10. ارزیابی نکردن نتایج یک تصمیم

هنگام bootstrap کردن تحلیل خود اشتباهاتی خواهید کرد. در اینجا نحوه انجام اشتباهات کمتر وجود دارد.

ده اشتباه رایج تحلیلی که استارتاپ‌ها انجام می‌دهند

هنگام bootstrap کردن تحلیل خود اشتباهاتی خواهید کرد. در اینجا نحوه انجام اشتباهات کمتر وجود دارد.

این مقاله ده اشتباه رایج که استارتاپ‌ها هنگام اعمال داده به تصمیم‌گیری انجام می‌دهند را پوشش می‌دهد. این‌ها موقعیت‌هایی هستند که بسیاری از افراد با نیت خوب خود را در آن‌ها می‌یابند، و هدف در مرور این‌ها این نیست که خود را سرزنش کنید بلکه تقویت نیاز به خودآگاهی در فرآیندهای تصمیم‌گیری شما (و سازمان شما)، و کار مداوم روی بهبود است. بیشتر درباره تصمیم‌گیری در مدیریت بودجه اطلاعات شما پوشش می‌دهیم.

1. اشتباه گرفتن همبستگی و علیت

بله، از قبل درباره آن می‌دانید، اما هنوز واقعاً آسان است که فریب بخورید. اشتباه گرفتن همبستگی و علیت به خصوص خطرناک است وقتی کاوش داده تاریخی، یا در غیر این صورت نداشتن یک فرضیه واضح برای falsify کردن. بهتر است هر الگوی رایجی که در گذشته اتفاق افتاده است را به عنوان پیشنهادی از علیت، به جای یک علت تا زمانی که خلاف آن ثابت شود، در نظر بگیرید.

2. انتظار دادن پاسخ به سؤال‌هایی که نمی‌توانید فرموله کنید توسط داده

بیش از حد شرکت‌ها فکر می‌کنند فقط می‌توانند داده جمع‌آوری کنند، از آخرین فناوری‌های مد روز استفاده کنند، و دانشمندان/تحلیلگران/MBAهای گران قیمت داده استخدام کنند تا کسب‌وکار خود را بفهمند. واقعیت این است که کیفیت هوش کسب‌وکار شما مستقیماً با نحوه خوب فرموله کردن سؤال‌هایی که نیاز به پاسخ دارد توسط سازمان شما متناسب است. داده بیشتر و تحلیلگران داده با استعداد می‌توانند سازمانی که فرآیند تصمیم و محصول واضح دارد را supercharge کنند، اما دو برابر کردن روی داده بزرگ معجزه‌ای که سازمانی که فاقد تمرکز است را نجات می‌دهد نخواهد بود.

3. جستجوی داده برای پشتیبانی از تصمیمی که از قبل گرفته‌اید

رایج است که حرکات جمع‌آوری داده، تحلیل آن، و رسیدن به یک تصمیم را انجام دهید وقتی شما (یا دیگران در تیم) از قبل تصمیم خود را گرفته‌اید. در عوض، باید فرضیه‌ها را فرموله کنید، ببینید آیا می‌توانید آن‌ها را falsify کنید، و دیدگاه خود را وقتی داده به راه دیگر می‌رود به‌روزرسانی کنید.

4. ماهیگیری برای مثبت

یک زیرمجموعه از جستجوی داده برای پشتیبانی از یک تصمیم: جستجوی داده برای پشتیبانی از یک تصویر گل‌گون. همیشه چیزی وجود دارد که در حال افزایش است، حتی در شرکت‌های به طور مرگبار بیمار. اگر همه معیارهایی که فکر می‌کنید مهم هستند به سمت جنوب می‌روند، از وسوسه جستجوی معیارهایی که داستان آفتابی‌تری می‌گویند اجتناب کنید.

5. انتظار وضوح بیش از حد در نتایج

حتی اگر فیلم‌های اکشن زیادی دیده‌اید، وقتی یک مسابقه بوکس واقعی را تماشا می‌کنید، ممکن است نتوانید خیلی از آن سر در بیاورید. اگر به دیدن توالی‌های مبارزه کارگردانی شده، فیلم‌برداری شده از زوایای کامل با نورپردازی و تدوین کامل عادت کرده‌اید، هرج و مرج و سرعت مبارزه واقعی می‌تواند گیج‌کننده باشد.

همینطور برای افرادی که به دوره‌های MBA یا پست‌های وبلاگ به شدت ایده‌آل شده عادت کرده‌اند وقتی با تصمیم‌گیری کمی در زندگی واقعی مواجه می‌شوند. در دنیای واقعی، اثرات می‌توانند کوچک، شلوغ، و چندوجهی باشند (در زیر درباره دام‌های میانگین‌ها صحبت خواهیم کرد). نیاز به کار با داده‌ای که دارید، نه داده کامل که تصور می‌کنید دارید.

6. انتظار تست A/B کردن راه خود به موفقیت

در حالی که تست‌های A/B با دقت برنامه‌ریزی شده، به خوبی اجرا شده می‌توانند برای یک شرکت تحول‌آفرین باشند، همچنین اغلب منجر به تعقیب دم خود می‌شوند. مطمئن شوید می‌دانید یک نتیجه قابل توجه چیست قبل از شروع یک تست A/B. تست را در لحظه‌ای که یکی از گزینه‌ها به نظر بهتر عمل می‌کند متوقف نکنید، و همیشه یک گروه کنترل شامل کنید. و هرچه اثر کوچکتر باشد، تعداد کاربران بیشتری نیاز دارید. اگر فقط 10k کاربر فعال ماهانه دارید، بهتر است به سادگی هر نوع تست A/B را تا زمانی که افراد بیشتری برای تست در برابر آن‌ها دارید به تأخیر بیندازید.

علاوه بر این، تست A/B بهترین ویژگی‌های محصول یا کپی تبلیغاتی را برای شما تعیین نمی‌کند. نتایج فقط به اندازه گزینه‌هایی که تست می‌کنید خوب هستند، و نتایج خیلی به نحوه خوب بودن طراحی اولیه حساس هستند. اجازه ندهید "ما آن را تست A/B می‌کنیم" به یک مانترا تبدیل شود که فرآیند تصمیم‌گیری درباره اینکه محصول شما واقعاً چیست را خاموش می‌کند. تست‌های A/B بهترین استفاده برای اضافه کردن آن آخرین بیت polish هستند.

7. استفاده از دوره زمانی اشتباه

اگر مشتریان شما در یک بازه زمانی چند ماهه خرید می‌کنند، و چرخه محصول شما در sprintهای دو هفته‌ای حرکت می‌کند، نیاز به تحلیل بلادرنگ ندارید. به همین ترتیب، اگر سعی می‌کنید خطاها در عملیات شبکه را تشخیص دهید جایی که هزینه down بودن در ده‌ها میلیون در دقیقه اندازه‌گیری می‌شود، بهتر است به نمودارهای ساعتی نگاه نکنید. مهم است دوره زمانی گزارش‌دهی را با دوره زمانی طبیعی تصمیم‌گیری خود پیوند دهید. اگر به داده خود در یک دوره زمانی خیلی ریز نگاه می‌کنید، در نهایت twitchy می‌شوید و بین تصمیمات thrash می‌کنید. اگر از یک دوره زمانی خیلی بزرگ استفاده می‌کنید، برای همیشه سه حرکت عقب خواهید بود.

8. فقط نگاه کردن به میانگین‌ها

میانگین‌ها مکان عالی برای پنهان کردن حقایق ناراحت‌کننده هستند. اگر فقط از میانگین‌های ترکیبی در کانال‌های ارگانیک و پولی استفاده می‌کنید، ممکن است در نهایت این واقعیت را نادیده بگیرید که کانال‌های کسب پولی شما به طور ناپایدار گران می‌شوند. اگر به میانگین latency در همه صفحات وب خود نگاه می‌کنید، ممکن است متوجه نشوید که مهم‌ترین صفحات شما با گذشت زمان کندتر می‌شوند. به عنوان یک قانون، وقتی میانگین‌ها به شما می‌گویند چیزی بدتر می‌شود، زمان نگرانی است. وقتی میانگین‌ها به شما می‌گویند چیزها خوب به نظر می‌رسند، زمان حفاری عمیق‌تر است.

بیشتر توهمات الهام گرفته از میانگین وقتی داده را به یک هیستوگرام تقسیم می‌کنید از بین می‌روند. به عنوان مثال، پیش‌بینی‌های گل‌گون درباره میانگین هزینه کسب مشتری می‌توانند ناپدید شوند وقتی هزینه‌ها را بر اساس کانال تقسیم می‌کنید.

9. تمرکز روی مجموع‌ها به جای نرخ تغییر

همه نمودارهایی که بالا و به راست می‌روند را دوست دارند. "تعداد کل ثبت‌نام‌ها"، "درآمد تجمعی"، و "ارزش کل کالاهای فروخته شده" می‌توانند برای مطبوعات خوب باشند، اما برای بیشتر موقعیت‌ها، باید به نرخ تغییر، و احتمالاً حتی رشد در آن نرخ نگاه کنید. اگر 95% از اطلاعاتی که یک معیار حمل می‌کند مربوط به رویدادهایی است که ماه‌ها یا سال‌ها پیش اتفاق افتاده‌اند، آیا این به شما کمک می‌کند ارزیابی کنید امروز چطور عمل می‌کنید؟ یا چیزها فردا چگونه به نظر می‌رسند؟