Az adatfalók. Nem-adatos kutatási módszerek adatosoknak

„DATA BEATS OPINION.”

Amikor junior adatos voltam, imádtam ezt a mondást. Mindig azt éreztem, hogy mivel én vagyok az adatos srác, ezért még a CEO-nál is többet tudok a cégről. (Mondjuk bizonyos részterületeken ez talán igaz is volt.)

Azóta viszont erőteljesen változott a véleményem.

Amikor az ember elindul a data science karrierjében, lenyűgözi, hogy mennyi tudás rejlik az adatokban.

Kicsit olyan, mint amikor Harry Potter-ék megérkeztek a Roxfort-ba. Lépten-nyomon egy újabb és újabb csodákra bukkantak.

Hasonló az érzés, amikor egy junior adatos megismeri az új algoritmusokat, elemzési módszertanokat és eljárásokat, amelyekkel rengeteg értéket lehet kivarázsolni az adathalmazokból.

Aztán J. K. Rowling varázslótanoncainál is elérkezik az elágazás a fejlődési útban: dönthetnek, hogy jóra használják a varázslatot… vagy „túltolják” és leigázzák vele az emberi világot és beállnak halálfalónak.

Az adatos szakemberből meg adatfaló lehet, ha nem vigyáz és azt hiszi, hogy ő mindent tud, csak azért, mert ő látja az A.D.A.T.-okat.

Most mutatok 4 egyszerű nem-adatos kutatási módszert, amivel adatos szakemberként is jobb eredményeket érhetsz majd el.

Ezek:

1. User-interjúk
2. Senior kollégák szakmai tapasztalata/intuíciója
3. Kérdőívek
4. Popup-kérdőívek

Ezeknek egyike sem fog tudományosan bizonyítottnak vehető eredményt adni — de baromi sokat fognak segíteni abban, hogy:

• jó irányba indulj és/vagy menj tovább a data science projekteddel
• mélyebben megértsd, hogy miért látod az adatos elemzéseidben azt, amit látsz

Nézzük is őket egyesével röviden.

Disclaimer: ezeknek a technikáknak nem vagyok szakértője. Csak azt írom le, amit (a) szakértőktől ellestem a munka során és/vagy (b) tapasztalati úton nálam jól működtek az elmúlt ~10+ évben.

#1 User-interjúk

A saját vállalkozásaimban az egyik legjobb lépéseim között volt, hogy rengeteg energiát tettem arra, hogy személyesen is beszéljek a vásárlóimmal (vagy leendő vásárlóimmal).

Bár a user/ux-interjúzás egy komplexebb téma (részletesebben írtam róla angolul itt), a legnagyobb különbség itt is aközött van, hogy csinálod-e vagy sem — nem pedig aközött, hogy profin csinálod-e vagy sem.

Ha még sosem csináltál user-interjút, itt egy egyszerű check-list, hogy hogyan kezdd el:

1. Amikor valaki megvásárolja egy termékedet, küldj neki egy automatikus e-mail-t, amiben megírod, hogy egy ~25-30 perces online beszélgetésben szívesen beszélgetnél vele, hogy segíts neki kimaxolni az értéket a vásárlásából.
2. Tegyél az email-be egy automatikus időpontfoglalót (pl. a Google ingyenes eszközét), amivel emberünk tud egy meeting-et foglalni a naptáradban.
3. A beszélgetésben fókuszálj erre a 3 területre (ha nem ismeritek egymást, akkor egy rövid bemutatkozás után természetesen):
   1. Hogyan fog a vásárlódnak segíteni a terméked? (Tipikus kérdéseid lehetnek: „Mik az aktuális kihívásaid?”, „Szerinted miben fog neked segíteni ez a termék?”, „Mit vársz tőle?”, „Miért ezt választottad?”)
   2. Első tapasztalatok. (Tipikus kérdéseid lehetnek: „Elkezdted már használni a terméket?”, „Ha nem, miért nem?”, „Mi az, ami tetszik benne?”, „Mi az, ami hiányzik belőle?”)
   3. Tudsz-e segíteni valamiben most rögtön a vásárlódnak. (Ez nem csak azért hasznos, mert ő is értékkel távozik, hanem azért is, mert általában, amiben segíteni kell neki, az egy újabb igényre mutat rá.)
4. Csinálj kb 4-5 ilyen beszélgetést kutatási körönként!*

Nem tudom elég érzékletesen leírni, hogy mennyire-mennyire nagyon hasznosak ezek a beszélgetések.

Kb. 5 * 30 perc időbefektetést igényel az egész és garantáltan megváltozik a hozzáállásod a saját termékedhez: elkezded a felhasználóid/vásárlóid szemüvegén keresztül látni azt.

Ez óriási érték.

Az meg már csak külön bónusz, hogy ha lejegyzeteled a felhasználóid jellemző szófordulatait, akkor sokkal könnyebb lesz egy hozzájuk közel álló sales-oldalt megfogalmazni.

*Miért pont 4-5 interjút érdemes csinálni?

Az NN Group kutatásai szerint, 4-5 beszélgetésből már kiesik a fontosabb tendenciák 70-80%-a.

Disclaimer: Bár ők ezt usability test-ekre csinálták, tapasztalataim szerint, ez az 5-beszélgetéses ökölszabály megfeleltethető kb. minden ilyen user-interjús szitura is.

#2 Senior kollégák szakmai tapasztalat (és/vagy intuíciója)

„Without data, you’re just another person with an opinion.” mondja Deming.

De amúgy meg: „Without opinion, you’re just another person with data.”

Visszavágtam! 🙃

Akárhogy is:

A senior kollégák, 10-20+ év szakmai tapasztalattal mindig nagyon érdekes dolgokat tudnak mondani egy új adatos szakembernek.

Nem véletlen az, hogy a szerelőműhelyben a tapasztalt szakik már a kocsi hangjából hallják, hogy két hónap múlva cserélni kell majd a fúvókát. (Akármi is legyen az.) Vagy ma hallottam egy konferencián Tóth Miklóstól (senior AI/ML szakértő), hogy egyik-másik idősebb doki már a járása alapján megmondja egy betegről, mikor belép a rendelőbe, hogy ilyen vagy olyan belső szervi problémája van.

Persze az emberi intuíció is egyfajta múltbeli tapasztalatokon (adatokon) működő rendszer, amit az agyunkban levő neurális hálók generálnak… Kicsit másképp, mint a nagy adatos rendszerek a számítógépünkön, de nem kevésbé hasznos módon.

Szóval óriási ziccert hagy ki az ember, ha nem azzal kezdi a data science projektjét, hogy összeszedi az iparági best practice-eket és azokat a dolgokat, amiket mások amúgy már tudnak a cégnél.

Persze ezek lehetnek téves berögződések… De meghallgatva őket legalább biztosan lesz pár hipotézisünk, amiket aztán adatokkal bizonyíthatunk vagy cáfolhatunk még.

#3 Kérdőívek

Trigger-alert… 🙂

A kérdőívek adatelemzői eszköznek szerintem borzasztóak.

Egy csomó olyan torzítás bejön a képbe, ami alapjaiban kérdőjelezi meg az egész műfaj létjogosultságát.

(A legnyilvánvalóbb torzítás: Ki tölti ki a kérdőívet és ki nem? Politikai választások előtti kérdőíves kutatásoknál rendszeresen tapasztaljuk ezeket a torzításokat, amikor pl. az egyik tábor még az a generáció, aki hajlandó válaszolni egy kérdőíves kutatásra, a másik pedig már az, aki kevésbé.)

Megjegyzés: Persze vannak statisztikai módszerek, amikkel azért csökkenthetőek a torzítások, de nagy meló kell hozzá, hogy valamennyire használhatóvá váljon az eredmény.

Mindenesetre ha te nem vagy statisztika guru, akkor javaslom, hogy ne kvantitatív, hanem kvalitatív módszertanként használd a kérdőíveket!

Ilyen formában továbbra is zseniális lehetőség van bennük.

Két dologra kell csak figyelned:

1. Amikor kérdezel:
   ne eldöntendő, hanem kifejtendő kérdéseket tegyél fel.
2. Amikor értékelsz:
   ne átlagokat vagy előfordulásokat számolgass, hanem egyesével olvasd el az összes választ.

Ha ezt az utat választod, akkor a kérdőív válaszok olyanná válhatnak, mint egy-egy mikro user-interjú… (lásd fentebb)

Továbbra sem tudsz majd belőlük tudományosan megbízható következtetéseket levonni, de megfelelő kritikával kezelve segíthetnek inspirálódni, elindulni a kutatásban és egy kicsit fényt deríteni a miértekre is.

Ha engem kérdezel, az ideális kérdőív hossza kb. 1-3 kérdés… (Attól függően, hogy ki a közönség.)

De persze lehet, hogy tévedek…

Sándorfy Adrián barátom pl. a saját üzleti klubjában, a BB Pro-ban kb. fél-egy éve egy 15 kérdéses (🤯🤯🤯) kérdőívet tolt ki a tagjainak. Mondtam is neki, hogy ez szerintem nagy hiba és senki nem fogja kitölteni… de végül neki lett igaza. A tagok 1/4-ede kitöltötte a kérdőívet és sok minőségi, részletes és jól használható válasz született.

Egy mini részlet:

Ezt csak azért tettem be ide, hogy mutassam, hogy egy ilyen általánosabb, nyílt végű kérdés („hogy tetszik”) mennyire jól teret ad arra, hogy a válaszadók szabadon kifejtsék a véleményüket.

A válaszokat olvasva meg az az érdekes, hogy bár sok minden előjön, de a sorok között olvasva pl. egy visszatérő témának tűnik a BB Pro-ban található anyagok hatékony feldolgozása. Persze ez csak egy apró részlet… Mindenesetre konkrétan tudom, hogy ennek a kérdőívnek az eredménye nagyon sokat hatott arra, hogy Adi hogyan fejlesztette tovább mind a terméket, mind a marketing-üzeneteit.

#4 Popup-kérdőívek

Nem tudtam nem ide tenni.

Ugye pont most írtam, hogy a kérdőívben érdemes kerülni az eldöntendő kérdéseket.

De azért van egy kivétel.

Ez az ún. exit-intent kérdőív, amit kifejezetten fizetési oldalakon szeretek használni.

Az üzleti helyzet:

Ott van a felhasználó az oldaladon, már a számlázási adatok kitöltésénél jár, tehát valószínűleg nem csak nézelődik, hanem egy komolyabb vásárlási szándéka van… És végül mégis bezárja az oldalt.

„Miért?!” — merül fel benned a kérdés.

Ilyenkor a bezárás előtti pillanatban (egérmozgás alapján) tudunk neki feldobni egy kis popup-ot és tényleg meg is kérdezni, hogy miért.

Miért megy el? Mi a probléma?

Mivel amúgy is távozna, ezért a konverziót nem rontjuk a popup-pal, de az utolsó pillanatban még egy fontos információt gyűjthetünk be arról, hogy „mit rontottunk el.”

Pl. a Data Klubnál így néz ki egy ilyen popup (még egyszer: csak akkor jön fel, amikor a felhasználó bezárná a fizetési oldalt)…

A Hotjar nevű szoftverrel 5 perc egy ilyet összerakni és a képen is látható alapverziója még ingyenes is.

Egy dologra érdemes figyelni: ez nem az a helyzet, amikor hosszú válaszokat tudunk szerezni a látogatóktól, úgyhogy itt tényleg csak egy pipálásra van idő, ami persze nem az igazi, de több, mint a semmi.

A fenti technikák kritikája…
(Miért kell adat?)

Szóval 4 egyszerű nem-adatos kutatási módszer adatosoknak is:

1. User-interjúk
2. Senior kollégák szakmai tapasztalata/intuíciója
3. Kérdőívek
4. Popup-kérdőívek

(Ha csak egyet próbálsz ki, az elsővel kezdd!)

Na de most, hogy ezt megírtam, visszaveszem a data-nerd sapkámat és hadd jegyezzem meg, hogy igen-igen a fenti módszertanok szuper kiegészítői egy data science projektnek… de nagy mennyiségű adat és annak a szakszerű elemzése nélkül nem sokat érnek. Pontosabban valamennyit mégis: segítenek megsejteni dolgokat.

De a sejtéseket aztán illik igazolni (vagy cáfolni) is — és ehhez már bizony le kell túrni az adatok mélyére.

Köszi és üdv,
Mester Tomi