为什么数据是建立学习的公司的关键 “产品人士 - 产品经理,产品设计师,UX设计师,UX研究人员,商业分析师,开发商,制造商和企业家 2019年4月4日 True 数据分析,知识,指标,北星度量,产品管理,产品管理技能, 介意产品必威体育 2025. 产品管理 8.1

为什么数据是建立学习的公司的关键

通过ON

Facing uncertainty is a company’s biggest challenge. It doesn’t matter whether you’re in a startup or an established company, when you start work on a product, you need to validate your problem, your solution, and find your market. When you scale, uncertainty arises in the form of change – your market changes, your users’ needs change, and your organization changes. With that in mind, the most decisive tool you have when facing uncertainty is knowledge. Some companies rely on instinct and opinions to make decisions, but this article focuses on knowledge as a decision-making model.

数据/信息/知识悖论(从Dikw金字塔

  • Data:数据是您的用户,您的市场或产品的反馈。它可以是冗长的电子表格(定量)或与用户(定性)的一对一面试。数据是An.输入,因此没有真正的价值本身,它告诉你正在发生的事情。
  • Information:information is the输出数据,分析后。因此,数据分析的目标是找出为什么发生某些事情。信息只是分析师了解数据的能力 - 或UX研究人员同情的能力。从这个意义上讲,数据到信息的差距是技术性的。定量数据成为数据掌握手中的信息。定性数据需要方法和同理心。
  • Knowledge: knowledge is the结果数据的。知识仅在其收件人消化和接受信息时出现。不幸的是 - 尽管无法驳斥数据 - 信息几乎总是开放怀疑。并且,如果可以怀疑信息,那么它取决于接受或不接受信息的主题。因此,信息到知识信息的差距必须是文化的。
参与人 需要技能
Data What is happening? 个人 技术
Information 为什么会发生? 个人/团队 分析
Knowledge 我们学到了什么? 团队/公司 Organizational

Going From Data to Information: the Learning Curve

专业人士将他们的职业生涯完善他们的专业知识如何从数据中提取信息。数据分析师具有软件和查询以按比例对待数据。UX研究人员依靠同理心和方法来了解用户心理学。数据或用户研究通常被认为是需要高度专业化的工作。

However, most people don’t need to achieve perfection to manipulate data. In fact, more and more tools come out every year to bring data in the hands of the data newbies, making it less complicated. User friendly data platforms are making the technical challenge increasingly achievable.

然而,了解如何使用工具,只是只有等式的一部分,您还需要知道要做什么。从数据到信息的不确定性可以有多种形式:

问题
Data collection 我应该收集哪些数据?
我该如何收集它?
我的数据是可靠的吗?
数据分析 我衡量了什么?
我监控多少个指标?
How can I be sure that this data means that?

如前所述,有些人花了他们的职业生涯。了解如何逮捕原始数据或如何在分析中选择最佳图表需要时间。如果您是贵公司的数据娴熟,则这是培训的地方,记录工具如何工作,演示和依此类推。必威体育

从信息到知识

Extracting information from data often means one person doing the analysis and coming up with results. Going from information to knowledge, however, involves other people – potentially many. It is exactly because other humans are involved at this stage that we now have to look at company culture:

  • 组织性的cause information to travel towards the top, and rarely across departments. Not everybody gets the same access to information (unfortunately, as we’ll see, diversity of thought is key).
  • Managerial layers distort the information as it travels upwards: the decision made at the top can end up being very far from what was intended in the beginning.
  • 仅仅因为你已经进行了分析,并不意味着贵公司的人会听到它。公司经常遭受confirmation bias,特别是当信息挑战被接受的意见时。

下面的模型为您的努力成功提供了一种方法。目前,我们可以看到,如果从数据到信息需要专业知识,从信息依赖于公司文化。因此paradox: a company that leverages data needs to work on its culture.

数据治理的分散模型

从数据到知识信息的流动自然地将来自个人的流量镜像到整个团队中。因此,要构建数据模型,您需要满足三个级别 - 公司,产品和个人。

Company Level

建立数据治理模型时最常见的错误之一是过度工程师并测量所有内容。建立任何类型的治理深刻迭代。你应该开始缩小并继续你的方式。不是一切都需要衡量。事实上,太多的噪音可能比没有数据更糟糕。首先衡量最重要的事情:你的北星公制(NSM)。

什么是北星公制?

It’s the one metric that measures your company’s impact (Amplitude wrotea great article在此)。如果有人问你公司如何成功实现其使命,你会怎么样?对于一些,它可以是一个收入度量,其他值是值的,但它永远不是收集度量(即每月注册)。

你的北方明星应该是

自动 It can be accessed in minutes at any point in time.
Actionable Our actions have a measurable impact on it.
相对 您可以将其与竞争对手进行比较。
基本 It is directly linked to your product’s value proposition.

Let’s take a for instance, Medium’s NSM: Time spent reading.

  • 自动:总时间花费读数是可以轻松显示的东西,可以由任何人访问。
  • Actionable: When you see total time spent reading, you very quickly see what to improve. You either have to increase the number of people reading, or the number of people writing. It makes growth very explicit.
  • 相对:每周/月/年可以测量总时间花费,并以群组测量,以跟踪进化。它也可以与其他博客平台进行比较。
  • 基本:总时间阅读是烤into Medium’s value proposition.
为什么需要宏观度量

致电IT North Star Metric,如果您不喜欢流行语,请致电IT公司目标,重要的是宏指标为表带来了什么:

  • 团队经常有不同的目标。但是,当您集体定义北星度量标准时,您可以创建一个共同目标,自然对齐所有团队并超越孤岛。
  • 当您定义北星级度量标准时,团队了解他们在更大的画面中扮演的角色,更容易理解公司的整体目的。
  • 当团队同步时,他们了解他们如何帮助公司的使命,有更多的信任和增加的自主权。

产品/团队等级:漏斗方法

一旦您设置了宏目标,您就可以在提出该度量方面播放您的部件。当您查看媒体的北星级指标时,您可以看到团队在增加读取的总时间时如何发挥作用。

  • 您可以增加平台上的流量。
  • 您可以转换工作。
  • You can get more of the same readers to come back.
  • You can work on how users share content.
  • 您可以致力于获得更多用户订立的定价。

任何这些行动都将最终增加北星公制:读取总时间。这正是AARRR框架的全部内容。

  • 收购:你如何获得更多用户?
  • 激活: How do you get more users engaged?
  • 保留:你如何让用户回来?
  • Referral:您如何让用户自己带来更多用户?
  • 收入: How do you monetize? (if you monetize)

Of course, these are macro questions, they’re an abstraction of what happens in the field. However, they are key in changing the way a company approaches growth. In answering the question “how do you get more users engaged?”, you come up with hypotheses. Some hypotheses may have a high degree of uncertainty, some have a high impact on your metric, others little impact.

This is where data, information and knowledge come into play. You start with a set of questions. For each question, you come up with hypotheses. You experiment, gather the data, analyze it, and find an answer to your assumptions. With the new set of information, you come up with new hypotheses, try them out, learn from them, and so on. You go from work based on opinions to work based on hypotheses. And, it is in the process of solving hypotheses that people, teams, and the company learns. Growth becomes highly predicated on knowledge, and faster growth means faster experiments.

个人水平

Of course, coming up with hypotheses isn’t as straightforward as saying that it comes from data analysis. If you put 10 very similar people in front of the same piece of data, it’s likely that you’ll have 10 very similar hypotheses. Coming up with ideas requires diversity of thought, andRoss Ashby’s law of requisite variety可能是这种多样性需求的最佳例子。信息不是应该留给公司数据专家和高管的那些事情之一。事实上,人们越多参与了对假设的识别和测试,您的结果越富裕,您将更快地学习。简单地说,您作为公司学习的能力是由参与实验过程的人数的数量和范围决定。

那么,什么是多样性的想法?简单地说,公司中的个人可以从不同的角度来解决问题。它可以来自人们的多样性 - 让人们来自不同的性别和背景。它还来自专业知识的多样性 - 在由不同专业知识(特征团队,小队等)制成的团队中。它也可以从职业生涯中涉及不同阶段的人们,例如将初级员工与更多的高级员工一起带来。将相同组数据集放在各种组面前,您将收集丰富和富有洞察力的假设如何实现如何实现影响。

How do you Encourage People to get Interested in Data?

最大的挑战是技术性的。学习曲线非常平坦,可以令人沮丧。您选择构建数据堆栈的工具是数据可访问性的决定因子。因此,诸如幅度,MixPanel等的用户友好的数据平台可以在使个人更容易跳过船上的情况下起着重要作用。这些工具也可以是非常有用的游乐场,以让个人对更难的东西感兴趣。

Failing the use of simple tools, you can document techniques, tools, or processes, as well as offer to organize group training on different topics. Give open access to the raw data and document its structure. Also, encourage people to ask questions about the data, and improve your documentation accordingly.

结论

也许让人们对数据感兴趣的最困难的部分,使他们能够在第一次尝试。如果你必须记得这篇文章的一点是它不是关于数据的,这是关于学习:在团队层面上的个人级别学习,并作为公司。但是,认为个人想在公司中学学意味着他们对他们所做的事情感到兴奋。好奇心来自掌握贵公司的宗旨,遵守其文化,不能被迫迫使人们。如果您尝试了以上的所有内容,人们对数据不感兴趣,因此不是因为数据的无聊,这是因为贵公司。