Как решаешь сложные задачи?

Как я решаю сложные задачи

С 10+ летним опытом я столкнулся с множеством нетривиальных проблем. Сложность в аналитике может быть технической, организационной или концептуальной. Расскажу о своем методе.

1. Определи точную природу проблемы

Первый шаг — не бежать в решение, а понять что именно непонятно.

Делаю следующее:

• Слушаю активно — даю всем рассказать их версию проблемы
• Задаю вопросы — уточняю детали, не делаю предположений
• Документирую — пишу суть проблемы в 2-3 предложениях
• Выявляю constraint'ы — какие вещи мы не можем изменить

Пример из практики:

Проблема казалась технической: "API медленный"

Но когда я углубился, оказалось:

• API был быстрым при 100 RPS
• Но наш скрипер отправлял 10,000 RPS
• Это был скрипер, который я запустил месяц назад

Проблема была организационная — документирование и мониторинг.

2. Соберу информацию

Второй шаг — data-driven approach. Даже если это кажется очевидным, нужны данные.

А. Количественные данные

Пишу SQL запросы:

-- Пример: "Почему конверсия упала?"
SELECT 
  DATE(created_at) as date,
  COUNT(user_id) as total_users,
  COUNT(CASE WHEN completed = true THEN user_id END) as completed,
  ROUND(100.0 * COUNT(CASE WHEN completed = true THEN user_id END) 
    / COUNT(user_id), 2) as conversion_rate
FROM orders
WHERE created_at > NOW() - INTERVAL '60 days'
GROUP BY DATE(created_at)
ORDER BY date DESC;

Результат показал что конверсия упала ровно в день X. Это дало мне конкретную точку для расследования.

B. Качественные данные

• Интервью с пользователями (почему они не конвертили?)
• Обратная связь от support'а
• Анализ логов ошибок
• Просмотр session recordings (если есть инструмент типа Hotjar)

3. Разложу проблему на части

Сложные проблемы решаются путём декомпозиции.

Пример: "Как улучшить удержание пользователей?"

Это огромная проблема. Разбиваю на части:

┌─ Удержание
│
├─ Недельное удержание (D7)
│  ├─ Новые пользователи не используют функцию X
│  ├─ Push-уведомления не работают
│  └─ Нет мотивации вернуться
│
├─ Месячное удержание (D30)
│  ├─ Пользователи забывают про app
│  └─ Конкуренты предлагают лучше
│
└─ Годовое удержание (D365)
   └─ Пользователи переходят на более дешёвый сервис

Теперь каждый подпункт — это отдельная гипотеза, которую я могу проверить.

4. Сформулирую гипотезы

Не ищу правду. Ищу гипотезы, которые можно проверить.

Правило: максимум 3-5 гипотез за раз.

Пример гипотез для проблемы "Конверсия упала":

1. Гипотеза A — изменение в UI сбило некоторых пользователей (техническое)
2. Гипотеза B — изменилась целевая аудитория (бизнес)
3. Гипотеза C — конкурент запустил активную рекламу (рынок)
4. Гипотеза D — price increase отпугнул новых пользователей (продакт)

5. Протестирую гипотезы

Для каждой гипотезы нужен конкретный способ проверить или опровергнуть.

6. Выбери лучшее решение

У сложной проблемы обычно несколько решений. Нужно выбрать правильное.

Делаю матрицу impact vs effort:

        Effort
High  ┌─────────────────┬──────────────────┐
      │ Low priority    │ Strategic        │
      │ (hard, little   │ (hard, big gain) │
      │  gain)          │                  │
Impact├─────────────────┼──────────────────┤
      │ Quick wins      │ Nice to have     │
      │ (easy, big gain)│ (easy, little    │
      │                 │  gain)           │
Low   └─────────────────┴──────────────────┘

Фокусирусь на Quick wins (верхний левый квадрант).

Пример из реальности

Проблема: Мобильное приложение имело low retention.

Анализ:

1. D7 retention: 35%, D30: 10%, D90: 2%
2. Интервью пользователей: "Забывают про приложение"
3. Технические данные: push-уведомления работают, баги редкие

Гипотезы:

1. Нет мотивации вернуться (нет персонализированного контента)
2. Конкуренты лучше (они показали более релевантные рекомендации)
3. Слишком часто просим фидбэк (раздражает пользователей)

Тестирование:

• Гипотеза 1: A/B тест персонализированного feed → +40% D7 retention ✓
• Гипотеза 2: Анализ конкурентов → да, они лучше, но мы можем выиграть на другом ✓
• Гипотеза 3: Уменьшили frequency фидбэк → +5% D7 retention ✓

Решение: Вложились в персонализацию (impact: высокий, effort: средний).

Результат: D7 retention выросла с 35% до 50% за 3 месяца.

7. Документирую и делюсь

Сложная задача требует общего понимания.

Создаю документ:

## Проблема: Low D7 Retention

### Контекст
- Было: 35%
- Стало: 50% (после изменений)

### Корень проблемы
Пользователи не видели релевантный контент

### Решение
Реализовали персонализированный feed на основе:
- История просмотров
- Категории интересов
- Поведение похожих пользователей

### Результаты
- D7 retention: +15pp
- DAU: +22%
- Revenue per user: +8%

### Следующие шаги
1. Аллокация для рекомендаций на홈странице
2. A/B тест персонализации по интересам

Деюсь этим с:

• PM (объясняю почему это важно)
• Разработчиками (показываю техдолг)
• Стейкхолдерами (показываю ROI)

8. Итерируй и учись

После внедрения:мониторю результаты.

• Каждую неделю смотрю метрики
• Если решение не работает — не боюсь откатиться
• Собираю feedback и итерирую
• Документирую что сработало и почему

Мой framework для сложных задач

1️⃣ Define     → Понять суть проблемы (не спешить)
2️⃣ Gather     → Собрать данные (quality vs quantity)
3️⃣ Decompose  → Разложить на части (сложное → простое)
4️⃣ Hypothesize→ Выдвинуть гипотезы (максимум 3-5)
5️⃣ Test       → Протестировать (data-driven)
6️⃣ Choose     → Выбрать лучшее (impact vs effort)
7️⃣ Document   → Задокументировать (для команды)
8️⃣ Iterate    → Итерировать (не останавливаться)

Главный секрет

Сложные задачи решаются медленно и методично. Спешка — враг анализа. Лучше потратить неделю на анализ и получить правильное решение, чем за день напечатать что-то неправильное.

И главное — никогда не работай в вакууме. Обсуждай с коллегами, слушай их идеи, будь готов признать что ты ошибался. Лучший способ найти ошибку в твоей логике — это показать её другому человеку.