Gå inn i det nye tiåret med Atomic Research

Atomic Research i praksis

Det er ingen hemmelighet at vi i Conversionista! liker å eksperimentere og utvikle prosesser. Etter at vi begynte å jobbe med Atomic Research har vi satt vårt eget preg på strukturen.

I del 1 av serien «Alt du trenger å vite om Atomic Research» nevnte vi at du trenger å gå gjennom fem ulike trinn i rammeverket:

1) Experiment– Datainnsamling
2) Fakta (atomer) – Rådata
3) Innsikter (molekyler) – Funn basert på data
4) Action – Hvordan handler vi etter funnet
5) Resultat – Lærdom fra handling

Til å begynne med har vi byttet ut Experiment med Source i rammeverket ettersom «Experiment» som begrep er knyttet til A/B-tester innen CRO. Men biblioteket kan inneholde fakta fra flere kilder enn A/B-tester, f.eks. skjermopptak, undersøkelser og dybdeintervjuer.

Atomer (fakta)

Du husker vel at atomer er de minste bestanddelene i rammeverket, at et atom kan være et sitat fra en brukstest eller statistikk fra en webanalyse. La oss se på endringer vi har gjort på atomnivå.

Kategorisering gjorde jobben vår enklere
Forestill deg at du er ute etter å lese en selvbiografi, men må lete gjennom både faglitteratur- og fantasy-avdelingen på biblioteket før du finner det du leter etter. Det tar jo litt tid før du får et godt overblikk over selvbiografibøkene. For å øke søkbarheten i rammeverket har vi lagt til «kategori». Dette er for å kunne segmentere all fakta som oppstår. Filtreringen følger også med i innsiktstadiet og på actionnivå.

Hva kan være interessant for deg å segmentere på? Noe som er etablert internt hos dere og som kan gjøre rammeverket deres kraftigere.

• Du har kanskje kartlagt kundereiser allerede. Legg deretter til en kolonne med steg i kundereisen for å segmentere hvor på tidslinjen faktum inntraff.
• Det kan være lurt å ha muligheten til å segmentere på hvor faktum oppstår digitalt. Suppler deretter med en kategori for plassering eller kanskje til og med feature i f.eks. appen eller i checkouten.
• Eller så vil du ganske enkelt at deler av organisasjonen skal kunne få tilgang til data basert på om det er knyttet til en bestemt avdeling. Legg deretter til en kolonne for kategorisering av hvem i organisasjonen faktum er knyttet til.

Et tips fra oss når du legger inn fakta i rammeverket. Det er viktig at du eller noen andre skal kunne forstå faktaene og innsiktene 3 måneder frem i tid. 😅

Molekyler (Innsikter)

Fra atomene lager vi molekyler – innsikt i hva som faktisk oppstår. Flere fakta kan skape en innsikt. Vi mener at rammeverket ikke bare bør inneholde kvalitative data, men anbefaler at innsikter bør være basert på både kvalitative og kvantitative data. Dette kalles triangulering, som vi skrev mer om i del 1 «Alt du trenger å vite om Atomic Research«.

Organismer (Action)

Vi ser at organisasjoner ikke mangler idéer, men heller at de mangler prosesser for å måle hvilken effekt idéen hadde. Derfor er det viktig å lage solide hypoteser som kan valideres.

Hypoteser gir oss målbare actions
Vi elsker jo å validere hypotesene våre og vi har i flere år hatt en etablert A/B-testprosess. Vi lager hypoteser basert på IAR-modellen Insight, Action og Result. Du hører at det er veldig likt Atomic Research! Du kommer til å kjenne igjen eksempelet under fra del 1 i serien om Atomic Research.

Insight
Hva har du lagt merke til som får deg til å tro at du må gjøre en endring? «Vi observerte at 2 av 3 besøkende forlater startsiden, og vi ser tilfeller av atferd som tyder på at de har vanskeligheter med å forstå hvilket produkt foretaket tilbyr».

Action
Hva kommer du til å gjøre? «Vi vil gjennomføre en A/B-test hvor vi bytter ut bildet av produktet på startsiden med en video».

Result
Hva vil du oppnå og hvordan måler du det? «Det bør føre til at færre brukere forlater startsiden».

Prioritering veileder oss mot hvor vi skal starte
Nå sitter du på datadrevne og målbare hypoteser, men du kan ikke teste overalt eller alt samtidig. Siden vi har begrenset med tid og ressurser har vi lagt til en prioriteringsmodell som er designet av vår venn og innleder på Conversion Jam, Chris Goward, WiderFunnel. Modellen heter PIE, som står for Potential, Impact og Ease.

Potential
Hvilket potensial har endringen? Hva ser vi i heuristiske evalueringer og webanalyse? Vil endringen føre til en annen forventet atferd hos kunden?

Impact
Hvor stor vil endringen være? Er det en viktig plassering? Har endringen stor sjanse til å påvirke ROI, return on investment?

Ease
Hvor enkelt er det å gjennomføre endringen? Hvor lang tid trengs til frontend- og backendutvikling? Hvor kompleks er utviklingen? Hvor lang tid vil det ta å utvikle konseptet inkludert skisser, prototyper, iterasjoner, prosessbeskrivelser? Er det merkostnader for gjennomføringen, eller interne «politiske» hindre?

Hver action blir tildelt et nummer og du får et sammendrag av hva du skal prioritere.

Alt dette høres supert ut, hvordan setter jeg i gang?

Tre spørsmål du bør stille deg selv før du begynner å fylle ut betaversjonen:

1) Hvilke prosesser har dere i dag?
Det fine med Atomic Research er at du enkelt kan koble den til en allerede eksisterende prosess og gjøre den enda kraftigere.

2) Har dere noen etablerte verktøy i organisasjonen i dag?
Kanskje dere allerede har dashboards i Data Studio eller prioriterte eksperimenter ved hjelp av verktøy som Northstar eller Iridion. Kanskje dere lager hypoteser ved å fylle ut skjemaer som passer for dere? Vi bruker biblioteket i alt fra Excel til Miro.

3) Hvem bør ha tilgang til rammeverket?
Rammeverket bør være åpent for hele organisasjonen, men hvem har eierskap? Hvem garanterer for at rammeverket ikke inneholder personopplysninger, eller forsikrer at de som fyller inn data sørger for at atomene som legges inn forblir nøytrale. Hvem får eksportere data? Atomic Research er veldig nyttig for produktutvikling og optimalisering, MEN vær oppmerksom på egen confirmation bias.

Konfirmeringsbias kan oppstå når du har et «hjertespørsmål» eller kanskje har designet noe av flyten i testen. Det betyr at du ikke ser eller hører kritikken fra brukeren, men bare tar til deg rosen. Du bør heller prøve å finne feil som motbeviser nettopp din teori i stedet for å bekrefte den. Denne vitenskapelige metoden kalles å “falsifisere”..

Nå er tiden endelig inne! På tide å begynne og jobbe smidig, å bryte siloer og ta datadrevne beslutninger. Værsågod, her får du en betaversjon av rammeverket som vi på Conversionista! går ut fra i dag.

Vi vil gjerne høre hva du synes om Atomic Research Beta 1.0 og hvordan vi kan forbedre den. Let us know!

Happy Data diggin’!
Magdalena & Johanna