Расскажите, когда использовали данные для принятия продуктового решения.
Комментарии (1)
Ответ сгенерирован нейросетью и может содержать ошибки
Использование данных для принятия продуктового решения
Контекст: реальная история
Работа: PM платформы для микрокредитования (привлечение денег от инвесторов + раздача заёмщикам).
Проблема: у нас был боттлнек в conversion funnel. Люди приходили на сайт, но не брали кредит.
Шаг 1: Идентификация проблемы через данные
Сбор данных:
Metrics:
- Visits: 100K в месяц
- Sign-ups: 20K (20% conversion)
- Loan applications: 8K (40% из sign-ups)
- Approved loans: 4K (50% из applications)
- Funded loans: 3K (75% из approved)
Проблема видна сразу: только 3% от всех visits получают деньги.
Где боттлнек? Sign-up stage? Application? Approval?
Анализ по stages:
Visits → Sign-ups: 20% (стандарт 15-25%, норма)
Sign-ups → Application: 40% (стандарт 50-70%, ПЛОХО!)
Application → Approval: 50% (стандарт 70-80%, ПЛОХО!)
Approval → Funding: 75% (стандарт 90%+, ПЛОХО!)
Вывод: Application stage критична. Из 20K юзеров, которые регистрируются, только 40% заполняют заявку на кредит. Остальные 60% уходят без попытки.
Шаг 2: Гипотезация (почему это происходит)
Данные подсказывают:
- Юзер регистрируется (интерес есть)
- Но не подаёт заявку (какой-то барьер)
Возможные причины:
- Форма заявки слишком длинная (психологический барьер)
- Не понимает, какие документы нужны (информационный барьер)
- Сомневается, одобрят ли его (ценностный барьер)
- Приложение медленное (технический барьер)
- Нет доверия (дизайн плохой, похоже на скам)
Как выбрать, что это? → Данные!
Шаг 3: Детальный анализ через данные
Анализ 1: Heatmaps и session recordings
Я посмотрел на Hotjar (инструмент, который записывает пользователей).
Наблюдение: юзер заходит на страницу заявки → видит форму из 15 полей → закрывает страницу через 10 секунд.
Вывод: форма слишком длинная. Первый барьер: психологический.
Анализ 2: Funnel analysis
Где юзеры бросают заявку?
Шаг 1 (ФИО): 100% начинают
Шаг 2 (Email): 95% доходят
Шаг 3 (Паспорт): 85% доходят
Шаг 4 (Доход): 40% доходят ← КРИТИЧЕСКИЙ УПАДОК
Шаг 5 (Причина кредита): 30% доходят
Шаг 6 (Подпись): 25% доходят
Вывод: форма теряет 60% юзеров на Шаге 4 (вопрос про доход). Почему?
Анализ 3: Survey
Я отправил survey юзерам, которые начали заявку, но не закончили:
"Почему вы не закончили заявку?"
Результаты:
- 45%: "Не ясно, зачем вы спрашиваете про мой доход"
- 30%: "Боюсь, что откажут"
- 15%: "Слишком много вопросов"
- 10%: "Другое"
Вывод: главная боль — люди не понимают, почему отказывают. Нет доверия.
Шаг 4: Гипотеза готова
Главная гипотеза: люди не доверяют процессу. Они боятся, что откажут, поэтому даже не пытаются подавать заявку.
Решение: показать им odds (вероятность одобрения) ДО того, как они подадут заявку.
Как это работает:
- На странице заявки добавить калькулятор: "Какова вероятность, что я получу кредит?"
- Юзер вводит парамеры (сумма, доход)
- Система показывает вероятность: "У вас 75% шанс одобрения"
- Это снижает неопределённость → люди подают заявку
Шаг 5: A/B тест
Контрольная группа (Control):
- Старая форма: 15 полей, никакой информации про odds
- Conversion: 40% (как было)
Тестовая группа (Test):
- Калькулятор шанса + укороченная форма (10 полей)
- Шаги с progress bar (чтобы знали, сколько осталось)
- Информация: "У нас 85% от юзеров получают кредит" (социальное доказательство)
Результаты (через 2 недели):
Control: 40% подали заявку
Test: 58% подали заявку
Лифт: +18 пункта (из 40% до 58%)
Это + 45% улучшение!
Тесты показали: 99.9% confidence (практически уверены, что не совпадение)
Шаг 6: Развёртывание решения
Разделы:
- 100% выкатили Test версию (старая удалена)
- Мониторинг метрик: Sign-up → Application conversion 40% → 56%
Итоговый результат:
Антиquated (старая): 100K visits → 8K applications
New (новая): 100K visits → 14K applications
Прирост: +6K applications в месяц
Доп доход в year: 6K × 12 = 72K больше заявок
× средний кредит $500 = $36M больше выданных кредитов
Шаг 7: Дальнейшие итерации (на основе новых данных)
Теперь новая проблема видна: Step 3 (Approval rate только 50%).
Анализ:
14K applications → одобрено только 7K
Почему? Что не так с нашей моделью?
Гипотеза через данные: может быть, модель слишком консервативна (одобряет только идеальных клиентов).
A/B test: более liberal scoring model.
Результат: Approval rate 50% → 62% (lift +12%).
Примечание: можно ли повысить лимит? Нет, потому что риск дефолта вырастет → потеряем инвесторов. Баланс важен.
Что мне дало использование данных
1. Объективность
- Я не полагался на интуицию ("мне кажется, форма длинная")
- Я использовал факты ("форма теряет 60% на Step 4")
- Без данных я бы переписал весь продукт, не поняв, в чём проблема
2. Скорость
- Вместо того, чтобы гадать ("может, дизайн плохой?"), я сфокусировался на одной проблеме
- От идентификации до решения: 4 недели (не 3 месяца)
3. ROI
- Инвестировал 2 недели на калькулятор → получил +45% conversion
- Если бы переписал всё (форма, дизайн, контент) → потратил бы 2 месяца без гарантии результата
4. Trust с командой
- Разработчику: "давай сделаем калькулятор" с данными более убедителен
- vs "давай попробуем добавить калькулятор (может быть поможет)"
5. Масштабирование
- После успеха на application stage, посмотрел на approval stage
- Применил тот же процесс (analyse → hypothesize → test → deploy)
- Получил новое улучшение
Ошибки, которых я избежал благодаря данным
❌ Ошибка 1: Переписать дизайн всей платформы
- Без данных я бы подумал: "форма некрасивая, давайте переделаем"
- Потратил бы месяц на дизайн
- Результата бы не было (проблема была в доверии, не в красоте)
❌ Ошибка 2: Фокусироваться на не-критичных этапах
- Без данных я бы оптимизировал Approval stage (50% loss)
- Потратил бы энергию зря (это не был самый большой упадок)
- Данные показали: Application stage (60% loss) критичнее
❌ Ошибка 3: Запустить калькулятор слепо
- Вместо A/B теста я бы просто добавил калькулятор
- Если бы он не помог → потратил бы месяц, чтобы понять, почему
- A/B тест дал ответ за 2 недели
Как я работал с данными (инструменты)
Аналитика:
- Google Analytics (funnel analysis)
- Amplitude (retention, cohorts)
Поведение:
- Hotjar (heatmaps, session recordings)
Feedback:
- Survey (Typeform)
- User interviews (5 юзеров, которые бросили заявку)
Testing:
- Optimizely (A/B тестирование)
Data science:
- SQL для custom queries
- Python для анализа (статистика, confidence intervals)
Ключевой вывод
"Data-driven" не значит "только данные"
Я использовал:
- Данные: где упадок? (Application stage)
- Intuition: почему? (люди боятся)
- Гипотезы: как это проверить? (калькулятор odds)
- Testing: это работает? (A/B тест +45%)
- Decision: делаем это для всех
Данные дали направление, но интуиция и гипотезы дали решение.
Финальная цитата: Данные без контекста — это шум. Контекст без данных — это гадание. Вместе — это решение.