Khi DataLab lần đầu ra mắt, chúng tôi đã nỗ lực để mang đến trải nghiệm tốt nhất có thể cho công việc khoa học dữ liệu và phân tích dữ liệu. Điều đó có nghĩa là xây dựng một trình soạn thảo nhanh, gọn nhẹ, hỗ trợ cộng tác thời gian thực và tạo ra các báo cáo chỉ đọc ở mức chuyên nghiệp.
Đồng thời, chúng tôi dựa vào các công cụ bên thứ ba để thực hiện các phân tích nội bộ. Các chỉ số sản phẩm như số lượng người dùng sử dụng DataLab và thời gian dành cho nền tảng được theo dõi bằng các công cụ khác. Chúng tôi nhận ra rằng nếu muốn nghiêm túc với DataLab như một công cụ cho công việc chuyên nghiệp, chúng tôi cần tự mình sử dụng nó.
Bài viết này sẽ đi sâu vào cách chúng tôi tiến hành phân tích nội bộ trước đây và cách chúng tôi chuyển sang DataLab. Bài viết cũng đề cập đến những lợi ích và bài học chúng tôi có được từ quá trình chuyển đổi.
Phân tích trước khi có DataLab
Trước DataLab, công cụ chính của chúng tôi cho phân tích nội bộ về sản phẩm là Metabase. Metabase là một công cụ business intelligence được kết nối với data lake chứa thông tin về nội dung và hoạt động của DataLab. Với Metabase, chúng tôi có thể nhanh chóng chạy các truy vấn SQL, tạo báo cáo và thậm chí tạo các bảng điều khiển động.
Metabase được sử dụng rộng rãi trong toàn đội. Chúng tôi dùng nó để theo dõi mức độ gắn kết của người dùng với các loại nội dung khác nhau, thời gian người dùng dành cho Workspace và số lượng người dùng tương tác với DataLab theo ngày, tuần và tháng.
Việc dùng DataLab cho phân tích của chúng tôi vào thời điểm đó không quá phổ biến. Chỉ khi chúng tôi chạm đến giới hạn của SQL hoặc khả năng trực quan hóa không cần mã của Metabase thì điều này mới xảy ra. Trong các trường hợp đó, chúng tôi sẽ xuất dữ liệu thô, thủ công thêm vào một workbook mới rồi tiếp tục phân tích bằng Python. Tuy nhiên, quy trình này cồng kềnh và khiến việc cập nhật dữ liệu trở nên mệt mỏi.
Vì sao chúng tôi chuyển sang DataLab
Khi DataLab phát triển, các câu hỏi chúng tôi muốn trả lời về người dùng và thời gian họ sử dụng DataLab ngày càng trở nên phức tạp. Dù Metabase rất tiện lợi, nhiều câu hỏi của chúng tôi đòi hỏi các công cụ bổ sung mà Python và R cung cấp.
Chúng tôi cũng biết rằng nếu muốn mang đến trải nghiệm người dùng tốt nhất, chúng tôi cần tự mình sử dụng sản phẩm, một thực hành gọi là “dogfooding”. Quả thật, còn cách nào tốt hơn để hiểu các giới hạn và điểm khó chịu của DataLab ngoài việc tự mình dùng nó?
Vì hai lý do đó, chúng tôi đặt mục tiêu chuyển phần lớn hoạt động phân tích từ Metabase sang DataLab, bắt đầu từ mùa hè năm 2022.
Quá trình chuyển đổi
Quá trình chuyển đổi bắt đầu khi chúng tôi ra mắt các ô SQL bên trong DataLab. Từ đó, chúng tôi có thể truy vấn cùng dữ liệu mà chúng tôi truy cập trong Metabase, nhưng kết quả truy vấn được chuyển ngay thành DataFrame của Python hoặc R (tùy công cụ đang dùng). Chúng tôi có thể dễ dàng chuyển đổi giữa việc truy vấn cơ sở dữ liệu và phân tích kết quả bằng công cụ mình chọn. Chỉ trong vài tuần, chúng tôi đã chuyển phần lớn các truy vấn hiện có từ Metabase sang DataLab.
Tại thời điểm viết bài, có 141 người dùng DataCamp khác nhau đã dành 30 phút trở lên trong DataLab. Như biểu đồ cho thấy, đây là một tiến trình đều đặn!
Chúng tôi liên tục chiêu mộ thêm DataCamper tham gia DataLab!
Những lợi thế khi chuyển sang DataLab
Kể từ khi chuyển sang DataLab, chúng tôi nhận thấy một số ưu điểm quan trọng trong công việc hàng ngày:
- Trực quan hóa tùy biến hoàn toàn: Dù Metabase cung cấp nhiều dạng biểu đồ và thuộc tính tùy chỉnh, khả năng vẫn có giới hạn. Với DataLab, kết quả truy vấn SQL được trả về dưới dạng DataFrame. Điều này cho phép chúng tôi dùng các thư viện Python như Plotly để tạo biểu đồ có chú thích, chủ đề tùy chỉnh và các kiểu đồ thị độc đáo.
Ví dụ về một trực quan hóa chúng tôi tạo trong DataLab bằng cách truy cập dữ liệu nội bộ.
- Phân tích nâng cao: Bằng cách kết hợp SQL với Python hoặc R, chúng tôi có thể phân tích dữ liệu ngay lập tức bằng các kỹ thuật không thể thực hiện chỉ với SQL. Điều này cho phép chúng tôi làm những việc như phân khúc người dùng và huấn luyện mô hình phân loại để dự đoán cách người dùng làm việc trong DataLab.
- Báo cáo mô tả: Bảng điều khiển rất tuyệt cho những người quen với sản phẩm. Tuy nhiên, với người mới hoặc ngoài đội ngũ, bảng điều khiển có thể khó diễn giải. Với DataLab, chúng tôi có thể chèn các tóm tắt bằng lời xuyên suốt báo cáo để các bên liên quan đọc sau.
- Ấn phẩm có thể chia sẻ và mang tính xã hội: Khả năng chia sẻ liên kết tới một workbook đã xuất bản vô cùng giá trị. Các phân tích đã xuất bản đến tay CEO và các lãnh đạo khác, những người sẽ phản hồi bằng bình luận và câu hỏi. Kết hợp với tính mô tả của các workbook đã xuất bản, ban lãnh đạo có thể đọc công việc phân tích vào lúc thuận tiện mà không cần buổi trình bày trực tiếp.
- Biểu đồ không cần mã: Hầu hết DataCamper có kỹ năng SQL, nhưng không phải ai cũng thoải mái với Python hoặc R. Các ô biểu đồ cho phép người dùng ít kỹ thuật truyền đạt insight của họ bằng trực quan hóa chất lượng cao mà không cần viết dòng mã nào.
Các ô biểu đồ không cần mã của chúng tôi vận hành thực tế!
Những gì chúng tôi đã học được đến nay
Tính đến giữa tháng 10, các DataCamper đã dành tổng cộng 4132 giờ trong DataLab! Chúng tôi hiện đã chuyển toàn bộ báo cáo trung tâm liên quan đến mục tiêu hàng quý và mức độ sử dụng sản phẩm sang DataLab. Dưới đây là tóm tắt các bài học chính và cách chúng tác động đến DataLab với tư cách là một sản phẩm:
- Tốc độ là tối quan trọng: Thật khó chịu khi phải chờ lâu hơn mong đợi để workbook tải, mã chạy hoặc truy vấn trả kết quả. Trải nghiệm nên ít nhất nhanh bằng, và lý tưởng là nhanh hơn, việc làm việc trong Jupyter Notebook chạy cục bộ. Đội ngũ của chúng tôi đã có những bước tiến đáng kể trong việc giảm thời gian tải notebook và ấn phẩm. Họ cũng làm việc để đảm bảo tốc độ thực thi mã tương đương một notebook cục bộ.
- Không phải ai cũng muốn xem mã: Trước đây, các ấn phẩm của chúng tôi chứa những ô lớn đầy truy vấn SQL phức tạp và mã Python dày đặc. Dù hữu ích cho đồng nghiệp rà soát khía cạnh kỹ thuật của báo cáo, điều đó thường che mờ insight cốt lõi. Bạn có thể ẩn ô và ấn phẩm bằng cách chuyển sang trình soạn thảo JupyterLab trong DataLab, nhưng điều này không phản ánh trong trình soạn thảo DataCamp Notebook. Biết vậy, chúng tôi đã phát hành cách ẩn mã và các ô SQL trong workbook một cách dễ dàng. Điều này giúp bạn đảm bảo một báo cáo chỉ đọc đẹp mắt để chia sẻ với bất kỳ bên liên quan nào. Người dùng của chúng tôi rất thích.
- Chạy lại notebook có thể gây bực bội: Với nhiều hạng mục theo dõi, chúng tôi phụ thuộc nhiều vào cập nhật hằng ngày về số lượng người dùng, mức độ hoạt động và mức độ chấp nhận tính năng. Khác với bảng điều khiển động tự làm mới khi có dữ liệu mới, các workbook phải được chạy lại mỗi lần. Dựa trên trải nghiệm của chính mình, chúng tôi đang lên kế hoạch hỗ trợ lập lịch thực thi workbook. Điều này sẽ đảm bảo báo cáo luôn chứa insight mới nhất.
Những bài học này chưa bao gồm vô số tinh chỉnh nhỏ chúng tôi đã thực hiện với trình soạn thảo kể từ khi chuyển sang DataLab. Giao diện người dùng, bảng điều khiển và các tính năng như ô biểu đồ đều đang được cải tiến liên tục, dựa trên phản hồi từ người dùng nội bộ lẫn bên ngoài.
Hướng đi sắp tới
Dù quá trình tự dùng sản phẩm đã hé lộ nhiều cách để chúng tôi cải thiện, chúng tôi biết đó mới chỉ là một nửa câu chuyện. Kết hợp với phản hồi nhận được nội bộ, đội ngũ của chúng tôi đã và đang tích cực phỏng vấn người dùng DataLab. Những cuộc phỏng vấn này bổ trợ cho phát hiện của chúng tôi và giúp bắt được những điều có thể bỏ sót qua thử nghiệm nội bộ.
Chúng tôi cũng đã phát động một khảo sát người dùng vào cuối tháng 9 trong bản tin hai tuần một lần. Khảo sát này giúp chúng tôi thu thập thông tin định lượng từ người dùng. Những kết quả đó đang giúp chúng tôi xác định các sáng kiến ưu tiên cao cho DataLab và hiểu cách sản phẩm được sử dụng. Và dĩ nhiên, dữ liệu khảo sát đã được phân tích và trực quan hóa bằng DataLab!
Lý do chính người dùng báo cáo sử dụng DataLab là để nhanh chóng thử các mẫu mã. Còn bạn dùng DataLab như thế nào?
Trong những tháng tới, chúng tôi dự định tiến thêm nữa tới một môi trường phân tích chỉ dùng DataLab. Mỗi tính năng và cải tiến mới mà đội kỹ thuật mang đến cho sản phẩm đều giúp quá trình chuyển đổi này dễ dàng hơn.
Nếu bạn quan tâm đến việc sử dụng DataLab cho nhu cầu phân tích dữ liệu và khoa học dữ liệu nội bộ của mình, bạn có thể đọc thêm tại đây. Hoặc hay hơn nữa, hãy mở ngay một workbook Python hoặc R trống và bắt đầu viết mã ngay bây giờ!
