حفظ تردید سالم نسبت به داده‌هایتان

اگر کسی نیستید که روزهایش را در عمق داده‌ها سپری می‌کند، ممکن است به راحتی تحت این فرض عمل کنید که آن اعدادی که روی یک نمودار یا داشبوردها می‌بینید بی‌خطا هستند و هرگز شما را گمراه نمی‌کنند. هرچه بیشتر با آن داده‌ها آشنا شوید، متوجه خواهید شد که این همیشه درست نیست. در واقع، ما فکر می‌کنیم که کمی تردید داشتن نسبت به آن اعداد ایده خوبی است.

ما قطعاً به شما نمی‌گوییم که واقعیت‌ها را کنار بگذارید، اما همه می‌دانیم که داده‌ها می‌توانند گمراه‌کننده باشند، حاوی خطا باشند و سوگیری‌ها را منعکس کنند. آنچه مهم است این است که به جایی برسید که به اندازه کافی با داده‌هایتان راحت باشید تا بدانید چه زمانی چیزی به نظر اشتباه می‌رسد، و بدانید که وقتی این اتفاق می‌افتد چگونه واکنش نشان دهید.

خونسردی خود را هنگام نوسان داده‌ها حفظ کنید

همانطور که شرکت شما رشد می‌کند، مخاطبان مختلفی را هدف قرار می‌دهید، ویژگی‌های جدید را آزمایش می‌کنید و اولویت‌ها را تنظیم می‌کنید، و لحظات وحشت‌آوری خواهید داشت که داده‌ها — ثبت‌نام مشتریان، حفظ مشتری، پیش‌بینی‌های درآمد، یا متریک دیگری — چیزی را به شما نشان می‌دهند که انتظار دیدنش را نداشتید.

سعی کنید در مورد آن افت‌ها و افزایش‌ها خونسردی خود را حفظ کنید. البته، می‌خواهید به محض امکان به سیگنال‌ها پاسخ دهید و در صورت لزوم مسیر را اصلاح کنید، اما واکنش شدید به هر تغییر جزئی راهی برای تصمیم‌گیری نیست. از خود این سوالات را بپرسید:

1. آیا چیزی در خط لوله داده واقعاً خراب است، مانند مشکل خط سیر یا خطای منطقه زمانی؟
2. آیا مشکل شما مربوط به تفسیر است؟ شاید نمودار را اشتباه خوانده یا تفسیر کرده‌اید، و آن افزایش در واقع به معنای آنچه فکر می‌کنید نیست. در نظر بگیرید که متریک‌های مرتبط را بررسی یا ایجاد کنید که بتوانند آن اعداد را از دیدگاه دیگری قاب‌بندی کنند.
3. آیا این واقعاً فقط یک نتیجه غیرمنتظره است؟

نتایج واقعاً تعجب‌آور رخ می‌دهند، اما ایده خوبی است که داده‌های زیربنایی را قبل از تغییر مسیر تأیید کنید. آن واکنش منطقی حتی زمانی که اعداد به طور مشکوکی عالی به نظر می‌رسند، مهم‌تر است، بنابراین بر اساس اعداد به تنهایی راضی نشوید. و برای شرکت‌های کوچکتری که تازه شروع کرده‌اند، بدانید که داده‌های شما با گذشت زمان قابل اعتمادتر می‌شوند، همانطور که داده‌های بیشتری جمع‌آوری می‌کنید، نحوه ثبت اطلاعات را بهبود می‌بخشید و درک واضح‌تری از اینکه کدام اعداد مهم هستند در مقابل کدام‌ها نویز پس‌زمینه هستند، توسعه می‌دهید.

مثال: نوسان امتیاز خالص ترویج‌کننده (NPS)

احتمالاً یک متریک آشنا، امتیاز خالص ترویج‌کننده (NPS) شما رضایت مشتری را بر اساس یک سوال واحد اندازه‌گیری می‌کند: «چقدر احتمال دارد که محصول ما را به یک همکار توصیه کنید؟»

و در حالی که NPS یک سیگنال مفید است، خود متریک می‌تواند به شدت نوسان داشته باشد. NPS شرکت شما ممکن است به دلیل عواملی مانند تغییر در اندازه نمونه از هفته به هفته یا تنظیماتی که در طول یا محتوای نظرسنجی مشتری خود انجام داده‌اید، از یک انتهای طیف به انتهای دیگر نوسان کند.

با متریکی که به ظاهر ساده‌تر از NPS است، به راحتی می‌توان با یک نگاه به یک عدد پایین به تفکر فاجعه‌بار پرش کرد. دور شدن از میانگین‌های دقیق در اینجا مفید است، به نفع یک میانگین متحرک که NPS را در طول زمان ردیابی می‌کند. همچنین ممکن است بخواهید یک نمودار میله‌ای ایجاد کنید که بتواند نشان دهد NPS شما بر اساس تعداد نظرسنجی‌هایی که در ماه یا سه‌ماهه اخیر دریافت کرده‌اید چقدر قابل اعتماد است.

تقویت «شهود داده‌ای» زمان می‌برد

آن تردید سالم نسبت به داده‌هایتان یک شبه ایجاد نمی‌شود، و برای تقویت آن عضله شهود، تمرین و آزمون و خطا لازم است. تمرین به معنای صرف وقت با تحقیقات کیفی علاوه بر اعداد شماست، مانند آشنایی با کاربران و محصولتان. همچنین وقت بگذارید تا جزر و مد داده‌هایتان را درک کنید، مانند اینکه آیا متریک‌های خاصی بر اساس موقعیت شما در سه‌ماهه نوسان می‌کنند.

اگر سازمان شما یک تیم داده دارد، ایجاد رابطه با آن دانشمندان و تحلیل‌گران داده می‌تواند در کمک به شما برای راحت‌تر شدن با اعداد بسیار مؤثر باشد. آنها آن اعداد (و نحوه رسیدن به آنها) را بهتر از شما می‌دانند، و می‌توانند راه‌های جدیدی برای ردیابی یا تجسم متریک‌های پیچیده پیشنهاد دهند یا زمینه مهمی را که ممکن است از دست داده باشید ارائه دهند. بنابراین از تخصص آنها استفاده کنید، و آنچه می‌توانید در مورد منابع داده‌ای که شرکت شما به آنها متکی است و نحوه مدل‌سازی آنها یاد بگیرید.

نظری در مورد نحوه تقویت شهود داده‌ای خود دارید؟ در انجمن متابیس به ما اطلاع دهید!