Création de produits basés sur les données

Source de l'image: Sequoia Capital

Alors que le monde change et que les écosystèmes évoluent, les entreprises se développent plus rapidement et les produits sont plus faciles à créer que jamais. Le temps nécessaire à un produit pour atteindre 100 millions d'utilisateurs actifs par mois s'est considérablement raccourci (voir figure 1) - et continue de diminuer aujourd'hui.

(De plusieurs sources)

La barrière à l'entrée dans la création de logiciels diminue de façon exponentielle à mesure que de plus en plus de personnes apprennent à coder. Les services cloud éliminent la nécessité d'un développement et d'une maintenance d'infrastructure fastidieux. Comme prévu par la loi de Moore, le coût du calcul est en baisse. Le pouvoir d'achat des consommateurs continue de croître. Des plates-formes telles que Google, Facebook et Amazon permettent d'atteindre plus facilement des publics cibles, et les magasins d'applications font de la distribution un jeu d'enfant.

En conséquence, les produits créent plus de données - et la collecte et l'analyse stratégiques de ces données n'ont jamais été aussi importantes. L'analytique et la science des données sont désormais incontournables, et non plus après coup. Ils sont inestimables non seulement pour «compter les chiffres» et créer des tableaux de bord, mais pour aider à définir des objectifs, des feuilles de route et des stratégies. Le succès d'une entreprise dépend de plus en plus de la force de son équipe de science des données.

Mais malgré le caractère indispensable de la science des données, il existe une rareté de la littérature qui explique comment effectuer une analyse de produit utile. Nous avons l'intention d'aider à combler ce manque de connaissances avec une série d'articles sur la façon de créer des produits basés sur les données et des équipes de science des données de classe mondiale (avec une attention particulière à l'espace des consommateurs).

Notre objectif est de vous faire comprendre comment un produit évolue de la petite enfance à la maturité; un sens holistique de l'écosystème métrique des produits de croissance, d'engagement et de monétisation; un cadre pour définir les objectifs de votre entreprise; et une boîte à outils que vous pouvez utiliser pour analyser les performances de votre produit par rapport à ces objectifs.

Nous offrirons des conseils sur les outils analytiques, les approches et les méthodes nécessaires pour créer des produits basés sur les données. Dans les prochains articles, nous aborderons également l'analyse exploratoire, les techniques de prévision et les méthodes d'apprentissage automatique - qui sont tous indispensables pour créer des feuilles de route et des stratégies de produits.

De plus, nous fournirons un contexte sur la création d'organisations de science des données de classe mondiale: Quel est le rôle d'un data scientist? Quand devriez-vous les embaucher? Quelles compétences devraient-ils posséder?

Nous prévoyons de partager plusieurs publications par mois dans un avenir prévisible. Cette introduction est un document vivant; la table des matières ci-dessous sera mise à jour à mesure que de nouveaux articles seront publiés.

Dans une future série, nous aborderons des thèmes similaires dans le contexte des marchés et des entreprises.

Nous espérons que ces articles vous seront utiles et nous apprécions vos commentaires: data-science@sequoiacap.com.

Table des matières

  1. Évolution d'un produit: comprendre les caractéristiques des produits réussis de la conception à la maturité.
  2. Mesurer la santé des produits: mesures pour diagnostiquer et analyser la santé des produits.
  3. Définir le succès du produit: métriques et objectifs Définir les bons objectifs et métriques est impératif pour le succès du produit.
  4. Rétention: techniques pour améliorer la rétention des utilisateurs et stimuler la croissance.
  5. Croissance durable des produits: découvrez les pièges de croissance qui peuvent limiter le succès à long terme.
  6. Cadres pour la réussite des produits: comprenez le besoin de cadres en explorant des exemples axés sur les produits.
  7. Diagnostiquer la santé du produit: découvrez comment diagnostiquer les changements dans les mesures et développer un plan d'action pour surveiller les changements dans votre produit.
  8. Effet des changements de produit: comprendre comment diagnostiquer les changements de métriques résultant des changements de produit.
  9. Impact saisonnier sur le produit: examinez comment les changements de comportement peuvent affecter les mesures.
  10. Pression concurrentielle sur le produit: examinez comment les facteurs externes peuvent affecter les paramètres.
  11. Effet sur les changements de comportement sur le produit: découvrez comment le changement de mixage peut entraîner des changements métriques et les techniques utilisées pour analyser ses effets.
  12. La qualité des données peut vous induire en erreur: réfléchissez à la manière d'assurer une qualité des données cohérente permettant une analyse efficace.
  13. Plan d'action pour diagnostiquer la santé du produit: Élaborez un plan d'action pour surveiller les changements dans vos mesures.
  14. Tirer parti des données pour créer des produits de consommation: notre histoire jusqu'à présent.
  15. L'engagement stimule l'adhérence stimule la rétention stimule la croissance: comprenez le lien entre l'engagement, l'adhérence, la rétention et la croissance.
  16. Engagement: Les expériences engageantes apportent de la valeur.
  17. Stimuler l'engagement sur le fil d'actualité: l'engagement est le premier indicateur de l'adéquation du marché des produits.
  18. Le produit de contenu stimule l'engagement: la production de contenu est le facteur le plus important qui influence l'engagement.
  19. L'inventaire pertinent stimule l'engagement: connecter des personnes avec le bon contenu générera un plus grand inventaire pertinent
  20. Le classement des flux d'actualités stimule l'engagement: le classement des flux d'activités est essentiel pour stimuler l'engagement dans les situations de stock élevé.
  21. Une consommation délicieuse stimule l'engagement: une consommation délicieuse d'histoires conduit à un engagement plus élevé et, finalement, à l'adhérence, la rétention et la croissance.
  22. La rétroaction et le mimétisme stimulent l'engagement: comprendre les différents types de rétroaction et le rôle que la rétroaction joue dans la création d'un produit attrayant.
  23. Construire un produit durable et engageant: La conduite d'un produit durable très engageant nécessite des considérations minutieuses.
  24. Stimulez l'engagement sur le contenu professionnel: la production de contenu à feuilles persistantes est le levier le plus important pour l'engagement.
  25. Les recommandations stimulent l'engagement: pour une plateforme offrant un contenu professionnel, les recommandations sont le principal moyen de mettre en évidence le contenu que les utilisateurs trouveront le plus pertinent.
  26. Consommation de contenu professionnelle: la consommation de contenu est fortement affectée par l'appareil et la connectivité.
  27. Marchés bilatéraux et engagement: la conception d'un cadre réfléchi est utile pour comprendre l'engagement.
  28. Les éléments constitutifs d'une entreprise informée sur les données: les entreprises informées qui réussissent font bien deux choses: se concentrer sur l'impact et créer une culture informée sur les données.
  29. Pourquoi la science des données est-elle importante? Le monde deviendra plus axé sur les données au fil du temps, mais la prise de décision fondée sur les données continuera d'avoir un impact.
  30. Création d'équipes de classe mondiale: les personnes, la culture et les processus sont essentiels au succès d'une entreprise à long terme.
  31. Comment évolue une organisation de données: les produits évoluent. Comment l'infrastructure, les organisations de données et les équipes évoluent-elles avec elle? Dans ce prochain article de notre série de science des données, nous vous expliquerons les principales caractéristiques partagées par les équipes de données d'élite et leur évolution à mesure qu'elles grandissent.
  32. Cinq compétences de base d'un Data Scientist: Le rôle d'un Data Scientist est de tirer parti des informations issues de l'analyse des données pour aider à prendre des décisions sur les produits. Il existe six types différents de scientifiques des données, et ils partagent tous cinq compétences de base.
  33. Embauche d'un Data Scientist: les compétences d'analyse de cas, d'analyse appliquée, de programmation, de formulation quantitative et de problème doivent être évaluées lors d'un entretien en science des données.
  34. Progression d'un data scientist: la trajectoire de carrière d'un data scientist dépend principalement de son impact. Ceci est réalisé à travers quatre niveaux de portée: projet, produit, domaine et entreprise.
  35. Rôle d'un responsable de la science des données: les responsables d'équipes de données doivent constituer des équipes solides et stables dans un domaine naissant et en évolution rapide qui permettent d'obtenir des résultats de haute qualité. Pour réussir, les gestionnaires de données doivent: stimuler l'impact et constituer des équipes de classe mondiale.
  36. Pour que la science des données fonctionne: une culture basée sur les données qui stimule le succès commence par le leadership de l'entreprise qui met l'accent sur la bonne valeur des données et l'embauche et le développement de scientifiques de haut niveau.
  37. Comprendre les produits grâce à la narration: la narration est une technique puissante pour créer des produits basés sur les données.
  38. Sélection de la bonne mesure utilisateur: La sélection de la bonne mesure pour réussir nécessite une exploration réfléchie.
  39. Les lois de la nature influencent fortement le comportement du produit: Les lois de la nature influencent fortement le comportement des utilisateurs et, finalement, le succès d'un produit.

Revenez la semaine prochaine pour plus de mises à jour!

Ce travail est un produit de l'équipe Data Science de Sequoia Capital et initialement publié sur www.sequoiacap.com. Jamie Cuffe, Avanika Narayan, Chandra Narayanan, Hem Wadhar et Jenny Wang ont contribué à cet article. Veuillez envoyer un courriel à data-science@sequoiacap.com avec des questions, des commentaires et d'autres commentaires.