De impact van klanten meten

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

Strategische metrische gegevens

De methodologie Strategie onderzoektmotivaties enbedrijfsresultaten. Deze procedures bieden een set zakelijke metrische gegevens om de impact van klanten te testen. Wanneer innovatie is geslaagd, komen de resultaten overeen met uw strategische doelstellingen.

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 over het leren van impact op de klant tot stand kunt brengen, moet u strategische zakelijke metrische gegevens definiëren die door deze innovatie moeten worden beïnvloed. Over het algemeen zijn deze strategische metrische gegevens afgestemd op een of meer van de volgende resultaatgebieden:

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

Documenter de metrische gegevens van uw bedrijf en houd de impact ervan regelmatig bij. Verwacht niet dat deze metrische gegevens voor verschillende iteraties worden gebruikt. Zie Commitment to iteration (Toezegging tot iteratie)voor meer informatie over het instellen en afstemmen van verwachtingen voor 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.

Learning metrische gegevens

Wanneer u de eerste versie van een MVP (Minimum Viable Product) deelt met een klant, heeft dit geen invloed op strategische metrische gegevens. Verschillende iteraties later kan het team nog steeds moeite hebben om het gedrag zo te wijzigen dat dit van invloed is op strategische metrische gegevens. Overweeg tijdens leerprocessen, zoals cycli bouwen-meten-leren, om metrische leergegevens te gebruiken. Deze metrische gegevens verbeteren de tracerings- en leermogelijkheden.

Metrische gegevens over klantstromen en leerprocessen

Als een MVP-oplossing een klantgerichte hypothese valideert, zorgt de oplossing voor een verandering in het gedrag van de klant. Deze gedragswijzigingen in klantcohorten 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 acceptatieteam kan blijven leren en een betere oplossing bouwen.

Learning over wijzigingen in het gedrag van klanten begint met het toewijzen van de stroom die u vanuit een MVP-oplossing wilt zien.

In de meeste gevallen heeft een klantstroom een eenvoudig gedefinieerd beginpunt en niet meer dan twee eindpunten. Tussen de begin- en eindpunten zijn verschillende metrische leergegevens die kunnen 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, wordt een klant door die initiële trigger geïnspireerd om de MVP-oplossing uit te proberen.
• Oplossingsstappen: Stappen die nodig zijn om de klant van de eerste trigger naar een geslaagd resultaat te verplaatsen. Elke stap produceert een metrische leergegevens op basis van de beslissing van een klant om door te gaan naar de volgende stap.
• Er moet aan de klant worden voldaan: Een oplossing die voldoet aan de behoeften van een klant valideert de hypothese.
• Individuele acceptatie bereikt: Als de klant de volgende keer dat hij de trigger vindt, terugkeert naar de oplossing, is de afzonderlijke acceptatie bereikt.
• Bedrijfsresultatenindicator: Wanneer een klant zich gedraagt op een manier die bijdraagt aan het gedefinieerde bedrijfsresultaat, wordt een bedrijfsresultatenindicator waargenomen.
• Echte innovatie bereikt: Wanneer indicatoren voor bedrijfsresultatenen afzonderlijke acceptatie beide plaatsvinden op de gewenste schaal, hebt u zich 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 positief metrisch gegeven vastgelegd. Wanneer klanten afwijken van het voorgeschreven pad, wordt een negatief metrische gegevens vastgelegd.

Deze uitlijnings- en afwijkingentellers maken metrische leergegevens. Elke stap moet worden vastgelegd en bijgehouden wanneer het cloud adoption-team zich verder gaat ontwikkelen naar bedrijfsresultaten en echte innovatie. In Leren met klanten besprekenwe manieren om deze zakelijke metrische gegevens toe te passen om betere oplossingen te leren en te bouwen.

Klantpartners groepen 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 begrip van hun reacties op wijzigingen in de MVP te verbeteren. Deze impactgroepen voor klanten 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 tijd te testen.
• Segment: Klanten groeperen op de grootte van het bedrijf.
• Verticaal: Klanten groeperen op de branche verticaal die ze vertegenwoordigen.
• Afzonderlijke demografische gegevens: Klanten groeperen op basis van persoonlijke demografische gegevens, zoals leeftijd en fysieke locatie.

Met deze groeperingen kunt u metrische leergegevens 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 klantgroeperingen.

Volgende stappen

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

Enkele van de concepten in dit artikel zijn gebaseerd op onderwerpen die voor het eerst worden beschreven in The Lean Startup , geschreven door Eric Ries.