https://virgool.ir/feed/@attaran.pooryaاین روزها دایرکتور دیتا در اکالاfa2026-11-11 09:27:16https://files.virgool.ir/upload/users/28642/avatar/uGZhaa.pnghttps://virgool.ir/@attaran.pooryahttps://virgool.ir/@attaran.poorya/چرا-سوال-تخمین-در-مصاحبه-های-کاری-مهم-است-ikcdk7mcasm7بررسی ذهنیت معمول مصاحبه‌کننده‌ها در مطرح کردن سوال تخمین در مصاحبه‌های کاری یک تیپ متداول از سوال‌هایی که در مصاحبه‌ی فنی پروداکت منجرها، بیزنس آنالیست‌ها و دیتا آنالیست‌ها (و حتما پوزیشن‌های دیگری) مطرح می‌شود، سوال تخمین است: استارباکس توی دنیا سالی چندتا فنجون نوشیدنی می‌فروشه؟ در هر لحظه چند نفر دارن توی آپارات ویدیو می‌ببینن؟ چند متر مربع شیشه توی تهران هست؟ تاکسی‌های اینترنتی تو تهران سالی چند لیتر بنزین می‌سوزونن؟ در تجربه‌ی کاری کوتاهی که دارم، هم به عنوان مصاحبه شونده و هم به عنوان مصاحبه کننده با این سوال رو به رو بوده‌ام. اوایل، به عنوان مصاحبه شونده کمی برایم ترسناک بود و خیلی هم درک نمی‌کردم چرا این سوال مطرح می‌شود. بالاخره بعد از چند بار خراب کردن مصاحبه، تصمیم گرفتم به طور مشخص برای این سوال آماده شوم. با اولین جستجوها به نظر می‌رسید که افراد زیادی دغدغه‌ی این نوع سوال را دارند و روش‌ها و تمرین‌های خوبی برای آماده شدن برای این سوال در مصاحبه وجود دارد. روش‌ها را کمابیش یاد گرفتم و به تدریج در جواب دادن به این سوال کمی بهتر شدم و حالا به عنوان مصاحبه شونده، این سوال برایم یکی از قسمت‌های جذاب مصاحبه بود. اما بعدا وقتی به عنوان مصاحبه کننده پرسیدن سوال تخمین را امتحان کردم و سبک‌های مختلف مواجه شدن کاندیداها با سوال را دیدم، تازه واقعا متوجه شدم که مطرح کردن این سوال در مصاحبه چقدر ایده‌ی خوبی به نظر می‌رسد و چقدر برای رسیدن به یک ارزیابی به‌درد‌بخور از کاندیداهای یک شغل تحلیلی (مثل مدیریت محصول، تحلیل داده یا تحلیل کسب و کار) موثر است.دلایل من این‌هاست: ۱. مصاحبه‌کننده‌ها دنبال کاندیدایی می‌گردند که «مسئله حل کن» باشد. مدت‌ها پیش، زمانی که برای شغل بیزنس آنالیست در یک شرکت مشاوره مدیریت مصاحبه می‌دادم، یکی از مصاحبه‌کننده‌ها جلسه‌اش را اینطور شروع کرد:"ما معتقدیم آدما به دو دسته‌ی problem solver و non-problem solver تقسیم می‌شن. اینجوری نیست که معتقد باشیم یک دسته برتر از دسته‌ی دیگه هستن، ولی می‌دونیم واسه شغل ما اونایی به درد می‌خورن که problem solver هستن. و هدف این مصاحبه اینه که ببینیم توی به درد شغل ما می‌خوری یا نه" سوال تخمین، چون نیاز به تشریح طولانی صورت مسئله و توضیح پیش‌نیازها ندارد، ولی در نهایت می‌تواند به یک جواب آخر صریح برسد؛ راه خیلی کم درد سری است برای این که در زمان محدود مصاحبه، بسنجیم کاندیدا چقدر «مسئله حل کن» است.کاندیدا زمان محدود و مشخصی دارد، احتمالا فکت‌هایی را از قبل در ارتباط با مسئله‌ی مطرح شده می‌داند و می‌داند که در پروسه‌ی جواب دادن به سوال قرار نیست بی‌نقص عمل کند، اما حتما باید خروجی تحویل دهد. با این تفاسیر؛ آیا شروع می‌کند به نوشتن عددهایی که از قبل می‌داند و در حالی که به سمت جواب حرکت می‌کند با صدای بلند هم فکر می‌کند؟ یا ترجیح می‌دهد برایتان قصه تعریف کند که "خب اول جمعیت تهرانو بگیریم، بعد تعداد خونه‌ها رو تخمین بزنیم، بعد ببینیم هر خونه چندتا پنجره داره. البته نه اونجوری نمیشه، چون راه پله‌ها هم ممکنه پنجره داشته باشن" و حین تعریف کردن هم در چشم‌های مصاحبه‌کننده دنبال تایید یا رد ایده‌ش بگردد؟۲. مصاحبه‌کننده‌ها دنبال کاندیدایی می‌گردند که با عدد و رقم راحت باشد.اعتراف می‌کنم که خود من خیلی در محاسبات ذهنی خوب نیستم و طبیعتا منظورم این نیست که انتظار دارم کاندیدا بتواند تقسیم همه‌ی اعداد نه رقمی به سیصد و شصت و پنج را ذهنی انجام بدهد. اما در‌ مواجهه با کاندیداهای مختلف متوجه شده‌ام که آدم‌ها در شرایط مصاحبه، حتی در این حد دچار اشتباه می‌شوند که اگر یک خودرو در 100 کیلومتر 10 لیتر بنزین مصرف می‌کند، در 20 کیلومتر چقدر بنرین مصرف می‌کند.بدیهی است که همه‌ی کاندیداها دانش لازم برای این محاسبات پایه را در کودکی یاد گرفته اند، اما عملکردشان در رو به رویی با عددها در شرایط مصاحبه، احتمالا به خوبی نشان می‌دهد که چقدر روزانه درگیر انجام دادن محاسبات پایه هستند و به عبارت بهتر احتمالا نشان می‌دهد که کاندیدا چقدر در شغل فعلی‌اش با عدد و رقم سر و کار داشته.۳. مصاحبه‌کننده‌ها دنبال کاندیدایی می‌گردند که مشتاق باشد، و متاسفانه جمله‌ی «من خیلی passionate هستم» چند سالی‌است که دیگر خیلی متقاعد کننده نیست.در مورد اهمیت اشتیاق به اندازه‌ی کافی نوشته شده. و شاید همین باعث شده که همه‌ی کاندیداها، در رزومه‌شان بنویسند که آدم مشتاقی هستند و بدانند که جواب کلاسیک به سوال کلیشه‌ای «چندتا ویژگی مثبت خودتو بگو» این است که «من خیلی passionate هستم.» واضح است که این هیچ کمکی به ارزیابی اشتیاق کاندیدا نمی‌کند."Passionate people don’t wear their passion on their sleeves; they have it in their hearts. They live it."Eric Schmidt, Jonathan Rosenberg, How Google Worksآیا کاندیدا در مواجهه با سوال تخمین، بی‌حوصله فقط تلاش می‌کند که این قسمت از مصاحبه را «از سر بگذراند»؟ یا از مسیر حل مسئله لذت می‌برد و با نزدیک شدن به جواب نهایی، لبخندی از رضایت می‌زند؟۴. مصاحبه‌کننده‌ها دنبال کاندیدایی می‌گردند که بتواند بازخورد بگیرد. رفتار و منش یک کاندیدا در زمان بازخورد گرفتن در مورد مسیر حل مسئله هم ارزیابی خوبی از این که این کاندیدا چقدر می‌تواند همکار مناسبی باشد به مصاحبه‌کننده می‌دهد. شغل یک مدیرمحصول یا یک تحلیلگر داده اغلب شامل مقدار زیادی حل مسئله‌ی گروهی است و دور از ذهن نیست اگر الگویی که کاندیدا در طول مصاحبه در مواجهه با بازخورد بروز می‌دهد، همان الگویی باشد که پس از پذیرفته شدن در مصاحبه و شروع کار تکرار خواهد کرد.آیا کاندیدا ترجیح می‌دهد بازخوردی که در مورد مسیر حل مسئله از مصاحبه‌کننده می‌گیرد را بی قید و شرط بپذیرد؟ آیا اصرار دارد مسیر خودش را دنبال کند و اهمیتی به بازخوردی که گرفته نمی‌دهد؟ یا مایل است بازخورد را به دقت بشنود و تصمیم بگیرد که چگونه از آن استفاده کند؟آیا بعضی از این دلایل در ذهنتان بحث برانگیز هستند؟ آیا شما دلایل دیگری برای استفاده از سوال تخمین در ارزیابی کاندیداهایتان دارید؟ یا توصیه‌ای برای کاندیداهایی که برای مصاحبه آماده می‌شوند دارید؟پوریا عطارانپوریا عطارانThu, 19 Aug 2021 15:13:17 +0430https://virgool.ir/@attaran.poorya/آزمون-چند-متغیره-در-مقابل-آزمون-آب-در-محصول-و-بازاریابی-mtt86iu9nn9pدر علی‌بابا در مراحل نهایی ایجاد انبار داده‌ی استاندارد هستیم و ظاهرا از این به بعد آزمایش و تجربه، روز به روز سهم بیشتری از کارهایمان را به خودش اختصاص می‌دهد.من نیاز داشتم برای ایجاد یک سند داخلی توضیحات منظمی تهیه کنم و چیزی که می‌خوانید ترجمه‌ی یک پست در بلاگ آپتیمایزلی (رهبر بی‌رقیب( :)) ) بازار پلتفرم‌های آزمایش و تجربه در دنیا) است که مختصر و مفید به تفاوت آزمون آ/ب و آزمون چندمتغیره می‌پردازد و احتمالا می‌تواند مرجع پست‌های بیشتری در آینده باشد.این عکس از جای دیگری برداشته شده و متعلق به پستِ ترجمه شده از آپتیمایزلی نیست.تفاوت میان آزمون چند متغیره و آزمون آ/بتفاوت میان آزمون چند متغیره و آزمون آ/ب چیست؟ بیایید نگاهی به متدولوژی، کاربردهای متداول، مزیت‌ها و محدودیت‌های این دو روش آزمون بیندازیم.آزمون آ/بآزمون آ/ب که ممکن است شنیده باشید با نام Split Testing (به فارسی می‌شود آزمون انشعاب، ولی این نام دوم در فارسی خیلی کاربرد ندارد) نیز به آن اشاره کنند، یک متد بهینه‌سازی وب‌سایت است که در آن نرخ تبدیل دو نسخه از یک صفحه (نسخه‌ی آ و نسخه‌ی ب) با استفاده از ترافیک زنده مقایسه می‌شود. هر کدام از بازدیدکنندگان سایت به یکی از دو نسخه هدایت می‌شوند. با دنبال کردن نحوه‌ی برخورد کاربر با صفحه‌ای که به او نشان داده شده (مثلا ویدیوهایی که دیده، دکمه‌هایی که رویشان کلیک کرده، این که برای عضویت در خبرنامه ثبت‌نام کرده یا نه) می‌توانید تصمیم بگیرید که کدام نسخه‌ی این صفحه، موثرتر است.کاربردهای متداولآزمون آ/ب ساده‌ترین متد برای ارزیابی طراحی یک صفحه است، که در گستره‌ای از موقعیت‌ها به درد می‌خورد.یکی از متداول‌ترین جاهایی که از آزمون آ/ب استفاده می‌شود، آزمون کردن دو جهتِ طراحی کاملا متفاوت در برابر یک‌دیگر است. مثلا نسخه‌ی فعلی صفحه‌ی اول سایت یک شرکت، دعوت به اقدام‌های متنی دارد؛ در حالی که در نسخه‌ی جدید بیشتر متن‌ها حذف شده‌اند و در عوض یک بار جدید در بالای صفحه، جدیدترین محصولات را تبلیغ می‌کند. پس از این که تعداد کافی از بازدیدکنندگان به هر کدام از صفحه‌ها هدایت شدند، تعداد کلیک روی نسخه‌ی دعوت به اقدامِ هر صفحه را می‌توان مقایسه کرد. مهم است توجه کنید که با این که المان‌های طراحی زیادی در این آزمون تغییر کرده‌اند، آزمون فقط قرار است تاثیر طراحی هر صفحه به عنوان یک کل را مقایسه کند، نه تک تکِ المان‌های صفحه‌ها را.آزمون آ/ب همچنین در بهینه‌سازی صفحه‌هایی که در آن‌ها فقط یک المان محل بحث است نیز کاربرد دارد. مثلا یک فروشگاه لوازم حیوانات خانگی ممکن است در نتیجه‌ی آزمون آ/ب کشف کند که اگر خبرنامه توسط یک موش کارتونی نمایش داده شود، 85 درصد کاربران بیشتری مایل به ثبت‌نام برای دریافت آن هستند نسبت به این که خبرنامه از میان حلقه‌های یک مار بوآ ظاهر شود. در چنین کاربردهایی از آزمون آ/ب، ممکن است نسخه‌ی سوم یا حتی چهارمی هم وارد آزمون شوند، که گاهی عنوان آن به آزمون آ/ب/پ/ت تغییر می‌کند. بدیهی است که این به معنی تقسیم کردن ترافیک سایت به سه یا چهار قسمت است و درصد کمتری از بازدیدکنندگان، هر کدام از نسخه‌ها را می‌بینند.مزایابه خاطر سادگی در مفهوم و طراحی، آزمون آ/ب ابزار قدرتمند و بسیار پر استفاده‌ای است.از آن جا که آزمون برای انجام شدن نیاز به ترافیک خیلی زیادی نخواهد داشت، با پایین نگه داشتن تعداد متغیرهایی که دنبال می‌کنیم، می‌توانیم به سرعت داده‌های قابل اتکا تولید کنیم. این به خصوص برای سایت‌هایی که تعداد بازدیدکننده‌ی روزانه‌ی کمی دارند بسیار مهم است. تقسیم کردن ترافیک به بیش از سه یا چهار قسمت، به پایان رساندن آزمون را دشوار می‌کند. در واقع آزمون آ/ب آن‌قدر سریع است و آسان تفسیر می‌شود که بسیاری از سایت‌های بزرگ از آن به عنوان متد اصلی آزمون استفاده می‌کنند و به جای آزمون‌های پیچیده‌تر چند متغیره، سیکل‌های متنوعی از آزمون آ/ب را پشت سر هم اجرا می‌کنند.همچنین آزمون آ/ب، برای توضیح دادن مفهوم بهینه‌سازی برای اعضای یک تیم شکاک مناسب است، چرا که به سرعت اثر قابل اندازه‌گیری یک تغییر در طراحی را نمایان می‌کند.محدودیت‌هاآزمون آ/ب ابزار تطبیق‌پذیری است و اگر با طراحی هوشمند آزمایش و تعهد به سیکل‌های تکرار شونده‌ی آزمایش و بازطراحی همراه شود، می‌تواند به بهبودهای جدی در سایت شما کمک کند. در عین حال مهم است به یاد داشته باشید که محدودیت‌های این نوع آزمون در نامش خلاصه شده اند. آزمون آ/ب برای اندازه‌گیری اثر دو یا چهار متغیر در برخورد با یک صفحه کاربرد دارد. بیشتر شدن تعداد متغیرها، زمان انجام آزمون را طولانی‌تر می‌کند و آزمون آ/ب اطلاعاتی در مورد روابط میان متغیرهای مختلف درون یک صفحه آشکار نمی‌کند.اگر نیاز دارید بدانید المان‌های مختلف درون یک صفحه چگونه با هم در ارتباطند، آزمون چند متغیره رویکرد بهینه‌ای است.آزمون چند متغیرهآزمون چند متغیره از همان مکانیسم اصلی آزمون آ/ب استفاده می‌کند، اما تعداد بیشتری از متغیرها را مقایسه می‌کند و اطلاعات بیشتری در مورد ارتباط این متغیرها با یک‌دیگر را آشکار می‌کند. همانند آزمون آ/ب ترافیک ورودی سایت به نسخه‌های مختلف طراحی هدایت می‌شود. هدف آزمون چند متغیره، اندازه‌گیری اثربخشی هر ترکیبی از متغیرها بر تحقق هدف اصلی است.زمانی که سایت ترافیک کافی برای انجام آزمون را دریافت کند، با مقایسه‌ی داده‌های نسخه‌ها مختلف، نه تنها موفق‌ترین طراحی پیدا می‌شود، بلکه به طور بالقوه مشخص می‌شود که کدام المان‌ها بیشترین تاثیر مثبت یا منفی را بر برخورد بازدیدکننده با سایت داشته اند.کاربردهای متداولمتداول‌ترین مثال آزمون چند متغیره، صفحه‌ای است که المان‌های مختلفی در آن محل بحث هستند. مثلا صفحه‌ای که شامل یک فرم ثبت‌نام، یک متن احتمالا گیرا در هِدِر و یک فوتر است. برای اجرای یک آزمون چند متغیره در چنین صفحه‌ای، به جای آن که یک طراحی به کلی متفاوت (مانند آزمون آ/ب) در میان باشد، ممکن است فقط دو طول مختلف برای فرم ثبت‌نام، سه هِدِر مختلف و دو فوتِر مختلف طراحی کرده باشید. سپس کاربران را به هر یک از ترکیب‌های ممکن از نسخه‌های این سه المان هدایت می‌کنید. به چنین آزمایشی یک «آزمایش عاملی کامل» نیز گفته می‌شود و این یکی از دلایلی است که آزمون چند متغیره فقط به سایت‌هایی که تعداد بازدیدکننده‌ی روزانه‌ی خیلی زیادی دارند توصیه می‌شود؛ هرچه تعداد ترکیب‌هایی که باید آزموده شوند بیشتر شود، گرفتن داده‌های معنی دار از آزمون زمان بیشتری لازم دارد.پس از انجام شدن آزمون، متغیرهای هر نسخه از صفحه با یک‌دیگر و با عملکرد همان نسخه از المان در حضور نسخه‌های دیگر سایر المان‌ها مقایسه می‌شوند. آن‌چه آشکار می‌شود تصویر واضحی است از این که کدام صفحه بهترین عملکرد را دارد و کدام المان‌ها بیشتری تاثیر را در این عملکرد دارند. مثلا ممکن است مشخص شود که تغییر دادن فوتِر صفحه تاثیر خیلی کمی در عملکرد صفحه دارد، در حالی که تغییر دادن طول فرم ثبت‌نام، تاثیر بزرگی دارد.مزایاآزمون چند متغیره، ابزار قدرت‌مندی است که به شما کمک می‌کند تلاش‌هایتان در بازطراحی را روی المان‌هایی متمرکز کنید که بیشترین تاثیر را دارند. این به خصوص در طراحی صفحات فرود برای کمپین‌ها موثر است. مثل وقتی که داده‌های تاثیر طراحی یک المان خاص را در کمپین‌های بعدی نیز به کار می‌برید حتی اگر بستری که المان در آن قرار می‌گیرد تغییر کرده باشد.محدودیت‌هابزرگترین محدودیت آزمون چند متغیره، حجم ترافیک مورد نیاز برای کامل کردن آزمون است. از آن‌جا که همه‌ی آزمایش‌ها عاملیِ کامل هستند، زیاد شدن تعداد المان‌های متغیر می‌تواند منجر به ایجاد تعداد بسیار زیادی از ترکیب‌های ممکن شود که باید همگی آزمایش شوند. حتی سایتی با ترافیک نسبتا بالا، ممکن است برای این که یک آزمون با بیش از 25 ترکیب را در زمان معقولی به انجام برساند دچار مشکل شود.همچنین مهم است که در زمان استفاده از آزمون چند متغیره، بدانید این آزمون به طور مشخص کجای چرخه‌ی آزمون و بازطراحی قرار می‌گیرد. حتی زمانی که شما از تاثیر یک المان خاص مطلع هستید، ممکن است آزمون‌های آ/ب جداگانه‌ای را برای بررسی سایر ایده‌های به کلی متفاوت انجام دهید. همچنین گاهی ممکن است زمان اضافه‌ای که برای انجام کامل یک آزمون چند متغیره لازم است، در مقایسه با انجام چند تست آ/ب که به خوبی طراحی شده باشند و همان کار را برایمان انجام دهند به صرفه نباشد.حرف آخربه خاطر تفاوت‌های بین آزمون آ/ب و آزمون چند متغیره، آن‌ها را به عنوان دو چیز مقابل هم طبقه‌بندی نکنید. در عوض آن‌ها را به عنوان دو متد قدرت‌مند بهینه‌سازی ببینید که یک‌دیگر را کامل می‌کنند. یکی را انتخاب کنید یا از هر دو استفاده کنید تا بتواند بیشترین بهره را از سایتتان بگیرید.پوریا عطارانپوریا عطارانThu, 28 May 2020 15:41:58 +0430https://virgool.ir/@attaran.poorya/تکامل-یک-سازمان-دادهمحور-bizxiy9awsldاز بین مقاله‌های مختلفی که در جواب سوال «چگونه داده محور شویم» پیدا می‌شوند، این یکی در بلاگ بیزنس آنالیتیکسِ آی‌بی‌ام خیلی برایم جذاب بود.هم به این دلیل که سر راست و بی‌تعارف است، و تجویزهای خوشگل اما کلی و به درد نخوری مثل «فرهنگش را ایجاد کنید» یا «اول یک استراتژی برایش تدوین کنید» ندارد. و هم به این دلیل که از پنج مرحله‌ای که توصیف شده، در دو و نیم سال گذشته در علی بابا، کم و بیش گذر سازمان از دو مرحله را عملا و شبیه همین توصیفات تجربه کرده‌ام و با خیال راحت‌تری می‌توانم اعتماد کنم که مرحله‌ی بعدی‌مان هم شبیه چیزی است که اینجا توصیف شده.کریس پن، نویسنده‌ی این مقاله، به تدریج آن را در بلاگ خود به روز می‌کند، و چیزی که می‌خوانید ترجمه‌ی آخرین به روز رسانی در 8 آگست 2019 است.کریس پن، 2016داده‌محور بودن یک شرکت یعنی چه؟ اغلب شرکت‌ها، از اول، داده محور و حولِ داده خلق نمی‌شوند؛ برای بیشتر شرکت‌ها این یک تکامل در فرهنگ و استراتژی‌شان است، سفری که ممکن است چند سال طول بکشد.برای داده‌محور شدن، شرکت‌ها طی پنج مرحله تکامل پیدا می‌کنند.مقاومت در برابر دادهکنجکاوی در مورد دادهآگاهی از دادهتسلط به دادهداده‌محوریمقاومت در برابر دادهدر یک شرکت مقاوم در برابر داده، احتمالا خیلی می‌شنوید که «ما همیشه همینطور انجامش داده ایم» -جمله‌ای که برای یک مدیر پیشرفت‌گرا، هر بار شنیدنش دردناک است.- سازمان‌ها به خاطر دلایل زیر، اغلب با مقاومت در برابر داده شروع می‌کنند:داده ممکن است مسائل پنهان عملکردی را آشکار کندداده ممکن است نقش افرادی را به طور برجسته مشخص کند و مسئله‌های سیاسی ایجاد کندداده ممکن است بازار پیغام/برند را تحت تاثیر منفی قرار دهدداده ممکن است نشان دهد که استراتژی‌های سازمان هم‌راستا نیستندگذار از مرحله‌ی مقاومت در برابر داده، معمولا یک تلاش خلاقانه از درون سازمان است؛ یک نفر که در قلمرو خودش نیاز به بهبود عملکرد دارد، شروع به استفاده از داده می‌کند، بدون این که دستوری از سمت سازمان گرفته باشد.کنجکاوی در مورد دادهیک شرکت کنجکاو در مورد داده، می‌داند که درون دیوارهای شرکت داده وجود دارد و می‌داند که داده‌ها به طور ضمنی ارزشمند هستند، هرچند هنوز این ارزش به دست نیامده. شرکت‌های کنجکاو در مورد داده، روی جمع‌آوری داده تمرکز می‌کنند و اغلب آگاهی‌شان از ارزشمندی بالقوه‌ی داده را از طریق فروشنده‌ها و سیستم‌هایی از این قبیل به دست آورده اند:تحلیل وبتحلیل شبکه‌های اجتماعیاتوماسیون نیرو‌های فروش/مدیریت ارتباط با مشتریانسیستم‌های برنامه‌ریزی منابع سازمانحسابداری و برنامه ریزی مالیچه چیزی در داده هست؟ چه ارزشمندی‌ای ممکن است داشته باشد؟ گذار از کنجکاوی در مورد داده به آگاهی از داده، در نتیجه‌ی یک میل به باز کردنِ ارزشِ داده‌هایی که شرکت دارد، حاصل می‌شود.آگاهی از دادهیک شرکت آگاه از داده، تلاش می‌کند هر عصاره‌ی ارزشمندی را از داده‌ها بیرون بکشد. شرکت‌های آگاه از داده روی تحلیل تمرکز می‌کنند؛ این که در داده‌ها چه چیزی اتفاق افتاده. داده چه چیزی می‌گوید؟ این مرحله از تکامل شرکت، مرحله‌ای است که من به آن می‌گویم رژه‌ی ابزارها؛ در حالی که شرکت‌ها در داده‌هایشان کاوش می‌کنند، رژه‌ای از ابزارها و فروشنده‌ها وارد و خارج می‌شوند، مانند:ذخیره سازی و انبار دادهتحلیل دادهئی‌تی‌ال (استخراج، تغییر، لود)رایانش ابری و هنگام درخواستشرکت آگاه از داده، ارزش تاکتیکی داده‌هایش را به دست می‌آورد: «بیایید دیگر این کار را نکنیم» و «بیایید این کار را بیشتر انجام دهیم». چنین شرکتی از یافته‌های حاصل از داده در حال ساخت استفاده می‌کند. بسیاری از شرکت‌ها، چندین سال در مرحله‌ی آگاهی از داده گیر می‌کنند. دستاوردهای تاکتیکی ذی‌نفعان را راضی می‌کنند و تا مدتی، بازگشت سرمایه‌گذاری برای گذار به مرحله‌ی بعدی، کافی به نظر نمی‌رسد.گذار به تسلط به داده، معمولا وقتی اتفاق می‌افتد که رژه‌ی ابزارها و فروشنده‌ها دیگر برای شرکت قدیمی شود. «این همه پول را دقیقا روی چه چیزی داریم خرج می‌کنیم؟» سوالی است که وقتی شرکت آماده‌ی گذار به فاز بعدی باشد، می‌شنویم.تسلط به دادهشرکت مسلط به داده، می‌داند که ارزش داده قفط تاکتیکی نیست؛ داده می‌تواند یک دارایی استراتژیک باشد. برای توسعه‌ی این ارزش استراتژیک، شرکت مسلط به داده به سرمایه گذاری روی «چه چیزی» ادامه می‌دهد، اما بعد توجهش را به سمت «چرا» می‌چرخاند؛ به توسعه‌ی بینش[1] چرا فروش فصل پیش افتاد؟چرا مصرف‌کنندگان محصول ما را کمتر خریدند؟چرا ایجاد مشتریان بالقوه جدید در هفته‌ی چهارم ماه متوقف شد؟چرا آ جواب داد اما ب جواب نداد؟شرکت مسلط به داده، بینش را گسترش می‌دهد. کلمه‌ی بینش(Insight) طبق تعریف یعنی نگاه به درون. هیچ مقداری از ابزارها یا فروشنده‌ها نمی‌توانند جایگزین بررسی به سمت درون، روی داده‌ها و تحلیل‌های شرکت باشد. حتی وقتی از طریق ابزارهایی مانند نظرسنجی یا قوم‌نگاری به بیرون نگاه می‌کنیم، در واقع نگاه می‌کنیم که درون سازمان چه کاری می‌توانیم بکنیم تا توضیح دهیم چرا چیزی اتفاق افتاده.گذار به سازمان داده‌محور زمانی اتفاق می‌افتد که بینش واقعی‌ای از این که «چه چیزی اتفاق می‌افتد» و «چرا» توسعه داده باشیم. وقتی این بینش را به ذی‌نفعان تحویل دهیم، اولین سوال باید این باشد که «خب، حالا می‌خواهید در موردش چکار کنید؟» این شروع داده‌محور شدن سازمان است.داده‌محوریسازمان داده‌محور، داده، تحلیل و بینش را ترکیب می‌کند تا به این سوال پاسخ دهد که «بعدش چی؟». با استفاده از داده در همه‌ی سطح‌ها، در همه‌ی قسمت‌های سازمان، شرکت داده‌محور، داده را به عنوان یک منبع استراتژیک می‌پذیرد. در سازمان داده‌محور اغلب چیزهایی مانند این می‌شنویم:بر اساس داده، ما باید در فصل آینده سرمایه‌گذاری روی آ را 23 درصد افزایش دهیم.تحلیل ما از دلیل شکست بازاریابی ایملی‌مان، نشان می‌دهد که کمپین برای موبایل مناسب نبوده است؛ تمام کمپین‌های آینده طراحی واکنش‌گرا[2] خواهند داشت.مشتریان در پاسخ به سوال ما گفته اند که از رنگ نارنجی نئونی محصولمان بدشان می‌آید، آزمایش‌ها و نظرسنجی‌ها ثابت کردند که یک رنگ طلایی ملایم، مشتری‌پسندتر خواهد بود.تصمیماتی که سازمان‌های داده‌محور می‌گیرند، شامل داده، «چه اتفاقی افتاد»، «چرا»، و «بعدش چی» در عبارت‌های تمیز و دقیق هستند که اقدام بعدی‌ای که باید انجام شود را نشان می‌دهند. داده، دارایی ارزشمندی است که به همه‌ی تصمیم‌های اصلی‌ای که گرفته می‌شوند، نیرو می‌بخشد؛ در یک سازمانِ واقعا داده‌محور، هر جلسه‌ی برنامه‌ریزی با داده شروع می‌شود، و هیچ تصمیمی اجرایی نمی‌شود مگر آن که ساختاری برای جمع‌آوری [داده] و اندازه‌گیری آن وجود داشته باشد.داده‌محور شدنتکامل یک شرکت به یک سازمان داده‌محور، با تلاش‌های خلاقانه شروع می‌شود، اما در انتهای فرایند، نیازمند پذیرفته شدن در سرتاسر سازمان است. بدون پذیرش در همه‌ی سطوح، یک سازمان نمی‌تواند واقعا داده‌محور شود.با این وجود، حتی اگر کل شرکت داده‌محور نشود، شما به عنوان یک فرد ذی‌نفع می‌توانید تلاش‌های داده‌محور را در قسمتی از سازمان که روی آن کنترل دارید انجام دهید. این پنج مرحله فقط یک دسته‌بندی بین سازمان‌ها نیست؛ نقشه‌ی تبدیل شدن شما به یک فرد حرفه‌ایِ داده محور نیز هست.فراتر از ارزشِ استفاده از خود داده، سفرِ داده‌محور شدن، یک جزء ضروری و پایه‌ای است برای سازمان‌هایی که می‌خواهند از علوم داده، یادگیری ماشین و هوش مصنوعی استفاده کنند. هیچ شرکتی نمی‌تواند در هوش مصنوعی موفق شود در حالی که هنوز داده‌محور نشده است.[1] بینش ترجمه‌ی insight است، اما واقعیت این است که اگر من کلمه‌ی بینش را وسط یک پاراگراف فارسی می‌دیدم، اصلا یادِ insight نمی‌افتادم، و آن پاراگراف، به چیزهای دیگری که از قبل در مورد insight می‌دانستم وصل نمی‌شد. زیر بار استفاده از کلمه انگلیسی وسط متن فارسی هم نتوانستم بروم، ولی چون این کلمه در قلمرو گفتگویی دیتا آنالیست‌ها کلمه کلیدی‌ای است، خواستم حتما توجهتان را جلب کنم که insight به فارسی می‌شود بینش[2] همان responsive، از آن‌جا که قلمرو گفتگویی طراح‌ها خیلی دغدغه‌ی من نیست، توضیح بیشتری ندارم :)پوریا عطارانپوریا عطارانThu, 12 Sep 2019 20:59:03 +0430https://virgool.ir/@attaran.poorya/چگونه-برای-محصولمان-کمیتهای-درست-تجربه-کاربری-انتخاب-کنیم-xahfa5zh4yjsاندازه‌گیری این که تجربه کاربری‌مان چقدر خوب است یا با فلان تغییر چقدر بهبود پیدا کرده، معمولا در علی‌بابا برایمان یک چالش جدی بوده است. یکی از کارهایی که در دو هفته‌ی اخیر انجام داده‌ام، شناختن چارچوب HEART به نیت مناسب‌سازی‌اش برای استفاده یکپارچه در علی‌باباست. چیزی که می‌خوانید ترجمه‌ی یک پست در بلاگ کِری رودن(همان کسی که در گوگل HEART را ساخته) است. چند مطلب را خوانده بودم و برای این که بتوانم خودم دو سه ساعت جدی روی موضوع تمرکز کنم، این یکی که به نظرم مناسب‌تر بود را به فارسی برگرداندم. شاید به دردتان بخورد و امیدوارم پایه باشید در موردش گفتگو کنیم.کری رودن، 3 دسامبر 2015زمانی که برای وِب طراحی می‌کنید، می‌توانید داده‌های استفاده کاربران را تحلیل کنید و رابط‌های مختلف را در آزمون آ/ب مقایسه کنید. گاهی به این کار طراحی داده محور گفته می‌شود، اما من ترجیح می‌دهم به آن بگویم طراحی آگاه از داده، چون محوریت هنوز با طراح است، نه داده.برای عملی کردن این کار، مهم است که از کمیت‌های درست استفاده کنید. کمیت‌های پایه‌ایِ ترافیک (مثل بازدیدهای کلی صفحه، یا تعداد کاربران یکتا) را می‌توان به راحتی دنبال کرد و اطلاعات پایه‌ای در مورد عملکرد سایت‌تان را به شما می‌دهند. اما این کمیت‌ها معمولن برای ارزیابی تاثیر تغییرات تجربه کاربری خیلی مفید نیستند. چون خیلی کلی هستند و معمولن نمی‌شود به طور مستقیم به کیفیت تجربه کاربری یا اهداف پروژه وصلشان کرد؛ نمی‌شود بر اساس‌شان اقدام کرد.من عضوی از یک گروه تحقیقات کمی تجربه کاربری در گوگل هستم، و ما دوست داریم به تحلیل داده در مقیاس بزرگ به عنوان یک متد دیگر برای تحقیق تجربه کاربری فکر کنیم. ما دو متد مفید ساخته‌ایم که کمک می‌کنند کمیت‌های مناسبی را انتخاب و تعریف کنید که منعکس کننده‌ی این دو چیز باشند:کیفیت تجربه‌ی کاربری (چارچوب HEART)اهداف پروژه یا محصول شما (فرایند هدف-سیگنال-کمیت)چارچوب HEARTدر مدتی که به تیم‌های محصول در گوگل کمک می‌کردیم که کمیت‌های تجربه کاربری تعریف کنند، متوجه شدیم که پیشنهادهایمان اغلب در پنج دسته قرار می‌گرفتند:خوشحالی: کمیت‌های حالتِ کاربران، که معمولن با نظرسنجی به دست می‌آیند. مثلن: رضایت، مقدار مشاهده شده‌ی آسانیِ استفاده، و شاخص خالص مروجان‌ءEngagement: سطح درگیری کاربران، که معمولن با آماره‌های رفتاری‌ای مانند بسامد، شدت، یا عمق تعامل کاربر در طول یک بازه زمانی اندازه‌گیری می‌شود. مثال آن می‌تواند تعداد بازدید هر کاربر در هر هفته، یا تعداد عکس‌هایی که هر کاربر در هر روز آپلود می‌کند باشد.جذب: کاربران جدید یک محصول یا فیچر. مثلن: تعداد حساب‌هایی که در هفت روز گذشته ایجاد شده اند، یا درصد کاربران جی‌مِیل که از فیچر label استفاده می‌کنند.نگهداشت: نرخی که کاربران فعلی برمی‌گردند. مثلن: چند نفر از کاربران فعال یک بازه زمانی، در یک بازه زمانی بعدی هنوز حاضرند. البته ممکن است بخواهید به جای این نرخ، نرخ شکست در نگهداشت را ببینید، که اغلب به آن نرخ ریزش می‌گویند.موفقیت کار: شامل کمیت‌های رفتاری سنتی تجربه کاربری می‌شود، مثل کارایی (مثلن زمان کامل کردن یک کار)، اثربخشی (مثلن درصد کارهایی که کامل شده‌اند)، و نرخ خطا. این دسته را خیلی بیشتر می‌شود روی قسمت‌هایی از محصول که خیلی متمرکز بر کار هستند اعمال کرد، مثل جستجو، یا جریان آپلود یک چیز.از این کمیت‌ها می‌شود در چند سطح استفاده کرد، از کل محصول گرفته تا یک فیچر خاص. مثلن، در جی‌مِیل، ممکن است هم جذب کلیِ محصول برایمان جذاب باشد، و هم جذب فیچرهای کلیدی‌ای مثل label یا آرشیو.معمولن از ما می‌پرسند «چرا باید جذب و نگه‌داشت را اندازه بگیریم در حالی که می‌شود فقط تعداد کاربران یکتا را بشماریم؟». قطعن مهم است که تعداد کاربرانی که در یک بازه‌ی خاص دارید را بدانید (مثلن کاربرانِ هفتگی-فعال). اما اگر جذب و نگه‌داشت را هم اندازه بگیرید، میان کاربران جدید و کاربران قدیمی به طور مشخص تمایز قائل شده اید تا بتوانید بگویید پایگاه کاربرانتان با چه سرعتی رشد می‌کند یا تثبیت می‌شود. این مخصوصن برای محصول‌ها یا فیچرهایی که تازه اند، یا بازطراحی شده اند، مفید است.لازم نیست حتما در همه‌ی این دسته‌ها کمیت ایجاد کنید؛ باید آن‌هایی را که برای پروژه مشخص خودتان بیشترین اهمیت را دارند انتخاب کنید (نگاه کنید به هدف-سیگنال-کمیت را در قسمت بعد). چارچوب HEART می‌تواند به شما کمک کند که تصمیم بگیرید در کدام دسته‌ها کمیت انتخاب کنید. مثلن، در مورد یک نرم‌افزار سازمانی، Engagement احتمالن چندان معنی دار نیست چون کاربران به هر حال باید به عنوان قسمتی از شغل‌شان به طور روزمره از آن استفاده کنند. در این مورد بهتر است تیم روی خوشحالی یا موفقیت کار تمرکز کند. اما بررسی Engagement ممکن است روی یک فیچر مشخص، به عنوان شاخصی از مطلوبیت آن فیچر، معنی‌دار باشد.ما چارچوب HEART را روی گستره‌ی وسیعی از پروژه‌ها در گوگل پیاده‌سازی کرده ایم و معتقدیم برای متمرکز کردن گفتگو با تیم‌ها ابزار بسیار مفیدی است. سرواژه کمک می‌کند که در یاد بماند و به سادگی می‌شود یک بحث غیر رسمی را با نوشتن این دسته‌ها روی وایت‌برد، تسهیل کرد.فرایند هدف-سیگنال-کمیتچطور باید از دسته‌های HEART به کمیت‌هایی برسید که بتواند عملا پیاده‌سازی و دنبال‌شان کنید؟ متاسفانه هیچ «دشبرد HEART» حاضر و آماده‌ای که به صورت جادویی این کار را برای‌تان انجام دهد وجود ندارد؛ مفیدترین کمیت‌ها احتمالا اختصاصیِ پروژه یا محصول مشخص خودتان هستنند.هدفوسوسه کننده است که برای فکر کردن به کمیت‌ها، با طوفان فکری یک لیست طولانی تهیه کنیم. اما چنین لیستی خیلی سریع بزرگ می‌شود و اولویت‌بندی‌اش سخت می‌شود. به طور ایده‌آل، شما به دنبال تعداد کمی از کمیت‌های کلیدی هستید که برای همه در تیم مهم باشند. برای پیدا کردن‌شان، باید از یک سطح بالاتر شروع کنید: هدف‌های‌تان را شناسایی کنید تا بتوانید کمیت‌هایی را انتخاب کنید که پیشرفت شما به سمت آن هدف‌ها را بسنجند.تبیین کردن هدف‌های یک پروژه می‌تواند به طرز غیرمنتظره‌ای سخت شود و این‌جاست که دسته‌های HEART به طور مشخص به بحث کمک می‌کنند. مثلن در یوتیوب، یکی از مهم‌ترین هدف‌های ما در دسته‌ی engagement است: ما می‌خواهیم کاربرانمان از ویدیوهایی که می‌بینند لذت ببرند، و همچنان ویدیو‌ها و کانال‌های بیشتری که بخواهند ببینند را کشف کنند. ممکن است هدفی که برای یک پروژه یا فیچر مشخص دارید با هدف کلی محصول متفاوت باشد. برای جستجوی یوتیوب، یک هدف کلیدی در دسته‌ی موفقیتِ کار است: وقتی یک کاربر چیزی را جستجو می‌کند، ما می‌خواهیم سریع و به آسانی، مرتبط ترین ویدیوها و کانال‌ها را پیدا کند.یک تهدید معمول، این است که هدف‌هایتان را با توجه به کمیت‌هایی فعلی‌تان تعریف کنید؛ «هدف‌مان این است که ترافیک سایت‌مان را بالا ببریم.» بله همه دوست دارند این کار را بکنند، اما بهبود در تجربه کاربری چه کمکی به آن می‌کند؟ ترجیح می‌دهید engagement کاربران فعلی را بالا ببرید یا کاربران جدید جذب کنید؟سیگنالدر قدم بعدی، هدف‌هایتان را با سیگنال‌های سطح پایین‌تر انطباق دهید. موفقیت یا شکست در هدف‌ها، چطور خودش را در رفتار یا حالت کاربران آشکار می‌کند؟ مثلن، یک سیگنالِ engagement برای یوتیوب می‌تواند تعداد ویدیوهایی که کاربران روی سایت می‌بینند باشد؛ اما یک سگینال بهتر می‌تواند مقدار زمانی که کاربران صرف دیدن این ویدیوها می‌کنند باشد. یک سیگنال شکست در دسته‌ی موفقیتِ کار، برای جستجوی یوتیوب، می‌تواند این باشد که یک کاربر چیزی را جستجو کند، اما روی هیچ کدام از نتایج کلیک نکند.معمولن برای یک هدف، تعداد زیادی سیگنال وجود دارند که بالقوه مفید هستند. وقتی چند کاندیدای جدی ساختید، بهتر است متوقف شوید و #کمی_تحقیق یا تحلیل کنید تا بتوانید از میان آن‌ها انتخاب کنید.اول این که، دنبال کردن هر سیگنال چقدر آسان یا سخت است؟ آیا محصول شما لاگِ فعالیت‌های مربوطه را نگه می‌دارد یا می‌تواند نگه دارد؟ آیا می‌توانید یک نظر سنجیِ درون محصول را به طور منظم قرار دهید؟ اگر به کمیت‌های موفقیتِ کار علاقه‌مندید، یک گزینه، استفاده از یک کارِ تخصیص داده شده در یک مطالعه‌ی کاربردپذیری است، که می‌توانید آن را در مقیاس بزرگ هم انجام دهید. دوم این که، باید سیگنال‌هایی را انتخاب کنید که انتظار دارید نسبت به تغییراتی که در طراحی می‌دهید حساس باشند. اگر از قبل سیگنال‌هایی که بالقوه مفید هستند را جمع‌آوری می‌کرده اید، می‌توانید دیتایی که در اختیار دارید را تحلیل کنید تا ببینید بهترین سیگنال‌ها برای پیش‌بینی هدف مورد نظرتان کدامند.کمیتوقتی سیگنال‌ها را انتخاب کردید، می‌توانید آن‌ها را به کمیت‌هایی تبدیل کنید که بتوانید در طول زمان بسنجید یا برای مقایسه در آزمون آ/ب استفاده کنید. در مثال engagement در یوتیو، می‌توانیم «کاربران چقدر زمان صرف دیدن ویدیو می‌کنند» را به صورت کمیت «متوسط دقایقی که کاربران صرف دیدن ویدیو می‌کنند برای هر کاربر در روز» پیاده‌سازی کنیم.در این نقطه، جزئیات بستگی زیادی به زیرساخت خاص شما دارند. اما مانند قدم قبلی، کمیت‌های زیادی را می‌توان از یک سیگنال ساخت؛ لازم است دیتایی که از قبل دارید را تحلیل کنید تا بتوانید تصمیم بگیرید که مناسب‌ترین کمیت کدام است. احتمالا لازم است اعداد خام را (مثلا با میانگین گرفتن یا محاسبه‌ی درصد) نرمال کنید تا معنی‌دارتر شوند.فرایند هدف-سیگنال-کمیت باید منتهی به یک اولویت‌بندی طبیعی از چندین کمیت شود؛ مهم‌ترین چیز این است که کمیت‌های مربوط به هدف‌های اصلی را بسنجید. از وسوسه‌ی اضافه کردن «آمارهای جالب» به لیست‌تان پرهیز کنید. آیا واقعا از این اعداد استفاده می‌کنید تا تصمیمی بگیرید؟ آیا لازم است آن را در طول زمان دنبال کنید یا یک تصویر از وضعیت فعلی کافی است؟ روی کمیت‌هایی متمرکز بمانید که ارتباط تنگاتنگی با هدف‌هایتان دارند تا هم از زحمت غیرضروری برای پیاده‌سازی کمیت‌ها پرهیز کنید و هم دشبوردهایتان شلوغ نشوند.می‌توانید یک برگه مانند تصویر زیر بکشید که در طول قدم‌های فرایند کمک‌تان کند. اگر بعضی از دسته‌ها برای پروژه‌ی شما منطقی نیستند، لازم نیست همه‌ی دسته‌های HEART را بگنجانید و البته، اگر لازم می‌دانید، دسته‌های دیگری را خودتان اضافه کنید.اگر می‌خواهید طراحی محصول‌تان با آگاهی از دیتا در مقیاس بزرگ باشد، این خیلی کمک می‌کند که کمیت‌هایی داشته باشید که کیفیت تجربه کاربری‌تان را منعکس کنند و به درستی بر اهداف اصلی‌تان منطبق شوند. سعی کنید برای انجام این کار از HEART و هدف-سیگنال-متریک استفاده کنید و به ما هم بگویید که کارتان چطور پیش رفت. آیا متد خودتان را برای این کار دارید؟ یا توصیه‌ای دارید؟پوریا عطارانپوریا عطارانFri, 19 Apr 2019 14:41:25 +0430