‏تسلط به داده: از داشبورد تا تصمیم درست

راوی مهتا این مطلب رو به‌عنوان چهارمین بخش از سری ۱۲ مهارت لازم برای ساختن محصول خوب نوشته. با یه صحنه‌ی آشنا شروع می‌کنه: تو جلسه‌ی بررسی محصول همه عددها رو می‌دونن، ثبت‌نام بالا رفته و activation پایین اومده، ولی هرکی یه حدسی داره و جلسه با درخواست یه گزارش دیگه تموم می‌شه. اسم این وضعیت رو data blindness می‌ذاره، یعنی داده کم نیست، فهمیدنش کمه.

تعریف نویسنده از Fluency with Data سه بخش داره: تبدیل داده به بینشی که کار تیم رو عوض کنه، استفاده از اون بینش برای رسیدن به هدف محصول و وصل کردن هدف به نتیجه‌ی واقعی کسب‌وکار. مثالش اینه که اگه کاربرا به یه دستیار AI پیام بیشتری می‌دن چون جواب‌هاش مدام نیاز به اصلاح داره، engagement بالا رفته ولی ارزش پایین اومده. به گفته‌ی نویسنده، تسلط به داده یعنی فرق بین چیزی که دیدی، چیزی که باور داری و چیزی که تست کردی رو بدونی.

مهتا می‌گه AI مشکل قدیمی دسترسی رو تا حد زیادی حل کرده. دیگه برای هر سؤال لازم نیست SQL بنویسی یا منتظر تحلیلگر بمونی و حتی می‌شه تیکت‌های پشتیبانی و مصاحبه‌ها رو در مقیاس بالا خلاصه کرد. ولی یه کوئری ممکنه با تعریف اشتباهِ «کاربر فعال» درست اجرا بشه، یا یه خلاصه تفاوت مهم بین دو گروه کاربر رو صاف کنه. مثالش: کاربرایی که همکارشون رو دعوت می‌کنن بیشتر می‌مونن، ولی شاید فقط بعد از اینکه محصول به دردشون خورده دعوت می‌کنن. یعنی همبستگی (correlation) اینجا علت رو نشون نمی‌ده.

برای محصولاتی که خودشون AI دارن، چالش بیشتره. یه کلیک فقط می‌گه کسی از فیچر استفاده کرده، نه اینکه جوابش به درد خورده. دو نفر ممکنه قدم‌های یکسانی برن و یکی جواب آماده بگیره و اون یکی ده دقیقه درگیر اصلاحش بشه، ولی تو لاگ هر دو «فعال» دیده می‌شن. نویسنده می‌گه باید چیزی که کاربر خواسته، چیزی که محصول برگردونده و اتفاقی که بعدش افتاده رو کنار هم دید.

ابزار اصلی مقاله ladder of causality یا نردبون علیته که چهار پله داره: گزارش (چی شد؟)، تحلیل (الگو کجاست؟)، بینش (چی توضیحش می‌ده؟) و تصمیم (چی رو عوض کنیم؟). وقتی یه توضیح با تست تأیید بشه، به یه product lever می‌رسی، یعنی چیزی که می‌تونی تغییرش بدی و می‌دونی روی نتیجه اثر داره. پیشنهادش اینه که هر وقت تو کار با داده گیر کردی بپرسی «رو کدوم پله‌ایم و چی کمکمون می‌کنه بریم پله‌ی بعد؟».

نکات کلیدی:

• data blindness یعنی همه‌ی عددها رو داری ولی نمی‌دونی چی رو باید عوض کنی
• بالا رفتن engagement تو محصول AI ممکنه نشونه‌ی جواب‌های بد باشه، نه ارزش بیشتر
• همبستگی بین دعوت همکار و ماندگاری لزوماً رابطه‌ی علت و معلولی نیست
• نردبون علیت چهار پله داره: گزارش، تحلیل، بینش و تصمیم
• به گفته‌ی نویسنده، فرهنگ داده‌محور با تعداد تصمیم‌هایی که شواهد عوضشون کرده سنجیده می‌شه