Gå in i det nya decenniet med Atomic Research

Johanna Norberg & Magdalena Sjöstrand

I det här blogginlägget kommer vi att ge dig en inblick i hur vi på Conversionista jobbar med och har optimerat Atomic Research. Så – om ditt nyårslöfte var att strukturera din data kommer du att gilla det här inlägget. Du får nämligen en sen julklapp i form av en betaversion av en template som vi tagit fram och som du kan ladda ned! En fin sak med Atomic Research är att du lätt kan komplettera en existerande process och göra den mer kraftfull.

Atomic Research i praktiken

Det är ju ingen hemlighet att vi på Conversionista! gillar att experimentera och utveckla processer. Efter att ha börjat jobba med Atomic Research har vi lagt vår egen touch på strukturen.

I del 1 av serien “Allt du behöver veta om Atomic Research” nämnde vi att du behöver gå igenom fem olika steg i ramverket:

1) Experiment– Datainsamling
2) Fakta (atomer) – Rådata
3) Insikter (molekyler) – Upptäckt baserat på data
4) Action – Hur agerar vi på upptäckten
5) Resultat – Lärdom från handling

Till att börja med har vi bytt ut Experiment till Source i ramverket eftersom inom CRO är ”Experiment” som benämning kopplat till A/B-tester. Men biblioteket kan innehålla fakta från fler källor än A/B test ex. skärminspelningar, enkäter och djupintervjuer.

Atomer (fakta)

Du kommer väl ihåg att atomer är den minsta beståndsdelen i ramverket, att en atom kan vara ett citat från ett användningstest eller statistik från webbanalys. Låt oss titta på förändringar vi gjort på atomnivå.

Kategorisering gjorde vårt jobb lättare
Föreställ dig att du är ute efter att läsa en självbiografi men behöver leta igenom både facklitteratur och fantasy-avdelningen på biblioteket innan du hittar rätt. Det tar ju ett tag innan du får en bra överblick av självbiografiböckerna. För att öka sökbarheten i ramverket har vi lagt till ”kategori””. Detta för att kunna segmentera all fakta som uppstår. Filtreringen följer även med i insiktsstadiet och på action-nivå.

Vad kan vara intressant för dig att segmentera på? Något som är etablerat internt hos er och skulle kunna göra ert ramverk mer kraftfullt.

  • Du kanske redan har kartlagt kundresor. Lägg då till en kolumn med steget i kundresan för att segmentera var på tidslinjen faktan inträffade.
  • Du kanske vill ha möjligheten att segmentera på var faktan uppstår digitalt. Komplettera då med en kategori för placering eller kanske t.o.m. feature i ex. appen eller i checkouten.
  • Eller så vill du helt enkelt att delar av organisationen ska kunna ta del av data baserat på om det är kopplat till en specifik avdelning. Addera då en kolumn för kategorisering av vem eller vilka i organisationen faktan är kopplad till.

En läxa från oss när du matar in fakta i ramverket. Det är viktigt att du eller någon annan ska kunna förstå faktan och insikten 3 månader fram. 😅

Molekyler (Insikter)

Av atomerna skapar vi molekyler – insikter på vad som faktiskt uppstår. Flera fakta kan skapa en insikt. Vi anser att ramverket inte bara bör innehålla kvalitativ data utan rekommenderar att insikter bör vara baserade på både kvalitativ och kvantitativ data. Detta kallas triangulering som vi skrev mer om i del 1 “Allt du behöver veta om Atomic Reseach”.

Organismer (Action)

Vi ser att organisationer inte saknar idéer för att lösa insikter, utan snarare saknar processer för att mäta vad för effekt den idéen hade. Därför är det viktigt att skapa starka hypoteser som du kan validera.

Hypoteser ger oss mätbara actions
Vi älskar ju att validera våra hypoteser och vi har sedan flera år en etablerad A/B-testprocess. Vi skapar hypoteser baserat på IAR-modellen Insight, Action och Result. Du hör ju – det är väldigt likt Atomic Research! Du kommer att känna igen nedan exempel från del 1 av serien om Atomic Research.

Insight
Vad har du lagt märke till som får dig att tro att du måste göra en förändring? ”Vi observerade att 2 av 3 användare lämnar startsidan och vi ser instanser av beteende att de har svårt att förstå vilken produkt företaget erbjuder”.

Action
Vad kommer du att göra? ”Vi vill göra ett A/B test där vi byter ut bilden på produkten på produkten på startsidan till en video”.

Result
Vad vill du åstadkomma och hur mäter du det? ”Det bör leda till att färre användare lämnar startsidan”.

Använd IAR-metoden som en slags ”skitsnacksradar”. Om en hypotes inte passar in i mallen är det förmodligen inte en bra test hypotes. Testa din hypotes här eller läs mer om hur du kan skapa starka hypoteser här.

Prioritering vägleder oss till var vi ska börja
Nu sitter du på datadrivna och mätbara hypoteser, men du kan inte testa överallt eller ens allt på samma gång. Då vi har begränsad tid och resurser har vi lagt till en prioriteringsmodell som är designad av vår vän och talare på Conversion Jam, Chris Goward, WiderFunnel. Modellen heter PIE och det står för Potential, Impact och Ease.

Potential
Vad för potential har förändringen? Vad ser vi i heuristiska utvärderingar och webbanalys. Kommer förändringen leda till ett annat förväntat beteende från kunden?

Impact
Hur stor inverkan skulle förändringen ge? Är det en viktig placering? Har förändringen en stor chans att påverka ROI, return on investment?

Ease
Hur enkelt är det att genomföra förändringen? Hur lång tid behövs för frontend- och backend-utveckling? Hur komplex är utvecklingen? Hur lång tid kommer det att ta att utveckla konceptet inklusive skisser, prototyper, iterationer, processbeskrivningar? Finns det ytterligare kostnader för genomförandet eller interna ”politiska” hinder?

Impact + Ease + Potential = Prio

Varje action blir tilldelad ett nummer och du får en summering på vad du ska prioritera.

Allt detta låter super, hur sätter jag igång?

Tre frågeställningar du bör ställa dig innan du börjar fylla i betaversionen:

1) Vad har ni för processer idag?
Det fina med Atomic Research är att du lätt kan haka i den i en redan existerande process och göra den ännu kraftfullare.

2) Har ni några etablerade verktyg inom organisationen idag?
Kanske har ni redan dashboards i Data Studio eller prioriterade experiment via verktyg såsom Northstar eller Iridion. Kanske skapar ni hypoteser via ifyllning av formulär Vad passar er? Vi använder biblioteket i allt från Excel till Miro.

3) Vem bör ha tillgång till ramverket?
Ramverket bör vara öppet för hela organisationen, men vem har ägandeskap? Exempelvis, vem säkerhetsställer att ramverket inte innehåller persondata eller att de som fyller i data ser till att atomerna som fylls i förblir neutrala. Vilka får exportera data? Atomic Research är väldigt användbart för produktutveckling och optimering MEN var uppmärksamma på er egen confirmation bias.

Konfirmationsbias kan uppstå om du har en hjärtefråga eller kanske designat en del av flödet i testet. Det innebär att du inte ser eller hör kritiken från användaren, utan tar bara åt dig av berömmen. Du bör snarare försöka hitta fel som motbevisar just din teori istället för att bekräfta dem. Denna vetenskapliga metod kallas att “falsifiera”.

Nu är det äntligen dags! Dags att börja arbeta agilt, att bryta silos och att ta datadrivna beslut. Varsågod, här får du en betaversion av ramverket som vi på Conversionista Utgår ifrån idag.

Vi vill gärna höra vad du tycker om Atomic Research Betan 1.0 och hur skulle vi kunna förbättra det. Let us know!

Happy Data diggin’!
Magdalena & Johanna

Läs även