ساخت یک فرهنگ داده بهتر برای تیم شما
تیم متابیس
- چرا فرهنگ داده مهم است
- چگونه درک داده را از ثانویه به اولیه تغییر دهیم
- مسیری از داده «۰» به داده زیاد
- چگونه از غرق شدن در داده جلوگیری کنیم
این یک گزیده خلاصه شده از گفتگو با TJ Muehleman، بنیانگذار در Standard Co، و Krishnan Raghupathi، مدیر محصول در Clockwise در مورد بهترین راهها برای ساخت یک فرهنگ متمرکز بر داده در یک سازمان است.
موضوعات بحث شده
- چرا فرهنگ داده مهم است
- چگونه درک داده را از ثانویه به اولیه تغییر دهیم
- مسیری از داده «۰» به داده زیاد
- چگونه از غرق شدن در داده جلوگیری کنیم
نکات کلیدی
- اگر داده را اولویت قرار دهید و از مشتریان بخواهید تصمیمات خود را با داده پشتیبانی کنند، فرهنگ مبتنی بر داده بسیار سریع ساخته میشود.
- میتوانید یک فرهنگ داده را با دنبال کردن چارچوب تجربه داده بسازید. قبل از شروع فکر کردن در مورد چه دادهای جمعآوری کنید و چگونه، درک کنید که به کدام سوالات میخواهید پاسخ دهید.
- هنگام گفتن یک داستان داده، همیشه مخاطب خود را در نظر داشته باشید.
مهمانان ما
Krishnan: نام من Krishnan Raghupathi است، من یک مدیر محصول در اینجا در Clockwise هستم. من برخی از ابتکارات رشد جدیدتر ما را دارم و PM برای پلتفرم داده ما هستم جایی که اطمینان حاصل میکنم هر بخشی از شرکت دادهای که برای مؤثر بودن نیاز دارد را دارد.
TJ: نام من TJ Muehleman است، من بنیانگذار و مدیرعامل در Standard Co هستم. ما یک پلتفرم داده هستیم و عمدتاً با سازمانهای بهداشت جهانی در سراسر آفریقا و آسیای جنوبی کار میکنیم. ما به آنها کمک میکنیم تا داده را جمعآوری، تمیز و دستکاری کنند تا بتوانیم آن را به یک پلتفرم BI تغذیه کنیم تا در واقع تحلیل انجام دهیم و داشبورد بسازیم. من بیش از ۲۰ سال است که سیستمهای داده میسازم.
چرا فرهنگ داده مهم است
Maz (Metabase): خوب، برای شروع، بیایید با صحبت در مورد اینکه چرا فرهنگ داده مهم است شروع کنیم.
TJ: من همیشه نوعی فرد بسیار متمرکز بر داده بودهام و پیشینه مهندسی نرمافزار دارم. با این حال، وقتی از قلمرو مهندسی خارج میشوید — افراد زیادی را میبینید که با داده واکنشیتر هستند، به این معنی که بر اساس احساس درونی خود تصمیم میگیرند. به همین دلیل است که آنچه که من در ۱۰ سال گذشته روی آن تمرکز کردهام این است: چگونه یک فرهنگ داده را پیادهسازی کنیم؟ چگونه شروع به استفاده از داده برای هدایت تصمیمات خود کنیم؟
یک مثال خوب مشتری ما از نیکاراگوئه است که چاههای آب میسازد. آنها قبلاً بر اساس پیشنهاداتی که کسی به آنها گفته بود چاه آب حفر میکردند. در بسیاری از موارد، خوب کار میکرد، اما بهینهسازی آنها وجود نداشت. ما به آنها کمک کردیم تا یک چارچوب مبتنی بر داده پیادهسازی کنند، با در نظر گرفتن اینکه جمعیت کجا به آب نیاز داشت و کجا تمیز بود تا از درمان ضعیف آب جلوگیری شود.
Krishnan: من چیزی بسیار مشابه آن دارم. من همیشه یک فرد داده نبودم. یک لحظه «آها» در طول کارم در مایکروسافت داشتم. ما یک ویژگی جدید راهاندازی کردیم و یکی از مربیان PM من کل تیم خود را برای ۹۰ دقیقه در یک اتاق جمع کرد. او از همه در اتاق خواست که به داشبورد نگاه کنند و فقط یک سوال بپرسند که بیشترین بینش را در مورد آن راهاندازی به ارمغان میآورد. در آن ۹۰ دقیقه، تعداد بینشهایی که توانستیم به دست آوریم، و سطح فرآیند تصمیمگیری آگاهانه، فقط چشم من را باز کرد. در بسیاری از جلسات مانند این، ما به داده در زمان واقعی میپرداختیم و بینشهای زیادی به دست میآوردیم. آن لحظه «آها» من بود و از آن زمان به دنبال یک چارچوب برای پیادهسازی فرهنگ مبتنی بر داده در داخل تیمها بودهام.
TJ: مشتریان به داده زمان واقعی به عنوان نوعی جادو نگاه میکنند. اما نیست — فقط باید در مورد آن متفکر و پیشفعال باشید. وقتی در مورد تنظیم صحنه برای چند سال آینده فکر میکنید، باید در جاده در مورد نحوه به دست آوردن مزیت از داده خود فکر کنید.
من فکر میکنم مهم است که بدانید چه دادهای نیاز دارید تا بتوانید وقتی زمان فرا رسید شروع به تصمیمگیری کنید. یک مثال خوب گرفتن داده، استیج کردن آن، تمیز کردن آن و اطمینان از اینکه برای استفاده شما در ابزار BI آماده است. به این ترتیب وقتی از شما یک سوال خاص پرسیده میشود — همه ابزارها را برای پیدا کردن پاسخ به آن دارید. با همه ابزارهای موجود، میتوانید به سوالات پیچیده در عرض چند دقیقه پاسخ دهید.
Krishnan: از دیدگاه استراتژیک، تعامل با داده اغلب مدل ذهنی شما از نحوه کار جهان را اطلاع میدهد. هر چه بیشتر داده مصرف کنید، هر چه بیشتر در داده غوطهور شوید — بیشتر میتوانید تصمیم بگیرید که آیا چیزی یک ناهنجاری است یا اینکه باید به آن به طور پیشفعال واکنش نشان دهید.
چگونه درک داده را از ثانویه به اولیه تغییر دهیم
Maz (Metabase): چگونه میتوانیم درک داده را از یک منبع «ثانویه» حقیقت به یک منبع «اولیه» حقیقت تغییر دهیم؟
Krishnan: یکی از چیزها در جهان توسعه محصول تأکید بر کارایی است: چگونه میتوانید یک محصول را سریعتر به کاربران برسانید؟ چگونه میتوانید حداکثر ارزش را در کوتاهترین زمان اضافه کنید؟ یکی از چیزهایی که به رانندگی این کارایی کمک میکند قالبها و فرآیندها هستند. و برای داده مشابه است. یکی از نشانههای درک داده به عنوان یک منبع اولیه اطمینان از اینکه قبل از شروع فرآیند توسعه محصول در جای خود است. فقط آن یک چیز ساده در تغییر ذهنیت از «ما برخی داده داریم و در برخی موارد از آن استفاده خواهیم کرد» به «داده یک چیز اولیه است که باید قبل از شروع کار روی یک ویژگی جدید به آن نگاه کنیم» بسیار قدرتمند است.
یک چیز که بسیار مفید یافتم ساخت یک عادت برای پشتیبانی از هر ایده با داده است. با این گفته، اگر کسی سوالی بپرسد — همیشه ایده خوبی است که به داده بپردازید و پاسخ آن را پیدا کنید.
TJ: همانطور که با سازمانهای واقعاً بزرگ کار میکنیم، مشاهده میکنیم که سواد داده آنها در زمان اخیر در حال ظهور است. راهی که ما ایده دادهمحور بودن را به آنها فروختیم نمایش سودمندی یک پلتفرم داده بود. ما با ساخت MVPهای داده کوچک برای آنها و نشان دادن اینکه چگونه میتوانند از آن بهرهمند شوند شروع کردیم. سه سال پیش این سازمانها بسیار مقاوم در برابر انتشار داده و شفافتر کردن آن بودند. وقتی شروع به دیدن اینکه چقدر سوالات کمتری در مورد داده دریافت میکنند و چگونه کارکنان آنها میتوانند خودخدمت باشند — ناگهان شروع به علاقهمند شدن به گسترش پوشش داده خود کردند.
باید مفهوم اینکه چرا داده مهم است را نمایش دهید. و آنچه که ما یافتهایم دوباره این است که نمایش سودمندی از طریق استقرارهای کوچک در تغییر ذهنیت در مورد داده واقعاً تحولآفرین بوده است.
Krishnan: بله، من اضافه میکنم که هر زمان که سوال را دریافت میکنید و پاسخ فوری را نمیدانید — باید در ذهن خود فکر کنید: «چه دادهای به من کمک میکند تا آن را تصمیم بگیرم؟». وقتی این نوع سوالات شروع به خودکار ظاهر شدن میکنند — بلافاصله به ساخت یک فرهنگ داده کمک میکند.
«وقتی کسی به شما میگوید «نمیدانم چه کار کنم» — این فرصتی برای شما است که به دنبال نوع داده موجود برای خود باشید.»
مسیری از داده «۰» به داده زیاد
Maz (Metabase): چگونه میتوان از حالت صفر داده به داده زیاد رفت؟
TJ: پس از کار با سازمانهای بسیار زیاد، ما به یک چارچوب تجربه داده رسیدیم. ما آن را به عنوان یک اصطلاح مشابه تجربه مشتری یا تجربه کاربر در نظر میگیریم.
این در مورد برداشتن یک قدم به عقب از سوال «چه دادهای نیاز داریم؟» به سوال «چه سوالاتی داریم؟» است. بنابراین اساساً نتیجهای که به دنبال آن هستید چیست؟ اگر ۷۵ سوال دارید — باید آنها را تا حد امکان ساده کنید و همیشه میتوانید از آنجا رشد کنید. فقط پس از آن میتوانید شروع به فکر کردن در مورد جمعآوری داده کنید.
برخی سوالات برای پرسیدن پس از تعریف سوالات اصلی:
- چگونه میخواهید داده را جمعآوری کنید؟
- چه ابزارهایی میخواهید برای جمعآوری آن استفاده کنید؟
- آیا داده را از یک منبع اولیه یا ثانویه جمعآوری میکنید؟
- آیا نیاز به تمیز کردن آن داده دارید؟
- آیا به مهندسان داده نیاز دارید؟
- آیا به تحلیلگران داده برای ارائه داده نیاز دارید؟
- آخر اما نه کماهمیت — چگونه داستان را میگویید؟
این به مفهوم تجربه کاربر و تجربه مشتری برمیگردد. همه چیز در مورد داستانگویی است، حتی در بهداشت جهانی. باید هم در روایت و هم در تجسم قانعکننده باشید تا به مشتریان کمک کنید به سرعت درک کنند که چیزی در حال رخ دادن است و ارزش توجه آنها را دارد.
Krishnan: این یک چارچوب عالی است، من فقط تجربیات خود را به چارچوب شما اضافه میکنم زیرا این فرآیند دقیق را بارها و بارها دیدهام.
همه چیز با اهداف شروع میشود. اگر در تیم اجرایی هستید، سعی میکنید سوالات اساسی مانند اینکه مشتریان من از کجا میآیند، درآمد من چگونه است، نرخ ریزش من چگونه است را بفهمید، و آنها سوالات اساسی هستند که میخواهید پاسخ دهید. برای تیم فروش میتواند باشد: سرنخهای ما چه کسانی هستند؟ چه کسی بیشتر به محصول ما علاقهمند است؟ کجا میتوانم مؤثرترین فروش را انجام دهم؟ برای بازاریابی، کدام کانالها مؤثرتر هستند؟ برای موفقیت مشتری، چه کسی از محصول استفاده میکند؟
مهم نیست که بخش چیست، سوالات سوزان سطح بالا در ذهن آنها وجود دارد. بنابراین اول مهم است که آنها را روی کاغذ بیاورید. سپس اهداف و نتایجی که میخواهید رانندگی کنید را درک کنید و سپس داده اولیهای که برای پاسخ نیاز دارید را داشته باشید. این یک نقطه شروع عالی برای تغییر از حالت «۰» به «۱۰٪» است.
مشکلی که اغلب بعد از آن به وجود میآید سواد داده است. به عنوان مثال، یک داشبورد وجود دارد که به شما اطلاعاتی میگوید — اما با آن چه کار میکنید؟ چگونه این اطلاعات را برش و تکهتکه میکنید تا بینشهای مفیدتر به دست آورید؟ این به برخی تخصص تحلیل داده نیاز دارد تا بفهمید چگونه متریکهای خود را میسازید، چگونه آن را خلاصه و گروهبندی میکنید و غیره.
وقتی به آن رسیدید، آخرین بیت داستانگویی است — و این قطعهای است که ضعیفترین دیدهام. بنابراین در برخی موارد شما به داشتن داده زیاد میرسید و سپس ناگهان راهی برای کنار هم گذاشتن آن برای گفتن داستان با آن ندارید.
TJ: ما در گفتن داستان بسیار خوب شدهایم زیرا در برخی موارد تمرکز اصلی خود را روی سادگی قرار دادیم. بارها و بارها داشبوردهایی دیدهام که خواندن آنها بسیار سخت است — این به این دلیل است که برای مخاطب علمی ساخته شدهاند تا یک مخاطب گستردهتر. همیشه باید از خود بپرسید: چه کسی داده را مصرف میکند؟ یک تست ساده وجود دارد که من آن را «تست مامان» مینامم: آیا میتوانم داشبورد را به مادرم نشان دهم و مطمئن باشم که آن را درک میکند؟ البته، اگر چیزی برای دانشمندان یا آمارشناسان میسازم — میتوانم پیچیدهتر بروم. همیشه در مورد درک مخاطب شما است.
چگونه از غرق شدن در داده جلوگیری کنیم
Krishnan: بهترین تمثیلی که میتوانم فکر کنم رفتن به فرودگاه است. وقتی به فرودگاه میروید، نوعی گم شدهاید: مشتریان در همه جهات میدوند، علائم مختلف در همه جا. و اگر یک فرآیند محافظ سختگیرانه نداشته باشید که باید ابتدا چکاین کنید، سپس چمدانهای خود را رها کنید، سپس به بررسی امنیتی بروید، به گیت خود برسید — میتوانید به راحتی گم شوید.
وقتی داده زیاد دارید همین است. نیاز به راهنمایی در مورد اینکه ابتدا کجا نگاه کنید دارید. این میتواند مجموعهای از داشبوردهای بسیار انتخاب شده و تمیز شده باشد که میتوانید بروید و ۸۰٪ از سوالات خود را پاسخ دهید. از آنجا میتوانید عمیقتر بروید و بیشتر در مورد سوال خاص یاد بگیرید.
اگر در برخی موارد به دیواری برخورد کنید که نمیتوانید به یک سوال پاسخ دهید — این یا یک شکاف در داده است، یا یک شکاف در دانش شما. اگر شکافی در داده وجود دارد، میتوانید آن درخواست را به یک تیم داده هدایت کنید. و اگر شکافی در دانش شما است، باید ببینید آیا آموزشها یا منابعی برای کمک به شما در فهمیدن مراحل بعدی در دسترس هستند.
بنابراین اولین قدم وقتی یک سوال داده دارید این است «آیا میدانید کجا بروید تا پاسخ پیدا کنید؟» اگر پاسخ منفی است — پس باید بروید و داده خود را سازماندهی کنید.
TJ: من به آن اضافه میکنم که گاهی اوقات فقط نیاز ندارید که همه داده را داشته باشید. ما یک مشتری داشتیم که یک فایل با ۴۰۰ ستون برای ما میفرستاد. و وقتی پرسیدم که آیا از همه آنها استفاده میکنند — معلوم شد که فقط از ۶ مورد استفاده میکنند. داشتن کسی که داده را انتخاب میکند مهم است. متابیس واقعاً با مجموعههای تأیید شده آن را میکشد. به ما میگوید که این مجموعه خاص تأیید شده و شامل داده واقعی است و این مجموعههای دیگر ممکن است تجربی باشند و لزوماً قابل اعتماد نباشند. این واقعاً در هدایت مصرفکنندگان نهایی داده به دادهای که میتوانند روی آن تکیه کنند کمک میکند.
یک داشبورد فروش بسازید که تیم شما واقعاً استفاده کند. ۱۰ متریک کلیدی، نکات و یک مثال زنده در متابیس را ببینید.
تحلیلهای جاسازیشده به معنای دادن دسترسی به کاربران شما به نمودارها، متریکها و گزارشها مستقیماً در داخل محصول شما است، تا بتوانند دادههای خود را کاوش کنند و بر اساس آن عمل کنند بدون اینکه نیاز به ترک برنامه شما داشته باشند یا برای پاسخ به شخص دیگری تکیه کنند.