Probablemente lo haya escuchado innumerables veces: estamos en la «era del consumidor»: el poder de elección está en manos del consumidor. Esta comprensión ha obligado a las organizaciones de todas las industrias a analizar detenidamente la experiencia que están brindando.
Muchas empresas se han dado cuenta de que con productos intuitivos y características innovadoras, pueden mejorar significativamente las experiencias de los consumidores y, por proxy, los resultados financieros. Pero, ¿cómo identifica qué características son realmente impactantes? Encontrar mejoras de productos que muevan la aguja de manera significativa requiere una comprensión profunda de lo que están haciendo los usuarios.
Veamos cómo hacer esto.
Creación de hipótesis
Antes de cualquier experimento, necesita una hipótesis: una creencia verificable/falsable sobre cómo o por qué los usuarios toman acciones particulares. Los experimentos deben comenzar con el análisis de datos para descubrir el problema que desea resolver e identificar las posibles soluciones a ese problema en función del impacto, el alcance y el esfuerzo esperados.
Dicho esto, una hipótesis es específica de un tiempo y lugar en particular, es concreta. Los impactos en la economía (por ejemplo, nuestros picos de inflación más recientes), los cambios sociales, los cambios tecnológicos y más pueden generar cambios en la participación de los usuarios. Estos pueden introducir variables ocultas que invalidan una hipótesis, por lo que se debe permanecer atento a la hora de evaluar las variables a corto y largo plazo que afectan los comportamientos de los usuarios (y, en consecuencia, las hipótesis).
Dada la complejidad de aislar una variable y separar la señal del ruido, se debe emprender un ciclo continuo de análisis de datos, intercambio de ideas, diseño y experimentación.
El análisis y el modelado de datos ayudan a identificar los factores clave que impulsan el comportamiento del consumidor. pero para entender por qué los consumidores actúan, un gran equipo de datos necesita comprender las emociones relevantes y el comportamiento subconsciente hablando directamente con los consumidores a través de la investigación de usuarios, para comprender lo que piensan sobre sus propias experiencias.
Al identificar correctamente las principales causas del comportamiento del consumidor y por qué influyen en la acción, está armado con información para construir una hipótesis reflexiva y ofrecer experiencias que pueden (¡y deben!) mejorarse continuamente a través de la experimentación.
Experimentación, validación y falsificación
Dada la colaboración interfuncional inherente a la experimentación (es decir, la ciencia de datos, el diseño, la investigación de usuarios, la ingeniería y el producto deben funcionar al unísono al realizar cambios), los equipos deben optimizar constantemente los procesos para asegurarse de que se prioricen los experimentos con el mayor impacto esperado. Y dado que el costo de la experimentación puede ser alto, también debe asegurarse de que todo se haga cuidadosamente y que todos los pasos se planifiquen y revisen cuidadosamente.
Cuando finalmente haga la prueba, tenga en cuenta que a veces se lanza una llave en el trabajo y tiene que volver a probar, a veces incluso volviendo a la mesa de dibujo para probar diferentes cambios y personalizaciones del producto hasta que uno confirme claramente o falsifique una hipótesis. Afortunadamente, si se detecta muy rápido, se puede aprender mucho de esa experiencia. Por ejemplo, un experimento que llevamos a cabo condujo a una caída del 30 % en las tasas de inicio de sesión de los pacientes en nuestra plataforma: nuestra hipótesis no se falsificó, solo habíamos empujado la llamada a la acción demasiado hacia abajo en nuestra página de inicio (lo que en realidad mostró cuán crítica es la el flujo de trabajo de inicio de sesión era).
Además, a veces se debe consumir un gran grano de sal dependiendo del tamaño de la muestra. Por ejemplo, puede tener un tamaño de muestra de 10 000 personas, pero está tomando decisiones para 10 millones, al mismo tiempo que intenta generalizar para futuros consumidores (es decir, toda la población de los Estados Unidos).
Es importante que un equipo de ciencia de datos se responsabilice mutuamente al compartir actualizaciones ampliamente con toda la empresa, lo que ayuda a garantizar la objetividad al solicitar opiniones externas cuando debe priorizar o tomar decisiones difíciles. No tenga miedo cuando se trata de eliminar cambios y funciones que no mejoran las métricas.
Por ejemplo, cuando encuentra que algo no funciona, ejecutar una prueba A/B clásica con dos flujos de trabajo separados puede ayudarlo a encontrar qué opción produce mayor éxito, ya sean clics, registros o ventas.
Recomendaría probar metódicamente un aspecto antes de realizar cambios importantes para que pueda estar lo más seguro posible de que no haya variables al acecho.
haciendo que cuente
Desarrollar una cultura de experimentación continua no es fácil, ya que el proceso puede ser costoso dada la extensa coordinación de recursos antes mencionada. Y obtener resultados lleva tiempo, así que haga que cada hipótesis sea lo más hermética posible y que cada experimento esté meticulosamente bien pensado.
Pero al colaborar regularmente, todo el equipo puede ser más grande que la suma de sus partes ayudándose mutuamente a identificar y llenar los puntos ciegos colectivos mientras contribuyen al trabajo de los demás. A través de esta asociación y evolución constante, las organizaciones pueden estar seguras de que están cumpliendo con las expectativas de los consumidores necesarias para tener éxito.
Al emplear algunos de los consejos anteriores, esperamos que esté bien preparado para comenzar a utilizar un enfoque basado en datos para las mejoras del producto. ¡Buena suerte!
Sobre el Autor
Yohann Smadja es vicepresidente de ciencia de datos en Cedro. Con 12 años de experiencia en el campo, Yohann lidera el equipo de ciencia de datos que está a cargo de dar sentido a la gran cantidad de datos que tienen disponibles para ayudar a lograr la visión de la empresa.
Regístrese para recibir el boletín gratuito insideBIGDATA.
Únase a nosotros en Twitter: https://twitter.com/InsideBigData1
Únase a nosotros en LinkedIn: https://www.linkedin.com/company/insidebigdata/
Únase a nosotros en Facebook: https://www.facebook.com/insideBIGDATANOW