Design

Proč designeři musí umět s Power BI a Google Data Studio

Osnova

Data jsou to nejcennější, co v dnešní době máme. Skoro všichni říkají, že z nich vychází každé jejich rozhodnutí. Bohužel… realita je často jiná. Ještě horší je, když se setkáte s UX nebo Product designerem, který vám tvrdí, že stačí vycházet z pocitu. Právě tato zkušenost mě donutila se zamyslet nad podstatou dat a jejich použití v každodenní práci.  

Rád bych v dnešním článku popsal důležitost ovládání nástrojů, které data vizualizují. Asi nejznámější jsou Power BI, GoodData, Tableu a Google Data Studio.  

Osobně neznám moc designerů, kteří by uměli pracovat s těmito nástroji. Pokud jste jeden z nich, tak super. Jste schopnější než většina designéru na trhu a snažte se tuto schopnost prezentovat kde to jen půjde. Pokud však toto neumíte nebo máte v týmu UX / Product designery, kteří to neumí, tak mi věnujte pár minut svého času. Možná změním váš pohled na toto téma a vy ho sami zařadíte jako prioritu pro další rozvoj firmy a týmu. 

Co je Power BI, GoodData, Tableu a Google Data Studio 

Tyto nástroje mají pro mě jediný úkol – rychle a srozumitelně vizualizovat velké množství dat a udělat z nich interaktivní dashboardy (ony toho umí více, ale tohle je to, co vás nejvíce zajímá). Co bude obsahem dashboardů je vždy a pouze na vás a dostupných datech. Do nástrojů se dají zpravidla dostat data dvěma způsoby: 

  1. Napojení – data se tahají v nějakém časovém rámci (např. každý den) a jsou pořád „live”. 
  2. Import ze statického CSV, Google Sheetu nebo Excel souboru – data se neobnovují. 
Home Dashboard PowerBi
Domovská stránka Power BI

Ze začátku vždy importuji data ručně přes sheet za nějaké dané období. Na tomto vzorku si data zkontroluji a očistím. Poté postavím dané pohledy (dashboardy). Až když je toto všechno hotové, může se to napojit na real-time data.  

Přiznám se, že toto napojení je už i mimo mé schopnosti a troufám si říct, že většina designerů si bohatě vystačí s ručním importem. Automatickou synchronizaci dat je lepší nechat na datové analytiky a další experty, protože tam se může vyskytnout mnohem více chyb než z ručního importu. 

Všechny tyto nástroje samozřejmě neumí kouzlit. Vždy vychází z toho, co jim dáte. Takže mít solidní datový základ je nutnost. Často už zde narazíte na nesprávnost zdrojových dat. Pokud nemáte tato data v pořádku, nemáte co vizualizovat, protože všechno, co vytvoříte, nebude stejně vypovídající. Pár příkladů z e-commerce můžou být: 

  • ceny s a bez DPH 
  • počítání dopravních metod jako položek v objednávce 
  • ceny v různých měnách, které nejsou označené 
  • nepropisování vratek do dat atd. 

Tyto datové nesrovnalosti se nejlépe odhalí na menším vzorku dat, ve kterém se hned neztratíte. Poté co máte jistotu, že jsou data správná, je čas vytvářet dané pohledy (dashboardy). 

Jak vytvářím jednotlivé dashboardy 

Zde postupuji stejně jako když designuji web. Dashboardy jsou ve výsledku takové malé webové stránky. Takže si sednu, sepíšu si cíl dashboardu, zkontroluji si, jestli mám všechny potřebné datové vstupy a pak začnu tvořit wireframy. Ano, čtete správně. Wireframy dashboardů. To, že si je rychle namalujete na tabletu nebo ve Figmě, vám může ve výsledku ušetřit dost času.  

Nejvíce zde řeším různé filtry, protože ty se pak často propisují přes všechny dashboardy a když si je jednou vytvoříte správně, tak je pak jen duplikujete. Klasicky může jít o filtr data, respektive období z dat. Ten bude pravděpodobně na každém dashboardu, takže je dobré s ním počítat a vytvořit ho hned na začátku. Pak už jen stačí duplikovat daný dashboard a on bude vždy funkční a nastylovaný. 

Je dobré držet dashboardy co nejjednodušší. Nekombinujte několik pohledů do jednoho, protože se v tom vy a další uživatelé ztratí. Každý dashboard by měl mít jeden hlavní účel, kterou správně zobrazuje. Samozřejmě budou existovat dashboardy (hlavně třeba marketingové), které budou propisovat více metrik do jednoho grafu, ale i to je ve výsledku jeden účel. 

Nezapomínejte si někde vést malou dokumentaci daných dashboardů. Buďto to může být v nějakém docu, nebo přímo na daném dashboardu v popisu. Vám je možná jasné, co na daném dashbordu je, protože s daty pracujete, ale kolegům / klientům to jasné být nemusí. Tyto popisy jsou stěžejní, pokud se nejedná o jednorázovou analýzu a k dashboardu se budete vracet v budoucnu jen s importem nových dat. Za půl roku vám garantuji, že si nebudete pamatovat, co daný pohled měl za účel a na co si dávat pozor.  

Stejně tak jako popis dashboardů je dobré popisovat proces čištění dat. Ať máte na jednom místě všechny kroky, které jste udělali při první práci s daty. Vaše budoucí já vám poděkuje. Tyto informace je také možné předat na vývoj nebo analytikům, aby data očistili už v systémech a vám pak příště už vylezl očištěný export dat bez nutnosti jejich čistění (ideální pro případ, že budete reporty aktualizovat na častější bázi, ale nechcete investovat do napojení přes API nebo jiné automatické řešení). 

Wireframe dashboardy reportu
Wireframy dashboardu

Bez dat jsou všechno jen domněnky 

Ve většině případů, pokud někdo založí úspěšnou firmu, tak zná daný trh a problémy cílové skupiny. Takže na začátku designu nového produktu dokáže vymyslet většinu scénářů. Čím více ale firma roste a přidávají se další cílové skupiny, procento toho, co vystřelíte od boku správně, se zmenšuje a zmenšuje. Právě toto je často největší problém. Plno lidí si neuvědomuje, proč by mělo přejít ze zajetého procesu „Já přeci vím, co dělám” do časově náročnějšího procesu revaluace rozhodnutí na základě dat. 

To, že znáte trh, znáte cílové skupiny neznamená, že znáte celý obrázek. Váš úsudek a zkušenost, řekněme tomu intuice je nesmírně důležitá a pravděpodobně byste se bez ní nedostali do tohoto bodu. Každopádně v životě každé firmy přijde okamžik, kdy se core tým musí odpoutat od svých domněnek a začít intenzivně řešit data. To, že z vaší intuice něco vylepšíte o 20 % neznamená, že z dat to nemůžete vylepšit o 50 %.  

Nechci, aby to bylo vnímané, že intuice je něco špatného. Naopak. Intuice, která se ověří daty je mnohem silnější než jen váš pocit. 

Osobně beru data jako takového bezpečného rádce, který mi stojí za zády. I s top daty můžeme navrhnout produkt, který nefunguje. To se prostě stát může, ale vždy zmenšujete toto riziko tím, čím více máme vhled do hlav vašich uživatelů a jejich chování k danému businessu. Pozor na to, že i když se některé chování dá převádět mezi businessy často se tyto výstupy liší. 

To, že máte dva e-shopy, co prodávají parfémy, neznamená, že je zákazníci vnímají stejně, že mají stejné marže a stejné produktové portfolio. Nehádejte, čtěte v datech i když se to na první pohled může zdát „jasné”. 

Nestačí mi jen Google Analytics a Smartlook 

Asi je vám už teď jasné, že pravděpodobně ne. Ale proč? Web nebo aplikace je pouze nástroj a data, co tento nástroj analyzují, jsou strašně důležitá, ale většinou je nad tím ještě větší pohled.  

Proč k vám zákazníci chodí? Jaký jejich problém řešíte? Toto jsou všechny otázky, které se z Google Analytics a Smartooku dostávají dost složitě. Pamatujte na to, že web nebo aplikace je opravdu jen poslední stupeň v celém procesu.  

Vždycky popisuju e-shopy jako prodejny. To, že tam zákazník už vstoupí a nakoupí je poslední článek řetězu. Před jeho vstupem je plno kroků, které musíte pochopit, kterým musíte rozumět, abyste byli schopni tu prodejnu nadesignovat tak, aby splňovala potřeby vašich klientů. 

Občas se totiž stane, že z dat vyčtete i o jaké skupiny přicházíte a na váš web vůbec nepřijdou (třeba tam chodili před rokem a teď už nechodí). 

Druhým velkým problémem jsou očividně Cookies a efektivní měření dat z webů. Četl jsem i case studies, kde Cookie lištu odkliklo jen 20 % uživatelů, a tudíž jejich data nebyla úplně vypovídající. Toto částečně řeší GA4 tím, že zaznamenává, kolik % lidí to odkliklo a bude se data snažit dopočítat. Počítejte s tím, že doba 100% webových dat je pryč a nastavuje doba dat první strany (data z vašeho systému, ERP atd.) a doba server-side analytiky. 

Ale co když máme datového analytika? 

Plno firem už má v týmu datového analytika a jasná otázka tedy zní: Proč ty reporty neudělá on? 

Podle mého názoru se tyto skutečnosti nijak mezi sebou neruší. To, že máte analytika, který pracuje na kulervoucích reportech pro vedení firmy, přeci neznamená, že si vy, jakožto designer nemůžete připravovat bokem malé reportíčky pro sebe. 

Troufám si říct, že přítomnost analytika v týmu mi vždy jen pomohla, protože jsem s ním mohl konzultovat své postupy a jestli si vytahuji správná data. Využijte jeho expertízu a těžte z ní. To, že tam je neznamená, že musí pro vás připravovat každý drobný reportík, co zrovna potřebujete. Snažte se ho nezasekat triviální prací, ale konzultujte s ním jen určité případy, kdy si nevíte rady. Uvidíte, že to bude mít pro vaší práci mnohem větší dopad než jen zpráva na Slacku / mail. 

 

Tondo prosimtě, potřebuju, abys mi vytáhl tyhle data a udělal report.  
PS: prej je to tvoje práce jako analytika.

Měj se fajn,
Šimon

Super UX designer

Reporty jen pro vás – nejste závislí a nikdo nezkresluje váš pohled 

Další velkou přidanou hodnotou je to, že si reporty tvoříte často jen pro sebe, a proto je můžete rychleji „naprasit”. Pokud opravdu do reportů budete koukat jen vy, není to vizitka vaší práce, na kterou by koukal někdo z vedení nebo klient. Tudíž není nutné trávit čas tvořit pixel perfect reporty, kde bude zapracovaný firemní font a barvy. Oproti reportům, co tvoří analytici, vám to tedy z mého pohledu dává větší svobodu si dělat věci rychle a na punk.  

Když daný report splní zadání, které jste mu dali vy sami, tak splnil svůj účel a není nutné ladit jeho vizuální podobu pro další členy týmu. 

Je to jednoduché, stačí jen začít 

Věřím, že teď chápete tu obrovskou svobodu a přidanou hodnotu, pokud víte, jak pracovat s těmito nástroji. I když se může zdát tvorba těchto reportů složitá, doporučuji začít a jít postupně. Vytáhnout si nějaký lehký dataset a zkusit to. Na závěr přidávám dva lehké příklady, na kterých si můžete dané nástroje osahat a vyzkoušet si tvorbu prvních reportů. 

Počet objednávek na uživatele 

Stačí si vyháhnout výpis objednávek s e-mail adresou uživatelů. Poté vám stačí dané adresy jen shuknout k sobě a vytvořit tak krásný reportík o tom, jaký uživatel má na svém e-mailu nejvíce objednávek.  

Toto je krásný případ i čištění dat, protože často tu budete mít e-maily i interní např. marketing@xy.cz nebo podobné, na které si objednávají zaměstnanci nebo marketing pro jejich potřeby. 

Nejpoužívanější metody platby a doručení pro B2B a B2C zákazníky 

Už trošku složitější scénáře, ale věřím, že to za jedno odpoledne zvládnete. Stačí si předchozí databázi objednávek spárovat s informací o tom, jestli měl daný uživatel vyplněné IČ a tím můžete rozdělit zákazníky na B2C a B2B.  

Poté jen stačí vytvořit report, kde budete vytahovat informace o zvolené dopravní a platební metodě a přidat filtr právě na B2B a B2C a máte to. Hned na první dobrou vidíte, jaká metoda by měla být v košíku na prvním místě pro danou skupinu (pokud jsou přihlášeni). 

Závěr

Co dodat na závěr, snad jen to, že se dat nemůžete bát a musíte se do nich pořádně zahrabat. Prvních pár kroků je vždy nesložitějších. Jen dávejte pozor nad vyvozováním nějakých velkých rozhodnutí pokud s daty teprve začínáte. Může se stát, že uděláte chybku, tak ať nezakládáte stěžejní budoucnost firmy na těchto rozhodnutích. 

Začněte vnímat data jako berličku, která potvrzuje hypotézy, které víte, že jsou pravdivé, a postupně vstupujte do teritorií, která neznáte. Tím odstraníte možné chyby.