Лев, колдунья, платяной шкаф и другие навыки продакта. Психология в создании продукта

Всем привет! Давайте знакомиться: меня зовут Никита, я Head of Product в компании «Юником 24 — финансовый маркет». Мы являемся агрегатором финансовых предложений и вместе с лучшей в мире командой делаем сложный мир финансов прозрачнее и доступнее пользователю. Сейчас на рынке товаров и услуг появилось так много различных вариантов, что далеко не все могут разобраться в них и выбрать лучшее. Мы же работаем с разными финансовыми инструментами, на любой вкус.

Я назвал эту серию статей «Лев, колдунья, платяной шкаф и другие навыки продакта». Предлагаю сегодня обсудить, как понимание психологии поведения человека помогает в работе над продуктом и в целом в выстраивании различных стратегий в компании. Это будет первая статья нашей серии, в которой мы познакомимся с различными аспектами в работе над продуктом.

Сегодня мы разберем замечательные идеи нобелевского лауреата Даниэля Канемана и его труда “Думай медленно… решай быстро”. Я постарался структурировать мысли не в том порядке, как они изложены в книге, а в том, как на практике удается их применять. БОльшую часть механик я использовал ещё до знакомства с книгой, но идеи, изложенные в ней, помогли мне дополнить картину. Итак, поехали!

У вас появилась замечательная идея и вы хотите, пообщавшись с пользователями, оценить - насколько этот продукт может быть востребован. Вы отлично понимаете, что лучше не спрашивать напрямую про продукт, а нужно выяснить потребности пользователя. Давайте обсудим проблемы, с которыми вы можете столкнуться и сделать неверные выводы.

Ответы собеседника в данный момент времени отражают его последние впечатления. Ведь события из недавнего прошлого вспоминаются легче и кажутся гораздо более существенными. Если человек недавно стал свидетелем ДТП, то временно повысится его субъективно ощущаемая вероятность аварии. Если человек стал свидетелем пожара, то и опасаться (опять же временно) он его будет гораздо сильнее. Поэтому очень важно поинтересоваться у пользователя, когда в последний раз он сталкивался с той или иной проблемой. Если вы работаете над приложением условного будильника, то нужно объективно воспринимать эмоции человека, который буквально вчера проспал и опоздал на важное совещание. Да, сегодня он готов купить ваш условный будильник за любые деньги. Но к моменту первого релиза его это может уже не заинтересовать.

Приведу пример самого Канемана:

То есть, спрашивая человека о проблеме, нужно учитывать, насколько сложно в принципе вспоминать кейсы из реальной жизни. Возможно, кейсы, которые сразу не приходят в голову, имеют гораздо более важное значение, чем думает наш собеседник.

В финансовых продуктах гораздо проще вспомнить кейсы работы с кредитными картами, чем, например, с ипотекой. Но это совсем не значит, что в целом для пользователей инструменты для подбора ипотеки являются менее важными.

Это довольно интересный эффект, который вы можете проверить на своём ближайшем окружении. На мой взгляд, это некоторое следствие “эффекта Ореола”: задавая вопрос человеку, вы просите его оценить какое-то значение по отношению к некоторой величине. Например, количество голубоглазых левшей в нашей стране. Если попросить одну группу оценить это количество больше/меньше 1 млн с указанием оценочного числа, то в среднем получим диапазон значений от 0.8 млн до 1.2 млн (разумеется, условно). А если второй группе задать тот же вопрос, но с привязкой к числу 5 млн, то мы вполне вероятно получим разброс около числа, заданного нами, скажем, 4.5 млн - 5.5 млн. Разумеется, это не относится к абсурдным вопросам, на которые человек вполне может дать конкретные ответы, и привязка его не собьет. Итог: задавая вопросы, не привязывайте вашего собеседника к конкретике, которую вы сами придумали.

Разрабатывая новое фитнес-трекер приложение, не спрашивайте - больше или меньше 5000 шагов делает ваш респондент. Большинство людей не следит за этим, и поэтому привязка сработает моментально.

Мы определили нашу ЦА (целевую аудиторию) и определили концепт продукта, который хотим реализовать. Давайте поговорим о самой насущной проблеме последнего времени - определение сроков и сложности реализации. Как вы думаете, почему так часто и так сильно ошибаются со сроками? Думаю, у каждого найдется много причин, я приведу ту, с которой сам сталкивался чаще всего.

Вы смотрите на свою команду, смотрите на проект и понимаете - да мы запросто это сделаем. Скажем, за месяц. На это - неделю, на это, и на то. И ещё неделя на всякий случай. Да, точно успеваем, даже с запасом. Поехали…А теперь давайте посмотрим на 2 вещи: сколько времени было необходимо команде в прошлом на реализацию похожего по сложности проекта? Или, если таких проектов не было, сколько времени тратила команда конкурентов на похожий проект? Ответ придет сам собой: в разы, а может, и на порядки больше. Но ведь там нам просто не повезло, возразите вы: Вася болел, Петя уволился, Коля уходил в отпуск. Да и вообще, мы первое время шли не туда и делали не совсем то. Да и релизы вечно ломались, сервера тормозили и т.д... Но сейчас-то совсем другое дело! Нет, не другое. Глобально ничего не поменялось. Все так же кто-то может заболеть, уволиться или уйти в отпуск. Все так же вы можете с самого начала пойти не туда. И даже лозунги “ну мы же команда! в этот раз мы точно справимся!”, к сожалению, никак не уменьшают количество потенциальных ошибок или объем работы.

Не попадитесь на так называемую “ошибку игрока”: 10 выпавших подряд красных секторов на рулетке никак не увеличивают шанс в 11-й раз получить черный сектор! Если у вас несколько раз на схожих проектах не удалось уложиться в месяц, не думайте, что судьба сжалится и на этот раз все точно получится. Нет, так это не работает.

Аналогично обстоит дело с оценкой сложности на основе опыта конкурентов. Да, мы все талантливые и классные ребята, но и в соседних командах работают такие же. Если большинству конкурентов требуется год на разработку решения, а вы не нашли прорывной способ достижения цели, то реальный срок выполнения будет близок к году, плюс-минус.

Аналитика данных по сути состоит из двух важных шагов: правильно собрать данные и правильно эти данные интерпретировать (разумеется, есть ещё шаг, связанный с использованием полученных данных, но это уже не аналитика в чистом виде; этот пункт рассмотрим в следующем разделе). С первым шагом чаще всего проблем не возникает, систем аналитики большое множество, а вот с пониманием полученных результатов возникают проблемы. Давайте рассмотрим самые распространенные.

Поговорим об одном интересном исследовании, на основании которого были получены следующие результаты: роддома, где рождается больше мальчиков, находятся в небольших городах/поселениях. А в роддомах крупных городов мальчиков рождается примерно поровну с девочками. Разумеется, дело тут совсем не в природных условиях, наследственности или в чем-то ещё. Просто в небольших роддомах и выборка небольшая, поэтому мальчиков (или девочек) за отдельно взятый период там будет рождаться больше, что вполне закономерно. В свою очередь, в крупных городах при большом объеме данных количество становится примерно равным. Пример из нашей практики: в городе А почти 70% кредитов получают в организации Б. Казалось бы, эврика, мы нашли место, где люди смогут получать необходимые кредиты. Но нет, там всего было выдано 3 кредита, 2 из которых в одной организации (а это - 66.67%) Поэтому, прежде чем делать выводы, убедитесь, что объема данных вам действительно достаточно, чтобы избежать искажений.

Моя любимая иллюзия в мире статистики. Давайте разберемся, в чём же тут разница. Причинно-следственная связь - это когда событие А непосредственно влияет на событие Б. Т.е. Б должно происходить как следствие события А. Корреляция - это когда А и Б взаимосвязаны, при этом Б не является прямым следствием А. На мой взгляд, ключевое отличие заключается в том, что в случае корреляции между А и Б пропущено важное связующее звено. Рассмотрим следующее утверждение: “Чем больше в городе церквей, тем больше в городе преступлений”. Кто-то скажет: ну это уже абсурд! Нет, это статистика. Только ни в коем случае не подумайте, что церкви повышают уровень преступности, совсем нет. Это и есть корреляция. Какое же звено пропущено в этой логической цепочке? Ответ прост: количество жителей. Чем больше жителей в городе, тем статистически в нём больше церквей. Но и чем больше в городе жителей, тем больше там и преступлений! Корреляция есть, а причинно-следственной связи нет! Это очень простой и бытовой пример, в реальности же зачастую очень хочется увидеть связь там, где её по сути нет.

Пример из нашей практики: статистика показала, что люди, которые оформляют кредиты с айфонов в среднем чаще получают одобрения! Очень хочется помчаться делать доработки, которые будут учитывать такое классное открытие. Но давайте подумаем: какое звено тут пропущено? Платёжеспособность. Просто люди, которые владеют айфонами, в среднем более платёжеспособны, нежели пользователи андроида (да простят меня последние). А в реальности учитывается не марка телефона, а кредитная история пользователя, которая в среднем получается лучше у любителей яблок. Отсюда и возникает корреляция!

Мы создали MVP, получили первые статистические данные и теперь начинаем докручивать продукт. Так как продуктов большое множество и подходы у всех разные, я просто расскажу о паре простых эффектов, которые использовали мы, и возможно, помогут и вам получить для себя что-то интересное.

Разумеется, подавать информацию можно абсолютно по-разному. Я говорю не про искажение данных или подачу неполного объема данных, я исключительно про формулировку. Рассмотрим пример из нашей практики. Допустим, есть некоторая модель, которая рассчитывает вероятность одобрения кредита пользователя в том или ином банке. Если мы будем выводить пользователю вероятности отказа по каждому из банков, его это только оттолкнет. Согласитесь, формулировка “Вероятность отказа 70%” звучит гораздо неприятнее, чем “Вероятность одобрения 30%”. Да, математически это одно и то же. Но при негативном контексте пользователь вряд ли захочет продолжить взаимодействие и пойдет туда, где ему покажут более приятный для него вариант.

Если кто-то из читателей уже решился сделать приложение фитнес-трекера, то не показывайте пользователю, что ему осталось пройти ещё 70% от суточной нормы. Сообщите ему, что он великолепен, так как прошёл уже 30% от необходимого!

А теперь давайте ещё прокачаем представление значений из пункта выше. Тут я приведу пример Канемана (хоть он и довольно кровожадный):

И ведь действительно, абсолютные величины нам воспринимать проще, чем относительные. Если мы в своём сервисе вам скажем, что определенное предложение по рефинансированию ипотеки снизит вашу ставку на 2%, это много или мало? А если мы скажем, что ваш ежемесячный платеж уменьшается на 10000 рублей? Звучит понятнее и привлекательнее, не так ли? А если мы покажем пользователю, что в конкретном предложении не вероятность одобрения 30%, а уже 3000 человек успешно получили кредиты в этой организации? Это работает лучше! Проценты - это что-то из области математики-шматематики, это не про обывателя. А вот конкретные цифры, с которыми пользователь может себя ассоциировать - совсем другое дело. Кстати, этот же эффект применяется в маркетинге, когда вместо привычных скидок в 20% вам начали показывать (чаще всего) конкретную сумму скидки.

Если вера в фитнес-трекер ещё не угасла, то не показывайте пользователю, что сегодня он активнее, чем 5% пользователей. Ради бога, скажите, что он обставил за сегодня уже более 50 000 человек!

А в заключении я хочу рассказать об интересном феномене. Канеман назвал это борьбой “ощущающего я” и “вспоминающего я”. Суть в следующем: “ощущающее я” - это те эмоции (как положительные, так и отрицательные), которые возникают у вас в процессе взаимодействия с чем-то, в наших примерах давайте будем говорить о взаимодействии с продуктом. А “вспоминающее я” - это то послевкусие, которое останется у вас как память об этом взаимодействии. И именно это последнее “я” играет ключевую роль. Вы можете наслаждаться отличным фильмом, получая удовольствие 2 часа, но если минутная концовка вас разочарует, вряд ли вы посоветуете этот фильм своим друзьям. И “вспоминающее я” будет абсолютно вероломно игнорировать сигналы от “ощущающего я” о прекрасно проведенном времени. Примечание: речь не всегда идет именно о заключительных эмоциях, скорее, имеются в виду самые яркие эмоции ( пик), как положительные, так и отрицательные.

Опыт, который проводил Канеман с коллегами, заключался в следующем. Добровольцам предлагалось провести три водные процедуры. Первая процедура заключалась в том, что испытуемый на 1 минуту опускал руку в воду при температуре 14 градусов (достаточно, чтобы испытывать неприятные ощущения). Затем через какое-то время проводилась вторая процедура: рука опускалась на 60 секунд в ту же воду, но незаметно для испытуемого по истечении 60 секунд в воду поступала теплая вода, которая поднимала температуру всего на 1 градус, но проходило ещё 30 секунд. В итоге короткая сессия длилась 60 секунд, длинная - 90.

Перед третьей процедурой добровольцам предложили на выбор: какую из сессий они готовы повторить. А теперь внимание: 80% добровольцев выбрали длинную сессию! И это несмотря на то, что в этом варианте они испытывали дискомфорт на 30 секунд дольше! Разумеется, испытуемые не знали об изменении условий и ориентировались только на свои ощущения (потеплела вода), ведь если бы им объяснили суть, я уверен, все бы выбрали короткую сессию.

Отсюда вывод: очень важно оставлять правильное впечатление о своём продукте, чтобы договориться с “вспоминающим я” и получить счастливых пользователей. Очень надеюсь, что и у моих читателей статья оставит только хорошие эмоции!