شماره ۱۳: تصمیم‌گیری مبتنی بر داده

در دنیای پر رقابت امروز، موفقیت در مدیریت محصول به شدت به داده‌ها وابسته است. دوران تصمیم‌گیری‌های صرفاً شهودی به سر رسیده است. در حالی که شهود و تجربه همچنان نقشی مهم ایفا می‌کنند، تصمیم‌گیری مبتنی بر داده (DDDM) اطمینان می‌دهد که انتخاب‌های شما با شواهد پشتیبانی شده باشند و منجر به کاهش  ریسک‌ها می شود.

در این مقاله، اصول تصمیم‌گیری مبتنی بر داده، شاخص‌های کلیدی عملکرد (KPIs) و دیگر موضوعاتی که هر مدیر محصول باید بداند، و راهکارهایی عملی برای ادغام داده‌ها در فرآیندهای تصمیم‌گیری را بررسی خواهیم کرد.

۱. داده یا دیتا (Data) چیست؟

داده یا دیتا (Data) یا دیتا به هر مجموعه‌ای از حقایق، آمار یا اطلاعاتی اطلاق می‌شود که ذخیره می‌شود و برای تجزیه‌وتحلیل یا به‌عنوان مرجع استفاده می‌شود. داده می‌تواند شکل‌های مختلفی داشته باشد و معمولاً به‌صورت ساختاریافته یا بدون ساختار سازماندهی می‌شود. داده‌ها مبنایی را برای درک الگوها، روندها و روابط فراهم می‌کنند و ما را قادر می‌کند تا بینش‌های ارزشمندی به دست آوریم و تصمیم‌های آگاهانه بگیریم. در ادامه به انواع داده اشاره شده است:

انواع داده

• متنی

• صوتی

• تصویری

• ویدیویی

• سری زمانی

• عددی

• دسته‌بندی

• ساختاریافته

• بدون ساختار

درک انواع مختلف داده‌ها، مانند متن، ویدئو، صدا یا گفتار، سری زمانی و تصویر، برای تجزیه‌وتحلیل و تفسیر موثر آن‌ها ضروری است. هر نوع دیتا چالش‌های منحصر به فردی را ارائه می‌دهد و به روش‌ها و الگوریتم‌های خاصی نیاز دارد. با استفاده از تکنیک‌های مناسب، می‌توانیم بینش‌های ارزشمندی به دست آوریم، تصمیم‌های آگاهانه بگیریم و نوآوری را در حوزه‌های مختلف هدایت کنیم. با پیشرفت فناوری، اهمیت درک و بهره‌برداری از پتانسیل انواع داده‌های مختلف همچنان در حال رشد است و نحوه تعامل ما و کسب دانش از دنیای دیجیتال خود را شکل می‌دهد.

۲. مقدمه‌ای بر تصمیم‌گیری مبتنی بر داده

تصمیم‌گیری مبتنی بر داده (DDDM) فرآیند جمع‌آوری، تحلیل و استفاده از داده‌ها برای اتخاذ تصمیمات آگاهانه در مورد محصولات است. این رویکرد تمرکز را از نظرات ذهنی به بینش‌های قابل اندازه‌گیری تغییر می‌دهد و پایه‌ای محکم برای توسعه محصول ایجاد می‌کند.

چرا تصمیم‌گیری مبتنی بر داده اهمیت دارد؟

• کاهش ریسک: داده‌ها فرضیات را تأیید کرده و حدس و گمان را به حداقل می‌رسانند.

• افزایش اطمینان: تصمیمات مبتنی بر داده برای ذینفعان قابل دفاع‌تر هستند.

• بهینه‌سازی منابع: کمک می‌کند قابلیت ها و نوآوری هایی را اولویت‌بندی کنید که بیشترین تأثیر را دارند.

مثال

تصور کنید یک اپلیکیشن درخواست تاکسی با نرخ ریزش (Churn) بالایی مواجه است. به جای حدس زدن دلایل، تحلیل داده‌های مربوط به ریزش ممکن است روندهایی مانند زمان انتظار طولانی یا هزینه‌های بالا را نشان دهد. با این بینش، تیم می‌تواند بر روی راه‌حل‌هایی تمرکز کند که علل اصلی را برطرف می‌کنند. در واقع با استفاده از داده ها خیلی دقیق تر گام برمی داریم و تغییرات لازم را انجام می دهیم.

۳. انواع داده‌های مورد استفاده در مدیریت محصول

داده‌هایی که در مدیریت محصول استفاده می‌شوند را می‌توان به سه دسته اصلی تقسیم کرد:

داده‌های کمی

این داده‌ها به صورت عددی بوده و از ابزارهای تحلیلی جمع‌آوری می‌شوند و بینش‌های قابل اندازه‌گیری ارائه می‌دهند. مثال‌ها:

• شاخص‌های تعامل کاربران مانند کاربران فعال روزانه (DAU) و ماهانه (MAU).

• نرخ تبدیل از کاربران رایگان به پرداخت‌کننده.

• تعداد دفعات تکرار خرید

• میانگین ارزش سبد خرید

داده‌های کیفی

این داده‌ها بینش‌هایی درباره انگیزه‌ها و مشکلات کاربران ارائه می‌دهند که از طریق موارد زیر جمع‌آوری می‌شوند:

• مصاحبه‌های کاربران: برای درک مشکلات و رفتار کاربران.

• نظرسنجی‌ها: برای دریافت بازخورد مستقیم در مورد ویژگی‌ها یا قابلیت استفاده.

داده‌های بنیادی (کانتکسچوال)

این داده‌ها دیدگاهی کلی‌تر درباره بازار یا روندهای صنعتی ارائه می‌دهند:

• تحلیل رقبا.

• گزارش‌های صنعتی مانند پیش‌بینی‌های رشد بازار یا انتظارات مشتریان.

۴. شاخص‌های کلیدی عملکرد (KPIs) برای مدیران محصول

درک و پیگیری شاخص‌های درست برای موفقیت محصول ضروری است. این شاخص‌ها ابزارهایی برای اندازه‌گیری عملکرد و هم‌راستایی محصول با اهداف تجاری فراهم می‌کنند.

تفاوت بین معیارها و KPIs

• معیارها (Metrics): اندازه‌گیری‌های عمومی (مانند ترافیک وب‌سایت، تعداد کاربران).

• شاخص‌های کلیدی عملکرد (KPIs): معیارهایی که به اهداف خاص مرتبط هستند (مانند افزایش ۲۰ درصدی در نرخ نگهداری کاربران).

شاخص‌های کلیدی برای پیگیری

1. شاخص‌های جذب کاربران

   • ثبت‌نام‌ها: تعداد کاربران جدیدی که ثبت‌نام می‌کنند.

   • هزینه جذب مشتری (CAC): کل هزینه جذب یک کاربر.

2. شاخص‌های تعامل

   • DAU و MAU: تعداد کاربران فعال روزانه و ماهانه.

   • زمان صرف‌شده در اپلیکیشن: نشان‌دهنده علاقه کاربران به محصول.

3. شاخص‌های نگهداری کاربران

   • نرخ ریزش (Churn Rate): درصد کاربرانی که در یک بازه زمانی مشخص استفاده از محصول را متوقف می‌کنند.

   • ارزش طول عمر مشتری (CLV): درآمدی که یک کاربر در طول زمان استفاده خود برای ما ایجاد می‌کند.

4. شاخص‌های مالی

   • درآمد: کل درآمد ایجاد شده.

   • میانگین درآمد به ازای هر کاربر (ARPU): درآمد تقسیم بر کل تعداد کاربران.

شاخص ستاره شمالی (North Star Metric)

شاخص ستاره شمالی مهم‌ترین معیاری است که ارزش محصول شما را نشان می‌دهد. متریک ستاره شمالی معیاری است که یک شرکت از آن به عنوان نقطه تمرکز برای رشد خود استفاده می کند. اندازه گیری این متریک و عدد حاصل از این اندازه گیری، نشان دهنده میزان ارزشی است که شرکت شما برای مشتریانش به ارمغان می آورد. علاوه بر این، متریک ستاره شمالی به رشد بلند مدت شرکت شما در مقابل رشد کوتاه مدت جهت می دهد.

• مثال: برای Spotify، "دقایق موسیقی پخش‌شده" می‌تواند شاخص ستاره شمالی باشد.

۵. ابزارهای جمع‌آوری و تحلیل داده

داشتن ابزارهای مناسب برای جمع‌آوری و تحلیل داده ضروری است:

ابزارهای تحلیلی

• Google Analytics: برای ردیابی ترافیک وب‌سایت و رفتار کاربران.

• Mixpanel یا Amplitude: برای ردیابی رویدادها و قیف‌های کاربران در اپلیکیشن‌ها.

ابزارهای تصویری‌سازی

Tableau، Looker یا Power BI: برای ایجاد داشبوردها و نمایش روندهای داده.

پلتفرم‌های تست A/B

• Optimizely یا Google Optimize: برای اجرای آزمایش‌ها و مقایسه نسخه‌های مختلف ویژگی‌ها.

۶. استفاده از داده‌ها برای تصمیم‌گیری محصول

استفاده موثر از داده‌ها مستلزم پرسیدن سوالات درست، تفسیر بینش‌ها و اقدام است:

پرسیدن سوالات مناسب

با سوالات واضح که با اهداف محصول همخوانی دارند شروع کنید:

• "کدام ویژگی بیشترین تعامل کاربران را ایجاد می‌کند؟"

• "چرا نرخ ریزش در میان کاربران جدید افزایش یافته است؟"

پس از اینکه توانستید سوالات درستی مطرح کنید، می توانید در میان داده های موجود به دنبال پاسخ برای آن سوالات باشید.

تفسیر داده‌ها

فراتر از اعداد نگاه کنید و بفهمید چه چیزی باعث ایجاد روندها شده است.

• مثال: افزایش ناگهانی در نرخ ریزش ممکن است به تغییر رابط کاربری اخیر که کاربران را گیج کرده است مربوط باشد.

گاهی اوقات واقعا دلایل بروز یک اتفاق را نمی توان در میان داده ها و نتایج تفسیر مشاهده کرد و باید به دنبال علت های بیرونی باشید. علت هایی که نیاز به اشراف به محصول و اتفاق های درونی و بیرونی آن دارد.

مثلث‌سازی داده‌ها

مثلث سازی (triangulation)، در تحقیق به معنای استفاده از مجموعه داده ها، روش ها، نظریه ها و یا محققین متعدد برای پرداختن به یک سوال تحقیق است. مثلث سازی یک استراتژی تحقیقاتی است که می تواند به محققان در افزایش اعتبار و اعتبار یافته های خود کمک کند.

• مثال: داده‌های تحلیلی نشان می‌دهد که کاربران در هنگام ورود به سیستم ادامه نمی دهند، و نظرسنجی‌ها نشان می‌دهند که این فرآیند پیچیده است. اینجاست که باید به دنبال علت های مختلف و ارائه راه حل باشید. که احتمالا ترکیبی از روش های جمع آوری داده و همچنین تحلیل و تفسیر است که به شما کمک می کند.

• 
  

۷. تفاوت تصمیم‌گیری مبتنی بر داده و تصمیم‌گیری آگاه از داده

در حالی که داده ارزشمند است، همیشه نباید به تنهایی تصمیم‌ها را هدایت کند.

تصمیم‌گیری مبتنی بر داده

در این حالت تصمیم گیری کاملاً بر داده‌ها تکیه دارد. این رویکرد برای وظایف بهینه‌سازی، مانند تست A/B طراحی‌های رابط کاربری، مناسب است.

تصمیم‌گیری آگاه از داده

در این حالت داده ها قرار است کمک به تصمیم سازی بکنند که معمولا همراه با شهود و تجربه تصمیم گیری صورت می گیرد و صرفا به حضور داده ها اتکا ندارد.

• مثال: هنگام راه‌اندازی یک محصول جدید که داده تاریخی ندارد، ترکیبی از تحقیقات بازار و فرضیات منطقی استفاده می‌شود.

۸. اشتباهات رایج در تصمیم‌گیری مبتنی بر داده

برای اتخاذ تصمیمات بهتر بر اساس داده‌ها، از این اشتباهات اجتناب کنید:

• تکیه بیش از حد به داده‌ها: نادیده گرفتن بینش‌های کیفی یا بنیادی بازار می‌تواند منجر به تصمیمات ناقص شود.

• سوگیری تاییدی: تفسیر داده‌ها برای تطابق با فرضیات از پیش تعیین‌شده می‌تواند خطرناک باشد. برای این کار بهتر است نتایج حاصل شده از داده ها را قبل از ارائه و تصمیم گیری، با دیگر اعضای تیم خود به اشتراک بگذارید تا دچار سوگیری تاییدی نشده باشید.

• فلج تحلیلی (Analysis Paralysis): تأخیر در تصمیم‌گیری به دلیل حجم زیاد داده‌ها یا تحلیل بیش از حد آن. اگر فرد کمالگرایی باشید احتمالا به دفعات در این دام افتاده باشید.

• کیفیت پایین داده‌ها: تصمیم‌گیری بر اساس داده‌های ناقص یا نادرست می‌تواند نتایج فاجعه‌باری داشته باشد.

۹. ایجاد فرهنگ تصمیم‌گیری مبتنی بر داده

برای پذیرش واقعی تصمیم‌گیری مبتنی بر داده (DDDM)، باید فرهنگی ایجاد کنید که در آن ارزش داده‌ها در سراسر سازمان درک و پذیرفته شود. با ایجاد چنین فرهنگی است که می توانید اهمیت داده ها برای پیشبرد محصول و در نهایت رشد شرکت را به خوبی به همه نشان دهید. وقتی تیم پشتیبانی از اهمیت جمع آوری درست داده های پشتیبانی کاربران بداند می تواند گزارشات درست و دقیقی در اختیار شما قرار دهد. هنگامی که تیم فروش اهمیت فیدبک مشتریان در مواجهه با محصول را به شما منتقل کنند شما می توانید مشکلات محصول را بهتر حل کنید. وقتی که تیم مارکتینگ از فیدبک کاربران در مواجهه با تبلیغات در کمپین های مختلف را به شما منتقل کند شما می توانید متوجه آنچه کاربران دنبال آن هستند بشوید و همه این ها در کنار یکدیگر است که منجر به رشد محصول می شود. از این رو برای اینکه بتوانید چنین فرهنگی را در شرکت یا سازمان خود ایجاد کنید بایستی به موارد زیر توجه کافی داشته باشید:

• هم‌راستایی تیمی

  • اطمینان حاصل کنید که همه اعضای تیم اهمیت داده‌ها را درک کرده و بر شاخص‌های کلیدی متمرکز هستند.

• آموزش و ابزارها

  • ابزارهای تحلیلی مناسبی فراهم کنید و آموزش‌هایی ارائه دهید تا تیم‌ها بتوانند داده‌ها را تجزیه و تحلیل کرده و اقدامات لازم را انجام دهند.

• شفافیت

  • داده‌ها را به صورت باز با تیم‌ها به اشتراک بگذارید تا همکاری و تصمیم‌گیری آگاهانه تقویت شود.

۱۰. مطالعات موردی در تصمیم‌گیری مبتنی بر داده

داستان موفقیت: Netflix

نتفلیکس به دلیل رویکرد تصمیم‌گیری مبتنی بر داده، استفاده از حجم وسیعی از داده‌ها برای اطلاع‌رسانی به هر جنبه‌ای از کسب‌وکارش، از تولید محتوا گرفته تا توصیه‌های شخصی‌شده، مشهور است. در اینجا نحوه استفاده نتفلیکس از داده ها برای حفظ موقعیت خود به عنوان یک رهبر در صنعت سرگرمی آورده شده است:

ریکامندیشن های شخصی

موتور توصیه نتفلیکس یکی از مشهورترین ویژگی های آن است. از الگوریتم‌های یادگیری ماشین و داده‌های رفتار کاربر استفاده می‌کند تا به کاربران پیشنهاد دهد که احتمالاً از محتوایی لذت می‌برند.

نقاط داده مورد استفاده: مشاهده تاریخچه، رتبه‌بندی، لایک‌ها، عبارت‌های جستجو، مدت جلسه و حتی زمانی که کاربران تماشا می‌کنند.

تأثیر: حدود 80 درصد از محتوای تماشا شده در نتفلیکس از توصیه‌ها ناشی می‌شود که آن را به یک محرک اصلی تعامل و حفظ می‌کند.

تصمیمات ایجاد محتوا و صدور مجوز

نتفلیکس از داده های بیننده و تجزیه و تحلیل پیشرفته استفاده می کند تا تصمیم بگیرد کدام نمایش یا فیلم را تولید یا خریداری کند.

مثال:

برای خانه پوشالی، نتفلیکس داده هایی را تجزیه و تحلیل کرد که نشان می دهد همپوشانی قوی بین بینندگانی که درام های سیاسی را دوست داشتند و طرفداران آثار گذشته کوین اسپیسی و دیوید فینچر وجود دارد. این باعث شد که تصمیم بگیرند این سریال را ادامه تولید کنند.

معیارها: نرخ تکمیل، تکرار مشاهده، و جمعیت شناسی مخاطب برای ژانرهای مشابه.

نتیجه: داده‌ها تضمین می‌کنند که سرمایه‌گذاری در محتوا احتمال موفقیت بیشتری دارد.

تست A/B برای تجربه کاربری

نتفلیکس به طور مداوم تغییرات در رابط کاربری (UI) و تجربه کاربری (UX) خود را از طریق تست A/B آزمایش می کند.

آنچه آنها آزمایش می کنند:

• تصاویر کوچک را برای فیلم‌ها و نمایش‌ها ایجاد کنید تا ببینید کدام یک باعث تعامل بیشتر می‌شوند.

• قرار دادن دکمه ها و منوهای ناوبری.

• ویژگی های جدید، مانند دکمه "پرش از مقدمه".

تأثیر: معیارهای تعامل بهبود یافته و تجربه کاربری ساده‌شده متناسب با اولویت‌ها.

حفظ مخاطب و کاهش ریزش

Netflix معیارهای تعامل و حفظ را دنبال می‌کند تا دلایل بالقوه ریزش کاربر را شناسایی کند و اقدامات اصلاحی انجام دهد.:

• شناسایی کاربرانی که کمتر فعال هستند و ارائه ایمیل های شخصی یا محتوای تبلیغاتی برای جذب مجدد آنها.

• راه اندازی محتوا به صورت انبوه (مثلاً فصول کامل به طور همزمان) برای پاسخگویی به رفتارهای تماشای افراطی که باعث افزایش ماندگاری می شود.

استراتژی های محتوای محلی

Netflix با استفاده از داده‌های مناطق خاص، پیشنهادات محتوا را برای برآورده کردن اولویت‌های محلی تنظیم می‌کند.

مثال:

موفقیت بازی های مقدس در هند و La Casa de Papel (سرقت پول) در سطح جهانی اهمیت سرمایه گذاری در تولیدات منطقه ای را نشان داد.

رویکرد: روند بازدید، استفاده از زیرنویس و محبوبیت منطقه‌ای را برای تصمیم‌گیری مبتنی بر داده‌ها در مورد سرمایه‌گذاری محتوای محلی نظارت کنید.

بهینه سازی کیفیت استریمینگ

نتفلیکس از داده‌های ریل تایم استفاده می‌کند تا از تجربه‌های پخش روان در دستگاه‌های مختلف و سرعت اینترنت اطمینان حاصل کند.

معیارهای کلیدی:

• نرخ بافر.

• اولویت‌های وضوح بر اساس دستگاه و کیفیت اینترنت.

• مشاهده وقفه ها

تأثیر: پخش جریان بیت تطبیقی ​​به صورت پویا کیفیت ویدیو را تنظیم می کند و رضایت کاربر را افزایش می دهد.

کمپین های بازاریابی

نتفلیکس از داده ها برای ایجاد کمپین های بازاریابی هدفمند برای نسخه های جدید استفاده می کند.

مثال:

تطبیق محتوای تبلیغاتی برای Stranger Things با جمعیت‌های مختلف بر اساس اولویت‌های مشاهده و محبوبیت منطقه‌ای.

ابزارهای مورد استفاده: تجزیه و تحلیل رسانه های اجتماعی، کمپین های ایمیل و داده های رفتار کاربر.

پیش بینی موفقیت محتوا

نتفلیکس از تحلیل‌های پیش‌بینی‌کننده برای تخمین موفقیت بالقوه یک نمایش یا فیلم قبل از شروع تولید استفاده می‌کند.

منابع داده:

• گرایش هایی از ژانرهای مشابه.

• الگوهای مشاهده جهانی و منطقه ای

• نرخ تکمیل برای قسمت های آزمایشی.

نتایج کلیدی استراتژی داده محور نتفلیکس

• حفظ بیننده بالاتر: تجربیات شخصی سازی شده تضمین می کند که کاربران همچنان به پلتفرم باز می گردند.

• سرمایه گذاری در محتوای کارآمد: داده ها خطر تولید یا به دست آوردن محتوای ضعیف را به حداقل می رساند.

• موفقیت در گسترش جهانی: استراتژی‌های متناسب نتفلیکس را قادر می‌سازد تا بر بازارهای منطقه نفوذ کند و بر آن تسلط یابد.

• بهبود مستمر: تست A/B و حلقه‌های بازخورد باعث پیشرفت مداوم در UX و ارائه محتوا می‌شود.

۱۱. مراحل پیاده‌سازی تصمیم‌گیری مبتنی بر داده

۱. اهداف را تعریف کنید: اهداف واضحی تنظیم کنید (مثلاً "افزایش نگهداری کاربران به میزان ۱۵٪ در شش ماه").
۲. داده‌های مناسب را جمع‌آوری کنید: از ابزارهایی استفاده کنید که شاخص‌های مرتبط با این اهداف را ردیابی کنند.
۳. تحلیل و اقدام کنید: بینش‌ها را تفسیر کنید، فرضیه‌ها را آزمایش کرده و تغییرات را اعمال کنید.
۴. تکرار و بهبود دهید: به‌طور مداوم استراتژی‌ها را براساس داده‌های جدید اصلاح کنید.

نتیجه‌گیری

تصمیم‌گیری مبتنی بر داده به مدیران محصول امکان می‌دهد که تصمیماتی آگاهانه و مطمئن بگیرند که موفقیت محصول را تضمین می‌کند. با درک و استفاده از شاخص‌های کلیدی، اجتناب از اشتباهات رایج، و ایجاد فرهنگی مبتنی بر داده در تیم خود، می‌توانید داده‌های خام را به بینش‌های عملی تبدیل کنید. به یاد داشته باشید که داده‌ها ابزار هستند—و نحوه استفاده شما از آن‌ها موفقیت نهایی شما را تعیین می‌کند.