ. Ведущие компании часто добиваются этого путем создания центра передового опыта по управлению данными или назначением главного директора по данным, главного директора по цифровым технологиям или главного руководителя по продуктам данных.

Аналогичным образом, стратегия организации в области данных должна выходить за рамки разработкой продукта. Успешные менеджеры продуктов, управляемых данными измеряют и анализируют использование продукта для определения оптимальных предложений, лицензирования и стратегий продукта. Эти данные могут также помочь службам поддержки клиентов, цепочки поставок и производства улучшить их производительность и показатели.

Качество данных - еще один важный момент в процессе демократизации. Многие менеджеры по продуктам уделяют определенное внимание качеству данных, но зачастую этого недостаточно. Качество данных должно развиваться постоянно, путем постоянного, итеративного улучшения. Данные метрики качества данных должны распространяться по всей организации, чтобы обеспечить прозрачность и высокий уровень доверия.

Демократизация данных обеспечивает доступ к многочисленным источникам данных. В большинстве организаций имеется большое количество темных данных, генерируемых системными журналами - как правило, неструктурированных, немаркированных и неиспользуемых.

Записи звонков, которые валяются в облаке провайдера телефонии или в вашей CRM тоже являются неструктурированными и неиспользуемыми. Такие инструменты, как SalesAI позволяют переработать этот цифровой мусор в актив, который создает ценные данные и метаданные и позволяет компании расти на 30% быстрее.

Сбор данных ради сбора данных - это неправильно. Мы должны быть очень внимательны к данным и внимательны к тому, как вы демократизируете эти данные.

В процессе демократизации данных аналитика самообслуживания имеет решающее значение. Правильный набор инструментов может соединить разрозненные данные и сделать их доступными. Эти инструменты должны быть настроены с помощью фильтров и аналитики, основанной на том, кто получает доступ к данным. Наконец, в действительно управляемой данными организации каждый должен быть обучен основным концепциям данных, аналитики и инструментам, необходимым для доступа к этой информации.

90% данных в вашей CRM можно выбросить на помойку

Практикуйте ответственный сбор данных

Критическим элементом при сборе данных является ценность в обмен на конфиденциальность. Например, сбор информации о местоположении только для рекламных целей не является идеальным.

Однако если эта информация используется для того, чтобы помочь пользователю поставить географическую метку в твите, получить наиболее релевантные твиты для клиента в данном месте, или использовать эту информация о местоположении для автоматической маркировки фотографий, сделанных с помощью фотоаппарата, то в этом случае для конечного пользователя создается ценность.

Продукт менеджеры могут практиковать ответственный сбор данных, следуя этим рекомендациям:

• Получите ясность относительно приверженности организации обеспечению конфиденциальности и безопасности данных клиентов.
• Максимально анонимизировать данные и понимать компромиссы.
• Четко обосновать, зачем собираются какие-либо данные.
• Предоставьте четкое обоснование того, почему отдача стоит риска.
• Понимать меры безопасности и конфиденциальности с точки зрения политики и правил, действующих для защиты данных клиентов.
• Встроить адекватные средства контроля, чтобы пользователь мог управлять объемом данных, которыми он хочет поделиться.
• Предоставьте информацию об источнике и достоверности собранных данных, а также о том, как организация планирует их использовать.
• Используйте инструменты, которые могут помочь анонимизировать данные на ранних этапах анализа; это очень важно в современной регулируемой среде с правилами, защищающими конфиденциальность данных. среды с правилами, защищающими конфиденциальность и секретность данных.

Целью должно быть не просто извлечение прибыли из данных, но и создание ценности для клиентов.

Основные преимущества управления данными

Не путайте корреляцию с причинно-следственной связью

Благодаря демократизации данных менеджер по продукту может применять данные к каждому вопросу и решению для стратегии продукта и разработки. Однако менеджеры по продукту должны быть очень осторожны отделять корреляцию от причинно-следственной связи. В статистике корреляция говорит нам о том, насколько сильно связана пара переменных и как они изменяются вместе. Причинно-следственная связь идет дальше и утверждает, что любое изменение значения одной переменной вызовет изменение значение другой переменной.

Например, корреляцией может быть увеличение использования новой функциональности "x" с увеличением удержания пользователей. На сайте менеджер продукта может предсказать причинно-следственную связь и создать основную гипотезу - "Улучшение вовлеченности пользователей с помощью функции "x" напрямую повлияет на конверсию" - но затем он должен ее проверить.

Данные не всегда равны пониманию. То, что вы не можете проверить, не является фактом, а то, что вы проверяете, не делает это фактом.

Чтобы свести к минимуму путаницу, менеджеры должны убедиться, что нулевая гипотеза - в данном случае, утверждение о том, что "нет никакой взаимосвязи между функцией "x" и конверсией" - может быть опровергнута со статистической значимостью до проверки основной гипотезы.

Метрики продаж, которые отслеживают высокопродуктивные команды

Создайте маховик искусственного интеллекта

Продукт менеджер будущего будет полагаться на искусственный интеллект (ИИ), а также на данные. Менеджер продукта, управляемый ИИ, знает, какие данные собираются, и планирует базовый слой вместе с основной инфраструктурой для создания "маховика" ИИ. Маховик работает на импульсе, создаваемом структурированными и неструктурированными данными из внутренних и внешних источников в сочетании с многочисленными алгоритмами машинного обучения. Целое экспоненциально больше, чем сумма его частей. В большинстве компаний инициативы в области ИИ не интегрированы, но обмен моделями ИИ и машинного обучения между командами может помочь создать эффект маховика. Конечно, это зависит не только от усилий менеджеров по продукту, но и от усилий инженеров по данным, специалистов по анализу данных и инженеров DevOps.

Эффективная операционная модель и управление также имеют решающее значение, поскольку поддержание искусственного интеллекта требует определенных затрат. Таким образом, разумное управление маховиком искусственного интеллекта означает консолидацию сценариев использования, где это возможно, и разумный выбор данных; например, повторное использование существующих сценариев как можно чаще и творческий подход к данным из "неожиданных источников". Короче говоря: всегда создавайте модели, которые соответствуют цели и поставленной задаче.

Хотя больше данных и сложные ML могут быть эффективными для решения проблем, вы хотите инвестировать время и усилия в более сложные модели только там, где риск и вознаграждение выше.

Пора переходить к стратегиям роста, ориентированным на клиента

Культивируйте Продукт менеджеров, заточенных под Рост или Outbound

Менеджеры по продуктам обычно отвечают за достижение бизнес-результатов от конкретного продукта или портфеля продуктов с течением времени. Однако демократизация данных и маховик ИИ также требуют управления и измерения краткосрочных показателей роста в рамках всей организации.

Это привело к появлению менеджера по продуктам роста (иногда его также называют "менеджером по исходящим продуктам"). Эти специалисты обычно фокусируются на росте трафика, пользователей, вовлеченности или других элементов для достижения краткосрочных результатов. Они часто владеют стратегией роста и планами по оптимизации доходов для поддержки нескольких продуктов в организации.

Менеджер по росту продукта определяет ключевые показатели роста для продукта - например, приобретение пользователей, продление, конверсия, или сокращение числа откликов, и регулярно анализирует тенденции роста с помощью данных, публикуемых в таких инструментах, как Adobe Analytics или Google Analytics. Другие менеджеры по продукту затем используют эти данные для улучшения пользовательского опыта продукта.

Менеджер по росту продукта должен поддерживать продукт-менеджера в обеспечении того, чтобы краткосрочные показатели развивались в правильном направлении. Основное внимание должно быть направлено на понимание потребителя и решение правильных проблем в области продукта.

Если не установить надлежащие ограждения, мы можем попасть в ситуацию краткосрочного роста. Увеличение числа клиентов с помощью "хакинга роста" не является устойчивым, но если делать правильные вещи для клиентов, это даст лучшие результаты в долгосрочной перспективе.

Управление продуктами на основе данных набирает обороты отчасти потому, что во многих компаниях работают отличные менеджеры по продуктам, которые хотят обеспечить успешный запуск продукта с результатами, имеющими тенденцию в правильном направлении.

Применение данных на каждом этапе разработки, продвижения и продажи продукта, полученных с помощью современных инструментов с использованием AI/ML под капотом, таких как SalesAI, приведет к более успешному запуску продукта, более счастливым клиентам и прибыльному росту всей компании.