Dovremmo essere più orientati ai dati? A volte.

Dovremmo essere più orientati ai dati? A volte.' -> 'Forse dovremmo essere più orientati ai dati.

Quando essere orientati ai dati e quando l’approccio basato sui dati ostacola solo il processo.

Ero un data scientist presso Airbnb quando è scoppiata la pandemia di Covid-19. E come ci si poteva aspettare, il Covid-19 è stato particolarmente brutale per un’azienda che si basava sull’interazione umana di buona fede. Quando il mondo si sta isolando in gruppi sociali ristretti, sarà difficile convincere qualcuno a soggiornare nella casa di uno sconosciuto. E così, come ci si poteva aspettare, le nostre metriche sono crollate – le nostre metriche principali sono scese a valori YoY a una sola cifra. Nessuno stava più prenotando Airbnbs e di sicuro nessuno stava cercando di ospitare nuovi Airbnbs.

E mentre affrontavamo quella ripida discesa delle metriche, il nostro CEO Brian ha intervenuto con una risposta ammirevolmente rapida. Mentre stavamo tutti allestendo uffici casalinghi e stoccando carta igienica e generi alimentari in scatola da Costco, Brian ha tenuto una riunione di emergenza con tutti i dipendenti. Ci ha detto in modo definitivo: “il viaggio come lo conosciamo è finito”. Non aveva una risposta chiara su cosa dovessimo fare dopo, ma c’era comunque una direttiva come un faro nel bel mezzo della tempesta: fermate tutto ciò su cui state lavorando che non è essenziale e cercate di sopravvivere alla pandemia.

E ciò che è successo dopo è stato impressionante. L’azienda ha effettuato un efficace cambio di rotta, il che è una cosa incredibile da vedere in un’azienda di quella portata. Abbiamo lanciato esperienze online di Airbnb in un tempo record. Con un nuovo mantra “vicino è il nuovo lontano”, abbiamo selezionato e spinto le persone verso località che erano ottime come rifugi per la pandemia. Nuove iniziative che chiaramente non si adattavano al futuro sono state chiuse (facevo parte di un team chiamato “social stays” e nonostante i notevoli costi sostenuti, abbiamo abbandonato l’impresa rapidamente). Abbiamo assunto nuovo finanziamento, ristrutturato l’azienda. L’azienda ha preso centinaia, forse migliaia di decisioni al giorno e, di conseguenza, è riuscita a superare il peggio della pandemia con la massima destrezza possibile.

Detto ciò, anche se i movimenti aziendali sono stati interessanti, vorrei dedicare questo post al ruolo dei dati durante questo periodo e alle lezioni che possiamo trarre da questa esperienza. La mia più sorprendente realizzazione: i dati, che fino ad allora erano stati un elemento chiave in quasi ogni conversazione strategica, sono diventati improvvisamente secondari. In quel momento, lottare per una “decisione basata sui dati” sarebbe stato ridicolo – non perché i dati non fossero utili durante questo periodo di transizione, ma perché i dati non dovrebbero guidare in una crisi. In ciò che segue, discuterò la causa radice di questo cambiamento di mentalità: l’urgenza. Consideriamo diverse circostanze decisionali, quindi discutiamo come dovremmo sfruttare i dati in esse. È giunto il momento di parlare finalmente di cosa dovrebbe significare “basato sui dati”.

• Dovrei davvero mangiare quel fungo?
• Cos’è Azure Data Factory (ADF)? Funzionalità e Applicazioni
• Come l’IA sta aiutando i clienti a fare acquisti migliori su Amazon

Segmentazione delle decisioni

Esistono due assi con cui è possibile suddividere in modo ordinato le decisioni: l’urgenza della decisione e l’importanza della decisione. A seconda di dove si trova la tua decisione nella matrice di Punnett, l’approccio all’analisi dei dati può e dovrebbe essere diverso.

Bassa urgenza, alta importanza

Da un lato, quando una decisione è estremamente importante ma non particolarmente urgente, possiamo procedere con l’analisi dei dati come faremmo idealmente – iterando strettamente con i nostri stakeholder per navigare meglio lo spazio delle possibili azioni. Immagina, ad esempio, che i dirigenti della tua azienda vogliano rinnovare la tua pagina di destinazione, ma vogliono il tuo supporto nella decisione su cosa mettere lì. Il ML SWE del tuo team propone una soluzione di ordinamento delle carte, ma tu e i tuoi stakeholder sapete che la decisione più critica da prendere è se vuoi o meno applicare quella soluzione in primo luogo.

La homepage attuale funziona bene, quindi il cambiamento desiderato non è urgente, ma la decisione ha un impatto elevato: il tuo cambiamento influenzerà l’esperienza di ogni singolo visitatore. E quindi, i dati dovrebbero essere sfruttati per navigare meglio lo spazio decisionale: puoi esaminare gli esperimenti passati e raccogliere apprendimenti che potrebbero informare la decisione in questione; puoi effettuare piccoli controlli delle dimensioni delle opportunità per vedere quali potrebbero essere i limiti di qualsiasi cambiamento; puoi fornire dati demografici/canali/altro per informare meglio su cosa potresti trarre maggiori benefici.

C’è una vasta gamma di opzioni che gli stakeholder devono valutare, e tu puoi aiutarli a farlo in modo misurato, basato su ipotesi. Stai comprando una macchina. È un buon investimento dedicare del tempo a cercare in giro.

Alta urgenza, alta importanza

D’altra parte, ripensiamo alla situazione di Airbnb durante la Covid-19. L’azienda è in modalità di crisi, e la dirigenza ha già determinato il miglior corso d’azione per il futuro: dobbiamo identificare alcuni mercati su cui puntare che sarebbero allettanti come rifugi Covid. Potresti applicare lo stesso approccio dell’esempio precedente – analizzando attentamente i segmenti, esaminando gli esperimenti passati, ecc. Ma ogni giorno che ritardi una scelta, stai perdendo due cose:

1. Opportunità di cogliere il nuovo mercato.
2. Opportunità di eseguire un test e imparare qualcosa.

Di conseguenza, formuliamo un’ipotesi semplice: se scegli località che sono abbastanza vicine alle grandi città, allora massimizzerai le prenotazioni perché gli ospiti si sentiranno sufficientemente isolati dal Covid ma anche abbastanza vicini per poter tornare a casa dai loro amici e familiari in caso di emergenza. Torni agli esecutivi entro poche ore, lanciano un’iniziativa per spingere in avanti queste scelte, e scopri che alcune funzionano meglio di altre, informando su come dovrebbero essere le tue seconde scelte.

L’ottimale coinvolgimento dell’analisi in questo caso è un po’ diverso rispetto al caso di bassa urgenza – stai comunque aiutando i tuoi stakeholder a navigare nel labirinto delle idee, ma le decisioni prese sono in gran parte basate sull’intuizione, quindi il tuo coinvolgimento è necessariamente più superficiale. Questo non significa che dovresti obbedire ciecamente, rinforzando un precedente di reattività – comprendi ancora il motivo, ma accetta che il tuo coinvolgimento sarà meno strutturato, meno rigoroso. E per quanto potresti portare gli stakeholder a una decisione migliore dato abbastanza tempo, non hai abbastanza tempo, e una decisione corretta al 80% adesso è infinitamente più preziosa di una decisione corretta al 90% domani.

Sei coinvolto in un incidente d’auto. È utile ottenere alcuni dati per valutare il tuo stato di salute, lo stato di salute del conducente opposto e il percorso migliore per l’ospedale più vicino, ma probabilmente non dovresti passare ore a leggere le recensioni degli ospedali.

Bassa importanza

Infine, a volte le decisioni non sono effettivamente così importanti. Sposti un pulsante su una pagina di supporto utente, l’esperimento non converge, ma il tuo stakeholder vuole conoscere la verità del risultato. È qui che ti opponi – l’analisi può certamente fornire una risposta in questo caso, ma quali azioni cambieranno a seguito di essa? Imparerai qualcosa? Gli stakeholder sanno già che si tratta di un’esperienza migliore, chiedono di essere certi, ma tu sai che la certezza a questo livello di esposizione sperimentale è impossibile.

Se le nostre decisioni non cambiano a causa del nostro lavoro sui dati, o almeno, se non impariamo qualcosa dall’esplorazione dei nostri dati, probabilmente non dovremmo fare il lavoro in primo luogo. Impara a prevedere quale potrebbe essere l’impatto del tuo lavoro – qual è il potenziale aumento se aiuti a prendere questa decisione? – quindi agisci di conseguenza.

Commenti finali

Per essere chiari, non sto sostenendo un taglio netto qui, ma che velocità e importanza dovrebbero essere prese in considerazione quando si sceglie l’analisi giusta per un compito. Quando una decisione è urgente, i dati dovrebbero quasi sempre essere messi in secondo piano rispetto all’intuizione. Quando la decisione è estremamente importante, i dati dovrebbero essere utilizzati in modo più diligente per convalidare le ipotesi e mantenere l’intuizione sotto controllo. Quando la decisione non è importante, non dovresti perdere molto tempo a preoccuparti della decisione, quindi ogni lavoro di analisi dovrebbe essere rivalutato prima di essere fatto.

👋 Ciao! Sono Robert, CPO di Hyperquery e ex data scientist + analista. Questo post è stato pubblicato originariamente su Win With Data, dove parliamo settimanalmente di massimizzare l’impatto dei dati. Se vuoi saperne di più su come Hyperquery può aiutarti a massimizzare il tuo impatto, non esitare a contattarmi. Puoi trovarmi su LinkedIn o Twitter.