Ситуация: Вы работаете над повышением длительности сессии в приложении доставки еды. В процессе работы вы полагаетесь на свой опыт и реализуете «умного» помощника. В результате пользователи жалуются на перегруженный интерфейс, сложность поиска нужного ресторана, а помощник советует неподходящие блюда. В результате ключевая метрика падает на 15%.

В 1999 году Дэвид Даннинг и Джастин Крюгер из Корнеллского университета опубликовали свою работу. Они провели ряд экспериментов, попросив студентов пройти тесты по логике, грамматике и чувству юмора. После выполнения заданий участники оценивали собственные результаты относительно других. В результате те, кто получил низкие баллы, сильно переоценили свой рейтинг («я где-то около топ-10%») — у них просто не было метапознания, чтобы увидеть свои ошибки. Лучшие участники, напротив, недооценили себя, полагая, что «если мне было легко, то и всем другим так же».

Некомпетентные люди не знают, чего не знают, — и поэтому не понимают своих пробелов. Эксперты склонны экстраполировать свой уровень на остальных, думая, что их навыки более распространены, чем есть на самом деле.

Как минимизировать?

• Не принимайте решений только на основе уверенного голоса в своей голове или мнения команды.

• Требуйте доказательств: дата-дривен подход, результаты тестов и так далее.

• Заведите таблицу прогнозов: каждый, кто предлагает фичу, оценивает, насколько он уверен в её успехе и какие метрики должны измениться. После релиза сверяйте прогнозы с реальностью — это прокачивает метапознание.

• Всегда держите фокус на болях пользователей и бизнеса. Просите автора идеи чётко прописать гипотезу с критериями успеха и красными флагами для отката. — Подписаться на канал