Lo que un científico de datos sabe que otras personas de su empresa no saben
1. ¿Cuánta vergüenza son tus números informados públicamente? ¿Google+ tiene 540M usuarios activos? (Google+ tiene 540M Usuarios activos, 1.5B fotos subidas semanalmente) ¿LinkedIn tenía 200M miembros en 2013? (¡200 millones de miembros!) ¿En serio? ¿Es eso los activos mensuales o el número total de registros en todo el tiempo? ¿Qué significa incluso ser un “activo” o un “usuario”?
Trabajé en una empresa donde la gran mayoría de los empleados pensaban que realmente teníamos XXX millones de usuarios registrados que visitaban nuestro sitio de forma activa e interactuaban todos los meses, porque así informábamos públicamente a nuestros “usuarios”, a pesar de que el número real era menor de una cuarta parte de eso.
2. ¿Cuánta de una vergüenza son tus números informados públicamente, v2? Bien, tal vez piense que esto es un problema de relaciones públicas, después de todo, las compañías son deliberadamente vagas en sus comunicados de prensa. Seguramente, ¿cree que podría confiar en los números si las empresas proporcionaran definiciones precisas?
- ¿Cuáles son algunos hechos científicos interesantes en la historia?
- ¿Cuáles son algunos hechos alucinantes sobre Tamilnadu?
- ¿Cuáles son algunos de los hechos alucinantes que todos deberían saber?
- ¿Cuáles son algunos datos divertidos sobre el fútbol?
- ¿Cuáles son algunos datos interesantes sobre Sagitario?
Incorrecto. También he trabajado en una empresa en la que el CEO mismo sacó nuestros últimos números informados públicamente, y dos años más tarde, ¡nadie sabía cómo los sacó porque estaban completamente equivocados!
3. Nos reímos cada vez que escuchamos sobre compañías que están comprando por sus “datos”. En serio, incluso las empresas como Google no están usando sus datos de una manera tan sofisticada como podría pensar. A menudo, apenas podemos confiar en nuestros datos existentes tal como son. (Aunque a veces es cierto).
Lo que un científico de datos sabe que tu PM probablemente no sabe
1. Cómo realizar un experimento. Ya ni siquiera puedo contar el número de compañías de miles de millones de dólares que he estado ejecutando pruebas A / B que tardarían 3 años en detectar el 50% del tamaño del efecto.
2. Cómo ejecutar un experimento, v2. También perdí la cuenta de la cantidad de PM y ejecutivos que intentaron decirme que deberíamos lanzar experimentos que tuvieron grandes caídas en las métricas, porque seguramente a los usuarios les gustó este diseño más bonito, incluso si hubiera un 30% menos de suscripciones. Solo necesitábamos darle tiempo a las cosas, permitir que los usuarios se adaptaran y las cosas se arreglarían por sí mismas.
3. Que los pequeños cambios pueden tener grandes impactos. Una vez estuve en una reunión en la que un diseñador mencionó que, en Facebook, su equipo agregó algo así como un botón “Agregar fotos” a la página de inicio que, bueno, aumentó dramáticamente la cantidad de fotos que subieron las personas. Esto voló la mente de nuestro gerente de producto.
4. Qué es un boxplot. Solía pensar que todos sabían lo que era un diagrama de caja: son algo que aprendes en la escuela secundaria, ¿verdad?
Pero no. He tenido que detenerme y explicarles a algunas de las personas más inteligentes (y por lo demás muy cuantitativas) que conozco.
5. Cómo decidir qué nuevos productos construir. Muchos de los PM pasan por “intuición”. Si su científico de datos es bueno y tiene algún sentido de producto, es probable que él o ella lo obligue a responder preguntas como para quién está construyendo este producto, por qué esa audiencia necesitaría este producto, cómo encaja en su estrategia a largo plazo , cómo planea monetizar este producto, etc.
(Sí, es probable que esas preguntas sean difíciles de responder; después de todo, se trata de productos no construidos, por lo que probablemente no tenga mucha información. Pero el punto es ser riguroso y obligarse a pensar en estas preguntas, incluso si no puede. verdaderamente responderlos.)
Por el contrario, he oído hablar de clientes potenciales que ni siquiera han pensado en responder quién querría usar sus nuevos productos (además de ellos mismos).
Por supuesto, hay muchas cosas que los científicos no saben (¿cree que son necesariamente rigurosos, sabe cómo distinguir la correlación de la causalidad y evita el sesgo?). Pero esa es una pregunta separada.