Какие ошибки мы допускаем в работе с аналитическими данными по продукту?

#30

Какие ошибки мы допускаем в работе с аналитическими данными по продукту?

Копировать ссылку

Возможные ответы (26)

, . Мы не учитываем разные профессиональные уровни (квалификацию) наших коллег в команде. Как следствие, мы не получаем нужного нам мнения когда это нужно (коллеги молчат), и часто навязываем им наше мнение. Это очень популярная проблема, которая массово игнорируется менеджментом. Для ее решения нам следует с самого начала огласить (желательно написать на доске) какими критериями мы оперируем в анализе данных. Каждый пункт должен быть обсужден, понятен и принят всеми участниками команды.

. Мы использовали ошибочные данные, которые были подготовлены некомпетентными коллегами. Эта проблема еще более вероятна, если над данными работают несколько команд.

В целях избегания подобных ситуаций мы можем проводить дополнительные проверки результатов показывая их случайным участникам команд проекта. Следует также учесть, что люди находящиеся под эффектом Даннинга-Крюгера не способны понять свою некомпетентность, но говорят они не менее уверенно и убедительно, как и их компетентные коллеги ().

. Наша высокая заинтересованность в конкретном результате приводит к тому, что мы бессознательно манипулируем данными/ходом эксперимента.

, . Мы находим «закономерные» последовательности и корелляции в случайных данных, интерпретируя их как «причинно-следственные». Мы начинаем считать случайные события менее случайными из-за складности «истории», которую они «рассказывают» (, ).

. Мы не верно оценили кол-во времени требуемого для сбора данных. Возможно мы начали оценку данных не дождавшись фактического завершения рекламной кампании.

. Размер нашей выборки был недостаточен для экстраполяции выведенных данных на всю группу.

. В принятии решений мы руководствуемся фактом нашего успеха, который во многом был результатом случайности. Мы верим, что способны повторить либо даже превзойти этот результат.

. Мы не верно оцениваем причины событий. Успешные события мы объясняем нашими заслугами, тогда как в неудачных обвиняем «внешний мир» и конъюнктуру рынка.

. В наших решениях мы придаем слишком много значения мнению авторитетной фигуры.

. Мы слишком сильно полагаемся на данные, полученные из системы, не проверяя их надежность (механизмы калькуляции и т.д.).

. Мы игнорируем маловероятные события, считая что они не произойдут, и не повлияют на данные. Это одна из важнейших для понимания ошибок, из-за которой любые аналитические данные должны перепроверяться коллегами.

. Возможно, мы придумали какой-то уникальный метод анализа данных. Сперва нам показалось, что метод очень эффективен, но когда стали появляться искажения в результатах мы предпочли их не замечать.

. Мы ошиблись в выводах т.к. анализировали результаты полученные только по одной из нескольких категорий. Недополученные данные из других категорий исказили наше представление о ситуации в целом.

. Мы переоценили наши возможности по влиянию на события. Как результат, в наши формулы анализа данных попали переменные, которые не поддаются нашему контролю (но нам кажется иначе).

. Мы считаем уже происшедшие события более предсказуемыми, чем они были. На основании этого мы принимаем не верные решения по оценке компетентности нашей команды. Например мы можем устроить выговор одному из коллег из-за того что он не заметил что-то «очевидное», тода как очевидным это в тот момент никак не было.

. При анализе данных мы «связали» несколько событий вместе, как «наиболее вероятных», не заметив, что общая вероятность снижается с добавлением каждого нового события.

. Мы откладываем очевидные решения, к которым нас подталкивают данные полученные из системы, недооценивая риски нашего бездействия. Мы ищем «дополнительную информацию», когда уже все ясно ().

. Мы слишком эмоционально отреагировали на формулировки использованные в описании результатов. Как следствие, мы утратили объективность в нашей оценке ситуации.

. Если анализируемые данные, это результат опроса, тогда мы обязаны удостовериться, что ответы респондентов были «реальными».

. Мы стремились найти подтверждение наших гипотез, бессознательно проигнорировав все данные, которые в них не укладывались.

. Мы учли только те данные, которые были результатом наших прямых действий. Мы не учли события, происшедшие без нашего участия, но при этом имеющие влияние на результат.

. Мы бессознательно избегаем данных, которые могут не согласовываться с нашими гипотезами или желаниями.

. Мы игнорируем существующие стереотипы, и анализируем данные «политкорректно». Как результат, создается ситуация в которой участники команды не могут высказать что думают, а мы ищем сложные объяснения простых вещей.

. Мы считаем, что все, что написано здесь, и выше, не касается нас на прямую т.к. «мы уверены в полном контроле наших действий и искажения мыслительных процессов нас касаться не могут».

В заключение, добавлю, что человек анализирующий данные, и принимающий какие-то решения на их основе не должен позволять печальным результатам влиять на эти решения (). Это очень важный навык для любого менеджера.

Связанные вопросы

#7.

Почему пользователи разочаровываются в нашем продукте?

#16.

Почему наши маркетинг акции не работают?

#28.

Какие ошибки мы допускаем при оценке маркетинговых стратегий?

#45.

Что делать если некоторые участники нашей команды не высказывают свое мнение?

#61.

Что делать, если команда тратит слишком много времени на неважные мелочи?

Насколько полезным вы нашли этот материал?

Не полезно

Очень полезно

Спасибо за ваш вклад в развитие проекта!

Войти

Мой профильНастройкиВыйти

Ссылки

UX CORE GUIDE PERSONA UX CAT

Боб - ИИ Ассистент

UX Core Guide Persona Игра на внимание

Боб - ИИ Ассистент

Ссылки

Использование проекта в образовательной системе

UX CORE GUIDE

Добавление вашего вопроса

UX CORE PERSONA

Вводная статья

API

Войти

Мой профильСохраненные ПерсоныНастройкиВыйти

UX CORE GUIDE

Как пользоваться

UXCG — это бесплатный инструмент, который помогает командам выявлять проблемы пользовательского опыта, связанные с когнитивными искажениями, на всех стадиях разработки продукта: от прототипирования и тестирования до улучшения действующего продукта.

Как использовать UXCG

Выберите стадию вашего продукта ниже;
Выберите интересующий вас вопрос;
Прочтите возможные ответы.

Каждый ответ объясняет, как когнитивные искажения связаны с вашим вопросом. Поскольку вы лучше всего понимаете свой контекст, вы можете напрямую применять полученные знания. Хотя инструмент не предоставляет готовых решений из-за уникальности каждого случая, он открывает новые перспективы, подкрепленные наукой.

Описание лейблов

Вопросы связанные с кооперацией команд и лиц, работающих над продуктом.

Вопросы связанные со стадией разработки продукта (от идеи до публичного релиза).

Вопросы связанные с продажами, маркетингом, потенциальными пользователями и общей оберткой продукта.

Вопросы связанные с интеракцией пользователей с продуктом и его функционалом.

Вопросы связанные с чтением аналитики по продукту.

Выберите стадию вашего проекта

#10.

Почему пользователи жалуются на качество нашей поддержки?

#30.