Nous avons passé quatre mois à construire des analyses d'auto-service, puis j'ai vu des gens essayer de l'utiliser. Je vais être honnête sur ce qui a provoqué cela. Ce n'était pas une curiosité intellectuelle. Je l'ai ouvert en espérant un filtre cassé ou une mise à jour de données manquante. Au lieu de cela, j'ai trouvé un message de trois paragraphes d'un responsable du produit expliquant qu'elle avait regardé le tableau de bord pendant vingt minutes et ne pouvait toujours pas savoir si son lancement de la fonctionnalité avait été réussi. Le tableau de bord fonctionnait parfaitement. Chaque graphique est chargé. Chaque filtre a répondu. Les données étaient fraîches, précises et bien modélisées. Je l'avais construit moi-même et j'étais fier de cela. Elle ne pouvait toujours pas répondre à sa question. Ce billet est resté dans ma tête pendant des semaines.En fin de compte, j'ai décidé de faire quelque chose que je n'avais jamais fait auparavant.J'ai pris l'un de nos tableaux de bord les plus utilisés et j'ai regardé cinq équipes différentes essayer de l'utiliser pour une décision réelle.Non une démo.Non une séance d'entraînement.Une vraie question qu'elles avaient vraiment besoin a répondu cette semaine. La mise en place Le tableau de bord était notre résumé de l'engagement produit. Il avait des utilisateurs actifs quotidiens, des taux d'adoption de fonctionnalités, des courbes de rétention et une poignée de mesures adjacentes aux revenus. Il a été construit dans Looker, connecté à un modèle dbt bien testé, renouvelé toutes les quatre heures. J'ai sélectionné cinq équipes qui accédaient régulièrement à ce tableau de bord en fonction de nos journaux d'utilisation. Product voulait savoir si une récente refonte de l'installation avait amélioré l'activation. Le marketing voulait savoir quels canaux conduisaient les utilisateurs à la plus haute valeur. Customer Success voulait savoir quels comptes affichaient des signaux précoces. Les ventes voulaient savoir si les modèles d'utilisation étaient corrélés avec la disponibilité des ventes. Finance voulait savoir si la tendance des coûts par utilisateur était durable à la croissance actuelle. Le même tableau de bord. Les mêmes données. Cinq vraies questions de cinq vraies équipes, toutes dues cette semaine. J'ai demandé à chaque équipe si je pouvais m'asseoir avec eux (ou rejoindre leur appel vidéo) alors qu'ils travaillaient à travers leur question en utilisant le tableau de bord. J'attendais au moins trois des cinq pour obtenir ce dont ils avaient besoin.J'avais construit ce tableau de bord avec une utilisation transversale à l'esprit.J'avais ajouté des descriptions de contexte à chaque graphique.J'avais même écrit un court how-to-doc que personne, comme il s'est avéré, n'avait lu. Ce qui s’est réellement passé produit L'équipe de produit a passé les huit premières minutes à essayer d'isoler leur cohorte d'embarquement. Le tableau de bord avait un filtre de date et un filtre de fonctionnalité, mais pas de filtre de cohorte. Le PM a ouvert un éditeur SQL dans un onglet distinct. Elle a écrit une requête pour tirer les ID utilisateur par date d'inscription, puis a essayé de les coller dans le filtre du tableau de bord. Le filtre avait une limite de 100 valeurs. Elle a abandonné et Slacked moi, demandant une coupe personnalisée des données. temps total sur le tableau de bord: quatorze minutes. décision prise à partir du tableau de bord: aucun. Le marketing Le marketing a eu l'échec le plus intéressant parce qu'ils ont techniquement trouvé ce qu'ils cherchaient.Le tableau de bord a montré des ruptures de canal d'acquisition.Ils ont pu voir que le social payant conduisait le plus de nouveaux utilisateurs.Ils ont conclu que le social payant était leur canal le plus performant et ont commencé à rédiger une proposition de réallocation du budget. Le problème: le tableau de bord a montré le volume, pas la valeur.Payed social avait le plus d'utilisateurs, mais le taux de rétention le plus bas (qui était visible sur un autre onglet; ils n'ont pas cliqué) et la valeur moyenne du contrat la plus basse (qui était sur un tableau de bord complètement différent). Ils ont pris une décision. C'était la mauvaise. J'ai marqué après la session. Ils étaient reconnaissants mais aussi frustrés. "Pourquoi le tableau de bord ne nous montre-t-il pas simplement quel canal est le meilleur?" a demandé l'un d'eux. Parce que "le meilleur" signifie quelque chose de différent pour chaque équipe.Le tableau de bord a montré des mesures.Il n'a pas montré de réponses.C'est une philosophie de conception à laquelle nous reviendrons. Succès client Le succès du client était l’équipe qui a réellement réussi, et il vaut la peine de comprendre pourquoi. Leurs dirigeants avaient passé trois mois à construire un modèle mental de ce que ressemblait le début de l'âge. Elle connaissait la combinaison spécifique de signaux: les connexions hebdomadaires en baisse, aucune adoption de fonctionnalités au-delà du flux de travail de base, et la fréquence des billets de support au-dessus d'un seuil. Elle a ouvert le tableau de bord, filtré ses comptes, vérifié trois graphiques de suite et a dit: "Oui, ces quatre comptes ont besoin d'appels d'intervention cette semaine." Le tableau de bord a fonctionné pour elle parce qu’elle savait déjà quoi chercher et comment lire les signaux ensemble. Ventes Les ventes ont passé douze minutes sur le tableau de bord, puis m'ont posé une question que je pense encore: "Pouvez-vous me dire quels comptes appeler?" Ils voulaient une liste classée.Le tableau de bord leur donnait des dimensions et des mesures.Ils pouvaient voir les tendances d'utilisation par compte, mais traduire "l'utilisation de ce compte a augmenté de 40% le mois dernier" en "ce compte est prêt pour une conversation de hausse" nécessitait un contexte que le tableau de bord n'avait pas.Il ne connaissait pas la date de renouvellement du contrat, le niveau du plan existant ou si le compte avait déjà été contacté. Elle a dit que le tableau de bord était "intéressant", ce qui est l'équivalent commercial de "je ne l'ouvrirai plus jamais". financière Finance n'a pas utilisé le tableau de bord. Ils ont exporté les données sous-jacentes dans une feuille de calcul au cours des deux premières minutes.Quand j'ai demandé pourquoi, la réponse était simple: "Je dois construire un modèle, pas regarder un graphique." Ils avaient besoin d’exécuter des scénarios. Qu’arrive-t-il au coût par utilisateur à 20% de croissance contre 40% de croissance? Quel est le point de rupture? Le tableau de bord a montré l’état actuel. La finance était nécessaire pour manipuler les entrées. Une visualisation statique, peu importe la précision, ne peut pas être un outil de planification. Je ne considère pas cela comme une défaillance du tableau de bord. Il s’agit d’une déconnexion de cas d’utilisation. Mais cela soulève la question de savoir si nous aurions dû construire à cette équipe un modèle de tableau de bord au lieu d’un onglet de tableau de bord. Le 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 produit partiellement Non pas Non pas 14 minutes Le marketing Oui Oui (de manière incorrecte) Oui (une mauvaise chose) 18 minutes Succès client Oui Oui Oui 6 min Ventes partiellement Non pas Non pas 12 minutes financière Oui N/A (Format erroné) Non pas 2 min Ce que j'ai appris que je ne m'attendais pas Le résultat le plus dangereux est une réponse erronée confiante. L'expérience du marketing m'a effrayé plus que n'importe quelle autre. Le tableau de bord leur a donné des données. Ils ont interprété les données. Ils ont conclu. La conclusion était erronée parce que le tableau de bord montrait une image incomplète, et ils n'avaient aucune raison de soupçonner qu'il était incomplet. Un tableau de bord qui vous donne une réponse erronée, vous croyez, est pire qu'un tableau de bord qui ne vous donne rien du tout. L'écart entre les mesures et les décisions est énorme. Chaque équipe est venue avec une question. Aucune de ces questions ne pouvait être répondue par un seul graphique. Les décisions nécessitent de combiner plusieurs signaux, d'appliquer le contexte d'affaires et de faire un appel de jugement. Les tableaux de bord montrent des mesures. La traduction des mesures aux décisions se produit entièrement dans la tête humaine, et la plupart des tableaux de bord donnent ce processus de traduction un soutien zéro. L'expertise du domaine est le véritable filtre. Le succès du client est dû à l'expérience de leur leader, pas à la conception du tableau de bord. Elle savait ce qu'il fallait rechercher. Tout le monde naviguait, espérant que le bon aperçu sauterait. L'analyse de self-service suppose une expertise du domaine que la plupart des équipes n'ont pas encore construite. Nous expédions l'outil avant d'enseigner la pensée. Personne ne lit la documentation. J'ai écrit des descriptions de contexte. J'ai écrit un guide sur la façon de faire. J'ai ajouté des explications à chaque métrique. Les données d'utilisation montrent que zéro personnes (pas bas, zéro) ont cliqué sur les descriptions de métrique au dernier trimestre. Les gens ne lisent pas la documentation en ligne dans les tableaux de bord pour la même raison qu'ils ne lisent pas les termes du service. Ils sont venus faire quelque chose, pas pour apprendre quelque chose. Les équipes qui exportent vers les feuilles de calcul ne le font pas mal. L'instinct de la finance pour exporter a été la réponse la plus rationnelle à leur besoin réel. Nous traitons les exportations de feuilles de calcul comme une défaillance de notre couche BI. Peut-être est-ce en fait un signal que certains utilisateurs ont besoin de données interactives, manipulables plutôt que de visualisations curées. Construire un tableau de bord pour quelqu'un qui a besoin d'une feuille de calcul est comme construire un rapport pour quelqu'un qui a besoin d'une conversation. "Self-Serve" est un spectre, pas un commutateur. Le succès du client était self-servant. Le produit aurait pu être self-servant avec un meilleur filtre de cohorte. Le marketing avait besoin de garde-roues. Les ventes avaient besoin d'un moteur de recommandation, pas d'un tableau de bord. La finance avait besoin de données brutes avec la modélisation de scénario. Nous les avons tous appelés "utilisateurs d'analyse de self-servant" et leur avons donné tous le même outil. C'est un échec de gouvernance déguisé en décision de produit. Ce que j'ai changé par la suite J'ai reconstruit le tableau de bord. Mais la reconstruction n'était pas ce que vous attendiez. Je n'ai pas ajouté plus de graphiques. j'ai ajouté moins. j'ai supprimé trois onglets et consolidé le reste autour d'une seule question: "Est-ce que cette métrique est saine, pertinente ou critique?"J'ai ajouté une mise en forme conditionnelle qui transforme les cartes en rouge, jaune ou vert en fonction des seuils définis par l'équipe.Je ne suis pas fier de la simplicité à laquelle cela ressemble maintenant. Pour Product, j'ai construit un outil de comparaison de cohorte distinct. C'est laid. C'est un Looker Explore paramétré avec deux pickers de date et un calcul delta. Il fait une chose. Pour le marketing, j'ai ajouté un score composite qui combine le volume, la rétention et la valeur du contrat en une seule méthrique d'efficacité de canal. Ils peuvent toujours voir les composants, mais la vue par défaut répond à la question réelle: quel canal est le meilleur par dollar retenu. Pour les ventes, j'ai complètement abandonné les tableaux de bord.J'ai construit une liste de comptes marqués qui fonctionne chaque semaine, classe les comptes par signaux de hausse et atterrit dans un canal Slack.Il a fallu moins de temps pour construire que l'onglet tableau de bord que j'ai remplacé. Pour Finance, j'ai créé un modèle Google Sheet qui extrait des données en direct via l'API Looker. Le fil commun: j'ai arrêté de demander "quelles sont les mesures dont cette équipe a besoin?" et j'ai commencé à demander "quelles décisions cette équipe prend à plusieurs reprises, et quel est le chemin le plus court entre les données et cette décision?" Ce que je dirais à mon passé Construisez pour la décision, pas les données.Si vous ne pouvez pas nommer la décision spécifique qu'un tableau de bord est censé soutenir, vous construisez une exposition muséale. Regardez quelqu'un utiliser votre tableau de bord avant de l'envoyer. Pas une démonstration des parties prenantes où ils se joignent. Une séance de travail réelle où ils essaient de répondre à une question dont ils se soucient. Vous apprendrez plus en vingt minutes d'observation qu'en un mois de réunion de demandes. La meilleure BI n'est pas toujours un tableau de bord. Parfois c'est une alerte Slack. Parfois c'est une feuille de calcul avec des données en direct. Parfois c'est une liste marquée. Et si vos journaux d'utilisation montrent que les gens ouvrent votre tableau de bord et quittent dans les deux minutes, le tableau de bord n'est pas lent. La partie la plus difficile de l'intelligence commerciale n'est pas de construire le modèle de données.C'est de comprendre ce que les gens font réellement quand ils ouvrent votre travail.

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

Cet audio est produit dans la langue originale de l'histoire !

J'ai donné 5 équipes le même tableau de bord - Seulement 1 a pris une décision avec elle

About Author

COMMENTAIRES

ÉTIQUETTES

CET ARTICLE A ÉTÉ PARU DANS

Related Stories

Valhalla de Floki se joint en tant que sponsor associé de la tournée indienne au Sri Lanka

HackerNoon Decoded: The Top 10 Countries Where HackerNoon Is the Most Active

Appuyez pour gagner : Telegram pourrait intégrer les 10 prochains milliards d'utilisateurs de crypto avant Solana

State of the Noonion: A New Era For Brands and Writers

Valhalla de Floki se joint en tant que sponsor associé de la tournée indienne au Sri Lanka

HackerNoon Decoded: The Top 10 Countries Where HackerNoon Is the Most Active

Appuyez pour gagner : Telegram pourrait intégrer les 10 prochains milliards d'utilisateurs de crypto avant Solana

State of the Noonion: A New Era For Brands and Writers

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps