Jak napisać whitepaper oparty na danych (bez zespołu badawczego)

Whitepaper oparty na danych wymaga czterech rzeczy, których nie potrzebuje zwykły raport. Jednej tezy, którą można obronić, określonej metodologii, wykresów, które są zrozumiałe same w sobie, oraz liczb, które osoba postronna może zweryfikować. Do żadnej z tych rzeczy nie potrzebujesz działu badawczego. Wystarczy posiadany już zbiór danych i dyscyplina, by opisać, jak został wykorzystany.

Samo pisanie to ta łatwiejsza część. To, co decyduje o wiarygodności whitepapera, to fakt, że przedstawione w nim dowody obronią się przed sceptycznym czytelnikiem.

Ten przewodnik wyjaśnia, co należy ustalić na samym początku, opisuje trzyetapową ścieżkę manualną oraz wskazuje, w których momentach proces ten zwalnia, gdy dokument jest aktualizowany co roku.

Co jest potrzebne przed rozpoczęciem pracy

Potrzebujesz zbioru danych, do którego publikacji masz prawo. Dane o korzystaniu z produktu, odpowiedzi z ankiet, rejestry transakcji i dane publiczne – wszystko to się nadaje, pod warunkiem, że potrafisz opisać je rzetelnie.

Potrzebujesz również jednej głównej tezy. Whitepaper, który próbuje udowodnić trzy różne rzeczy, nikogo nie przekona, ponieważ czytelnik nie będzie wiedział, której z nich właściwie bronisz.

Przed przystąpieniem do pisania należy podjąć dwie decyzje.

Kim jest czytelnik. Whitepaper dla praktyków może zakładać znajomość branżowego słownictwa. Publikacja dla decydentów zakupowych już nie – taka praca częściej ponosi porażkę przez nadmierne skomplikowanie techniczne niż przez brak merytorycznej głębi.

Co czytelnik powinien zrobić dalej. Whitepaper, który nie sugeruje żadnego dalszego działania, to po prostu zwykły raport ze stroną tytułową.

Jeden nawyk pozwala zaoszczędzić najwięcej pracy na późniejszym etapie. Napisz akapit dotyczący metodologii jako pierwszy, jeszcze przed rozpoczęciem analizy. Zmusza to do zdefiniowania badanej populacji i zakresu dat w momencie, gdy wciąż można je jeszcze zmienić.

Jak zrobić to ręcznie

Opcja 1: Ustal tezę, a następnie przetestuj ją na danych

Zapisz planowany wniosek w jednym zdaniu. Następnie sprawdź, czy Twój zbiór danych rzeczywiście go potwierdza.

Taka kolejność może wydawać się nienaturalna, ale zapobiega najbardziej kosztownym błędom. Jeśli najpierw przeprowadzisz analizę, a dopiero potem zaczniesz pisać, na pewno trafisz na coś interesującego i przebudujesz wokół tego cały whitepaper. Właśnie w ten sposób powstają dokumenty, które próbują udowodnić cztery rzeczy naraz.

Następnie celowo poszukaj kontrargumentów. Podziel dane na segmenty według kryteriów, które mogłyby najłatwiej obalić Twoją tezę, i sprawdź, czy nadal się ona broni.

Ograniczeniem jest tu raczej uczciwość niż umiejętności. Na tym etapie nikt nie kontroluje Twojej pracy, dlatego jest to krok, który pomija się najczęściej.

Opcja 2: Przygotuj dowody tak, aby każdy wykres przekazywał tylko jedną myśl

Przypisz każdemu elementowi graficznemu tylko jedno zadanie. Wykres zawierający dwa argumenty nie przekona czytelnika do żadnego z nich.

Zadbaj o pełne opisy, ponieważ whitepaper będzie krążył w obiegu bez Twojego udziału. Jednostki na osiach, wielkość próby, zakres dat i źródło powinny znajdować się bezpośrednio na wykresie, a nie w otaczającym go tekście. Nasza strona poświęcona AI graph maker szczegółowo opisuje proces ich tworzenia.

Następnie napisz notatkę metodologiczną. Określ badaną populację, ramy czasowe, wykluczone dane oraz powody ich odrzucenia. Dwa akapity zazwyczaj wystarczą, a ich brak sprawia, że whitepaper zaczyna przypominać materiał czysto reklamowy.

Dzięki temu uzyskasz dowody, które obronią się same. Przygotowanie ich zajmuje też więcej czasu niż napisanie samego tekstu, co za pierwszym razem często bywa zaskoczeniem.

Ustal jedną zasadę zaokrąglania i stosuj ją konsekwentnie. Procent przedstawiony na wykresie z jednym miejscem po przecinku, a w tekście w postaci liczby całkowitej, wygląda dla czytelnika jak dwie zupełnie różne wartości.

Zachowaj tabelę źródłową dla każdego wykresu. Jeśli czytelnik zapyta, skąd wzięła się dana liczba, odpowiedź powinna zająć minutę, a nie wymagać ponownego tworzenia analizy od zera.

Opcja 3: Przygotuj szkic dokumentu wokół dowodów, a nie konspektu

Zacznij od napisania sekcji zawierającej główny wykres, a następnie rozbudowuj dokument na zewnątrz. Sekcje, dla których nie uda się stworzyć żadnego wykresu, zazwyczaj nadają się do usunięcia.

Streszczenie menedżerskie (executive summary) zostaw na sam koniec. Musi ono przedstawiać tezę, dowody i wnioski w formie, którą można czytać niezależnie od reszty dokumentu. Nasz poradnik dotyczący pisania streszczenia menedżerskiego na podstawie arkusza kalkulacyjnego szczegółowo omawia ten etap.

Na końcu umieść załącznik z pełnymi tabelami danych. Wszystko, co czytelnik mógłby chcieć zweryfikować, powinno znaleźć się tam, a nie w głównej części argumentacji.

Wspólne ograniczenie. Wszystkie trzy opcje zakładają, że analiza jest ostateczna. W praktyce recenzent na późnym etapie zada jedno nowe pytanie, które zmusi Cię do ręcznego prześledzenia całego łańcucha dowodowego od początku.

Gdzie ścieżka manualna zaczyna spowalniać pracę

Pierwsze wydanie przynosi ogromną satysfakcję. Jednak przy drugim, rok później, cały ten proces zazwyczaj się załamuje.

Powód ma charakter strukturalny. Odświeżenie whitepapera wymaga ponownego wygenerowania każdego wykresu dla nowego zakresu dat, a następnie sprawdzenia każdego zdania, w którym pojawiła się jakakolwiek liczba. To właśnie zdania stanowią największy problem, ponieważ na pierwszy rzut oka wyglądają na niezmienione.

Taka porażka jest łatwa do przewidzenia. Wykresy są generowane na nowo, bo ewidentnie tego wymagają. W tekście pozostają jednak zeszłoroczne dane i czytelnik w końcu zauważy, że strona czwarta przeczy stronie dziewiątej.

Pojawia się też kolejna przeszkoda. Spóźnione pytania od recenzenta lub działu prawnego wymagają przeprowadzenia nowych analiz, a każda z nich kosztuje całe popołudnie spędzone w oryginalnym skoroszycie.

Te spóźnione pytania są jednocześnie najbardziej przewidywalną częścią całego procesu. Wielkość próby, wykluczenia i zakres dat pojawiają się niemal za każdym razem, dlatego przygotuj odpowiedzi na te trzy kwestie, zanim ktokolwiek o nie zapyta.

Jak napisać oparty na danych whitepaper za pomocą Powerdrill Bloom

Krok 1: Prześlij zbiór danych stanowiący podstawę argumentacji

Prześlij plik z danymi o użytkowaniu, wynikami ankiety lub rejestrami transakcji, na których chcesz się oprzeć. Powerdrill Bloom profiluje kolumny natychmiast po przesłaniu, dzięki czemu puste pola, duplikaty i niezgodności typów danych zostaną wykryte, zanim jakakolwiek liczba trafi do dokumentu.

Krok 2: Zapytaj o tezę i kontrargumenty w języku naturalnym

Sformułuj tezę, którą chcesz przetestować, a następnie w tym samym zapytaniu poproś o dowody i wyjątki. Zapytaj, które segmenty przeczą regule, a które porównania opierają się na próbach zbyt małych, by je publikować.

Następnie poproś o fakty metodologiczne, które musisz ujawnić. Zapytaj, ile rekordów zostało wykluczonych, na jakiej podstawie i jaki zakres dat faktycznie obejmują dane.

Krok 3: Wyeksportuj wykres, raport lub prezentację

Pobierz opisane wykresy, tabelę do załącznika lub gotowy szkic tekstu, który następnie wkleisz i dopracujesz w samym dokumencie.

Dlaczego to rozwiązanie jest lepsze od zaczynania od pustego dokumentu

	Ścieżka manualna	Powerdrill Bloom
Testowanie tezy przed rozpoczęciem pisania	Przebudowywanie analizy pod każdym kątem	Zadawanie pytań o każdy kolejny aspekt
Szukanie kontrargumentów	Ręczne segmentowanie z nadzieją na sukces	Zapytanie o segmenty zaburzające schemat
Fakty metodologiczne do ujawnienia	Ręczne liczenie wykluczeń	Zapytanie o to, co zostało wykluczone i dlaczego
Kolejne wydanie za rok	Ponowne generowanie każdego wykresu i czytanie każdej linijki	Przesłanie nowego pliku z danymi

Ostatni wiersz decyduje o tym, czy Twój whitepaper przerodzi się w cykliczną serię. Coroczny dokument, którego przygotowanie wymaga tygodnia pracy, zostanie opublikowany tylko raz.

Wiersz dotyczący kontrargumentów opisuje krok, który większość osób pomija. Znalezienie segmentu, który obala Twoją tezę, zanim zrobi to czytelnik, odróżnia wiarygodny whitepaper od publikacji o charakterze czysto defensywnym.

Najczęstsze błędy

Próba udowodnienia więcej niż jednej rzeczy. Dwie tezy zmniejszają siłę przekonywania każdej z nich o połowę. Wybierz tę, którą Twoje dane wspierają najlepiej, a resztę umieść w załączniku.

Ukrywanie metodologii. Whitepaper bez jasno określonej populacji i ram czasowych brzmi jak materiał marketingowy, bez względu na to, jak dobra jest sama analiza.

Publikowanie wartości procentowych bez podania bazy. Sześćdziesiąt procent z dwunastu odpowiedzi to żaden wniosek. Podawaj wielkość próby bezpośrednio na wykresie.

Wykresy, które wymagają akapitu tekstu, aby były zrozumiałe. Fragmenty whitepaperów są wycinane, cytowane i udostępniane w formie zrzutów ekranu. Każdy element graficzny musi bronić się sam.

Pozostawianie zeszłorocznych danych w tekście. Aktualizuj treść w tym samym czasie, co wykresy, a następnie porównaj każdą liczbę ze źródłem.

Traktowanie whitepapera jak dłuższego wpisu na blogu. Czytelnik oczekuje dowodów, a nie opinii. Nasz artykuł na temat data storytelling wyjaśnia różnice w strukturze obu tych form.

Pomijanie załącznika. Bez niego sceptyczny czytelnik po prostu zamknie dokument i odejdzie. Dołączenie pełnych tabel nic nie kosztuje.

Podsumowanie

Ustal jedną tezę, przetestuj ją na danych (uwzględniając przypadki, które mogłyby ją obalić), stwórz samodzielne wykresy i ujawnij swoją metodologię. Na tym polega cała różnica między rzetelnym whitepaperem a zwykłą broszurą reklamową.

O tym, czy pisanie takich dokumentów wejdzie Ci w nawyk, decyduje proces ich aktualizacji. Ręczne generowanie każdego wykresu i ponowne czytanie każdego zdania to główny powód, dla którego większość whitepaperów kończy się na jednym wydaniu.

Jeśli na tym etapie kończy się historia Twoich dokumentów, wypróbuj Powerdrill Bloom na zbiorze danych, na którym opierasz swoją argumentację. Zobacz również nasz przewodnik po pisaniu raportów analitycznych z pomocą AI oraz stronę poświęconą AI report generator.

Często zadawane pytania

Czym różni się whitepaper od zwykłego raportu?

Whitepaper jest pisany z myślą o odbiorcach spoza Twojej organizacji, logo musi być kompletny i łatwy do zweryfikowania. Oznacza to konieczność sformułowania jednej tezy, opisania metodologii oraz przygotowania wykresów, które są zrozumiałe bez czytania otaczającego ich tekstu.

Jak długi powinien być whitepaper oparty na danych?

Na tyle długi, by przedstawić wszystkie dowody, i ani słowa dłuższy. Większość z nich liczy od sześciu do dwunastu stron, przy czym pełne tabele przenosi się do załącznika, aby nie obciążać głównej argumentacji.

Jakich danych mogę użyć, jeśli nie mam zespołu badawczego?

Zazwyczaj sprawdzą się dane, które już posiadasz: informacje o korzystaniu z produktu, odpowiedzi z ankiet, rejestry transakcji czy zgłoszenia do działu wsparcia. Jedynym warunkiem jest możliwość rzetelnego opisania badanej populacji i ram czasowych.

Gdzie powinna znaleźć się sekcja dotycząca metodologii?

Blisko początku, jeśli odbiorcami są specjaliści, lub w załączniku, jeśli dokument skierowany jest do szerszego grona – ale zawsze musi się tam znaleźć. Tak czy inaczej, napisz ją jako pierwszą, ponieważ zmusza to do zdefiniowania badanej populacji przed rozpoczęciem analizy.

Jak często należy aktualizować whitepaper?

W przypadku publikacji opierających się na aktualnych danych standardem jest aktualizacja coroczna. Zaplanuj czas na ponowne wygenerowanie każdego wykresu i zweryfikowanie każdej liczby w tekście – to właśnie ten krok jest najczęściej pomijany.