A Fórmula para Resultados em Produtos

Escrito por John Cutler - Traduzido por Marcelo Knaka

Nesta postagem eu gostaria de compartilhar um modelo simples para pensar sobre o uso de dados e resultados de produtos. Para ter um time de produto de sucesso, você precisa entender os seguintes assuntos:



Para desenvolver produto é necessário usar vários chapéus (e esta lista acima é parcial). Em empresas pequenas, você verá pessoas usando vários chapéus diferentes. Em empresas grandes, tenderá a ver os chapéus distribuídos entre mais pessoas e times.


Vamos olhar para esses chapéus formando um loop:


O cliente/usuário disponibiliza dados. Nós precisamos coletar estes dados e torná-los úteis. Assim você terá insights. Que ajudarão nos esforços do design e do time de engenharia (desenvolvimento colaborativo de produto). Nós lançamos experimentos de volta para os clientes, "do outro lado da linha". Bem no meio temos o crescimento impulsionado pelo produto.


Vamos olhar mais de longe.


Temos três pares de alavancas, cada um com um componente de quantidade e um componente de qualidade (seis no total):

● Quantidade de dados que coletamos, e nossa habilidade de torná-los úteis

● Taxa de insights e a qualidade destes insights

● Taxa de ação e a qualidade dessas ações

Há uma simetria aqui que você provavelmente deve ter notado: volume e qualidade. Dados qualitativos encaixam bem neste modelo também (alfabetização em dados qualitativos é importante).


Por que isto ajuda? Este modelo talvez ajude seu time a descobrir impedimentos atuais e um plano de ação.


Dados. Nenhuma quantidade de dados vai ajudar se os dados não forem utilizáveis. Algumas companhias estão nadando em dados, mas ninguém consegue entendê-los ou usá-los. Por outro lado, você pode ter dados perfeitos, mas se houver lacunas no que você coleta, não será possível gerar insights.


Insights. Nenhum insight de alta qualidade ajudará se ele demorar muito tempo para ser gerado e compartilhado. Nem uma montanha de insights de baixa qualidade ajudarão.


Ação. Alta velocidade é inútil se suas decisões - a qualidade da ação - são fracas. Também não ajuda a decisão perfeita que nunca entrega.


Onde seu time está tendo dificuldade? Onde as coisas estão indo bem? Não considere apenas dados quantitativos. Outra atividade útil... faça um brainstorm com seu time sobre como melhorar todas as seis alavancas. Por exemplo, alta segurança psicológica impacta positivamente a qualidade dos insights, taxa de insights, qualidade da ação e taxa de ações.


P.S.: Se algum matemático quiser converter isto em uma fórmula real, por favor me envie!


Quando eu explico este modelo para times, o que nós frequentemente descobrimos é o seguinte . Pegue uma startup onde a maior parte destes chapéus ficam com apenas um time. Você verá algo como isto:


Isto funciona quando a empresa é pequena. Dados, insights e ações dependem de um grupo pequeno de pessoas que vestem vários chapéus.


Mas o que acontece quando você escala?


Em grandes empresas você frequentemente encontra barreiras rígidas entre as partes:

À primeira vista, a especialização pode parecer benéfica, mas logo começam a se ver problemas para usar nossos dados, em nossos insights e no modelo de ações. Aquele time de análises especializadas pode ter problemas com a "taxa de insights" (apesar de que qualidade não é um problema). A fábrica de novas funcionalidades está distante do impacto do seu trabalho (problema de qualidade da ação). O time de coleta de dados não entende do cliente (problema de usabilidade dos dados).


O equilíbrio ideal normalmente é algo parecido com isto:


Menos silos. Um pouco mais de sobreposição. E um time saudável, empoderado, multifuncional com atuação no centro do sistema.


Espero que este modelo simples e os times sobrepostos ajudem.

Artigo original: https://bit.ly/3k8jcIY

© 2021 por Product Guru's.