Latest / Product Guru's : Produto | Negócios | Carreira / Como equilibrar dados, intuição e experiência ao tomar uma decisão - Marcella Galeotti

Transcript

Como equilibrar dados, intuição e experiência ao tomar uma decisão - Marcella Galeotti · Product Guru's : Produto | Negócios | Carreira

0:02
Bom. Oi, tudo bem com você?
0:08
Meu nome é paulus. Hoje você acaba de dar play no
0:10
pro arte guru. O podcast que é voz por trás dos
0:13
produtos comigo, Marcela galeotti.
0:17
Tudo bem, Manu? Tudo bom, Paulo, tudo bem.
0:19
Pessoal, a Marcela é falda. Ela é fundadora de um dos
0:24
projetos mais legais. É que existe, aí é mulheres em
0:28
dados, ou seja, uma comunidade que tem mais de 20000 seguidores
0:32
no LinkedIn e, pasme, tem mais de 6000 mulheres, só mulheres em
0:38
um servidor do discorde só. Mulher um estava tamente.
0:42
Mar, parabéns pelo projeto. Muito obrigada.
0:45
Vai crescer? A vai, vai, vai crescer já tá
0:48
crescendo, né não para de crescer, meu.
0:50
Deus, isso é bom. Hoje o nosso papo é sobre dados,
0:53
né? É.
0:54
Dados e métricas é pensamento analítico, crítico, todas essas
0:59
coisas aí que o rum com outro file não tem poder nenhum, né?
1:05
Porque o feeling é o feeling, mas eu quero saber de você, o
1:08
mar. Como que os dados ajudam a
1:11
definir a direção estratégica de um produto?
1:13
Vamos lá, vamos começar, vamos começar pelo começo dos dados.
1:17
Bom, primeiramente, quando a gente fala de estratégia,
1:20
primeiro a gente tá falando do nosso querido target, definir
1:23
qual que vai ser a métrica, né? Pra que que a gente vai olhar?
1:26
Então começa pela e por aí, né? Exatamente no momento de estar
1:30
bom. Eu tenho esse produto.
1:31
Qual que vai ser minha métrica do sucesso?
1:33
Qual que vai ser menor Star? Qual que vai ser meu?
1:36
OC ar toda essa sopa de letrinhas que a gente conhece
1:39
bem nesse mundo de produtos é então, pra começar, a área de
1:44
dados começa aí, né? Então qual vai ser a minha
1:46
métrica? Então esse já começa a entrar No
1:48
No no escopo de um analista de dados junto com o PM é que eu
1:53
acho que isso é bem legal de falar que a gente chama duplinha
1:55
assim, né? É o é OB aqui no caso de cena,
1:58
leis que poderia também ser um analistas de dados junto com o
2:02
nosso PM. Então, beleza, primeiro a gente
2:04
começa definindo, é então já começa aí.
2:07
De por que que é importante você ter uma pessoa de dados para
2:10
definir suas métricas juntos e também qual que vai ser o nosso
2:13
target? Eu acho que esse é um ponto
2:15
muito importante, porque quando a gente vai falar de putz, qual
2:18
que vai ser a nossa estratégia? Em geral, a gente está olhando
2:21
para um, o que é específico para um target XIAIXO quê?
2:25
Como que a gente nem ficou em que número que a gente vai
2:28
chegar, né é? E aí é?
2:31
É muito louca assim essa definição porque não?
2:33
Não tem um certo errado, né? Tipo a nesse caso, vezes 5 eu
2:38
lembro quando eu comecei a olhar para oki, arre médico, falava
2:41
gente, mas como que define targeting?
2:44
Que é um negócio que cai do céu e falou assim, ai aumentar em
2:47
10% sei lá, isso é muito bom, né?
2:51
É e eu já fui a pessoa que já definiu targets, então eu posso
2:55
falar isso é importante, é e realmente assim depende, depende
3:00
de cada métrica que você está olhando assim, então, acho que a
3:03
partir desse momento, da definição do target já entra
3:06
essa pessoa de dados pra falar tá bom, aonde que a gente quer
3:08
chegar? Por que que a gente quer chegar
3:10
lá e o que que faz sentido a gente colocar como target?
3:13
Porque às vezes não vai fazer sentido você falar que você quer
3:16
que 100% da sua base tenha determinado comportamento?
3:20
Que se às vezes você tem um limite, sabe?
3:22
Então isso já é importante. Você ter uma pessoa de dados aí
3:25
para definir o target. Então, no momento que você tenha
3:27
um target específico para um ok e ar específico, que uma pessoa
3:31
de dados em conjunto com o PM levantou, é aí sim, você começa
3:37
o outro trabalho, que é como que eu vou chegar nisso, né?
3:39
Que que eu? O que que eu vou fazer em termos
3:40
de estratégia é e tem 2 coisas que eu acho muito bacana de
3:44
mencionar, que são, é primeiro, tá bom, qual que é o tamanho da
3:49
minha oportunidade aqui com determinada Fisher, com
3:52
determinada aposta, iniciativa porque muitas vezes a gente a
3:56
gente acha que a gente tem 11 fitter super bacana, uma super
3:59
aposta, nós vai ser. Incrível e a gente olha para o
4:02
público potencial e para o nosso target de pessoas que talvez
4:06
estariam interessadas nisso e é super pequeno.
4:09
Então eu acho que essa questão de entender OOO potencial de
4:13
público e o potencial do impacto é muito importante, porque na
4:18
hora que você for falar de esforço, impacto, o impacto está
4:21
muito de acordo com os dados que você tem, né?
4:23
Então eu acho que esse já é um ponto muito bacana também é.
4:26
E outra coisa também. Quando você vai olhar, por
4:28
exemplo, putz, eu tenho um produto aqui que tem uma jornada
4:31
XYZZ, tipo quantos por cento, em termos de funil das minhas
4:36
pessoas drope aqui ou converter em aqui ou.
4:39
Tem que entra por um lugar, entra pelo outro e isso é tudo.
4:43
Mapeamento de de de prova que está ali, que é super importante
4:46
que a gente faça, né? É então, às vezes a gente fala,
4:49
putz, acho que para aumentar esse rock hard eu tô vendo aqui,
4:53
eu vou fazer tal iniciativa. Só que na verdade, quando você
4:56
olha o funil, a melhor iniciativa está num lugar que
4:58
você nem imaginava que tinha. Um drop tão grande, sabe?
5:02
É então assim, Paulo é importante para tudo, né?
5:05
Como que a gente faria estratégia?
5:07
Eu sou a pessoa mais visada possível em termos de dados,
5:10
obviamente, porque esse é meu minha carreira, mas eu acho que
5:14
que dados acabam ficando assim é começo, meio fim.
5:17
É desde o começo de aonde que a gente quer chegar, por que que a
5:20
gente quer chegar lá e no como, então, tudo apenas tudo?
5:26
Eu me lembro de de discussões para é definir metas.
5:33
O que eu. O que eu, o que o Steak holders
5:35
e tinha um não mas como que a gente define aqui?
5:39
Aí eu sei que roda e falava assim, não vamos quebrar a
5:41
cabeça não. Média dos últimos 3 meses, +10%
5:48
é básico. Isso é default isso, né?
5:51
Boa é todo stake holders, precisa ser ético para média de
5:55
3 último +10% aí. É isso?
5:59
Pois é, mas assim acontece, vamos falar aqui é que não
6:03
acontece, não. Vamos falar que não acontece,
6:05
entendeu? Acontece acontece muito em todas
6:08
as famílias. E tem vezes, assim que também,
6:11
por exemplo, putz, a gente faz uma projeção, né?
6:14
Usando os dados históricos e a gente fala, tá bom, vou tentar
6:17
colocar um boost. Zinho, né?
6:19
Pra ser meu target. E mesmo com esse bucho o negócio
6:22
fica muito baixo. Aí você leva um número pra
6:24
pessoa e falar, ó, fiz uma super análise, tipo tá aqui e não é
6:30
muito baixo, então também sempre tipo isso acontece assim.
6:34
É lógico que acontece, não vou falar nossa super dados e tal, é
6:39
são dados. A gente está pautando por uma
6:41
projeção só, que às vezes a gente precisa dar 11 jogo de
6:44
cintura assim pra falar tá bom? Como que eu vou conseguir
6:48
aumentar mais ainda e realmente aí, beleza, eu vou aumentar mais
6:51
ainda tem esse tanto de iniciativa aqui no meu World map
6:55
que eu vou conseguir chegar nesse lugar.
6:57
Não? Então não faria sentido aumentar
6:59
tanto assim. Agora, se eu vou conseguir ter
7:02
um Timão pessoas trabalhando aqui, várias iniciativas rolando
7:06
e a gente vai conseguir dar 1 MB Street, tá bom?
7:09
Então aí vai sentido, mas acontece, acontece muito.
7:13
Então você que deu play já sacou que hoje é aula em formato de
7:18
podcast com uma das maiores referências em dados e métricas.
7:22
Desse país? Aí sim, se para.
7:25
A é a pessoa que mete 3 é a média de dos últimos 3 meses,
7:29
mas 10% tem, hã. Tudo baseado em estatística.
7:36
Tudo baseado em estatística, tudo baseado mais doido. 2 + 2 é
7:41
4. Está aqui?
7:43
É 4 pronto, tá bom? Tá, sabe a Terra plana, então
7:47
agora a gente olha, não vai lá, vai, ta?
7:51
Ou não, gente. Então você já sabe, né?
7:55
Então agora é recados, recados e aí a gente entra na pauta porque
8:01
hoje OA conversa promete. Recado número 1, siga Marcela no
8:06
LinkedIn o link da do perfil dela está na descrição do
8:09
episódio e também siga e participe.
8:13
Mulheres em dados tá bom? Para as mulheres têm um canal do
8:18
Discord, certo? Só mulheres sim, se o homem
8:22
tenta entrar lá é negado, então por favor, o link está na
8:27
descrição, você que é mulher tá ouvindo?
8:29
Clique No No botão no link da do Discord, vai lá fazer parte
8:33
dessa comunidade. Você quer homem segue no
8:37
LinkedIn, está bom para você? LinkedIn a gente tem trilha dos
8:40
todo o kit Ruby tem YouTube, tem um Monte de um Monte de vídeo,
8:44
tem um Monte de coisa também. Isso.
8:46
Vamos pra pauta. Mas antes da gente entrar um
9:03
pouco para entender mais sobre o universo de dados e métricas é
9:07
qual é a sua história? Vamos lá rapidamente falando
9:10
sobre Marcela. Sou Business analysis No No
9:13
banca atualmente desde 2021, sou fundadora do mulheres em dados é
9:18
sou formado em economia pela USP.
9:21
Trabalhei um tempo em marketing, martech e fiz transição de
9:25
carreira para para dados em janeiro de 2021.
9:28
E é isso, gente, sou pisciana, sou meio louca das Ideas e ao
9:34
mesmo tempo eu trabalho com exatas, é um mundo de coisas.
9:36
Aqui temos uma economista no episódio, então hoje iremos
9:40
falar sobre arcabouço de dados e métricas de produtos digitais.
9:45
O mar me tira uma dúvida que você poderia compartilhar um
9:50
exemplo de como usou análises de dados para tomar uma decisão
9:54
crítica de produtos, porque a gente fala muito de dados, né?
9:58
Não tem que ser pautado em dados, tem que ser pautado em
10:01
dados e a minha experiência é. Quando foi pra ter uma decisão
10:05
crítica, OK, os dados estava lá, mas a decisão não foi muito
10:10
pautaria, dá-se, foi mais no na experiência do Steak holders, no
10:14
feeling. Com mais noção de dados ali é,
10:18
mas você tem um exemplo só pra gente saber.
10:22
Tenho. Eu tenho um exemplo que ele é
10:24
bem bom assim é, teve uma vez, é no fim do ano passado.
10:30
A gente ia começar a fazer o planejamento e eu vou falar de
10:33
forma muito genérica, né, gente, porque eu não posso falar o que
10:36
que eu fiz? Assim?
10:38
Fiquem comigo nessa história genérica.
10:42
Mas é verdade, acreditem no fim do ano passado, a gente estava
10:46
fazendo um planejamento do do ano dos próximos anos e tudo
10:49
mais. E existe uma coisa que se chama
10:52
canibalização de produto, né? Que às vezes a gente lança um
10:55
produto que ele acaba fazendo com que o uso de outro produto é
11:00
caia, reduza, et cetera, muda completamente o perfil e, enfim,
11:04
o engajamento com outro produto. Isso que a gente chama de
11:06
canibalização, é e a gente tinha várias apostas para um produto
11:11
que eu lembro que quando a gente estava olhando a essas apostas,
11:15
betz que a gente teria pro ano que vem para os próximos anos.
11:19
Onde que eu olhei? Eu falei assim, putz, eu acho
11:20
que é vai ser bom. Na verdade, antes de a gente
11:23
começar a levantar tudo isso aqui, vai ser legal.
11:25
Se a gente olhar como que tá esse percentual de canibalização
11:28
nesse produto, sobre aquele outro ali.
11:31
Como que será que tá essa canibalização?
11:33
Como que tá essa projeção de uso de engajamento com esse produto
11:37
para os próximos 123 anos? É, e aí todo mundo falou nossa
11:41
verdade, vamos olhar essa daqui, por favor da uma né, dando essa
11:43
canibalização pra gente seguir aqui com com esse planejamento
11:47
não era um planejamento só do ano, assim era um planejamento
11:49
bem longo e aí eu lembro que eu comecei a puxar a canibalização
11:52
do produto, eu fiz um dos agrupamentos, assim diferentes.
11:56
E aí, olhou na projeção ou foi? Putz, acho que.
12:01
Essa canibalização está de mal a pior.
12:04
Então assim, realmente não vai fazer sentido isso que a gente
12:07
vem discutindo tem tempo, é. E aí eu lembro que eu nunca
12:11
tinha feito projeção assim. Eu sou economista, eu sou.
12:13
Eu nunca tinha feito de fato no trabalho assim, uma projeção eu
12:16
fui, não vou puxar uma tendência linear, tosca, que sabe, tipo,
12:20
puxei um negócio assim é, e aí eu puxei, e aí assim puxei uma
12:26
tendência linear, foi um negócio apocalíptico, né?
12:28
Tipo assim foi pro zero em 1 ano, 2 anos assim, foi uma
12:32
tendência horrorosa, mas tipo, serviu pra gente olhar aqui tá
12:35
bom, precisaria trabalhar um pouquinho melhor dizendo a
12:37
pista, projeção. Mas serviu para a gente ver e
12:40
falar, hã, eu acho melhor a gente rever esse negócio antes
12:44
de a gente tomar essa decisão de investir x tempo.
12:47
Se dinheiro nesse negócio aqui que eu não posso falar, o que é
12:51
gente? Desculpe, né?
12:53
É, mas aí assim eu lembro que eu apresentei esse negócio
12:58
tosqueira para uma banca, pro meu comitê todo.
13:02
Assim eu falei assim, gente, eu preciso trabalhar em cima dessa
13:05
projeção ainda, só que assim isso é o que temos.
13:08
Aí todo mundo falou, uau, acho melhor você dar uma olhada
13:11
melhor nesse negócio e vamos, vamos dar uma refinada nessas
13:14
projeções. Só que assim.
13:15
Realmente foi um alerta vermelho, assim que que levantou
13:19
pra pra todo mundo sabe, para todos os stake holders, e aí eu
13:22
fiquei umas 2 semanas trabalhando nessas projeções, aí
13:25
sim eu fiz umas projeções melhores, uns logs, uns negócios
13:28
um pouco mais f nadinho. É, de acordo com as tendências,
13:32
sei lá. Tendência nova que tinha se
13:34
estabelecido nos últimos 3 meses e umas coisas assim é, e cara,
13:39
isso desdobrou pra gente mudar completamente o que a gente
13:42
estava pensando assim em relação ao produto, sabe?
13:45
Foi um planejamento que não era só de 1 ano, era de uma coisa de
13:48
5 anos assim. Então, entre fazer, por exemplo,
13:52
só manutenção ou investir um pouco mais nesse produto?
13:55
A gente não, eu acho. Vamos continuar só fazendo
13:57
manutenção mesmo e não vamos colocar mais tanto dinheiro
14:00
porque a médio longo prazo esse negócio vai uso, vai cair muito,
14:05
então não vai fazer sentido. Então eu acho que esse caso foi
14:09
um que realmente mudou muita coisa que a gente vinha
14:14
conversando, sabe? Eu acho que esse é um bom
14:16
exemplo, porque assim é isso. Tipo, não é são e é difícil a
14:20
gente pensar em exemplos, que é quando você pergunta, é crítico,
14:23
eu fiquei pensando, tipo, porque assim é, é decisão de dia a dia,
14:27
dia rolar ou não, rolar total Fischer faz ou não faz tal
14:30
coisa, sabe umas coisas meio que menores, assim é aí realmente
14:35
puta é um teste AB eu fiz um teste AB wiki controle ganhou do
14:38
teste, não vou fazer o root desse negócio, mas crítico
14:41
crítico eu acho que esse caso foi bem.
14:43
Bem crítico, então está aí 11 exemplo bom.
14:48
Muito crítico, não o rum, e isso me abre uma dúvida, que é, como
14:54
que você equilibra a dependência de dados e análises com a
14:58
intuição e a experiência ao tomar decisões?
15:02
Olha. Muito difícil.
15:06
Que perguntinha horrorosa. Cara, é assim, eu tenho meu
15:11
claro, meu grande viés de de dados, mas aqui eu acho que no
15:14
fim das contas, você é muito honesta assim, tipo, é óbvio que
15:18
eu preciso influenciar as tomadas de decisão.
15:20
Eu sou a pessoinha de dados do time.
15:21
Eu preciso influenciar as tomadas de decisão com base em
15:24
dados. No fim do dia.
15:26
Só que no fim do dia o roadmap está com quem?
15:29
Quem vai falar? Oo quem quer palavra final de
15:32
fato no roadmap é a pessoa de produto também, né?
15:35
Então, assim do meu lado, eu dou todas as recomendações
15:38
possíveis, eu tento, eu preciso conseguir influenciar o máximo,
15:42
inclusive. Que eu não conseguiria
15:44
influenciar. Isso é ruim para minha
15:46
performance como pessoas de dados na empresa, é só que
15:51
assim, sinceramente, cara, já tiveram vezes que eu falava uma
15:55
coisa e aí a sei lá. O time não acatava ou aconteceu
15:58
alguma coisa assim? Eu falava assim, pelo amor de
15:59
Deus, meu chefe, meu diretor, meu, todo mundo te urgente.
16:05
Vamos usar os dados, então, sinceramente, eu vou muito
16:08
honestamente. Tem vezes que a gente precisa, a
16:10
gente, pessoa de dados, precisa dar uma recorrida falando
16:14
galera, diretoria, dados só cor, Deus, alguém me ajuda em relação
16:19
a isso aqui. É porque realmente acho que
16:23
vocês sofrem, né? Que vocês sofrem mais com isso
16:25
do que eu, tá? Mas vocês sofrem um tanto bom
16:29
com esse negócio de roadmap, mas eu acho que assim é isso é saber
16:32
argumentar muito bem. É saber levar os melhores dados
16:37
possíveis. É, e quais são esses melhores
16:40
dados? É tipo você já.
16:43
Você já antecipou o que que a pessoa vai falar, sabe?
16:45
Tipo, há não, veja bem, não. Você já falou assim, ó, eu já
16:49
até sei o que você vai falar, só que ó, eu já puxei.
16:52
Então assim, além de puxar o dado que você sabe que vai
16:56
direcionar, a conversa, já puxam os outros 23 que são métricas
17:00
secundárias e terciárias. Algum outro impacto cross
17:04
functional scrum. Assim é que eu acho que é
17:08
importante que o quanto mais você conseguir assim, tipo, e
17:11
não, não só uma coisa de produto, mas puxar coisa de
17:14
operação, puxar coisa de público, puxar o tudo o que você
17:17
conseguir puxar pra pra embasar o seu o seu ponto de vista,
17:21
sabe? Eu acho que.
17:22
Mas é óbvio. No fim do dia, se o se o seu
17:24
Steak road principal, ele não está te comprando por nada, às
17:28
vezes você chorar, entendeu? Às vezes você vai ter que chorar
17:32
assim que você sabe que putz, você tá certo ou que os dados
17:36
estão te dizendo alguma coisa e a pessoa não, não acatou, é, mas
17:42
é isso, mas assim tem vezes também Paulo, que que você tá
17:46
dando uma recomendação e as pessoas numa cartão, e aí
17:48
acontece coisas que você tinha falado que um aconteceu ou
17:52
alguma coisa nessas e aí também ajuda a embasar mais o seu ponto
17:56
que você fala, então vamos usar os dados.
17:58
Vamos então, tá bom? Então eu acho que isso isso
18:02
acontece também às vezes, sabe? Tipo ai, eu tenho uma intuição,
18:05
essa foi 11, tá bom, tá bom? Então tá, mas é, às vezes a
18:11
gente tora. O Pablo fala muito disso, fala o
18:14
Pablo, fala ali sobre top, Deus top delas vão existir.
18:18
É, às vezes você vai tentar argumentar e não vai conseguir
18:22
ganhar, não, comenta. São ele, tá tudo bem, é o fato é
18:27
você documentar, pra depois jogar na cara.
18:29
Jogar na cara da pessoa? Mas é a recomendação é tal por
18:34
XYZ. Tá aqui, ó.
18:36
Os riscos, risco 12345. Como é que assumir tá bom,
18:40
assume 16. Tudo aí deu merda, então
18:43
campeão. Acontece.
18:46
Não campeão. Eu mostrei lá, né?
18:48
Poxa, perdemos dinheiro depois não reclama.
18:51
Aí falando aqui de contenção de custos, outra pergunta, mas eu
18:54
não vou pro caminho da da polêmica.
18:56
Vamos manter aqui, tá? Essa já foi.
18:59
Essa é bem polêmica, né, gente? Essa já é muito polêmica.
19:02
Porque é um. O que significa ter uma
19:06
mentalidade orientada a dados como gerente de produtos e como
19:11
isso se reflete num trabalho diário?
19:15
Você quer de dados? Você, você já tem a mentalidade
19:19
de dados, né? Você, porque se você não tiver
19:21
caído no lugar errado, é sim, mas muito se fala que é o
19:26
Project manager, tem que ter uma mentalidade de dados orientada a
19:29
dados, tá, mas o que é essa mentalidade de dados?
19:33
É AA mentalidade de dados de um Project manager, tem que ser a
19:36
mesma mentalidade de uma economista de uma pessoa
19:40
especialista em deita. Ou não, cara, esse.
19:43
Esse é um ótimo ponto, e aí só vou falar uma coisa assim, eu,
19:47
eu, eu. Eu sou uma pessoa que eu fiz
19:48
transição de carreira para dados por mais que eu seja economista,
19:51
bem, eu sou formado em economia. Eu trabalhei muito tempo com um
19:54
evento, então eu tive que me tornar uma pessoa de dado.
19:58
Sabe quando eu entrei No No banco também, eu eu entrei como
20:02
um outro escopo que acabou virando ba é que é de fato a
20:05
pessoa de dados, analista de negócios, mas então eu tive que
20:09
me tornar bies, sabe? Então tipo, eu vi, eu vi como é
20:12
criar essa mentalidade também é de dados, só que eu acho que é o
20:17
seguinte. Já respondendo à primeira
20:19
pergunta, a pessoa de, por exemplo, um PM, precisa ser tão
20:22
bom em dados quanto uma pessoa de dados ou tio ser um super
20:27
analista de dados? Cara, não, não.
20:31
Assim, sinceramente, ele não precisa.
20:33
Só que o que que eu acho que vai diferenciar honestamente assim,
20:36
o que que eu acho que vai diferenciar os 2, tá é a parte
20:40
técnica, sinceramente, assim, tipo a parte técnica de putz eu
20:45
é eu pessoa de dados é e negócios eu preciso ser muito
20:49
boa em SQL Scala, Python, amplitude tudo assim eu eu
20:54
preciso mexer nas nas ferramentas eu ralo o coco, né
20:57
que nem a gente fala No No? Vou amarrá-la, dura de coco.
20:59
Assim é, além de ter que ter 1 MB senso de negócios de produto
21:05
EEE tudo mais assim. É então, cara, eu acho que essa
21:09
parte técnica é o que vai diferenciar muito assim, sabe?
21:14
Porque eu acho que todo o resto, quando a gente fala, por
21:16
exemplo, putz, eu tenho, eu tenho um produto e aí eu quero
21:20
fazer uma estratégia para esse produto.
21:21
Quero que a gente tava falando no começo, aí eu tenho várias
21:25
betz com base na minha cabeça, sabe?
21:28
Tipo com base na minha cabeça eu quero fazer isso aqui e isso e
21:33
tal te vai vai ser super legal, tipo assim.
21:36
Nenhum cliente nunca. Você não tem feedback disso.
21:40
Ninguém nunca falou disso. Você fez funil e nem não, não
21:45
tem drop nessa tela ser fez levantamento de público?
21:49
Nem você nem fez levantamento de você, não vê nada e você acha
21:53
que vai ser super legal aquilo que você acha?
21:55
Então assim, essas coisas de negócio aí que vai.
21:58
Então o que que eu eu acho que é um PM e quando a gente fala de
22:01
de é a mentalidade é data driven, né, que que um PM
22:05
precisa testículo, pô, se eu vou fazer um planejamento é, tá bom
22:09
fazer um planejamento, tá em paz, forço impacto, impacto,
22:13
qual que é o meu impacto? Há potencial?
22:15
Toca também do meu público. Como que tá um mapeamento na
22:18
minha tela? Onde que está, onde que eu tenho
22:20
mais oportunidade aqui? Olhando para os dados, tipo,
22:23
putz aqui a conversão tá meio ruim ou sei lá, eu estou
22:26
mandando uma notificação, ninguém está abrindo, sabe?
22:28
Tipo assim, quais são minhas métricas, aonde que eu tenho uma
22:30
oportunidade aqui? É então já começa por aí, na
22:34
parte de planejamento, que é Oo momento de a gente usar os dados
22:39
é e também quando a gente fala, por exemplo, putz, então eu
22:43
defini minhas apostas, né? Tipo definir aqui minhas
22:46
apostas, eu vou sair lançando todas não eu às vezes tudo bem,
22:50
você tem uma super aposta? Com base em dados a sua aposta,
22:55
mas a forma como você está criando essa fitter nova
22:58
execução a tela sei lá, qualquer coisa tipo, vamos testar, né,
23:02
gente? Aí assim é essa mentalidade da
23:05
experimentação. Ela também é muito bacana e ela
23:06
também é muito baseada em dados assim, sabe, tipo assim, por
23:09
mais que você é, eu sei que é difícil para pessoas produto
23:13
muitas vezes também, sabe? Você pega seu time de
23:15
engenharia, você bota x tempos de desenvolvimento para um
23:19
teste? Sim, sim, sim, para um teste,
23:24
porque pode ser que você tenha uma fitinha que pareça
23:27
supralegal, vai aumentar super adoção do negócio, só que na
23:31
verdade está te dando 1 MB backfire.
23:33
E na verdade, ela tá horrível e tá até diminuindo sua métrica.
23:37
Tá prejudicando sua métrica, então eu acho que essa cultura
23:41
da experimentação, quando a gente fala sobre execução e dia
23:45
a dia é depois de a gente já ter montado as bets.
23:48
Com base em dados e isso é muito assim.
23:51
Eu, pessoas de dados, eu amo assim, tipo, vamos testar?
23:54
E assim que se der errado é um aprendizado, está ótimo, isso é
23:57
maravilhoso. É, é lógico que a gente precisa
23:59
que o nosso stake holders também compre a ideia cultura da
24:02
experimentação é isso, é bem importante também.
24:06
Mas cara, eu acho que é isso, assim tem nesses 2 momentos, na
24:10
hora do planejamento você fala bom, o que que eu vou fazer?
24:12
Vamos levantar dados, entender onde que a gente tem uma
24:15
oportunidade, qual que é o impacto legal, qual que é o
24:17
esforço? Qual é o risco, qual benefício
24:19
baseado nas cante tem e também quando a gente tá tocando essas
24:23
apostas que a gente pensou no planejamento, ter essa cultura
24:26
de experimentar para estar realmente aumentando as métricas
24:29
que a gente definiu lá atrás também, sabe?
24:32
É então, pra mim é, é muito isso.
24:34
E por exemplo, putz, eu vou fazer um teste entender.
24:37
Acho que quando a gente fala sobre, tipo testar e tudo mais,
24:41
é entender qual que é a pergunta que você quer responder, qual é
24:45
a hipótese que você tem por trás desse teste?
24:47
Isso já também já é uma mentalidade data driven, sabe?
24:50
É. É muito difícil de você saber o
24:53
que você quer, qual que é sua hipótese?
24:54
Até isso, muitas vezes é difícil, sabe?
24:57
É, então acho que esse lado de dados é muito assim.
24:59
Qual que é o foco? Qual é o objetivo?
25:01
É onde que isso vai me levar, o que que isso vai fazer é que que
25:04
isso responde que que isso aumenta.
25:06
Eu acho que é esse negócio mais não é, não é duro assim, sabe,
25:11
tipo, mas assim objetivou mesmo, sabe?
25:15
É então, eu acho que isso já é uma mentalidade muito bacana,
25:18
que não tem nada a ver com você saber por fazer uma query SQL,
25:22
tipo, eu tenho um PM maravilhoso, um beijo Pra Ele,
25:26
ele não faz query em SQL, ele me falou esses dias que ele faz um
25:29
select. Sol, frome uma tabela
25:31
gigantesca, quase matei ele. Está tudo bem também.
25:34
Mas assim é. Ele é um PM incrível,
25:38
absolutamente data driven tudo. Ele pergunta, qual é o impacto?
25:42
Qual que é o esforço? Qual que é o nenê?
25:44
Qual ele sabe exatamente qual é a pergunta que ele quer
25:46
responder, qual a hipótese que ele tem?
25:48
Ele me pergunta, qual que é a porcentagem de conversão em cada
25:52
uma das telas? E pra mim ele é um parceiro
25:55
incrível, sabe? Tipo ele não precisa saber mexer
25:58
nas ferramentas, ele não é melhor ou pior em absolutamente
26:02
nada no escopo dele, por não ser técnico, tipo, eu não acho que
26:07
ele precisaria saber. Eu acho que isso que diferencia
26:09
muito, sabe, mas não precisa. A gente eu não acho.
26:12
Eu tenho essa, eu sou dessas. Esse tipo de pergunta faz com
26:16
que a gente vá para um caminho meio perigoso, que é igual.
26:21
A pergunta que todo mundo faz sobre procedimentos quer proje
26:25
manager? Precisa acordar?
26:27
Não, não, não. OKA gente falou sobre
26:32
mentalidade de produtos de um de um projeto manager e Popó, né?
26:36
Não, não. Por favor, também não seja esse
26:39
Project manager, amigo da Marcela, que dá um select em
26:42
tudo. Pelo amor de Deus.
26:45
É um pouco difícil. Não foi porque o enter e o
26:49
delete, então tão próximo tá bom?
26:51
É então toma cuidado, é. Enfim, não faça isso aí, o
26:56
pessoal lá. A área de dados tá falando aí, o
26:59
banco tá lá, o banco está lento hoje, né?
27:01
O é que que o banco está lento porque tinha uma pessoa do outro
27:05
lado da empresa puxando o banco inteiro.
27:08
Não, mas um beijo maravilhoso é ótimo.
27:10
Continue assim. Só nunca se precisar de ajuda
27:13
com o query eu ajudo, tudo bem. Só não faça mais isso, por
27:17
favor, fique longe. Do do SK você que tá na nessa
27:23
nessa área de dados com background de de economia e tem
27:28
tem ajudado bastante. PMs a ter essa essa mentalidade
27:31
de dados. Quais são as métricas mais
27:34
importantes e, digamos assim, básicas?
27:38
Mais que seria um diferencial que toda todo o projeto de menos
27:42
deveria saber. Boa.
27:44
Olha, é eu, não, eu não vou falar, depende, tá, eu vou falar
27:47
de umas basiconas que que a gente sempre usa.
27:50
A gente sempre usa, não tenho que fazer, mas é óbvio que vai
27:53
depender para cada produto. Mas vamos lá, gente.
27:55
Médica de adoção métrica de engajamento que a gente pode
27:59
falar de por mês, mal dá Wall, que é engajamento por mês,
28:06
engajamento por semana, engajamento por dia é que aí o
28:10
que significa engajamento? Sou sorri, aí vai ter que
28:13
definir o que que é um ativo. Aí está com você, pessoa de
28:17
produto. Você sabe o que?
28:18
Que significativo para o seu produto é cara, eu uso retenção,
28:24
me churn também. Eu acho que essas 4 assim, tipo
28:27
alguma métrica para adoção, engajamento, retenção e churn
28:30
são 4 coisas que eu acho que são bem importantes.
28:33
Né? E que eu olho sempre aí?
28:35
Assim, exatamente, o que significa cada uma delas?
28:37
Retenção para quê, né? Tipo aí, a definição é fica com
28:42
a pessoa mesmo, mas acho que essas 4 são bem importantes.
28:45
Eu sempre olho, é, acho que essas 4 são boas.
28:48
A gente tá se encaminhando para o final do do episódio 11.
28:51
Conversa muito boa. Eu falei que seria.
28:55
Uma aula em formato de podcast, não mentir mais uma vez eu não
28:59
menti, olha só, com a presidência é?
29:02
Porém, tem muitas perguntas aqui que eu queria falar com a
29:05
Marcela, mas o que que a gente vai fazer?
29:08
A gente vai ter uma continuação, que é aonde é em nossas redes
29:13
sociais a gente vai pegar aqui algumas perguntas, andar para
29:16
Marcela, Marcela responde, a gente vai fazer um conteúdo, uma
29:19
Colab com mulheres em dados e aí a gente compartilha com com você
29:25
que tá ouvindo e com as demais pessoas, tá bom?
29:28
Então uma pra finalizar aqui uma última pergunta.
29:32
Que é direcionada para as pessoas que estão começando na
29:37
área de produtos. Quais seriam os conselhos que
29:42
uma das maiores referências de dados e métricas do país pode
29:45
dar para que essas pessoas possam desenvolver essas
29:49
habilidades? Em análise de dados?
29:51
O primeiro conselho, o primeiro conselho é, não dá ou select.
29:54
Não. Não, a gente deixa as Kelly
29:58
Assis quiser ir depois não, mas eu acho que até começando pelo,
30:02
por essa parte técnica, eu acho que é importante, sabe?
30:05
É não pire com essa parte técnica, não pire com esse
30:09
negócio sim, porque eu eu, eu até já já falei com a PM do meu
30:13
time, assim, tipo, cara, é sobre essa coisa técnica.
30:16
Às vezes parece que putz, eu sou PM e eu preciso saber o eu sou a
30:21
cia maravilhosa do ex que não precisa, sabe, tipo assim, eu
30:26
realmente não acho que precisa, então não pire com isso assim eu
30:29
acho que é isso, foi o que a gente falou, mentalidade,
30:31
mentalidade, data driven de ser bom com dados não tem nada a ver
30:34
como se saber kodar sabe, é? Eu acho que a primeira coisa de
30:38
dados é assim, fazer perguntas, sabe, tipo assim, faça perguntas
30:43
e tente sempre ponderar. Esse negócio parece simples e
30:46
besta, né? Essa matriz tipo assim, esforço,
30:49
impacto parece simples, mas não é.
30:51
É. É muito importante assim é pra
30:54
pra tudo o que você for pensar em fazer é primeiro por que que
30:58
eu estou pensando nisso? Onde que eu poderia coletar
31:01
dados na minha empresa, tipo, as vezes a gente não tem todos os
31:04
dados usam, você tem tipo, putz, eu tenho comentário aqui na
31:08
minha Apple store ou tipo né, não sei, pronto, já tem.
31:13
Uma fonte aí sabe, é, então eu acho que é isso, sim, o primeiro
31:17
entender, aonde que você tem dados, aonde que você
31:20
conseguiria coletar para para ter suas Ideas, para fazer suas
31:23
estratégias? Levantar suas apostas?
31:25
É com base nisso o que você tem, você fala, puta, eu tenho, sei
31:29
lá, comentário aqui eu tenho feedback do do negócio, aqui eu
31:32
tenho um banco de dados ótimo, você tem um banco de dados, qual
31:36
o que que você tem é peça ajuda para pessoas de dados, não tem
31:40
problema nenhum você não saber puxar seus dados, tá tudo bem a
31:43
pessoa de dados tá lá pra te ajudar também é e eu acho que
31:47
saber fazer as perguntas certas tipo, o que que você tá querendo
31:50
com os dados? Assim porque muitas vezes também
31:51
a pessoa de de. Produto, ela é, ela quer tudo
31:55
também, né? Tipo assim, agora todos os
31:56
dados, não? Calma todos os dados, não tem
31:58
você aqui que a gente quer que que é, de qual a pergunta que a
32:01
gente tá querendo responder, o que que você quer saber?
32:03
Então é isso, fala essas perguntas no momento você
32:05
começar a fazer uma umas perguntas e se faz mesmo, tipo,
32:08
isso é o que eu estou pensando, faz sentido?
32:10
É, existe um potencial pra isso? Tipo, hã, eu quero fazer uma
32:15
feature tal, tá, mas pra 3 pessoas deixa eu talvez talvez
32:19
não faça sentido se a querer agradar 3 pessoas, sendo que sua
32:22
base tem milhões e tipo tem 1 MB oportunidade ali num gap x é?
32:29
Que você não está olhando assim, então esse eu acho que que vai
32:32
muito por esse caminho. Tipo, tá aqui que eu quero, tá?
32:35
Qualquer impacto disso aqui tá qualquer esforço, isso aqui,
32:38
isso já é ter uma mentalidade, data de vim muito boa, sabe,
32:42
maravilhosa assim. Eu acho que esse negócio da da,
32:45
da cultura, da experimentação, ela também está muito, muito,
32:47
muito junta com isso. Não tenha medo de errar com
32:50
produtos, sabe? Eu acho que a gente do lado de
32:53
dados a gente sabe que a maior parte dos negócios que a gente
32:56
vai botar no ar vai dar errado. E aí, você acha que o usuário
32:59
vai fazer tal coisa? Ele não vai, ele vai odiar e vai
33:01
que pedir pra você voltar pro outro.
33:03
É lógico que tem certas coisas que puta vão mudar um lobo.
33:06
Não vou fazer um teste porque vamos dar o lobo, entendeu?
33:09
Sim, a pessoa vai ter que aceitar esse logo novo também e
33:12
acabou. É meu posicionamento.
33:13
Então é, é um. É um Balanço muito louco entre
33:17
você e esse que é o ponto que é mais difícil.
33:20
É tipo eu vou fazer as perguntas, eu vou fazer alguma
33:23
coisa com essa resposta, vou rodar um teste de um logo, então
33:27
vou mudar meu logo. Vou rodar um teste, eu vou
33:29
mudar, eu vou realmente voltar pro outro logo, se a galera
33:33
gostou mais do logo antigo, não vou, então não precisa desse
33:37
dado também, entendeu? Então eu acho que assim saber
33:40
fazer umas perguntas, entender o que você vai fazer, recorrer a
33:43
resposta, eu vou fazer alguma coisa com essa resposta aqui.
33:45
Não, então. Nem faz sentido fazer essa
33:48
pergunta, sabe? É.
33:50
Mas assim, sinceramente, esse negócio em relação a dados é
33:52
muito dia a dia, tipo, não é muito difícil, porque você
33:56
começa nesse mundo e não tem certo e errado em nada que você
34:00
vai fazer, sabe? Tipo, não tem certo e errado em
34:02
nada assim, então é isso. Acho que Oo começo é não pire
34:06
com parte técnica, não fique pirando com saber o na não,
34:10
foque nas perguntas mais bacanas que você consiga pensa no
34:15
impacto, pensa no esforço e pensa que você vai, se você vai
34:17
fazer alguma coisa que essa resposta eu acho que isso já é
34:20
um direcionamento bem bom assim. É, e é isso, tipo aí, quando
34:25
você for fazer também a análise de alguma coisa, cara, tenta
34:29
tirar alguns insite se, mas pede ajuda para a pessoa de dados
34:32
também, sabe? Tipo, às vezes a gente olha para
34:34
uma análise, falar. Acho que esses dados estão me
34:37
dizendo que tal coisa, só que você está olhando para o número
34:40
absoluto. Você não olhou pra pra
34:41
proporção, sabe? Tipo, tem algumas coisas meio de
34:44
errinho que a gente faz no dia a dia, que não é nossa, sou
34:48
péssimo, eu sou muito burro, não tem nada a ver, você tá
34:50
começando analisar é uma coisa nova assim é, então acho que não
34:54
tenha medo de pedir ajuda para a galera que trabalha com dados,
34:57
sabe? É.
34:58
Eu sei que a pessoa de produto ela tá lá, é um gestor, né?
35:02
Tipo cara, faça perguntas também.
35:04
Voltar tudo bem você fazer perguntas é e querer aprender
35:07
contigo. Tá ótimo, sabe num, num ninguém
35:10
espera, eu acho que é uma coisa boa esse de de vocês todos
35:14
saberem. PMs é, que tipo as pessoas de
35:16
dados não esperam que vocês saibam tudo?
35:18
Sempre eu acho que ninguém espera que vocês saibam tudo
35:20
sempre também, sabe? É ao invés de você estar lá,
35:23
como eu vou fazer a gestão sozinho?
35:25
Não, você é um parceiro da pessoa de dados, eu acho que é
35:29
um time, sabe? Então acho que isso é é
35:32
importante, lógico que não é toda empresa que também vai ter.
35:35
A possibilidade de você ter essas 2 pessoas juntas sempre,
35:38
né? É, mas é isso, gente não pirem
35:42
nessa parte técnica. Por favor, não precisa assim.
35:44
Tá tudo bem. Respira e não pira é isso, né?
35:49
E faça spine. Faça spinning, gente, faça
35:53
esporte, beba água. Dicas de de dados e métricas e
35:59
também de saúde para você, ruim. Talvez.
36:01
Não chegamos ao final de mais um episódio do Prodigy gurus, com
36:05
Marcela galeotti má. Muito obrigado por você ter
36:08
arrumado tempo na sua agenda concorrida.
36:10
Imagina, obrigada. É, eu fique, pô.
36:13
É uma honra ter um privilégio ter você aqui no nesse humilde
36:17
podcast e espero que você volte mais vezes.
36:20
Com certeza, é só chamar gente. Tem muita coisa pra gente
36:23
conversar ainda. Siga Marcela galeotti nas redes
36:26
sociais, o linked dela está na descrição, siga mulheres em
36:29
dados, por favor, siga, é elas, é.
36:33
Participe do Discord você quer, mulher?
36:35
Se interessa pela pelo assunto de dados e métricas, é entre no
36:39
Discord também, tá bom? É dito isso uma muito obrigado.
36:44
Novamente, muito obrigado a você que deu play é a adiciona a
36:49
Marcela no LinkedIn manda mensagem falando é feeling, só
36:54
isso que é uma pessoa de dados, adora o Felipe.
36:58
Eu vou mandar um meme, aquele dados.
37:02
Ele vai me velho tosco, vou mandar.
37:05
Então mande essa mensagem para Marcela, que ela vai retribuir
37:09
com um meme e com um xingamento. Aham.
37:12
Então é isso. Beijo, tchau, fui.