Hoe de impact op klanten te meten

Er zijn verschillende manieren om de impact van klanten te meten. Dit artikel helpt u bij het definiëren van zakelijke metrische gegevens om hypothesen te valideren die ontstaan uit een poging om te bouwen met empathie van klanten.

Strategische metrische gegevens

De strategiemethodologie onderzoekt motivaties en bedrijfsresultaten. Deze procedures bieden een set zakelijke metrische gegevens om de impact van klanten te testen. Wanneer innovatie succesvol is, zijn de resultaten afgestemd op uw strategische doelen.

Wat zijn metrische gegevens in het bedrijf? Zakelijke metrische gegevens zijn kwantificeerbare metrische gegevens die worden gebruikt om een specifiek bedrijfsdoel bij te houden en te evalueren. Voordat u metrische gegevens voor het leren van klantimpact tot stand brengen, definieert u strategische zakelijke metrische gegevens die u door deze innovatie wilt beïnvloeden. Over het algemeen zijn deze strategische metrische gegevens afgestemd op een of meer van de volgende resultaatgebieden:

• Bedrijfsflexibiliteit
• Klantbetrokkenheid
• Klantbereik
• Financiële impact
• Oplossingsprestaties, in het geval van operationele innovatie.

Documenteer uw zakelijke metrische gegevens en houd hun impact regelmatig bij. Verwacht niet dat er resultaten ontstaan in een van deze statistieken na verscheidene iteraties. Zie Toezegging voor iteratie voor meer informatie over het instellen en afstemmen van verwachtingen voor de betrokken partijen.

Naast de metrische gegevens over motivatie en bedrijfsresultaten is dit artikel gericht op het leren van metrische gegevens die zijn ontworpen voor transparante detectie en iteraties die gericht zijn op de klant. Zie Toezegging tot transparantie voor meer informatie.

Metrische gegevens leren

Wanneer u de eerste versie van een minimum viable product (MVP) met een klant deelt, heeft dit geen invloed op strategische metrische gegevens. Enkele iteraties later kan het team nog steeds moeite hebben om gedrag te wijzigen om strategische metrische gegevens te beïnvloeden. Tijdens leerprocessen, zoals build-measure-learn-cycli, kunt u overwegen om metrische leergegevens te gebruiken. Deze metrische gegevens verbeteren tracerings- en leermogelijkheden.

Metrische gegevens voor klantstroom en leerproces

Als een MVP-oplossing een klantgerichte hypothese valideert, zorgt de oplossing voor enige verandering in het gedrag van de klant. Deze gedragswijzigingen in cohorten van klanten moeten de bedrijfsresultaten verbeteren. Het wijzigen van het gedrag van de klant is een proces. Elke stap biedt een mogelijkheid om de impact te meten. Het acceptatieteam kan onderweg blijven leren en een betere oplossing bouwen.

Als u meer wilt weten over wijzigingen in het gedrag van klanten, begint u met het in kaart brengen van de stroom die u hoopt te zien vanuit een MVP-oplossing.

In de meeste gevallen heeft een klantstroom een eenvoudig gedefinieerd startpunt en niet meer dan twee eindpunten. Tussen de begin- en eindpunten zijn verschillende metrische leergegevens die moeten worden gebruikt als metingen in de feedbacklus. Hier volgen de stappen voor het meten van de impact van de klant met behulp van de klantstroom:

• Beginpunt (eerste trigger): Het beginpunt is het scenario dat de noodzaak voor deze oplossing activeert. Voor een oplossing die is gebouwd met empathie van klanten, inspireert die eerste trigger een klant om de MVP-oplossing te proberen.
• Oplossingsstappen: Stappen die nodig zijn om de klant van de eerste trigger naar een geslaagd resultaat te verplaatsen. Elke stap produceert een leermetriek op basis van een klantbeslissing om door te gaan naar de volgende stap.
• Aan de klant is voldaan: Een oplossing die aan een klant voldoet, valideert de hypothese.
• Individuele acceptatie bereikt: Als de klant terugkeert naar de oplossing wanneer de trigger de volgende keer wordt gevonden, is individuele acceptatie bereikt.
• Indicator voor bedrijfsresultaten: Wanneer een klant zich gedraagt op een manier die bijdraagt aan het gedefinieerde bedrijfsresultaat, wordt een indicator voor bedrijfsresultaten waargenomen.
• Echte innovatie bereikt: Wanneer indicatoren voor bedrijfsresultaten en individuele acceptatie beide op de gewenste schaal plaatsvinden, hebt u echte innovatie gerealiseerd.

Elke stap van de klantstroom genereert metrische leergegevens. Na elke iteratie of release wordt een nieuwe versie van de hypothese getest. Tegelijkertijd worden aanpassingen aan de oplossing getest om aanpassingen in de hypothese weer te geven. Wanneer klanten het voorgeschreven pad in een bepaalde stap volgen, wordt een positieve metrische waarde vastgelegd. Wanneer klanten afwijken van het voorgeschreven pad, wordt een negatieve metrische waarde vastgelegd.

Deze uitlijn- en afwijkstellers creëren leerstatistieken. Elk moet worden vastgelegd en bijgehouden wanneer het cloudacceptatieteam vordert naar bedrijfsresultaten en echte innovatie. In Learn met klanten bespreken we manieren om deze zakelijke metrische gegevens toe te passen om betere oplossingen te leren en te bouwen.

Klantpartners groeperen en observeren

De eerste meting bij het definiëren van metrische leergegevens is de definitie van de klantpartner. Elke klant die deelneemt aan innovatiecycli, komt in aanmerking als klantpartner. Als u het gedrag nauwkeurig wilt meten, moet u een cohortmodel gebruiken om klantpartners te definiëren. In dit model worden klanten gegroepeerd om uw inzicht in hun reacties op wijzigingen in de MVP te verscherpen. Deze klantimpactgroepen lijken doorgaans op de volgende groepen:

• Experiment of focusgroep: Klanten groeperen op basis van hun deelname aan een specifiek experiment dat is ontworpen om wijzigingen in de loop van de tijd te testen.
• Segment: Klanten groeperen op de grootte van het bedrijf.
• Verticaal: Klanten groeperen per branche.
• Individuele demografische gegevens: Klanten groeperen op basis van persoonlijke demografische gegevens, zoals leeftijd en fysieke locatie.

Deze groeperingen helpen u bij het valideren van metrische leergegevens in verschillende secties van klanten die ervoor kiezen om met u samen te werken tijdens uw innovatie-inspanningen. Alle andere metrische gegevens moeten worden afgeleid van definieerbare klantgroepen.

Volgende stappen

Naarmate metrische gegevens worden verzameld, kan het team beginnen met leren met klanten.

Leren met klanten

Enkele van de concepten in dit artikel bouwen voort op onderwerpen die eerst worden beschreven in The Lean Startup, geschreven door Eric Ries.