Приоритизация гипотез: метод парных сравнений

Эта история о том, как быстро и на коленке расставbnm приоритеты в задачах, не забывали ни про клиентов, ни про бизнес-модель продукта, не мучая команду вопросами со шкалированием.

Место приоритизации в управлении продуктом.

В управлении есть три главных составляющих: планирование, организация и контроль. Любая исследовательская деятельность (а приоритизация является именно такой), являясь частью потока рутинных задач, прежде всего тормозит их выполнение, потому что исполняет контрольную функцию. Контрольные функции вообще почти всегда тормозят процессы, отсюда рождается довольно формальное отношение к ним, и как следствие растут риски утраты клиентской ценности или разрушения бизнес модели продукта. Иногда это приобретает экзотические формы - например вопросы со шкалированием.

Итак, понедельник, утренний митинг после которого команда собирается отправиться в двухнедельный спринт. Есть задача - поднять продажи на 10%. Есть даже пул гипотез по этому поводу. Но ресурсов гарантированно хватит только на три гипотезы. Что делать?

Есть набор методов RICE, ICE Score, Kano, WSJF, GIFT, которые сводятся к построению матриц, в которых список задач предлагается оценить по трем-четырем параметрам и вывести самую значимую, достижимую, денежную... приоритетную.

Но в каждом из методов есть 2 проблемы:

Первая - вся команда оценивает все параметры. Так мы собираем самые неадекватные оценки, потому что если я рядовой кодер, то что я могу адекватно оценить с точки зрения юнит-экономики? Ничего. Я так и поступаю - даю мусорные данные. Меня бесит что на это нужно тратить время и нести за это ответственность, но делаю.

Вторая - во всех методах предлагается оценивать параметры по 5-10 бальным шкалам. Шкалирование - это путь в ад. Никто из живых людей не мыслит шкалами ни в повседневности ни в профессиональной жизни. Более того, метод многомерного шкалирования это довольно сложный метод анализа данных, в котором шкала появляется в виде графического представления веса и расстояния между элементами массива. Сами респонденты о шкале не знают ничего для повышения достоверности данных.

В то же время есть довольно простой метод анализа данных, который вытекает из естественных способностей людей - это метод парных сравнений. Его то мы и будем использовать, потому что мы не умеем отличать теплое от мягкого по 10-ти бальной шкале.

Вернемся к нашей задаче - повысить продажи на 10%. Возьмем простенький метод приоритизации - ICE. Наша матрица будет выглядеть следующими образом: вертикально мы расположим этапы воронки продаж (информирование, привлечение, активация, удержание, доход, виральность), а горизонтально будут располагаться параметры (влияние, уверенность в успехе, легкость исполнения).

Далее накидываем гипотезы и размещаем их на этапах воронки продаж. Для наилучшего эффекта все этапы и параметры следует дополнительно сравнить друг с другом, чтобы уточнить их значимость на моменте, но это чуть позже.

Теперь перед нами простая задача: нужно сравнить парами все гипотезы и все параметры, если параметр будет побеждать, то мы будем присваивать ему 2 балла, а проигравшему параметру 0 баллов. Если же нам будет трудно сравнить параметры или выделить победителя, мы будем присваивать каждому параметру по 1 баллу.

Мы можем это сделать всей командой за 1 итерацию, а можем заставить каждого заполнить матрицу целиком и у нас будет столько итераций сколько членов команды. Если гипотез и параметров много, мы можем сгенерировать по не большому количеству пар для каждого члена команды, а потом сложить вместе все результаты.

Пример:

Что скорее приведет к повышению продаж? В каком инструменте мы более уверенны (можем точней посчитать эффект)? Что легче сделать?

Настроить таргет в инстаграм и увеличить охват для улучшения этапа "информирование" или запустить акцию "30% скидка на пакет" для этапа "активация". И так каждую гипотезу с каждой и по всем параметрам.

Для 10 гипотез и 3 параметров это займет не более 10 минут. Сделайте это через гуглформы и к началу планерки у вас будут расставлены приоритеты.

В таблице ниже приведен пример работы по приоритизации гипотез таким методом, но дополнительно применены коэффициенты уточняющие вес этапов воронки и параметров оценки на моменте.

Обратите внимание, без этой развесовки мы бросились бы выполнять задачу по виральности, и упустили бы по настоящему важную задачу по настройке таргетинга.

На этом всё, удачи в правильной расстановке приоритетов.