A pesar de la demanda de plataformas que permitan a los desarrolladores experimentar con diferentes versiones de aplicaciones, la infraestructura requerida sigue siendo relativamente compleja de construir. Más allá de las canalizaciones de datos y los métodos estadísticos, la infraestructura de experimentación se basa en flujos de trabajo analíticos que a menudo provienen de entornos de nube difíciles de configurar.
Han surgido muchas nuevas empresas en los últimos años para abstraer la infraestructura de experimentación de aplicaciones, incluidas Split, Statsig y Optimizely. Una llegada más reciente es Eppo, que hoy emergió del sigilo con $ 19,5 millones, incluido un Menlo Ventures Serie A de $ 16 y una ronda inicial de $ 3,5 millones liderada por Amplify Partners.
Según el director ejecutivo Che Sharma, Eppo se inspiró en sus experiencias en la creación de plataformas de experimentación como uno de los primeros científicos de datos en Airbnb y Webflow, un creador de sitios web. “Nada en el panorama comercial proporcionó el poder de los sistemas de experimentación como Airbnb, lo que significaba construir el mismo sistema una y otra vez”, dijo a TechCrunch por correo electrónico. “Construí Eppo para aprovechar la pila de datos moderna y lo último en literatura de inferencia causal, lo que permite a las empresas vincular los esfuerzos del equipo de productos con métricas comerciales como los ingresos, con un poder estadístico mejorado”.
Sharma admite que el espacio de experimentación de aplicaciones se está congestionando, si no saturando, con competidores. Pero dice que Eppo se diferencia por sus herramientas de análisis, que usan intervalos de confianza para que sea ostensiblemente más fácil de entender e interpretar los resultados de un experimento aleatorio. Eppo también admite la experimentación con IA y modelos de aprendizaje automático, aprovechando técnicas para realizar experimentos en vivo que muestran si un modelo está superando a otro.
Sharm afirma que Eppo es una de las primeras plataformas comerciales en incluir la reducción de la varianza CUPED, un enfoque que intenta eliminar la varianza en una métrica que se puede contabilizar con información previa al experimento. Por ejemplo, supongamos que una empresa de reservas de propiedades realiza un experimento con el objetivo de aumentar la cantidad de reservas diarias que reciben. El número de reservas por propiedad por día puede variar de cero a miles. Pero el promedio de reservas por día para cada propiedad a menudo se puede determinar antes del experimento; a través de CUPED, este conocimiento se puede utilizar para probar si las propiedades comienzan a recibir más, menos o aproximadamente la misma cantidad de reservas por día después del experimento en comparación con antes.
Créditos de imagen: Eppo
“De todos los productos en la pila de datos moderna, la experimentación tiene una de las relaciones más claras con el retorno de la inversión de los ingresos porque inyecta métricas a nivel de C-suite y junta directiva en cada decisión que toma un equipo de producto”, dijo Sharma. “Especialmente en mercados de recesión difíciles, el C-suite necesita que sus equipos de productos probablemente impulsen métricas comerciales como los ingresos. Sin experimentación, los equipos de productos se encuentran en un ciclo constante de envío, apuntando a métricas de vanidad a nivel de compromiso y clic, pero nunca confiando en que la perspectiva financiera de la empresa ha mejorado a partir de su trabajo”.
Sharma también afirma que Eppo preserva más la privacidad que la mayoría de las plataformas de experimentación porque realiza todos sus cálculos de datos en la nube, en Snowflake. En lugar de recopilar clics, compromisos y otra información de identificación personal, la plataforma Eppo solo almacena resultados de experimentos agregados y anónimos.
“Somos los principales evangelistas de una nueva forma de crear productos analíticos que se centran mucho más en la privacidad”, dijo. “Otras plataformas de experimentación requieren que se les envíe el universo de datos, esencialmente almacenando réplicas del propio ecosistema de datos de cada cliente”.
Por supuesto, incluso el mejor software de experimentación no es útil si los empleados no lo usan. La aceptación puede ser difícil de lograr, en parte porque la experimentación puede exponer la tasa de éxito real, a veces inferior a la prevista, del desarrollo de un producto. Incluso en gigantes tecnológicos como Google y Bing, la gran mayoría (alrededor del 80 % al 90 %) de los experimentos fallar para generar resultados positivos.
Pero Sharma, aunque se niega a responder una pregunta sobre los ingresos, dice que la aceptación sigue siendo fuerte. La base de clientes de Eppo creció durante el año pasado para incluir a Goldbelly, Netlify, Kumu y al menos una compañía Fortune 50 sin nombre, dijo.
“Hemos visto un resurgimiento en el interés por experimentar con las recientes recesiones del mercado. Hemos visto este patrón en nuestros clientes existentes y nuestra cartera de clientes: los despidos se centran en equipos que crean nuevas líneas de productos netas futuras que no generarán ingresos rápidamente y, en cambio, se centran en el desarrollo de productos centrales con un enfoque en los ingresos que es inherentemente centrado en la experimentación”, dijo Sharma. “Concretamente, a pesar de que muchos clientes han tenido despidos, en general ninguno de los equipos de experimentación ha tenido despidos”.
Con la nueva financiación, Eppo, con sede en San Francisco, California, planea expandir su equipo de 15 a 25 empleados para fin de año.
Source link