Covid snudde mange planer på hodet, ikke minst de digitale og mange bedrifters eksperimenteringsprogrammer og A/B-tester. I dette blogginnlegget ser vi på hvordan de beste gjorde det før og under pandemien, for å snu utfordringen om til deres fordel og hvordan de forbereder seg på å kunne skape en langsiktig suksess i livet etter pandemien.
Den første delen av dette blogginnlegget handlet om:
- Hvordan forbrukere utvikler nye vaner under kriser og endringsperioder.
- Hvordan de nye vanene vedvarer.
- Og hvordan bedrifter kan bruke endringskraften til å skape langsiktig suksess.
Vi kom fram til at endringene finner sted, men at det kan være vanskelig å oppdage dem og forstå hva de egentlig betyr for virksomheten din. Nøkkelen til å oppdage dem er det vi kaller en eksperimentbasert tilnærming.
Dataene du sitter igjen med fra eksperimentene dine blir til nye hypoteser som du lager nye eksperimenter av og så videre.
Oppdag og ta affære i tre trinn!
Det finnes mange forskjellige modeller for en smidig og eksperimentbasert organisasjon – den vi bruker kalles et optimaliseringshjul. For å forenkle prosessen, kan vi si at det dreier seg om tre trinn:
- Samle observasjoner og data om endringer i forbrukeratferden.
- Utvikle hypoteser og bygge raske prototyper.
- Validere produkt- og markedstilpasning og forretningssaker gjennom kontrollerte eksperimenter.
Og dette må du selvfølgelig gjøre i en “infinite loop” der dataene du får fra eksperimentene dine blir til nye hypoteser som du så gjør nye eksperimenter på, og så videre.
De tre komponentene du trenger her er altså data, hypoteser og eksperimenter. Hvis du tar bort noen av delene, utgår modellen.
Uten data vil hypotesene dine kun være “noe du så konkurrenten gjøre” eller “noe som markedssjefen syntes var en god idé”. Dømt til å mislykkes.
- Hvis du ikke lykkes med å formulere robuste hypoteser, kan du heller ikke vite hva eksperimentene dine vil bevise, og da heller ikke om du har et vellykket resultat eller en #EpicFail.
- Sist, men ikke minst, hvis du ikke jobber med eksperimenter, vil du bruke mye tid på å utvikle og lansere produkter og tjenester som i beste fall forårsaker et gjesp og i verste fall blir noe du ender opp med å måtte trekke deg fra (kanskje med halen mellom beina).
Men hallo – de fleste eksperimenter er jo tapere
Innen A/B-testing snakkes det ofte om “win rate”. Det er den andelen av eksperimentene dine som er vinnere, delt på totalt antall eksperimenter.
Den triste sannheten er at til tross for all data, all innsikt og alle de velformulerte hypotesene, lykkes de færreste organisasjoner med å oppnå en win rate på godt over 30 % på lang sikt. 2 av 3 tester er altså “mislykkede”. Da er det lett å spørre seg:
Hvorfor skal vi bruke dyrebar tid og ressurser på noe som bare lykkes én av tre ganger?
Svaret på det spørsmålet er at dere må se det på stikk motsatt måte. Uten et eksperimenteringsprogram mislykkes 2/3 av det dere gjør – bare at uten et eksperimenteringsprogram har dere ikke en metode for å oppdage det i tide, og evaluere de økonomiske konsekvensene av deres “fiaskoer”.
Du lanserer tjenester som i beste fall forårsaker et gjesp eller i verste fall en katastrofe som du senere må trekke deg fra med halen mellom beina
Rent eller trygt – hvor ville du ha bodd?
Det er ofte helt opplagt hva man bør velge, men som dette eksemplet viser, er det lett å ta feil. Hvis man ikke oppdager feilene gjennom eksperimenter, lanserer man faktisk saker som skader ens egen virksomhet.
Dette er en sak fra våre bransjekolleger i Nederland – Online Dialogue. De jobbet med et herberge hvor målet var å øke bookingen på nettstedet. I sitt innsiktsarbeid hadde de kommet fram til at sikkerhet var en viktig faktor for gjestene. Som fot i hose, eller hva? Er da bare å understreke hvor trygt hotellet er på bookingsiden, så bør bestillingene øke. Hvor vanskelig kan det være?
Så de tilføyde enkelt og greit en infoboks som viste en sikkerhetsvurdering for hotellet. Men siden de jobbet eksperimentelt, utførte de selvfølgelig en A/B-test som viste at den nye varianten førte til redusert antall bookinger – WTF!
Det ble konkludert med at når de snakket EKSPLISITT om sikkerhet, begynte de besøkende å reflektere over sikkerhetsaspekter – eller med andre ord: bekymre seg – som førte til reduksjonen. Hypotesen ble dermed endret til å i stedet kommunisere IMPLISITT om sikkerhet. For eksempel ved å snakke om noe relatert til sikkerhet, slik at de fikk sikkerhet på agendaen uten å bekymre de besøkende. Det ble konkludert med at renslighet burde kunne fungere som en proxy for sikkerhet. Som for eksempel – “Et hotell som er veldig rent, er antageligvis også rimelig trygt, eller hva?”.
En ny test ble lansert med den nye hypotesen, og nå kunne man se en positiv effekt.
Selve poenget er at det som ofte kan se ut som en absolutt no-brainer, i mange tilfeller inneholder noen små detaljer som vi ikke har tenkt på. Hvis vi ikke validerer hypotesene våre gjennom kontrollerte eksperimenter, vil vi ikke kunne oppdage disse effektene.
Kom forberedt – vær forsikret
Under pandemien har vi lagt merke til at de av våre kunder som allerede FØR pandemien utførte et kontinuerlig innsiktsarbeid for å løpende kunne forstå sine kunders oppførsel OG utførte eksperimenter for å validere og bevise hypotesene deres, hadde lettere for å tilpasse seg. Muligens ikke akkurat noen rakettforskning som gjorde at det ble slik, men likevel viktig å påpeke at en eksperimentbasert tilnærming er en god forsikring for å oppdage endringer i hvordan kundene ser på tjenestene dine – spesielt når det skjer raskt.
Coop og ICA tester nye butikkonsepter
To av våre kunder der vi har jobbet lenge med eksperimenteringsprogrammer er Coop og ICA. Begge kunne relativt raskt lansere egne kasser for pensjonister i butikkene sine, der de kunne handle med mindre trengsel og lavere smittefare. Som du la merke til, sa vi “relativt raskt”. Selvfølgelig kan alle lansere en slik tjeneste, men her var det altså kritisk å kunne gjøre det raskt OG å få det riktig ved lanseringen.
En bedrift som IKKE jobber eksperimentbasert, kan høres slik ut:
“Vi må få opp egne kasser for pensjonistene så snart som mulig. I flest mulig av butikkene våre. Det er jo en no-brainer, kundene har bedt om det. Just do it.”
En bedrift som har et pågående eksperimenteringsprogram med gjennomslag i alle ledd, kan høres slik ut:
“I vårt innsiktsarbeid har vi kommet fram til at egne kasser for pensjonister er etterspurt. Det er også i tråd med våre verdier å ta en aktiv og ansvarlig rolle i samfunnet.
Vi vet ikke nøyaktig hvordan denne tjenesten skal utformes for å best passe målgruppen, så vi lanserer en rekke kontrollerte eksperimenter for å skape grundig innsikt og evaluere salgsdata, slik at vi til slutt kan lansere en tjeneste som både tilfredsstiller målgruppen, men også er økonomisk forsvarlig.”
Ser du forskjellen?
En eksperimentbasert tilnærming er en god forsikring for å oppdage endringer i hvordan kundene ser på tjenestene dine
Og til slutt – litt KPI-tenkning
Ønsker du å jobbe på denne måten, er det verdt å tenke over hvilke KPI-er som skal styre arbeidet ditt. Og du har tre mål:
- Du vil være i stand til å oppdage endringer i forbrukeratferd så raskt som mulig.
- Du vil være i stand til å validere hypotesene dine slik at du vet at de har den tiltenkte effekten.
- Du vil være i stand til å implementere den validerte hypotesen så raskt som mulig.
På en tidslinje vil det kunne se slik ut:
Du har altså tre nye KPI-er:
- Tid til innsikt
- Tid til validert hypotese
- Tid til implementert hypotese
Komplisert med tre KPI-er? Kanskje bedre med bare én? Det er jo også slik at “tid til innsikt” kanskje er litt for hypotetisk. Hvordan vet du da den nye atferden inntraff og hvor lang tid det tok før du oppdaget den? Man kjenner jo ikke til atferden før man oppdager den, eller hva?
Så din nye KPI blir da: Tid fra innsikt til implementert hypotese.
Vår erfaring er at de fleste bedrifter vil kunne måle denne KPI-en, dataene er der, men det er ingen som samler den inn og strukturerer den på en måte som gjør den klar og enkel å følge opp.
Hvis vi sammenligner det å arbeide med eller uten denne typen KPI-tenkning, kan vi se at MED så går vi fra innsikt til implementert hypotese i løpet av X uker i gjennomsnitt og at UTEN så går vi fra innsikt til noen mislykkede lanseringer og en “HM?!” i løpet av ubestemt lang tid.
Få med alle på toget
Det fine (men også litt utfordrende) med denne KPI-en, er at den vanligvis berører flere forskjellige deler av organisasjonen:
- De som jobber med innsiktsarbeid
- De som jobber med eksperimenter
- De som implementerer (IT?)
Noen ganger vil man kunne finne dem alle samlet i ett og samme team, men oftest er de spredt over flere team eller deler av organisasjonen.
Problemet vi ønsker å løse er å sørge for at hele kjeden holder sammen – ikke brister.
- Det spiller ingen rolle hvor mye innsikt vi samler inn hvis vi ikke kan validere hypoteser gjennom eksperimenter.
- Det spiller ingen rolle hvor mange vellykkede eksperimenter vi utfører hvis vi ikke kan få dem videre til utvikling og produksjon.
Vi håper at vi har gitt deg litt inspirasjon i arbeidet med å lande i riktig posisjon for livet etter pandemien. I neste blogginnlegg vil vi se på noen ting som lett kan gå galt – og hvordan komme seg forbi dem.
Stay tuned.
