Wir haben vier Monate damit verbracht, Self-Service-Analysen zu erstellen, und dann habe ich beobachtet, wie die Leute tatsächlich versuchen, sie zu nutzen. Ich werde ehrlich darüber sein, was dazu geführt hat.Es war keine intellektuelle Neugier.Es war ein Jira-Ticket. Ich öffnete es mit der Erwartung eines gebrochenen Filters oder einer fehlenden Datenerfrischung.Stattdessen fand ich eine Nachricht in drei Absätzen von einem Produktmanager, in der erklärt wurde, dass sie zwanzig Minuten lang auf das Dashboard geschaut hatte und immer noch nicht herausfinden konnte, ob ihr Feature-Launch erfolgreich war. Das Dashboard funktionierte perfekt. Jedes Diagramm wurde geladen. Jedes Filter reagierte. Die Daten waren frisch, genau und gut modelliert. Sie konnte ihre Frage immer noch nicht beantworten. Ich nahm eines unserer am häufigsten verwendeten Dashboards und beobachtete, wie fünf verschiedene Teams versuchten, es für eine echte Entscheidung zu verwenden. Der Setup Das Dashboard war unsere Zusammenfassung der Produktbindung. Es hatte täglich aktive Benutzer, Funktionsaufnahmeraten, Aufbewahrungskurven und eine Handvoll Einnahmen-nachbarer Metriken. Es wurde in Looker gebaut, verbunden mit einem gut getesteten dbt-Modell, das alle vier Stunden aktualisiert wurde. Ich habe fünf Teams ausgewählt, die regelmäßig auf dieses Dashboard zugreifen konnten, basierend auf unseren Nutzungs-Logs. Produkt wollte wissen, ob eine kürzlich durchgeführte Onboarding-Umgestaltung die Aktivierung verbessert hat. Marketing wollte wissen, welche Kanäle die wertvollsten Nutzer treiben. Customer Success wollte wissen, welche Konten frühe Churn-Signale zeigten. Vertrieb wollte wissen, ob Nutzungsmuster mit Upsell-Bereitschaft korrelieren. Finanz wollte wissen, ob der Kostentrend pro Benutzer bei dem aktuellen Wachstum nachhaltig ist. Das gleiche Dashboard. Gleiche Daten. Fünf echte Fragen von fünf echten Teams, alles in dieser Woche. Ich fragte jedes Team, ob ich mit ihnen sitzen könnte (oder sich ihrem Videoanruf anschließen könnte), während sie ihre Frage mithilfe des Dashboards durcharbeiten. Ich erwartete mindestens drei von fünf, um das zu bekommen, was sie brauchten. Ich hatte dieses Dashboard mit einer funktionsübergreifenden Verwendung im Auge gebaut. Ich hatte Kontextbeschreibungen zu jedem Diagramm hinzugefügt. Was wirklich passiert ist Produkt Das Produktteam verbrachte die ersten acht Minuten damit, ihre Onboarding-Kohorte zu isolieren. Das Dashboard hatte einen Datumsfilter und einen Feature-Filter, aber keinen Kohorte-Filter. Sie mussten Benutzer vergleichen, die sich vor dem Neuausbau mit Benutzern angemeldet haben, die sich danach angemeldet haben. Der PM öffnete einen SQL-Editor in einer separaten Registerkarte.Sie schrieb eine Abfrage, um Benutzer-IDs nach dem Anmeldedatum zu ziehen, und versuchte dann, sie in den Dashboard-Filter einzufügen.Der Filter hatte eine 100-Wertgrenze. Sie gab auf und schleppte mich und bat um einen maßgeschneiderten Schnitt der Daten. Gesamtzeit auf dem Dashboard: vierzehn Minuten. Marketing ist Marketing hatte den interessantesten Misserfolg, weil sie technisch das fanden, was sie suchten. Das Dashboard zeigte Akquisitionskanalbrechungen. Sie konnten sehen, dass bezahlte soziale die meisten neuen Benutzer treibt. Sie kamen zu dem Schluss, dass bezahlte soziale ihr leistungsstärkster Kanal ist und begannen, einen Vorschlag für eine Umverteilung des Budgets zu erstellen. Das Problem: Das Dashboard zeigte Volumen, nicht Wert. Paid social hatte die meisten Benutzer, aber die niedrigste Aufbewahrungsrate (die auf einer anderen Registerkarte sichtbar war; sie klickten nicht) und den niedrigsten Durchschnittsvertragswert (der auf einer anderen Registerkarte vollständig war). Sie machten eine Entscheidung.Es war die falsche.Ich markierte es nach der Sitzung.Sie waren dankbar, aber auch frustriert. „Warum zeigt uns das Dashboard nicht nur, welcher Kanal am besten ist?“ fragte einer von ihnen. Denn "best" bedeutet für jedes Team etwas anderes. Das Dashboard zeigte Messwerte. Es zeigte keine Antworten. Das ist eine Designphilosophie, zu der wir zurückkommen werden. Kundenerfolg Customer Success war das Team, das tatsächlich erfolgreich war, und es lohnt sich zu verstehen, warum. Ihre Führung hatte drei Monate damit verbracht, ein mentales Modell dafür zu erstellen, wie früher Churn aussieht. Sie kannte die spezifische Kombination von Signalen: sinkende wöchentliche Anmeldezeiten, keine Feature-Adoption jenseits des Kernarbeitsflusses und die Support-Ticketfrequenz über einer Schwelle. Sie öffnete das Dashboard, filterte zu ihren Konten, überprüfte drei Diagramme in Folge und sagte: "Ja, diese vier Konten benötigen diese Woche Interventionsanrufe." Das Dashboard funktionierte für sie, weil sie bereits wusste, was sie suchen sollte und wie sie die Signale zusammen lesen sollte. Verkauf Sales verbrachte zwölf Minuten auf dem Dashboard und stellte mir dann eine Frage, über die ich immer noch nachdenke: "Können Sie mir nur sagen, welche Konten ich anrufen soll?" Sie wollten eine rangierte Liste. Das Dashboard gab ihnen Dimensionen und Maßnahmen. Sie konnten die Nutzungsentwicklungen pro Konto sehen, aber die Übersetzung "die Nutzung dieses Kontos stieg im letzten Monat um 40%" in "dieses Konto ist bereit für eine Upsell-Konversation" erforderte einen Kontext, den das Dashboard nicht hatte. Sie sagte, das Dashboard sei "interessant", was das Geschäftsequivalent von "Ich werde das nie wieder öffnen." Finanzen Finanzen nutzte das Dashboard nicht. Sie exportierten die zugrunde liegenden Daten innerhalb der ersten zwei Minuten in eine Tabelle.Wenn ich fragte, warum, war die Antwort einfach: "Ich muss ein Modell bauen, nicht auf ein Diagramm schauen." Sie mussten Szenarien ausführen. Was passiert mit den Kosten pro Benutzer bei 20% Wachstum gegenüber 40% Wachstum? Was ist der Bruchpunkt? Das Dashboard zeigte den aktuellen Zustand. Finanzen benötigt, um die Eingänge zu manipulieren. Eine statische Visualisierung, egal wie genau, kann kein Planungswerkzeug sein. Ich zähle dies nicht als einen Dashboard-Fehler. Es ist ein Missverhältnis des Nutzungsfalls. Aber es wirft die Frage auf, ob wir dieses Team eine Dashboard-Vorlage anstelle eines Dashboard-Tags aufgebaut haben sollten. Die Scorecard 
 
 
 
 
 
 
 
 
 
 
 
 
 
 Team 
 Found relevant data? 
 Answered their question? 
 Made a decision? 
 Time spent 
 
 
 
 
 
 
 Product 
 Partially 
 No 
 No 
 14 min 
 
 
 
 
 
 
 Marketing 
 Yes 
 Yes (incorrectly) 
 Yes (wrong one) 
 18 min 
 
 
 
 
 
 
 Customer Success 
 Yes 
 Yes 
 Yes 
 6 min 
 
 
 
 
 
 
 Sales 
 Partially 
 No 
 No 
 12 min 
 
 
 
 
 
 
 Finance 
 Yes 
 N/A (wrong format) 
 No 
 2 min Produkt teilweise Nein Nein 14 Minuten Marketing ist Ja ja Ja (nicht richtig) Ja (die falsche eine) 18 Minuten Kundenerfolg Ja ja Ja ja Ja ja 6 Minuten Verkauf teilweise Nein Nein 12 Minuten Finanzen Ja ja N/A (im falschen Format) Nein 2 Minuten Was ich gelernt habe, dass ich nicht erwartet habe Das gefährlichste Ergebnis ist eine selbstbewusste falsche Antwort. Die Marketingerfahrung erschreckte mich mehr als jede andere. Das Dashboard gab ihnen Daten. Sie interpretierten die Daten. Sie schlossen. Die Schlussfolgerung war falsch, weil das Dashboard ein unvollständiges Bild zeigte, und sie hatten keinen Grund zu vermuten, dass es unvollständig war. Ein Dashboard, das Ihnen eine falsche Antwort gibt, glauben Sie, ist schlimmer als ein Dashboard, das Ihnen überhaupt nichts gibt. Die Lücke zwischen Metriken und Entscheidungen ist riesig. Jedes Team kam mit einer Frage. Keine dieser Fragen konnte durch ein einzelnes Diagramm beantwortet werden. Entscheidungen erfordern die Kombination mehrerer Signale, die Anwendung von Geschäftskontext und das Anrufen eines Urteils. Dashboards zeigen Metriken. Die Übersetzung von Metriken zu Entscheidungen geschieht vollständig im menschlichen Kopf, und die meisten Dashboards geben diesem Übersetzungsprozess keine Unterstützung. Domain-Expertise ist der wirkliche Filter. Kundenerfolg ist aufgrund der Erfahrung ihres Leads erfolgreich, nicht aufgrund des Designs des Dashboards. Sie wusste, was sie suchen sollte. Alle anderen durchsuchten, in der Hoffnung, dass die richtige Einsicht herauskommt. Selbstbedienungsanalyse geht von Domain-Expertise aus, die die meisten Teams noch nicht aufgebaut haben. Wir liefern das Tool, bevor wir das Denken lehren. Niemand liest die Dokumentation. Ich schrieb Kontextbeschreibungen. Ich schrieb einen How-to-Guide. Ich fügte Tooltip-Erklärungen zu jeder Metrik hinzu. Die Nutzungsdaten zeigen, dass null Personen (nicht niedrig, null) im letzten Quartal auf die Metrikbeschreibungen geklickt haben. Die Leute lesen in-line-Dokumentation in Dashboards nicht aus dem gleichen Grund, dass sie die Nutzungsbedingungen nicht lesen. Die Teams, die in Tabellenblätter exportieren, tun es nicht falsch. Der Exportinstinkt von Finance war die rationellste Reaktion auf ihre tatsächlichen Bedürfnisse. Wir behandeln Tabellenblattexporte als einen Ausfall unserer BI-Schicht. Vielleicht ist es tatsächlich ein Signal, dass einige Benutzer interaktive, manipulierbare Daten benötigen, anstatt kuratierte Visualisierungen. Das Erstellen eines Dashboards für jemanden, der eine Tabelle benötigt, ist wie das Erstellen eines Berichts für jemanden, der ein Gespräch braucht. "Self-Service" ist ein Spektrum, kein Switch. Kundenerfolg war selbst-Service. Das Produkt hätte selbst-Service mit einem besseren Kohortenfilter sein können. Marketing brauchte Warteschlangen. Verkäufe brauchten eine Empfehlungsmaschine, nicht ein Dashboard. Finanzen brauchten Rohdaten mit Szenario-Modellierung. Wir nannten sie alle "Self-Service-Analytics-Nutzer" und gaben ihnen das gleiche Werkzeug. Was ich danach geändert habe Ich baute das Dashboard neu auf, aber der Wiederaufbau war nicht das, was Sie erwartet hatten. Ich fügte weniger hinzu.Ich entfernte drei Registerkarten und konsolidierte die verbleibenden um eine einzige Frage: "Ist diese Metrik gesund, relevant oder kritisch?"Ich fügte bedingte Formatierung hinzu, die Karten rot, gelb oder grün basierend auf Schwellenwerten, die das Team definiert hat.Ich bin nicht stolz, wie einfach es jetzt aussieht. Für Produkt habe ich ein separates Cohort-Vergleichstool gebaut. Es ist hässlich. Es ist ein parameterisierter Looker Explore mit zwei Datum-Pickern und einer Delta-Berechnung. Es tut eine Sache. Für Marketing habe ich eine zusammengesetzte Punktzahl hinzugefügt, die Volumen, Retention und Vertragswert in eine einzige Kanal-Effektivitätsmetrik kombiniert. Sie können die Komponenten immer noch sehen, aber die Standardansicht beantwortet die eigentliche Frage: Welcher Kanal ist am besten pro Dollar beibehalten. Für den Vertrieb habe ich die Dashboards vollständig aufgegeben.Ich habe eine scored-Account-Liste aufgebaut, die wöchentlich läuft, Konten nach upsell-Signalen rangiert und in einem Slack-Kanal landet. Für Finance habe ich eine Google Sheet-Vorlage erstellt, die Live-Daten über die Looker-API zieht. Der gemeinsame Thread: Ich hörte auf zu fragen "Welche Metriken braucht dieses Team?" und begann zu fragen "Welche Entscheidungen macht dieses Team wiederholt, und was ist der kürzeste Weg von Daten zu dieser Entscheidung?" Was ich meinem vergangenen Selbst erzählen würde Wenn Sie die spezifische Entscheidung, die ein Dashboard unterstützen soll, nicht benennen können, bauen Sie eine Museumsausstellung. Sehen Sie, wie jemand Ihr Dashboard benutzt, bevor Sie es senden. Nicht eine Stakeholder-Demo, in der sie sich anschließen. Eine tatsächliche Arbeitssitzung, in der sie versuchen, eine Frage zu beantworten, die sie interessieren. Die beste BI ist nicht immer ein Dashboard. Manchmal ist es eine Slack-Benachrichtigung. Manchmal ist es eine Tabelle mit Live-Daten. Manchmal ist es eine geschätzte Liste. Das Medium sollte dem Entscheidungsmuster entsprechen, nicht umgekehrt. Und wenn Ihre Nutzungsprotokolle zeigen, dass Personen Ihr Dashboard öffnen und innerhalb von zwei Minuten verlassen, ist das Dashboard nicht langsam. Der schwierigste Teil der Business Intelligence besteht nicht darin, das Datenmodell aufzubauen, sondern darin, zu verstehen, was Menschen tatsächlich tun, wenn sie Ihre Arbeit eröffnen.

This story contains AI-generated text. The author has used AI either for research, to generate outlines, or write the text itself. 

Read My Stories

Dieses Audio ist in der Originalsprache der Geschichte produziert!

Ich gab 5 Teams das gleiche Dashboard - nur 1 machte eine Entscheidung damit

About Author

KOMMENTARE

Hängeetiketten

DIESER ARTIKEL WURDE VORGESTELLT IN

Related Stories

HackerNoon Decoded 2024: Wir feiern unsere Produktmanagement-Community!

HackerNoon Decoded 2024: Celebrating Our Management Community!

HackerNoon Decoded 2024: Celebrating Our Cybersecurity Community!

HackerNoon Decoded 2024: Celebrating Our Programming Community!

HackerNoon Decoded 2024: Wir feiern unsere Produktmanagement-Community!

HackerNoon Decoded 2024: Celebrating Our Management Community!

HackerNoon Decoded 2024: Celebrating Our Cybersecurity Community!

HackerNoon Decoded 2024: Celebrating Our Programming Community!

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps