De impact van klanten meten
Er zijn verschillende manieren om de impact van de klant te meten. Dit artikel helpt u bij het definiëren van metrische bedrijfsgegevens om hypothesen te valideren die ontstaan uit een poging om met empathie van klanten te bouwen.
Strategische metrische gegevens
De strategiemethodologie onderzoekt motivaties en bedrijfsresultaten. Deze procedures bieden een set zakelijke metrische gegevens om de impact van de klant 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 meetbare metrische gegevens die worden gebruikt om een specifiek bedrijfsdoel bij te houden en te evalueren. Voordat u metrische gegevens voor het leren van de impact op de klant vast stelt, moet u strategische metrische gegevens voor het bedrijf definiëren waarop u wilt dat deze innovatie van invloed is. Over het algemeen komen deze strategische metrische gegevens overeen met een of meer van de volgende resultaatgebieden:
- Bedrijfsflexibiliteit
- Klantbetrokkenheid
- Klantbereik
- Financiële gevolgen
- Oplossingsprestaties, in het geval van operationele innovatie.
Documenteer uw zakelijke metrische gegevens en volg de impact ervan regelmatig. Verwacht geen resultaten in een van deze metrische gegevens voor verschillende iteraties. Zie Toezegging voor iteratie voor meer informatie over het instellen en afstemmen van verwachtingen tussen de betrokken partijen.
Afgezien van metrische gegevens over motivatie en bedrijfsresultaten, richt dit artikel zich op het leren van metrische gegevens die zijn ontworpen om transparante detectie en klantgerichte iteraties te begeleiden. Zie Toezegging tot transparantie voor meer informatie.
Metrische leergegevens
Wanneer u de eerste versie van een minimum viable product (MVP) deelt met een klant, heeft dit geen invloed op de strategische metrische gegevens. Enkele iteraties later kan het team nog steeds moeite hebben om het gedrag te wijzigen dat van invloed is op strategische metrische gegevens. Tijdens leerprocessen, zoals build-measure-learn-cycli, kunt u overwegen om metrische leergegevens te gebruiken. Deze metrische gegevens verbeteren de tracerings- en leermogelijkheden.
Metrische gegevens voor klantstroom en leren
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 klanten is een proces. Elke stap biedt de mogelijkheid om de impact te meten. Het implementatieteam kan gaandeweg blijven leren en een betere oplossing bouwen.
Leren over wijzigingen in het gedrag van klanten begint met het toewijzen van de stroom die u hoopt te zien vanuit een MVP-oplossing.
In de meeste gevallen heeft een klantstroom een eenvoudig te definiëren 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. Dit zijn de stappen om de impact van de klant te meten met behulp van de klantstroom:
- Beginpunt (eerste trigger): Het uitgangspunt is het scenario dat de noodzaak van deze oplossing activeert. Voor een oplossing die is gebouwd met empathie van de klant, inspireert deze eerste trigger een klant om de MVP-oplossing te proberen.
- Oplossingsstappen: Stappen die nodig zijn om de klant van de eerste trigger naar een succesvol resultaat te verplaatsen. Elke stap produceert een leermetriek op basis van een beslissing van de klant om door te gaan naar de volgende stap.
- Aan de behoeften van de klant is voldaan: Een oplossing die voldoet aan een klantbehoefte valideert de hypothese.
- Individuele acceptatie bereikt: Als de klant terugkeert naar de oplossing wanneer deze de trigger de volgende keer vindt, is de individuele acceptatie bereikt.
- Indicator voor bedrijfsresultaten: Wanneer een klant zich gedraagt op een manier die bijdraagt aan het gedefinieerde bedrijfsresultaat, wordt een indicator voor het bedrijfsresultaat 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.
Met deze uitlijnings- en deviatietellers worden metrische leergegevens gemaakt. Elk moet worden vastgelegd en bijgehouden naarmate het cloudimplementatieteam vordert naar bedrijfsresultaten en echte innovatie. In Leren met klanten bespreken we manieren om deze zakelijke metrische gegevens toe te passen om betere oplossingen te leren en te bouwen.
Klantpartners groepeer 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.
- Verticale: Klanten groeperen op de branche verticaal die ze vertegenwoordigen.
- Individuele demografische gegevens: Klanten groeperen op basis van persoonlijke demografische gegevens, zoals leeftijd en fysieke locatie.
Deze groeperingen helpen u metrische leergegevens te valideren 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 de metrische gegevens over het leren zich opstapelen, kan het team beginnen te leren met klanten.
Sommige concepten in dit artikel zijn gebaseerd op onderwerpen die voor het eerst zijn beschreven in The Lean Startup, geschreven door Eric Ries.