Привет друзья! Владимир на связи (аудио ниже).
Сегодня поделюсь примером из практики. Я его немного упростил и адаптировал, чтобы не грузить никого лишними деталями.
Представьте, что вы едете в убере. Вечер, вы устали после работы. И вот в приложении всплывает баннер: "Вы приедете домой через 20 минут, а пицца (кликни здесь!) от Uber Eats приедет через 25!"
Звучит вдохновляюще? Вы бы как продакт стали делать эту фичу? Кажется, что она закрывает потребность. Бьет в самое сердце уставшего офисного работника.
Но ведь таких фич десятки. Десятки и сотки гениальных идей, которые как-то нужно приоритизировать. Ресурс разработки ограничен.
В 95% случаев для расстановки приоритетов подходит метод impact-effort.
Каких данных не хватает, чтобы его применить?
- трафик на странице (сколько людей смотрят в приложение во время поездки)
- сколько людей используют кнопку "доставка сегодня"
- история добавления похожей фичи/фич
Когда мы собрали данные, мы можем умножить траффик на конверсию. Насколько точный результат мы при это получим? Математичской точности тут нет, но для продуктовой оценки пойдет. Решения продакту надо принимать быстро. Можно, конечно, построить за пару лет ML-модель мышления человека в такси... Но пока мы будем ее строить, может уже и приложение умрет, и такси заменит телепортация.
Возвращаемся к кейсу. Предположим, что инкремент от добавления кнопки на страницу поездки – 100 заказов еды в день.
А инкремент от оптимизации службы доставки – 200 заказов. А от улучшения поиска – 500 заказов.
Делим для каждого случая impact на effort и получаем score... Всё вроде просто и понятно.
Но! Большинство продактов ломается на этапе сбора данных. Никому в компании кроме вас эти цифры не нужны. Они не висят на главных мониторах, их не найти в общих документах... Но где-то они есть. В MixPanel? В базах данных?
MixPanel за ~5 кликов покажет вам сколько людей смотрят в приложение за время поездки. SQL-запрос к базе, составленный минут за 20 (с непривычки) тоже ответит на этот вопрос. Продакты часто отваливаются на этом этапе, хотя ничего страшного и сложного тут нет. Гораздо эффективнее не тыкаться наугад в темноте, а спросить у системы ответ. Поделить/умножить пару чисел и применить аналитический подход к своим идеям. Это, в том числе, отличает профессионального продакта от продакта, который деливерит всё подряд.
Андрей Менде и Костя Грабарь (sеnior PMs в крупнейших международных копманиях) учат всем тонкостям Data Driven управления продкутом. Курс "Аналитика и SQL для продакта" уже стартовал, но еще можно запрыгнуть в уходящий поезд 😉. Это последний такой курс с живыми вебинарами.
Сегодня поделюсь примером из практики. Я его немного упростил и адаптировал, чтобы не грузить никого лишними деталями.
Представьте, что вы едете в убере. Вечер, вы устали после работы. И вот в приложении всплывает баннер: "Вы приедете домой через 20 минут, а пицца (кликни здесь!) от Uber Eats приедет через 25!"
Звучит вдохновляюще? Вы бы как продакт стали делать эту фичу? Кажется, что она закрывает потребность. Бьет в самое сердце уставшего офисного работника.
Но ведь таких фич десятки. Десятки и сотки гениальных идей, которые как-то нужно приоритизировать. Ресурс разработки ограничен.
В 95% случаев для расстановки приоритетов подходит метод impact-effort.
Каких данных не хватает, чтобы его применить?
- трафик на странице (сколько людей смотрят в приложение во время поездки)
- сколько людей используют кнопку "доставка сегодня"
- история добавления похожей фичи/фич
Когда мы собрали данные, мы можем умножить траффик на конверсию. Насколько точный результат мы при это получим? Математичской точности тут нет, но для продуктовой оценки пойдет. Решения продакту надо принимать быстро. Можно, конечно, построить за пару лет ML-модель мышления человека в такси... Но пока мы будем ее строить, может уже и приложение умрет, и такси заменит телепортация.
Возвращаемся к кейсу. Предположим, что инкремент от добавления кнопки на страницу поездки – 100 заказов еды в день.
А инкремент от оптимизации службы доставки – 200 заказов. А от улучшения поиска – 500 заказов.
Делим для каждого случая impact на effort и получаем score... Всё вроде просто и понятно.
Но! Большинство продактов ломается на этапе сбора данных. Никому в компании кроме вас эти цифры не нужны. Они не висят на главных мониторах, их не найти в общих документах... Но где-то они есть. В MixPanel? В базах данных?
MixPanel за ~5 кликов покажет вам сколько людей смотрят в приложение за время поездки. SQL-запрос к базе, составленный минут за 20 (с непривычки) тоже ответит на этот вопрос. Продакты часто отваливаются на этом этапе, хотя ничего страшного и сложного тут нет. Гораздо эффективнее не тыкаться наугад в темноте, а спросить у системы ответ. Поделить/умножить пару чисел и применить аналитический подход к своим идеям. Это, в том числе, отличает профессионального продакта от продакта, который деливерит всё подряд.
Андрей Менде и Костя Грабарь (sеnior PMs в крупнейших международных копманиях) учат всем тонкостям Data Driven управления продкутом. Курс "Аналитика и SQL для продакта" уже стартовал, но еще можно запрыгнуть в уходящий поезд 😉. Это последний такой курс с живыми вебинарами.