Текст книги "Игра в цифры. Как аналитика позволяет видеоиграм жить лучше"

Добавьте немного магии: 99 рублей и вот это все

Если есть возможность ставить поставить цену 99 рублей вместо 100 рублей – это стоит сделать. Об этом не написал только ленивый, но есть простое объяснение: все эти изменения цены действительно работают.

Поделюсь еще несколькими советами, чуть менее тривиальными, чем 99 рублей.

Уменьшайте боль покупателя

«Боль покупателя» не мной придуманный термин. Боль возникает по двум причинам.

1. Пользователь сосредоточен на самом платеже, а не на том, что он покупает.

2. Предложение сделано в неправильное время (например, боль увеличивается, если мы сначала потребили продукт, а потом нам за него приходится платить).

Затраты пользователя обратно пропорциональны его боли от покупки. Чем меньше боли, тем выше затраты

Пользователи в поведенческой экономике делятся на 3 категории:

– скупердяи (Tightwads) – 24 %. Их ожидаемый болевой порог находится ниже среднего, они склонны платить мало;

– бесконфликтные (Unconflicted) – 60 %. Те самые середнячки;

– транжиры (Spendthrifts) – 15 %. Их болевой порог выше среднего, они могут платить больше, чем средний чек.

Не спрашивайте, почему сумма по трем категориям не равна ста процентам, – я за что купил, за то и продаю. Тут явно дело в округлении

Альтернатива и выбор

Важно давать пользователю выбор. При этом речь не о выборе «Покупать или нет?», а о «Купить А или купить Б?» (мы ставим пользователя в ситуацию, вынуждающую что-то купить).

Рассмотрим пример.

Чем второе предложение лучше, чем первое?

– Во-первых, в нем есть альтернатива, и она манит. Вы получаете специальное предложение, да еще и bonus pack впридачу.

– Во-вторых, альтернативное предложение довольно хорошо подано: старая цена зачеркнута, бонус-пак светится.

– В-третьих, наличие альтернативы (второй кнопки) дает пользователю возможность выбора, он совершает покупку и доволен ею. Win-win.

99 лучше, чем 98

Мало того, что пользователи больше любят 99, чем 100. Они еще и предпочитают нечетные числа четным! В этом смысле 99 (а также 199, 299, 3,99 и т. д.) выглядит оптимальным вариантом.

Правило сотни

Это правило годится и для рублей, и для долларов. Если цена товара меньше чем 100 у. е., то скидку, если вы ее показываете, лучше показывать в процентах: например, 30 %.

Если цена выше 100 у. е., то показывайте абсолютное (в валюте) значение выгоды: например, скидка $50.

В обоих случаях пользователь будет выбирать скидку с бо́льшим значением.

Как должен выглядеть магазин

Количество позиций в магазине

Речь в данном случае о числе пакетов виртуальной валюты. Считается, что оптимальное количество позиций для совершения выбора – 5–7. Если будет меньше, пользователь может остаться недоволен тем, что не из чего выбирать. Если будет больше, у пользователя возникнет так называемый паралич выбора и ему будет проще ничего не выбрать, чем выбрать что-то. О параличе выбора есть много интересных материалов, я рекомендую книги How to stop analysis paralysis и «Парадокс выбора» (вы уже поняли: книги я люблю).

Если же обратиться к практике конструирования магазинов в f2p-играх, то здесь я не встречал ничего лучше отчета коллег из Playliner, которые проанализировали множество игр и поделились отчетами. В частности, этот скриншот и несколько последующих взяты из отчета «Как устроены магазины валют в топовых играх».

Видим, что более 80 % игр имеет 5–7 позиций для выбора в магазине виртуальной валюты

Цена на первую позицию

Негласное правило f2p-игр: пользователь должен иметь возможность потратить столько, сколько хочется. Не хочется платить – игра не должна давить на пользователя в этом случае. Хочется потратить большие суммы – надо дать такую возможность.

При этом для тех пользователей, которые все же выбирают платежное поведение, важно плавно в него войти:

– с радостью совершить первый платеж;

– быть довольным покупкой;

– совершить второй платеж и т. д.

Исследования показывают, что:

– во-первых, вероятность совершения второго платежа выше, чем вероятность совершения первого, а вероятность третьего платежа – выше, чем второго, и т. д. Таким образом, самое трудное, что нам предстоит, – добиться того, чтобы пользователь совершил свой первый платеж, дальше будет легче;

– во-вторых, от порядкового номера платежа зависит и его средний чек: первый платеж, как правило, небольшой, пробный, а затем чек растет по логарифмической шкале.

Таким образом, первая позиция в магазине должна быть максимально ориентирована на нужды плательщика-новичка. Сумма должна быть небольшой, а полученная польза должна быть заметной.

Вновь обратимся к Playliner.

Более половины игр имеют стоимость первой позиции менее $2

First Time Paying User Experience

Аббревиатуру FTUE знают многие – это First Time User Experience, первый опыт игрока. А про первый платежный опыт игрока обычно не говорят, хотя он очень важен.

В общем-то, о нем я уже сказал в предыдущих двух пунктах, но давайте проговорим еще раз: для пользователя, который еще ни разу не платил (неважно, в этой игре или вообще), и принятие решения о покупке, и процесс выбора позиции в магазине, и процесс покупки, – все должно пройти максимально легко и с минимумом сомнений. А купленная эмоция должна быть пусть временной, но яркой – настолько, чтобы захотелось совершать повторные платежи.

Стоимость остальных позиций

Здесь в дело вступают уже и экономические ограничения, а процесс ценообразования становится сложным и многокритериальным. О нем мы писали в первой части, а пока давайте обратимся к отчету Playliner и посмотрим, как обстоит дело в других играх.

При наличии в магазине шести позиций цена максимальной позиции в большинстве случаев не превышает $100

Порядок следования товаров в магазине

Как должны быть отсортированы товары в магазине: от самых дешевых к самым дорогим или от дорогих к дешевым?

– При порядке от дешевых к дорогим: первое, что увидит пользователь – это самый дешевый пакет, для решения о покупке (особенно первой) это удобно и не отпугивает пользователя.

– С другой же стороны, пользователи психологически склонны выбирать что-либо из первой половины списка, и в этом случае порядок от дорогих к дешевым становится более прибыльным.

Универсальной формулы нет, и это повод для простого и, вполне возможно, эффективного A/B-теста.

Но статистика Playliner говорит о том, что порядок от дорогих к дешевым используют лишь 22 % изученных игр.

Еще одна идея: а что если менять этот порядок в зависимости от платежного поведения игрока? Допустим, платящему показывать порядок от большего к меньшему, а неплатящему – от меньшего к большему. Я не знаю, сработает ли это, но попробовать определенно стоит.

Таким вот комплексным получился набор рекомендаций по ценообразованию.

Безусловно, если принять во внимание все эти рекомендации, то полученная «система уравнений» (в кавычках, чтобы вы не подумали, что там на самом деле система уравнений) будет, во-первых, очень сложной, а во-вторых, по-прежнему будет иметь множество решений и не будет иметь одного-единственного.

Но это не беда. Данное множество решений можно сократить двумя способами.

– В конце концов, у вас голова на плечах, вы знаете свою игру лучше, чем кто бы то ни было, и вы вправе добавить в систему свое экспертное мнение и дать ему больший вес.

– Если вы проводите эксперименты с ценообразованием, то они сами выведут вас на оптимальное решение и наиболее эффективные цены. Ваша же задача – просто правильно задать стартовую точку и начать с нее эксперименты. Конечно, у вас не бесконечное число итераций (так все было бы куда проще), и поэтому стартовая точка столь важна. А уж дальше правильно организованные эксперименты скорректируют цены более выгодным для вас образом.

При чем здесь Райан Гослинг?

На конференции DevGAMM в мае 2019 года компанию devtodev пригласили провести аналитический трек, в котором приняли участие представители компаний Playkot, NX Studio, Mail.Ru Group, Crazy Panda, Belka Games, Kefir, SkyEng, AIC и Azur Games.

План эксперимента

Мы подготовили программу из нескольких докладов и круглых столов, а также заготовили небольшой сюрприз. Весь день на сцене стоял чемодан с конфетами, всем желающим было предложено угадать, сколько в нем конфет (мы заранее их посчитали). И тот, кто угадает или окажется ближе всего к истине, должен был забрать с собой и чемодан, и конфеты. Для ответа на вопрос необходимо было заполнить Google-форму, доступную по QR-коду. Так это выглядело снаружи.

На самом же деле все было несколько хитрее.

– Во-первых, QR-кодов было два, и это был A/B-тест. Чем отличались формы, я расскажу чуть позже.

– Во-вторых, в обеих версиях формы, помимо вопроса о чемодане конфет, расположенного в списке последним, было еще несколько вопросов, основная часть из которых была обязательной. Таким образом мы хотели попутно протестировать еще несколько интересных гипотез.

В итоге в конце дня мы прочли доклад, в который вставили результаты опроса. Почти все гипотезы, которые мы проверяли, были подтверждены.

Пара дисклеймеров

Но сначала несколько технических моментов. Мы сразу понимали, что никакой речи о статистической значимости быть не может. Мы ориентировались на 100 респондентов (и почти угадали), а на таких масштабах едва ли можно рассчитать t-тест, z-тест и все прочие тесты.

Чтобы в каждой из групп теста было примерно одинаковое число респондентов, нам пришлось потрудиться. Мы разместили в зале два рекламных стенда, на каждом из которых был указан свой QR-код. Флаеры, которые раздавались публике, тоже были двух видов.

По истечении нескольких часов мы увидели, что число респондентов в группе A значительно превосходит группу B, и было принято решение поменять рекламные стенды местами, а также заменить флаеры на новые. Это немного выровняло статистику, однако пришлось буквально за руку привести нескольких людей и дать им нужный флаер.

В конечном счете все получилось, и сейчас самое время рассказать об этом.

Общие данные

Всего у нас было 103 респондента, из которых 77 – мужчины, а 26 – женщины. У нас был еще вариант «предпочитаю не указывать», но его никто не выбрал.

51 респондент оказался в группе A, 52 – в группе B.

Эффект приманки

Из поведенческой экономики известен так называемый эффект приманки (decoy effect). Суть его в том, что, совершая выбор между двумя вариантами, респондент встает перед проблемой выбора и часто выбирает более дешевый. Тогда вводится третий, заведомо невыгодный вариант. Отвергая его, респондент с большей вероятностью принимает решение в пользу одного из двух других вариантов. Притом можно добиться того, чтобы в среднем выбирали более дорогой вариант.

Дело в том, что наш ленивый мозг, выбирая между вариантами A и B, слишком далекими друг от друга, чтобы их сравнивать, будет очень сильно напрягаться. А напрягаться он не особо любит. И чтобы ему помочь, к вариантам A и B добавляется вариант – A. Между A и – A выбор делается легко в пользу А, при этом по инерции A выигрывает сразу и у B.

Эксперимент 1. Крис Хемсворт и Райан Гослинг

Мы решили проверить эффект приманки следующим образом. Группе B было предложено выбрать, кто из мужчин кажется им более симпатичным, Крис Хемсворт или Райан Гослинг (чтобы выбрать, какие именно мужчины попадут в опрос, пришлось «гуглить» „top sexiest men 2019“ – и я никогда бы не подумал, что придется это делать по работе). В итоге голоса распределились вот так:

Крис Хемсворт победил. Вероятно, это как-то связано с тем, что в мае в прокате как раз были последние «Мстители», где он снимался.

Ну а в группе A мы добавили еще один вариант, и выбор был из трех картинок: Райан Гослинг, «помятый» Райан Гослинг и Крис Хемсворт. И вот что у нас получилось:

Как мы видим, «помятый» Гослинг позволил обычному Гослингу занять первое место в опросе. Нашлись, конечно, и те, кто проголосовал за «помятого», ну да бог им судья.

Кстати говоря, попутно мы выяснили, что мужчинам больше нравится Гослинг, а женщинам – Хемсворт.

Эксперимент 2. Цена на попкорн

Как же применить этот метод для монетизации? Этому был посвящен наш следующий эксперимент.

Группе А было предложено выбрать один из двух стаканов попкорна: маленький за 100 рублей и большой – за 200.

Для группы «B» был выбор из трех позиций:

– маленький – 100 рублей;

– средний – 180 рублей;

– большой – 200 рублей.

Как видим, средний вариант по цене ближе к большому, его задача – оттенить внимание в большую сторону.

Видим, что средний вариант со своей задачей вполне справился. Его добавление позволило поднять средний чек со 136,5 рубля до 161,9 рубля, то есть на 19 %. Еще раз: мы просто добавили еще одну позицию в магазине, и только от этого чек вырос на 19 %.

Эффект якоря

Далее мы хотели проверить эффект якоря. Его суть заключается в том, что если заранее установить респонденту «якорь» на некоем численном значении, то в будущем при какой-либо численной оценке респондент будет отталкиваться от «якоря».

Эксперимент 3. Удержание в гоночных играх

Чтобы проверить эффект якоря в нашем эксперименте, мы задавали следующий вопрос.

Для группы A. По данным progamedev.net, медианный показатель удержания первого дня (Day 1 Retention) у игр жанра Trivia – 35 %, World – 38 %, Casino – 34 %. Как бы вы оценили медианный показатель Day 1 Retention у игр жанра Racing?

Для группы B. По данным progamedev.net, медианный показатель удержания первого дня (Day 1 Retention) у игр жанра Simulation – 22 %, Action – 24 %, Adventure – 24 %. Как бы вы оценили медианный показатель Day 1 Retention у игр жанра Racing?

Как видите, у группы B «якоря» стояли на более низких значениях, чем у группы A. Повлияло ли это на оценку Day 1 Retention у игр жанра Racing?

Повлияло, и более чем.

Эксперимент 4. Оцениваем стоимость вина

А что если респондент сам установит себе «якорь»? Для этого мы попросили респондентов сначала указать последние две цифры их номера телефона (по сути, случайное двузначное число). А затем мы попросили их оценить стоимость одной и той же бутылки вина (в долларах). И вот что получилось.

То есть те, кто ранее написал меньшее значение (от 00 до 20), имели тенденцию более низко оценивать стоимость бутылки, чем те, кто ранее написал значение от 80 до 99.

Закон больших чисел

Наконец, мы решили проверить работу закона больших чисел. Мы рассчитывали, что если попросим респондентов оценить некое значение, то средняя оценка по выборке будет близка к фактическому значению.

Эксперимент 5. Когда родился Ньютон?

Для начала мы попросили оценить год рождения Исаака Ньютона. Ньютон родился в 1643 году, но респондентов мы очень попросили не «гуглить» это.

В целом, видно, что средняя оценка начала приближаться к факту. И, вполне вероятно, что если бы респондентов было больше, то она бы приблизилась еще сильнее.

Эксперимент 6. Чемодан конфет

Теперь вернемся к нашему чемодану с конфетами. И это единственный эксперимент, который нам не удался. По непонятной нам причине средняя оценка в определенный момент взяла устойчивый тренд на рост.

В чемодане было 544 конфеты, и нашелся человек, который угадал это с точностью до одной конфеты (девушка по имени Алина назвала число 543). Чемодан нашел своего владельца, конфеты – тоже.

В конце мне хочется сказать, что законы поведенческой экономики, кажется, работают. Мы видим в ней еще один ракурс, под которым стоит рассматривать работу над продуктами и их монетизацию. При правильном применении этих законов можно повысить средний чек, не меняя лояльности пользователей. Так что используйте поведенческую экономику во благо, но все же будьте аккуратны – лояльность может оказаться дороже!

Глава 12
Data driven-подход и A/B-тесты

Украли у мужика корову. Приходит он домой и говорит сыновьям:

– У нас корову украл какой-то дурак.

Старший брат:

– Если дурак – значит маленький.

Средний брат:

– Если маленький – значит из Малиновки.

Младший Брат:

– Если из Малиновки – значит Васька Косой.

Все выдвигаются в Малиновку и там прессуют Ваську Косого.

Однако Васька корову не отдает. Его ведут к мировому судье.

Мировой судья:

– Ну… Логика мне ваша непонятна. Вот у меня коробка, что в ней лежит?

Старший брат:

– Коробка квадратная, значит, внутри что-то круглое.

Средний:

– Если круглое, то оранжевое.

Младший:

– Если круглое и оранжевое, то апельсин.

Судья открывает коробку, а там и правда апельсин.

Судья – Ваське Косому:

– Косой, отдай корову.

Анекдот

Говоря об аналитике и об аналитиках, я всегда явно или косвенно имею в виду data driven-культуру.

Data driven-культура – это в некотором роде недостижимый идеал, как, например, гражданское общество: все к ней стремятся, много кто о ней говорит, но очень мало кто может похвастаться тем, что именно так выстроил процессы.

О чем речь? Что это за культура такая?

Что такое data driven-культура?

Не давая официальных определений, попробую дать свое: data driven-культура – это подход к управлению продуктом (и компанией!), заключающийся в том, что основным критерием принятия решения являются данные.

Хочу обратить внимание на два пункта из этого определения.

– Основной, но не решающий критерий. Это важно. В принятии решений в первую очередь опираются на данные, но имеют в виду не только их, но и, например, мнение собственников.

– Данные. Что такое вообще данные? Здесь это может быть не только таблица в Excel, но и результат изучения рынка, а также знания человека, принимающего решения, максимально лишенные при этом субъективности.

Все ли мы можем получить с помощью данных? На все ли есть ответы в тех данных, которые проект (или другие проекты) накопили к тому моменту?

Конечно же, нет. А раз так, то в data driven-культуре во главу угла ставится контролируемый способ проверки – A/B-тест (он же сплит-тест), и ему посвящу отдельный раздел.

Есть компании, которые настолько не data driven, что даже data resistant: «Ой, не нужны нам эти ваши отчеты, мы и без вас знаем, что делать».

В data driven-культуре же наоборот: отчет – это важная сущность, которая сопровождает принятие решения. При этом, что важно, как до решения (чтобы принять его более точно и, например, четче прописать фичу, которая будет внедрена в игру), так и после (чтобы проверить, действительно ли мы приняли правильное решение, сделав это максимально беспристрастно).

Но при этом: если в компании производится множество отчетов, можно ли ее назвать data driven? Нет.

Например, у игры за прошлую неделю упал доход, и аналитик даже подготовил об этом отчет. Это data driven? Вовсе нет. А почему же?

– Во-первых, этот отчет прочитали? Все ли, кто причастен к доходу, знают об этом падении? Если отчет есть, это еще совсем не значит, что его прочитали или прочитают. И чтобы его читали, аналитику надо его делать интереснее (смотри главу про то, каким должен быть отчет), менеджеру компании – позаботиться о том, чтобы люди, принимающие решения, всегда читали и комментировали отчеты, ну а те, кто принимает решения (продюсеры, например), должны сделать их частью своей профессиональной жизни.

– Во-вторых, почему упал доход? В описанном отчете мы только констатировали факт: доход упал. Но совсем не поговорили о причинах. Задача аналитика – разобраться в том, что произошло, и дать не только четкий диагноз проблеме, но и рекомендации по тому, что теперь делать.

– В-третьих, почему мы узнали об этом только через неделю? Почему нас не предупредили в первый день падения? А можно ли было предугадать проблему и заранее предложить, что с этим делать.

Если компания сработает по этим пунктам, то можно начинать говорить о data driven.

В data driven-компаниях при принятии решений четко выделяются несколько этапов.

– Подготовка и анализ данных. Это как раз то, что и является основной задачей аналитика.

– Принятие решения. Здесь собираются все те, кто причастен к принимаемому решению. Среди них обязательно должен быть аналитик! Как правило, финальное решение по проекту в игровой студии – за продюсером. При этом на данном условном совещании желательно присутствие и геймдизайнера, если речь идет про какое-то нововведение в игре. И задача (а то и обязанность) аналитика – предложить решение, с которым согласятся все участники.

– Собственно действие. Принятое на основании данных решение внедряется в жизнь. Например, в игру внеслись какие-то изменения.

Чего не хватает в этих этапах? Правильно, логической стрелочки из последнего пункта в первый. Предприняв какое-то действие, мы должны снова отправиться на этап изучения данных: все ли мы сделали правильно? Чем быстрее при этом соберутся данные, тем быстрее мы сможем принять новое решение.

Таким образом, data driven-культура циклична – это целый процесс, повторяющийся регулярно и не останавливающийся ни на секунду.

Помните старый анекдот?

Летят в самолете Петька и Василий Иванович. Василий Иванович спрашивает:

– Петька, приборы!

– 200!

– Что «200», Петька?

– А что «приборы»?

При работе data driven-культуры часто слышен скрежет шестеренок: далеко не всегда те, кто отвечает за данные (аналитики), понимают тех, кто принимает решение (продюсеры). И чем плотнее будут работать аналитик, продюсер и – давайте добавим в эту триаду еще одного постоянного участника – геймдизайнер, чем более понятно аналитик будет доносить до них свои мысли, тем ближе итоговый процесс будет к data driven-культуре.

Что еще очень важно – мы всегда должны пропускать обсуждаемые тезисы через один фильтр. Это вопрос «Чтобы что?» Мы вносим это изменение, «чтобы что?» Мы собрались здесь, «чтобы что?»

Помню, ко мне подошел продюсер проекта и попросил подготовить отчет на тему, как часто игроки из Марокко используют одну из фичей игры. Подготовка данного вопроса у меня заняла несколько часов, и вот наконец я был готов явить итоговый ответ.

Продюсер сказал что-то типа: «А, ну понятно», и я кое-что заподозрил. Я спросил: «А зачем тебе это надо было вообще?»

«Да просто так, любопытно», – ответил продюсер.

Если бы и продюсер, давая мне эту постановку, задавался волшебным вопросом «Чтобы что?», и я задал бы его, чтобы лучше разобраться в контексте задачи, это сэкономило бы всем нам несколько часов.

Поэтому, подходя к аналитику с задачей, будьте готовы ответить на вопросы: что делать? зачем это делать? что мы будем делать после?

Ну а если вы аналитик, то запишите эти три вопроса и повесьте над рабочим местом.

Таким образом, data driven-аналитик:

– проактивен и генерирует гипотезы;

– влияет на принятие решений;

– участвует в треугольнике: продюсер – геймдизайнер – аналитик;

– ум, глаза и здравый смысл бизнеса;

– отключает интуицию и представляет сторону данных на совещаниях;

– …и вообще, стоит сказать, что data driven-аналитик – это тавтология.

Можно выделить следующие особенности data driven-культуры.

– Руководители data-грамотны; они знают, что без отчета никуда.

– Высокая культура A/B-тестирования. Если мы не уверены (а так чаще всего и бывает) – мы проверяем гипотезу через сплит-тест.

– Аналитики генерируют идеи, а не только предоставляют отчеты. Проактивность, запомните!

– Совместный синтез гипотез. Аналитик в принятии решений ничуть не менее важен, чем продюсер.

– «Мы не знаем ответ, давайте найдем его с помощью анализа». Выжжем эту фразу на сердце железом раскаленным.

Но, как ни странно, data driven-культура – это не апофеоз.

Есть еще один, более высокий уровень познания аналитического дао – это data informed-культура.

Data informed-подход – это подход, который подразумевает использование данных при принятии решения лишь как один из многих факторов.

Опираться только на данные – это, как бы мне ни хотелось обратного, крайность. Опираться исключительно на субъективные мнения – другая. Ведь истина, как и во многих других случаях, находится в балансе этих двух подходов, именно это и называется data informed.

Все же мнение собственников бизнеса не учитывать нельзя: они как-никак создали компанию, они визионеры и смотрят чуть дальше и выше.

Что при этом важно, data informed строится именно на фундаменте data driven, и никак иначе. Неправильно было бы миновать data driven в своем пути к data informed. То есть собственники принимают решения и на основании своего опыта и визионерства, и на основании данных, специально подготовленных кропотливыми аналитиками.

Data driven позволяет нам найти некоторый локальный максимум. Если мы находимся в конкретной точке пространства, то с помощью данных (например, с помощью десятков A/B-тестов) мы сможем найти вершину ближайшего к этой точке холма. Но будет ли эта вершина глобальным максимумом, которого мы можем достичь? Скорее нет. Для поиска глобального максимума нужно принимать во внимание множество других факторов, и вот здесь как раз в игру вступает визионерство, а значит, и субъективность.

Data informed-подход позволит нам найти примерные координаты точки другого холма, потенциально большего, а затем его задачей будет найти в той точке локальный максимум.

Как найти баланс между data driven и data informed?

– Применяйте data driven-подход для задач оптимизации.

– Если в определенный момент оптимизационный подход перестал давать плоды или неприменим, то поднимите задачу на более высокий уровень.

– Есть ряд задач высокого уровня, которые невозможно решить, используя подход data-driven. Используйте для них подход data-informed (данные становятся лишь одним фактором среди прочих).

– Прочие факторы могут быть следующими: качественные исследования, инсайты из общения с пользователями, бизнес-интересы, стратегические цели, ваша вера и желание сделать мир лучше.

Говоря о data driven и data informed, я, конечно, нарисовал довольно утопический мир, и часто многие факторы могут легко лопнуть эту картинку, как мыльный пузырь. Но все же нам нужна путеводная звезда, и, работая с разными компаниями по внедрению data-культуры, именно эту картинку я держу в голове.