אז איך תוציאו את התכל׳ס מהדאטה

לאסוף נתונים זה נחמד, אבל מה עכשיו? דאטה אנליסטית מספרת מה הצעדים שהיא עושה כדי להפוך את הדאטה לתובנות

מקור: Pixabay

מאת אריאן גרוס

דאטה – נפט או זהב?

אולי יצא לכם לשמוע אמירות כמו “דאטה הוא הנפט של המאה ה-21”, “דאטה זה הזהב החדש” – אך האם הן מוצדקות? יש הטוענים כי לא ניתן להשוות מכיוון שאלו הראשונים הם משאבים מתכלים, ודאטה הוא משאב נצחי ובצמיחה.

בין אם דאטה הוא נפט, זהב או משאב אחר, כולם מסכימים על חשיבותו, הצורך בשמירתו ומעל לכל, הכוח האדיר שהוא יכול להקנות לאלה היודעים לעשות בו שימוש מושכל.

כמות הנתונים הנאגרים בידי חברות גדלה בכל יום אך הנתונים בפני עצמם לא שווים המון. הערך האמיתי החבוי בהם דורש ניתוח, הפיכת המידע לידע, הבנת הסיפור שהתרחש ותרגום לתובנות מעשיות. בעקבות ההבנה הזאת, הולכת וגדלה הדרישה לניתוח מעמיק של הנתונים.

אז איך עושים את זה?

תהליך ניתוח הנתונים דורש מצד אחד הבנה עסקית, יכולת לשאול שאלות ומאידך כישורים טכניים והיכרות עם שיטות עבודה אנליטיות. עוד לפני שמתחילים לצלול לתוך הנתונים חשוב להבין בדיוק מה מעוניינים לבדוק, איזו בעיה מנסים לפתור או איזו תופעה מנסים להבין ומומלץ גם להעלות היפותזות לגבי שורש הבעיה. בשלב הזה מעלים את כל השאלות שרוצים למצוא להן תשובות ומחליטים על דרך מדידה.

הנה דוגמה לאיך אנחנו השתמשנו בנפט שלנו – כחלק ממאמצי החברה לגדול הוחלט להתמקד בהמרה של משתמשים פוטנציאלים ללקוחות משלמים, כשהרעיון הוא להשפיע מתוך נתונים ולא מתחושת בטן.

החלטנו להסתכל על נתוני העבר ולבחון את ההתנהגות הראשונית של משתמשים שהפכו ללקוחות משלמים על מנת לנסות ללמוד מכך האם ניתן להחיל שינויים בתהליך למשתמשים חדשים, ולשפר את אחוז ההמרה שלהם. דוגמאות לשאלות ששאלנו: מה הם הפיצ׳רים הכי שימושיים במהלך הביקור הראשון? במשך כמה זמן הם שוהים באתר? האם הם צופים בסרטון הדגמה? האם יש “מקומות” במוצר שפחות משתמשים בהם ולמה?

ההיפותזה שלנו הייתה שחוסר אוריינטציה של משתמשים חדשים מונעת מהם להתפקס ואם נכווין אותם טוב יותר בביקור הראשוני שלהם, תהיה להם חוויית משתמש טובה יותר והם ייחשפו לערך האמיתי של המוצר ולבסוף יהפכו ללקוחות משלמים.

לאחר שלב השאלות וההשערות, ניגשים למלאכת איסוף הנתונים הגולמיים מהמקורות השונים, בדיקת איכות הדאטה וארגון הנתונים. במקרה שלנו אספנו נתונים ממערכת ה-CRM, ממסד הנתונים האפליקטיבי שלנו, ממערכת אנליטיקס וממערכות פנימיות שעוזרות לנו לאסוף נתונים כמו זמן שהייה באתר. לאחר מכן, מידלנו את הנתונים והגדרנו את הקשרים בין הטבלאות על ידי שימוש בבסיס נתונים Redshift. התהליך הזה נעשה על מנת שיהיה אפשר לבנות שאילתות SQL לתחקור המידע.

לאחר מכן, מתחילים להסתכל על הנתונים מכל כיוון אפשרי. לא קיימת מתודולוגיית עבודה אחת שתעבוד עבור כל מקרה, מדובר בתהליך לא מובנה שדורש גישה יצירתית. בכל זאת ניתן להצביע על מסגרת עבודה שחלה כמעט בכל אנליזה:

  1. סינון ומיון – מנקים את הדאטה ומבודדים רעשים ע״י הוצאת משתמשים חריגים. בפרויקט שלנו, סיננו משתמשי בדיקות ומשתמשים מזויפים. אף אחד לא מושלם ולכן היה צריך להתמודד גם עם באגים כמו כפילויות במידע. הרשומות החריגות אותרו על ידי שאילתות שבחנו ערכים ריקים, זמני עדכון טבלאות וספירת מספר רשומות.
  2. קיבוץ ופילוח – באמצעות חיבור משתמשים לקבוצות על בסיס מכנה משותף, ניתן להבין דפוסי התנהגויות שנבלעו לפני כן בכל הרעש של הנתונים. למשל בפילוח הנתונים שלנו לפי הזמן בשנה בה מצטרפים אלינו משתמשים חדשים ראינו תופעה מעניינת – בחודשים מסוימים בשנה למשתמשים יש משמעותית פחות פנאי ללמוד מוצר חדש ולכן שיעור ההמרה נמוך יותר.
  3. חישוב שיעור המרה – ברוב המקרים נסתכל על אחוזים ולא על מספרים אבסולוטים וכשנבצע השוואה נדאג לשמור על עקרון השוואת ״תפוחים לתפוחים״. אצלנו בחברה, הבחנו בקפיצה משמעותית במספר המשתמשים החדשים שהצטרפו אלינו בחודש מסוים אך באחוז ההמרה לא חל שינוי. בהסתכלות על נתוני עבר ראינו שהמגמה דומה בתקופה זהה בשנה ולכן יחסנו את התופעה לעונתיות.
  4. ויזואליזציה – יש למצוא את דרך הצגת הנתונים החזותית הברורה ביותר שתבליט את המגמות שחלו. במחקר שלנו, הצגנו את הנתונים בפלטפורמת הבינה העסקית שלנו בדיאגרמת זרימה שמציגה מסלולים שונים שמשתמשים עשו בפעם הראשונה באתר. כל מסלול מיוצג על ידי ענף ועובי הענף מעיד על כמה המסלול נפוץ.

מוצאים את הקורלציה, אבל זהירות מתאונות בדרך

לאחר שכל המידע מונגש נחפש קורלציה משמעותית בין משתנים. בדרך כלל, הממצאים המשמעותיים ביותר מתקבלים בחקר נתונים של קשרים בין משתנים והצלבתם. אבל פה חשוב מאוד להישאר זהירים – לא כל שני משתנים שמתנהגים אותו דבר מעידים על סיבה ותוצאה. דוגמה לטעות שאנחנו עשינו בקריאת הנתונים היא בניתוח שעשינו על המכשיר ממנו משתמשים חדשים נכנסים לאתר. ראינו בצורה מובהקת שמשתמשים שהגיעו ממחשב אישי מומרים בשיעור גבוה יותר ממשתמשי מובייל, ועל כן הסקנו שחוויית המשתמש במחשב אישי טובה יותר, וכתוצאה החלטנו שיהיה נכון להוביל את משתמשי המובייל למחשב. עשינו זאת על ידי מסרים שהעברנו במוצר וחסימת פיצ׳רים מסוימים במובייל. הצלחנו במשימה שלנו להעביר את משתמשי המובייל למחשב אך לא העלנו את אחוז ההמרה. לאחר מחקר נוסף, הבנו שהסיבה האמיתית להבדל הייתה שמשתמשי המובייל הגיעו מקמפיין מסוים ולא בגלל עצם השימוש במובייל.

כשהאנליזה מוכנה מגיע הזמן לבריין סטורמינג עם אנשי מוצר, מפתחים ומעצבים. במפגש כזה תמיד יעלו כיווני חקירה נוספים שאת חלקם יהיה ניתן למצוא בהתבוננות נוספת בנתונים. במקרים אחרים, במיוחד באזורים חדשים של המוצר, ניגש למחקר איכותני. לדוגמה, החלטנו לפתוח את המוצר לורטיקל חדש ולכן היה קשה להגיע למובהקות סטטיסטית מהנתונים ופנינו לראיונות משתמשים.

ובחזרה לפרויקט שלנו, במהלך סיעור מוחות זיהינו דפוס התנהגות מאוד ברור של משתמשים שסיימו את תקופת הניסיון והחליטו לרכוש את המוצר. ראינו שהם משתמשים בכמה מהפיצ׳רים המרכזיים שלנו, עורכים את פרופיל המשתמש שלהם, שוהים באתר למשך טווח זמנים מסויים ועוד.

תובנות על תובנות

אנליזה טובה מסתיימת בהצגת המלצות לפעולות מעשיות ואפקטיביות בהתאם לתובנות.

במקרה שלנו, הוחלט על יצירת מדריך למשתמש שיוצג למשתמשים במהלך החוויה הראשונית שלהם שיכווין אותם לשימוש נכון במוצר, ובעיקר בפיצ׳רים שזיהינו ככאלה שתורמים בהבנת ערך המוצר. מדובר על עמוד שמציג צ׳ק ליסט של מטלות שכל אחת מהן עוזרת בהיכרות טובה יותר עם המוצר. כמובן שערכנו בדיקת A/B ורק לאחר שהגענו למובהקות סטטיסטית העלנו את הגרסה לכל המשתמשים.

האימפקט היה גדול והצלחנו להגיע למצב שהעלנו משמעותית את מספר המשתמשים החדשים שמבינים את משמעות המוצר ובעקבות זאת מחליטים לרכוש אותו.

להתמיד – ולתמיד

שימוש במתודולוגיות שהוזכרו צריכות להתלוות לכל קבלת החלטה עסקית. לעיתים, במהלך תהליך האנליזה ניתן לאתר, על בסיס הנתונים, הזדמנויות חדשות שיובילו למחקרים נוספים.

במקרה שלנו, כחלק מהמחקר על תקופת הניסיון של משתמשים, זיהינו הזדמנות בהגדרה מחדש של תקופת הניסיון החינמית שאנו נותנים למשתמשים חדשים וזה הביא אותנו לפרוייקט חדש לגמרי סביב קיצור תקופת הניסיון.

לסיכום, הנתונים הם רק נקודת המוצא, החלק המהותי הוא להבין איזה מידע ניתן להפוך למסקנות שנותנות ערך לקידום החברה וקביעת פעולות למימוש שיביאו לצמיחה – זקקו את הנפט שלכם.

הכותבת הינה דאטה אנליסטית ב-HoneyBook

Avatar

כתב אורח

אנחנו מארחים מפעם לפעם כותבים טכנולוגים אורחים, המפרסמים כתבות בתחומי התמחות שלהם. במידה ואתם מעוניינים לפרסם פוסט בשמכם, פנו אלינו באמצעות טופס יצירת קשר באתר.

הגב

4 תגובות על "אז איך תוציאו את התכל׳ס מהדאטה"

avatar
Photo and Image Files
 
 
 
Audio and Video Files
 
 
 
Other File Types
 
 
 

* היי, אנחנו אוהבים תגובות!
תיקונים, תגובות קוטלות וכמובן תגובות מפרגנות - בכיף.
חופש הביטוי הוא ערך עליון, אבל לא נוכל להשלים עם תגובות שכוללות הסתה, הוצאת דיבה, תגובות שכוללות מידע המפר את תנאי השימוש של Geektime, תגובות שחורגות מהטעם הטוב ותגובות שהן בניגוד לדין. תגובות כאלו יימחקו מייד.

סידור לפי:   חדש | ישן | הכי מדורגים
Asaf
Guest

“…הם משאבים מתכלים, ודאטה הוא משאב נצחי ובצמיחה.”
דווקא data שהוצאו ממנו תובנות לא ממש שימושי. בסופו של דבר מגיעים למסקנות ואין טעם להמשיך לחפור. למשל בכתבה מדברים על קיצור תקופת נסיון. אחרי שיהיו מסקנות ברורות בסוף המחקר, הוצאו התובנות מה- data.

דוד
Guest

אתה טועה, אחרי המסקנות הדאטא נשמר ואפשר להשתמש באותו דאטא בשביל להגיע לתובנות בכיוונים שונים לגמרי שיצטרכו בעתיד.

שון
Guest

וואו, אם בשביל דברים כאלה מעסיקים Data Scientist…
הדוגמא שהוזכרה כאן היא משהו שכל מנהל מוצר שאמור להבין את הקונטקסט (ובמידה ואכן יש לו שכל וניסיון) יכול להבין ב-5 דקות ממבט חטוף באנליטיקס בלי מחלקה שלמה ומיותרת סביבו. אם צריך מישהו שיקנפג A/B Tests אז קחו סטודנט.
מילא אם היה נכתב על פיתוח שבאמת מצריך פיענוח של המון Data דרך AI/ML בשביל פיתוח של תרופות וטיפולים חדשים, או למצוא דרכים יעילות יותר לשפר את החיים.
אבל היי, זה הבאזזז הנוכחי, ויש מספיק פראיירים שישלמו.

אילנה
Guest

הרבה באז וורדס על שום דבר. ״עובדים מדאטה ולא מתחושת בטן״? נשמע כמו נוסחה מנצחת להיתקע בלופ של התנהגות משתמשים שמובילה לשום מקום במקום להתעסק בחדשנות. מקדשים מספרים במקום התנהגויות.. אנחנו ב 2020 – תתקדמו.

wpDiscuz

תגיות לכתבה: