В процессе разработки ПО приходится управлять множеством компонентов, задач и требований. Сложно отдавать всему равный приоритет, поэтому для достижения целей специалисты применяют разные подходы. Они помогают определить, на чем прежде всего нужно сосредоточиться.
Распространенная практика - экспертное мнение, когда решение принимается на основе человеческого опыта. Но существует и другой подход - data-driven. Его суть - отслеживать изменения и принимать решения на основе данных.
Этапы подхода:
1. Сбор данных - логи, опросы, метрики и т.д.
2. Очистка и подготовка данных - очистка данных от дублей, пустых и ошибочных значений, которые выходят за пределы допустимых
3. Анализ - визуализация, статистика, машинное обучение
4. Интерпретация результатов - оценка, является ли результата значимым, можно ли принимать решение, достаточно ли данных
5. Принятие решения - фиксация вариантов и выбор из доступных
6. Проверка эффективности решения - обратная связь от пользователей или другие данные
Вашим задачам подход подойдет если:
🔥 Вы собираете или можете собрать много данных
🔥 Существует несколько параллельных гипотез, A/B тестов, бизнес-задач
🔥 Работаете с высоким фактором неопределенности
🔥 Планирование реактивное - ответ на потребности клиентов или реакция на рынок
С какими проблемами при применении подхода можете столкнуться:
🔒 Данных нет - сложные бизнес процессы с человеческим фактором, когда собрать данные становится очень долго и дорого
🔒 Данные есть, но формат хранения вам не подходит - например, это данные из систем длительного хранения, куда они поступают с задержкой (DWH/DLH), а вам нужен онлайн-мониторинг
🔒 Данные есть, но они не хранятся - онлайн логи без хранения
🔒 Данные живут внутри сервиса и к ним нет доступа - не подключены логи, метрики
🔒 Нужно определять - изменение данных показывает, что для бизнеса что то изменилось? Пора принимать решение?
🔒 Чем более верхнеуровневые нужны выводы - тем больше нужно данных. Растут требования к их качеству, к хранению и агрегированию данных, в итоге процесс обработки и интерпретации данных становится отдельным продуктом.
Может быть есть конкретный пример?
Конечно. Например, мы заметили, что 70% пользователей покидают приложение на экране оплаты. Собрав данные из событий аналитики мобильного приложения, мы выяснили, что проблема — в долгой загрузке. После оптимизации конверсия выросла на 25%. Это и есть data-driven решение.
Итог
Вы можете отлично справляться без данных. Но с ними - вы будете понимать не только что происходит, но и почему. А это уже другой уровень. Data-driven подход не заменяет аналитическое мышление, но делает его точнее, быстрее и убедительнее.
Призыв к действию - узнай, какие данные собираются по твоему продукту, подумай, какие выводы на их основе ты можешь сделать.
Для тех, кто выполнил или уже знает - напишите, каких данных вам не хватает в работе?
