"Slack в цифрах. Самое интересное из S-1 заявки Slack"
Недавно компания Slack подала заявку на публичное размещение на бирже. Меня эта история заинтересовала по простой причине. В августе 2016 года я присоединился к еще незапущенному публично Workplace by Facebook – прямому конкуренту Slack, и работал над продуктом 2.5 года.
Slack в своей S-1 заявке на почти 200 листов раскрыл мало нового. Но если совместить представленную информацию и знания о рынке, которые получилось набрать за время работы над их конкурентом, то вскрываются интересные детали и получается более целостная картина.
Как и любая технология, аналитика бывает поддерживающей и прорывной. Проблема 90% компаний и людей, которые просят консультаций по аналитике, - попытка смешивать два разных по процессу и результату понятия. Проблема компаний, которые оказались в тупике роста, сидя на золотых приисках данных, - их иллюзия относительно той аналитики, что они сумели выстроить.
Поддерживающая аналитика – это всем знакомая аналитика с её привычным жизненным циклом:
- полный хаос, - налаженный сбор данных, - система дэшбордов, - этап рисерчей, - этап предиктивных моделей и ML для персонализации.
Традиционная аналитика - это механизм по поддержке текущего варианта бизнес-модели или продукта.
Почему мы иногда ожидаем прорыров от неё? Если что-то перестало умирать, мы склонны воспринимать подобное явление как прорыв. Реанимация, во благо которой работает вся (поддерживающая) аналитика – это поддержка того, что есть.
Прорыв (а правильнее, подрыв) нужен, когда в компании есть признаки вырождения старой бизнес-модели, такие как замедление роста, выгорание маржинальных каналов и т.п. Прорывная аналитика - это когда вы можете в данных посмотреть, надо ли делать другой продукт и какой именно. Когда числа указывают:
- Меняйте бизнес-модель вот на такую.
Я тоже раньше думала, что это "космические корабли", оказалось, просто другая технология. И только.
В одном из мобильных операторов была задача определить пол абонентов. Предлагались разные ресурснозатратные варианты решения. Решили задачу просто: проанализировали входящие и исходящие смс сообщения на 8 марта.
Метрики надо не собирать. Их надо мониторить, анализировать и действовать.
Как часто люди приходят на позицию аналитиков и наводят кучу активности: новые евенты, новые метрики, «давайте поменяем систему аналитики или вообще напишем свою!». И потом 3 месяца ничего не делают, потому что еще не разработали систему аналитики, или не внедрили новую, или не прописали новые евенты. Ну и можно покурить бамбук.
Но как часто выясняется, что, в принципе, эту инфу можно достать из текущих данных. Да, не с такой гранулярность. Да, не с такой точностью. Но можно. и можно сделать выводы и провести «маленькую победоносную войну». Вот этого хочется: комбинацию быстрых результатов в краткосрочном периоде и системных изменений, которые в долгосрочном периоде значительно увеличат (может быть, скорее всего, я верю что) вероятность большой Победы.
Пирамида метрик — это отличный инструмент анализа для того, чтобы понимать, из каких ключевых метрик состоит ваш продукт: в чем заключается North Star, как он декомпозируется на ключевые метрики. Развернутая статья про пирамиду метрик: http://sergeytikhomirov.ru/piramida-metrik/
Настало время раскрыть одну из главных тайн: всемирный заговор продактов действительно существует! Несколько лет назад мы собрались и договорились, что будем делать вид, якобы продакт менеджер это очень сложная профессия, мы делаем кастомер джорней мап, работаем по скраму и ОКР, ищем боль пользователей, проверяем продуктовые гипотезы через A/B тесты, строим продуктовую стратегию. И что за это нужно платить кучу бабла. Вы не представляете, насколько сложно с серьезным лицом рассуждать обо всем этом на конференциях или встречах.
Этот пранк зашёл слишком далеко, настало время раскрыть правду.
1. В большинстве компаний продакт менеджеры вообще не нужны. Это лишнее звено между людьми, которые отвечают за бизнес компании, и разработкой продукта. Убери продакт менеджера с его кастомер джорней мап из этой цепочки и отправь, например, на прямые продажи - бизнес будет только в выигрыше.
2. Я уже писал, что лучшие продакт менеджеры - аналитики. В 2014 году ко мне в ivi пришла на собеседование на позицию продакта Маша и сказала, что она работает в крупной компании аналитиком и ее бесит, что она раскладывает все продуктовые метрики и показывает точки роста, а дальше продакт менеджер (тот самый, который состоит в заговоре) говорит что это не приоритет и профукивает задачу. Тогда я понял, кого мне нужно брать: людей, которые лучше всех на цифрах понимают как работает продукт, и имеют огромное желание свои исследования превратить в реальные продуктовые изменения. С того момента в ivi я не взял больше ни одного продакта с опытом работы продактом, только аналитиков. Маша, если ты это читаешь, спасибо тебе.
3. Самые лучшие продакт менеджеры - предприниматели. Но их фиг схантишь, потому что продакт, который сделал свой продукт и заработал на нем 500 тысяч рублей за месяц (это реально несложно), не понимает зачем идти в найм на меньшие или сопоставимые деньги, где ему ещё будут говорить что делать и на какие митинги ходить.
Превратите аналитиков в продакт менеджеров, а продакт менеджеров в предпринимателей внутри компании и будет вам счастье.
- Анализирует A/B тесты - $12 - Сам выдвигает гипотезы - $22 - Окупает свою зарплату - $11 - Работает с SQL - $9 - Знает R/Python - $12 - Знает Excel - $2 - Отвечает за качество данных - $8 - Ведёт Телеграм канал - $3 - Общается с коллегами - $2 - Пишет своё имя без ошибок - $1
Из последних обновлений в Google Cloud, которых что-то около 112, один из интересных это recommendation AI (https://cloud.google.com/recommendations/), который позволяет с помощью google shopping загрузить фид, с помощью GTM действия пользователя (как обычно: detail, search, addtocart и тп) и назад получить персонализированные списки рекомендованных товаров (формируемые по разным правилам). Мега вещь, которая может убить несколько бизнесов, которые делают тоже самое. И стоит это $.35 / 1000 predictions, причём первые 20k бесплатно
В BigQuery ML появилась возможность использовать алгоритм K-Means. Как это помогает находить инсайты в данных, с шаблонами SQL-запросов, описано на примере публичных данных велопроката Лондона (EN).
Лёша Долотов, долгое время бывший главным аналитиком Яндекса, написал статью о своём пути внутри компании и даёт важные советы тем, кто принимает решения на основе данных.
