В процессе разработки ПО приходится управлять множеством компонентов, задач и требований. Сложно отдавать всему равный приоритет, поэтому для достижения целей специалисты применяют разные подходы. Они помогают определить, на чем прежде всего нужно сосредоточиться. Распространенная практика - экспертное мнение, когда решение принимается на основе человеческого опыта. Но существует и другой подход - data-driven. Его суть - отслеживать изменения и принимать решения на основе данных. Этапы подхода: 1. Сбор данных - логи, опросы, метрики и т.д. 2. Очистка и подготовка данных - очистка данных от дублей, пустых и ошибочных значений, которые выходят за пределы допустимых 3. Анализ - визуализация, статистика, машинное обучение 4. Интерпретация результатов - оценка, является ли результата значимым, можно ли принимать решение, достаточно ли данных 5. Принятие решения - фиксация вариантов и выбор из доступных 6. Проверка эффективности решения - обратная связь от пользователей или другие данные Вашим задачам подход подойдет если: 🔥 Вы собираете или можете собрать много данных 🔥 Существует несколько параллельных гипотез, A/B тестов, бизнес-задач 🔥 Работаете с высоким фактором неопределенности 🔥 Планирование реактивное - ответ на потребности клиентов или реакция на рынок С какими проблемами при применении подхода можете столкнуться: 🔒 Данных нет - сложные бизнес процессы с человеческим фактором, когда собрать данные становится очень долго и дорого 🔒 Данные есть, но формат хранения вам не подходит - например, это данные из систем длительного хранения, куда они поступают с задержкой (DWH/DLH), а вам нужен онлайн-мониторинг 🔒 Данные есть, но они не хранятся - онлайн логи без хранения 🔒 Данные живут внутри сервиса и к ним нет доступа - не подключены логи, метрики 🔒 Нужно определять - изменение данных показывает, что для бизнеса что то изменилось? Пора принимать решение? 🔒 Чем более верхнеуровневые нужны выводы - тем больше нужно данных. Растут требования к их качеству, к хранению и агрегированию данных, в итоге процесс обработки и интерпретации данных становится отдельным продуктом. Может быть есть конкретный пример? Конечно. Например, мы заметили, что 70% пользователей покидают приложение на экране оплаты. Собрав данные из событий аналитики мобильного приложения, мы выяснили, что проблема — в долгой загрузке. После оптимизации конверсия выросла на 25%. Это и есть data-driven решение. Итог Вы можете отлично справляться без данных. Но с ними - вы будете понимать не только что происходит, но и почему. А это уже другой уровень. Data-driven подход не заменяет аналитическое мышление, но делает его точнее, быстрее и убедительнее. Призыв к действию - узнай, какие данные собираются по твоему продукту, подумай, какие выводы на их основе ты можешь сделать. Для тех, кто выполнил или уже знает - напишите, каких данных вам не хватает в работе?