elemzés címkével jelölt bejegyzések

Mobil App mérések – miért, mit és hogyan?

Tudtad, hogy a letöltött mobil app-ok 80%-át az első használat után törlik a felhasználók a telefonjukról? Hogy bent maradj a kellemes 20%-ban, elengedhetetlen, hogy reagálj a user-eid viselkedésére! Ehhez pedig mérned kell. Ugyanúgy, mint desktop-os internetes alkalmazásoknál… habár az elmélet és a gyakorlat is egy kicsit más. Ebben a cikkben leírom azt a néhány best practice-t, amivel már könnyen el tudod kezdeni a mobil app-od mérését!

MIÉRT MÉRJEM A MOBIL APP-OM?

Az egyik legfontosabb kérdés, hogy miért is mérsz? Erről már többször is írtam, de nem győzöm mindig hangsúlyozni, hogy akármit is mérsz: legyen egy jól definiált üzleti célod!
Ezt a célt állapotban két dolog határozza meg (Rajtad kívül). Az egyik, hogy milyen bizniszben vagy, a másik pedig hogy milyen szakaszában a növekedésnek.

Ha pl. egy érett e-commerce bizniszen dolgozol, akkor az egyik legfontosabb célod a Revenue, azaz a bevételed lesz.
Ha egy korai fázisú startup-on, akkor inkább az engagement-re és az activation-re fókuszálj, azaz arra, hogy a felhasználók egyáltalán megértsék a termékedet és elkezdjék használni – no meg persze, hogy elégedettek legyenek vele.
Egy feltörekvő média oldalnak pedig általában a retention-re fekteti a hangsúlyt, tehát a visszatérő látogatók számára és a visszatérések sűrűségére.

Ha megvan a célod, akkor már könnyen választ adhatsz a miért-re. Azért mérsz, hogy ezt a célt minél könnyebben elérd és ha nem sikerül, akkor megértsd, hogy miért nem sikerült. És persze, hogy tudd, hogy hol, mikor, mit és hogyan kell változtatnod.

MIT MÉRJEK A MOBIL APP-OMBAN?

Egy mobil app persze elég speciális biznisz. Van egy-két dolog, amit a legtöbben mérnek és ami gyakorlatilag kikerülhetetlen, ha ezen a területen dolgozol. A 3 leggyakoribb:

1. Onboarding funnel

Mobil App Onboarding Funnel
Mobil App Onboarding Funnel

Ahogy a képen is látszik, az onboarding során lépésről lépésre kiesnek az emberek. pl. 1300-an letöltik az app-ot, 800-an elindítják, 400-an beregisztrálnak, 100-an pedig elkezdik használni tényleg a terméket, stb, stb… A lényeg, hogy lásd, hogy hol esnek ki a legtöbben és, ha ez a szám nagyon nem illik az elképzeléseidbe, akkor tudd, hogy ott valamit változtatnod kell.

A mobil app-oknál a legtöbb onboarding funnel így néz ki.
1. lépés: Letöltések száma (pl. 1000 db)
2. lépés: Launch (pl. 800 db)
3. lépés: Regisztráció (pl. 600 db)
4. lépés: Elkezdik használni a terméket (pl. 400 db)
5. lépés: Végére érnek az első körnek, a tanulási (más néven onboarding) folyamatnak (pl. 200 db)

Az 5. lépés egyébként trükkös, ezért szét szoktuk bontani 3-4 allépésre. Akkor vesszük úgy, hogy egy felhasználó elérte az 5. lépést és “onboarded” lett, ha már tudjuk, hogy minden olyan funkciót használt, ami kell ahhoz, hogy értse a termék előnyeit.
pl. ha egy idegenvezető mobil app-od van, ami a füledre mondja egy városban, hogy merre menj és mit kell tudni a nevezetességekről, akkor valami ilyesmi lehet az onboarding funnel-ed vége:

4. lépés: Kiválaszt a user egy túrát.
5. lépés: Odamegy a túra kezdőpontjára.
6. lépés: Elindítja az audio guide-ot.
7. lépés: Eljut a túra felére.
8. lépés: Végigér a túrán.

Aki végigért a túrán, nagy eséllyel találkozott az app összes főfunkciójával és érti, hogy mi a jó benne. Utána, hogy újra használja-e már, az egy másik kérdés.

2. Retention – visszatérés

Az egyik legütősebb metrika a felhasználó elégedettség vizsgálatára: a visszatérések száma és aránya. Tehát azok közül, akik múlt héten használták az app-odat, hányan használják újra. Itt nem feltétlenül megnyitásról beszélünk, hanem pl. egy core-feature használatáról (mint pl. a spotify-nál a zenelejátszás).

Itt is érdemes Neked definiálnod, hogy mi az ideális visszatérési sűrűség. Pl. ha egy média app-od van (, ahol naponta jelennek meg új cikkek,) vagy egy self-tracker alkalmazásod (, ahova minden reggel beírod, hogy milyen kedved van), akkor érdemes napi retention-t mérned. Egy Uber típusú app-nál a heti retention már logikusabbnak tűnik, egy repülőjárat kereső alkalmazásnál pedig akár a (több-)havi retention is indokoltnak tűnhet, hiszen a legtöbb ember amúgy sem utazgat minden héten vagy hónapban repülővel. (Azért törekedj minél kisebb retention time-ot belőni, mivel ha változtatsz valamit az app-odban és szeretnéd a retention-re gyakorolt hatását látni, mindig annyit kell majd várnod az első adatpontodra, amekkorára a retention definíciód be van állítva.)

Ha ez megvan, akkor nincs más dolgod, minthogy meghatározd a napi, heti vagy havi visszatérő látogatóid számát és arányát. És, hogy próbáld ezt a számot minél magasabbra tolni!

A retention címszó alatt még több dolgot is mérhetsz. Pl. a churn, azaz a lemorzsolódások aránya (pl. hányan uninstall-álták az alkalmazást, vagy hányan nem tértek vissza legalább a retention time-od 10-szereséig.) Vagy idetartozik az active/passive user-ek aránya. Azaz, hogy az összes user-edből hány % aktív.

3. Revenue – bevétel

A bevételt is többféleképpen mérheted. Itt persze attól is függ a dolog, hogy pontosan, hogy monetizálsz (fizetős app? reklámokból? in-app eladásokból? stb…), de a leg fontosabb alapmérések:

  • Első fizetésig eltelt idő
  • Fizetős user-ek aránya (hány ingyenes felhasználóra jut egy fizetős)
  • Havi átlagos bevétel user-enként
  • CLV – Customer Lifetime Value: Ez már egy összetettebb számítás, ami megmutatja, hogy az adott lemorzsolódási arányok és havi átlagos bevételek mellett egy user kb. mennyi pénzt termel az applikáción keresztül Neked onnantól, hogy beregisztrált, egészen addig, hogy letörli az app-ot.
    customer lifetime value mobil app mérés

Ez most csak 3 dolog – onboarding, retention és revenue -, de az alapok lefektetéséhez elég, aztán lehet továbbrészletezni még…

HOGYAN MÉRJEM A MOBIL APP-OM?

A millió dolláros kérdés: milyen eszközzel mérjem a mobil app-omat?
A jó hír hogy rengeteg lehetőség van…
Amit mindenképpen ajánlok az a Google Mobile Analytics. Ingyenes, mindent tud, ami kellhet. A korlátai pedig ugyanazok, mint a Google Analytics-nek. Csak report-olásra jó.
Ha szeretnél eggyel továbblépni, akkor itt is a Mixpanel az egyik legerősebb játékos a piacon. A Mixpanel-lel már viselkedés alapján tudsz szegmentálni, automatizált e-mail marketing-et beállítani, stb…
Ezeken kívül még rengeteg tool létezik, pl. az ingyenes Flurry Analytics vagy a kifejezetten crash-ek mérésére szolgáló Crashlytics – de azt is kevesen tudják, hogy az Optimizely-t is lehet használni mobil app AB-tesztelésre…

Egy szó mint száz

A lehetőségek és az eszközök adottak! Kezdd el mérni az app-odat és meglátod, sokkal tudatosabban, gyorsabban és eredményesebben tudsz majd fejlődni!
Sok sikert!

Ha szeretnél még ilyen cikkeket olvasni, iratkozz fel a hírlevelünkre!

Mester Tomi

Hogyan mérd az MVP-det?

Mostanában több viszonylag korai fázisú – MVP startoltatás előtti pillanatokban levő – startuppal is dolgoztunk 1-2-3 konzultáció erejéig – és mindig ugyanaz volt a kérdés: ha megvan az MVP, akkor hogyan – és főleg mit mérjünk?

Itt 3 főelv van:
1. Az OMTM-elv
One Metric That Matters – azaz egy darab célt jelölj ki! Egyet és ne többet! És ezt az egy célt helyezd a méréseid fókuszába. Hogy ez mi legyen azt iszonyatosan fontos már a startolás előtt, a legelején eldönteni.
Sok olyan cég van, aki megérzésből nyomja a dolgokat és adatok nélkül dönt. Aztán vagy bejön nekik vagy nem. De a másik véglet sem jobb – ha az ember 40 dolgot figyel egyszerre, akkor előbb-utóbb azon kapja magát, hogy egész nap csak a chart-okat nézegeti, de értelmes és értékes döntést még nem sikerült hoznia. Ha túl sok mindent mérsz, az összezavarhat. Legyen meg a fókusz: Mérj egy dolgot és határozza meg az, hogy merre mész tovább!

2. Engagement központúság
És hogy mi legyen az a bizonyos “Egy Mérés, Ami Számít”?
Természetesen ez a termékedtől függ, de MVP fázisban az biztos, hogy ez a metrika valahol az engagement, azaz a felhasználói elégedettség környékén keresendő.
NEM jó OMTM a regisztrált felhasználók száma. A regisztrált felhasználók száma semmilyen érdembeli visszajelzést nem ad a termékedről, maximum a value proposition-ödről (de azt jó esetben validáltad már eddigre landing page tesztekkel és kvalitatív vizsgálatokkal) vagy a marketing erődről. Egy csomó embert hallok büszkélkedni, hogy elérte a 1.000 (2.000, 5.000, stb…) regisztrált felhasználót. De ha ebből 10-15 aktív felhasználója van, akkor bizony az a 2.000 nem sokat ér.
NEM jó OMTM a bevétel nagysága/fizetések száma sem. Ehhez még túl korai szakaszban van a termék – úgyse fog elég pénz bejönni, akkor meg kár ezen stresszelni magadat.

A jó OMTM a termék használatára vonatkozik. Használják-e az emberek a főfunkcióidat? Minden funkciót használnak vagy csak néhányat? Úgy használják, ahogyan tervezted? És a legfontosabb: az első látogatás/regisztráció után visszajönnek mégegyszer használni a termékedet?

Jó mérőszámok lehetnek:
– az aktivált felhasználók száma  (pl. a Spotify-nál aktivált felhasználó az, aki beregisztrál és meg is hallgat legalább egy számot – a Prezinél aktivált felhasználó, aki beregisztrál, elkészíti és bemutatja az első prezijét, stb…)
– az aktivált felhasználók aránya (ugyanaz, mint a fenti, csak %-ban, hogy lásd, hogy a regisztráltak mekkora része aktiválódik)
– a visszatérő felhasználók aránya. Hányan döntenek úgy, hogy újra használják a termékedet?
– a visszatérés ideje. Mennyi idő után jönnek vissza az emberek? 1 nap, 1 hét, 1 hónap?

És emellett persze folyamatosan monitorozd azt, hogy melyik feature-öket használják az emberek és melyikeket nem.

3. Csináld meg egyszerűen!
Ebben a szakaszban az a lényeg, hogy gyorsan tudj mérni – ne tölts vele túl sok időt. Mivel lehet ezt megoldani? Ha csak nincs a kisujjadban a log-gyártás, akkor smart tool-okkal. Tök őszintén: valószínűleg egy jól beállított (konverziók, demográfia, stb.) Google Analytics is elég lesz. Ha pro akarsz lenni, akkor vagy egy Kissmetrics-et vagy egy Mixpanel-t felteszel az Analytics helyett, de ennél többre valószínűleg tényleg nem lesz szükséged ebben a szakaszban.

Mégegyszer összefoglalva:
1. Egy dolgot mérj!
2. Ez az egy dolog a termék használatára és a felhasználói elégedettségre fókuszáljon!
3. A lehető legegyszerűbben valósítsd meg (Analytics, Kissmetrics vagy Mixpanel)

Ha pedig egy szinttel feljebb lépnél, gyere el az Adatvezérelt Marketing Képzésünkre, ahol beszélünk linkkövetésről, AB-tesztelésről, UX kutatásról, a lepattanó user-ek visszanyeréséről és megannyi finomságról, ami ebbe a cikkbe már nem fért bele (még 6 szabad hely van)! :-)
http://adatlabor.hu/adatvezerelt-marketing-trening/

Mester Tomi

(Inspiráció: leananalyticsbook.com)

Vendégblog: A kis herceg és a Big Data – így kezdj neki

Pusztai Ádám Big Data cikkEheti vendégbloggerünk Pusztai Ádám, aki az adatlaboros egyetemista képzésünket is látogatta. Ádám egyébként Veszprémben végzett vegyészmérnökként, emellett pedig a Big Data az egyik fő érdeklődési területe… A következő profi összefoglalója a Honnan (és hogyan) tanuljunk a Big Data-ról címet is kaphatta volna.


“Ami igazán lényeges, az a szemnek láthatatlan.”
A kis herceg remekül összefoglalta az adatelemzés és adatbányászat lényegét. Az utóbbi időben egyre inkább érdekel ez a téma, ezért gondoltam, hogy utánanézek, ki mit mond róla, és ha beleásnám magam, akkor hogyan kezdjem el. Tuti recept szerintem nincs, de én így álltam neki:

Gyűjtögetés
A taktika az volt, hogy felütöttem a Google-t a “big data”, “how to start big data learning”, “big data 101” címszavaknál, és gondolkodás nélkül megnyitottam az összes első oldalas találatot. Ezek között voltak hasznos oldalak, kevésbé hasznosak, egyáltalán nem témába illőek (rossz SEO), és voltak összegyűjtött listák is.

Ezeket a találatokat bedobáltam egy dokumentumba, de ebben a formában teljesen használhatatlan volt, úgyhogy elkezdtem rendszerezni.  Ezután már csak azt kellett kitalálni, melyikkel résszel kezdjem.

A terv
Úgy gondoltam, egy kis ráhangolódás nem árt, ezért először olyan TED videókat kerestem, amik kapcsolódnak a témához. Itt találsz 13 előadást az adatokról, ebben a videóban pedig Hans Rosling elképesztő statisztikáit láthatod (mozgó bogyók, úristen mennyire menő!).
Többször is előkerült ez az infografika azzal a tanáccsal, hogy vallásos áhítattal kövessem. Nem mondom, hogy így van, de néha kelet felé fordítom és napjában ötször ránézek.

Első lépésként olyan forrásokat kerestem, amik helyre teszik a fejemben azt, hogy a Big Data mire jó, milyen technikákkal lehet és érdemes nekifogni ilyen elemzéseket végezni, és ehhez milyen technikai háttér szükséges részemről. Az ajánlások alapján a következő könyveket szereztem be (mindegyik ingyenesen elérhető):

Egyelőre az első hármat olvasom, aztán majd kiderül, hogy a keményebb programozás témájú könyvek hogy mennek. Annak érdekében, hogy ne csak könyvekből kelljen kihámoznom a lényeget, találtam online kurzusokat mind általánosan Big Datára, mind pedig programozásra is. A következőket ajánlom:

Online kurzusok / Big Data:

Online kurzusok / Programozás:

A végén járok a Codecademy-s Pythonnak és a CodeSchool-os R-nek, a Datacamp lesz a következő utánuk. Mindkét nyelv tetszik, sokban hasonlítanak a Matlabra, amit az utóbbi években használtam (nem feltétlen adatbányászatra).

Trello tábla gyűjtemény
Egy elvetemült figura készített egy hatalmas gyűjteményt, külön táblákra rendszerezve az ő forrásait, aszerint, hogy melyik cikk, online kurzus, könyv, blog, képregény(?), és a többi. Itt megtalálod.

Gyakorolni, gyakorolni, gyakorolni
Megvan a tudás a fejedben, a rendszerek a lelki szemeid előtt, most ki kellene próbálni mindezt. De hogyan? Ha nincs kéznél egy irdatlan méretű adatbázisod, ne ess pánikba, ilyeneket is találtam:

  • Quandl: ingyenes/korlátozott hozzáférés rengeteg adatbázishoz: https://www.quandl.com/
  • egyéb gyűjtemények:

A versenyszellem is segíthet. A Kaggle olyan oldal, ahova adatelemzős feladatokat töltenek fel (például a GE, az Amazon, vagy a Microsoft), és benevezhetsz a saját algoritmusaiddal és megoldásaiddal az adott contest-re, magyar szemmel nézve nagyon szép díjazásokért. Ráadásul még tutorial oldaluk is van, érdemes rápillantani arra is.

Alapok, technikák, gyakorlás – nekem ez a tervem a nyárra. Te hol tartasz?

Pusztai Ádám

Adatsztori 2. rész: tinilányok, müzli, kauzalitás

Nemrég hallottam Dr. Mine Cetinkaya-Rundel professzor asszony webináriumán az egyik legjobb esettanulmányt a korreláció vs. kauzalitás problémájának szemléltetésére:

2005-ben volt egy kutatás, ahol több mint 2000 darab 9 és 19 év közötti lányt kérdeztek reggelizési szokásaikról. A felmérés része volt, hogy az év során egyszer véletlenszerűen megkérdezték a lányokat arról, hogy mit ettek az elmúlt 3 napban. Azt találták, hogy azok a lányok, akiknél a válasz az volt, hogy müzlit ettek reggelire, szignifikánsan alacsonyabb testzsír-index-szel rendelkeztek, mint azok, akik valami mást.

A kutatás következtetése: a müzlitől soványabb leszel.
Csakhogy ez a következtetés: HIBÁS!

Miért?Mert ez a kutatás egyedül azt mutatja meg, hogy van valamilyen összefüggés a müzli és a testzsír-index között, de az ok-okozati kapcsolatot nem lehet belőle megállapítani. Gondolj bele! Valójában 3 jó megoldás is létezik:
1. Lehet, hogy – valóban -, aki müzlit eszik, az soványabb lesz.
2. De az is elképzelhető, hogy az eleve soványabb emberek valamiért jobban szeretik a müzlit. Tehát a soványság következménye a müzlifogyasztás.
3. Vagy esetleg valami külső okból származik mindkét dolog (soványság, müzlifogyasztás) és köztük közvetlen ok-okozati összefüggés nincs is. Pl. aki eleve egészséges életmódot folytat, az szeret müzlit enni és a testzsír-indexe is alacsonyabb, hiszen pl. sportol is. De ez nem azt jelenti, hogy a müzli önmagában soványabbá tesz, jelentheti azt is, hogy a sportos emberek fejében az van, hogy müzlit kell enniük.

Dr. Mine Cetinkaya-Rundel
Dr. Mine Cetinkaya-Rundel ábrája -korreláció vs. kauzalitás


Mi a tanulság ebből?
A fenti probléma egy közismert adatelemzési problémakör része az adatvezérelt üzletek világában is. A neve: korreláció vs. kauzalitás. Az általános megállapítás az, hogy ok-okozati viszonyt (kauzalitást) soha sem lehet megállapítani visszatekintő elemzésekből. Ezekből mindig csak és kizárólag összefüggést (korrelációt) lehet kikövetkeztetni.
A kauzalitás tényleges megállapítására egyedül az ún. kontrollcsoportos vizsgálatok valóak. Tehát a fenti példában a korrekt megoldás az lett volna, hogy a lányokat két csoportra szedik és az egyik csoportnak müzlit adnak enni minden reggelire, a másiknak pedig akármi mást. Majd figyelik, hogy hogyan változik a testzsír-indexük. Ha itt nyer a müzlis szegmens, akkor már valóban mondhatjuk, hogy a müzli soványabbá tesz.

Ez a módszertan az offline világban elég nehézkes, habár vannak rá példák…
Az online világban viszont nagyon egyszerűen kivitelezhető: ez az, amit A/B tesztelésnek neveznek. Jellemzően a korreláció vs. kauzalitás problémáját akkor érdemes A/B teszteléssel megoldanod, ha egy új funkciót (új feature-t) vezetsz be az oldaladon. Ilyenkor ugyanis el tudod dönteni, hogy valóban az új feature volt hatással a közönséged elköteleződésére (jó eset) vagy a közönséged eleve elkötelezettebb része érdeklődött az adott funkció iránt (kevésbé jó eset).

Összefoglalva: semmilyen kérdőív eredményből, felmérésből vagy visszatekintő elemzésből ne vonj le elhamarkodott következtetéseket! Próbálj helyettük minél több AB-tesztet és/vagy kontrollcsoportos vizsgálatot végezni!

Mester Tomi

Tudatos ügyfélkezelés 1. rész – 90 nap, az ügyfeled első lépései

Lindwurm Tamás
Lindwurm Tamás

Mai vendégszakértőnk Lindwurm Tamás. Tamás 2008 óta foglalkozik adatelemzési, döntéstámogatási  és adatvizualizációs feladatokon a pénzügyi és telekommunikációs szektorban. Részt vett többek között CRM-bevezetés, adatpiac-építés, kampányoptimalizálás, ügyfélérték-számítás és szegmentációs projekteken. Dióhéjban: Félúton az IT és az üzlet között. :-)

Számtalanszor előfordult már velem, hogy a vásárlási szándékom meghiúsult egy nem túl pozitív első benyomás után. Szerintem Te is éltél már át hasonló élményeket. De vajon figyelsz arra, hogy ügyfeleid mindig maximális kiszolgálást kapjanak és szívesen visszatérjenek hozzád?

Mit kell tenned, hogy új ügyfeleid elégedett, aktív felhasználókká váljanak, akik visszatérnek hozzád?

Tapasztalataim azt mutatják, hogy az első három hónap kiemelkedően fontos a hosszú távú, kölcsönösen jövedelmező kapcsolat kialakításához. Ebben az időszakban van lehetőséged bemutatkozni, megmutatni, hogy miért érdemes téged választani és a későbbiek folyamán is visszatérni hozzád.

ügyfélérték diagramm

Ne akarj mindent eladni az első alkalommal és ezzel elriasztani az ügyfelet, mint teszik azt a középkorú nénikék ránk tapadva a cipőboltban. :-)

Tomi korábbi írásában már kitért arra, hogy az első látogatáskor hanyagold a nyitó pop-up-okat, ne töltess ki oldalas regisztrációs űrlapokat. Ezt én is nagyon fontosnak tartom. Gyűjts be annyi adatot, aminek segítségével ügyfeled a későbbiek folyamán is elérhető lesz, de ne többet! Hagyd, hogy az első alkalommal rád szánt időt az weboldalad átböngészésével töltse, ne kérdőívek kitöltésével!

Használd fel az első három hónapot arra, hogy megismerd őt, megtudd az igényeit! Építs fel egy olyan kapcsolatot, amely segítségével a következő alkalommal is Te jutsz eszébe, ha releváns terméket/szolgáltatást keres! Ne engedd, hogy az ügyfél megszerzésébe fektetett rengeteg energia egy rosszul kialakított beillesztési (onboarding) folyamat miatt vesszen kárba! Egy jól megszervezett folyamattal komoly versenyelőnyre tehetsz szert. Nem csak az ügyfeleid értékének növekedését gyorsítod fel, de elégedett ügyfeleid céged hírnökévé is válnak.

Amiket fontosnak tartok, hogy megtegyél az első 3 hónapban annak érdekében, hogy sikeres ügyfélkapcsolatokat alakíts ki:

  1. Készíts oktatóanyagokat (email, videó), amik segítséget nyújtanak az első lépésekben:
    • Egyszerűen/érthetően/edukációs fókusszal fogalmazz
    • Mutasd be termékeid előnyeit, termékhasználatot
    • Helyezz el az anyagokban releváns ajánlatokat/akciókat
    • Segítsd ügyfeled, ha elakad egy lépésnél. (Ha sokan akadnak el ugyanannál a lépésnél, fontold meg folyamatod átalakítását!)
  2. Ezt a célállapotot fordítsd le jól mérhető ügyféljellemzőkké (definiálj KPI-okat):
    • Havi X db vásárlás
    • Havi X ezer Ft feletti költés
    • Heti X óra böngészés az oldaladon
    • X db termék birtoklása/rendszeres használata
  3. Határozd meg az elérni kívánt célállapotot, hova jusson el ügyfeled 3 hónap után!
  4. Küldj “welcome e-mail-t” az ügyféllé válás/első vásárlás után – nagy hatással tud lenni, ha az első levél a cég vezetőjétől érkezik!
  5. Vásárlások után küldj ügyfél elégedettségi (rövid, akár csak egy szám visszaküldése is elegendő egy 0-10-es skálán) kérdőívet! Ha negatív visszajelzés érkezik, vedd fel vele a kapcsolatot (Itt is a vezetőtől érkező megkeresést javaslom.)
  6. Tereld ügyfeleid az optimális csatorna felé (személyes vagy telefonos kapcsolattartás helyett online lehetőségek népszerűsítése)! Mutasd meg nekik az online csatorna lehetőségeit!
  7. Említettem, hogy az első alkalommal ne támadd le ügyfeled a legrészletesebb kérdőívvel, a későbbiek folyamán ezt ütemezetten megteheted:
    • Törekedj arra, hogy csak a legrelevánsabb információkat gyűjtsd be, amit a későbbiek folyamán fel is fogsz használni!
    • Az itt kapott információkat építsd be a későbbiek folyamán a személyre szabott ajánlatokba!
  8. Nagyon fontos az ütemezés. Ügyelj arra, hogy egyenletesen elosztva a releváns időpontokban kommunikálj. Ne zaklasd őket túl gyakran.
  9. Tárold le, hogy kinek/mikor/mit/milyen csatornán küldtél! Segít abban, hogy egyfélét kommunikálj és be tudd tartani a megkeresések közötti szüneteket.
  10. A 90 napos időablak végéhez érve csinálj még egy elégedettség mérést
    • Ha ez pozitív – (akár bizonyos kedvezményért cserébe) kérd meg, hogy ajánljon ismeretségi köréből potenciális ügyfeleket
    • Ha ez negatív – keresd meg és használd fel a kapott választ folyamataid/termékeid javításához

Lássuk ezt egy idődiagramon:

az ügyfél első 90 napja egy ábrán
az ügyfél első 90 napja egy ábrán


Néhány ötlet a visszamérésekhez:

  1. Tesztelj! Alkoss kontroll csoportokat, legyenek olyan ügyfelek:
  2. Mérd le, hogy az alkalmazott folyamat előtt/után:
    • átlagosan meddig tartott ügyfeleidnek, amíg elérték a célnak meghatározott állapotot
    • mennyivel nőtt az egy ügyfélre jutó átlagos termékszám
    • mennyivel nőt az átlagos ügyfél élettartam
  3. Kösd össze ügyfeleid viselkedési adatait az elégedettségi felméréseknél adott válaszaikkal, hasonlítsd össze!
  4. Nézd meg, hány új ügyfelet hoztak a folyamatban részt vevők az ajánlási rendszeren keresztül!
  5. Számold ki, hogy mennyivel több pénzt kerestél a korábbi állapothoz képest a tudatos új-ügyfél kezelési folyamatoddal… :-)

Milyen pozitívumokat várhatsz a folyamattól:

  • Ügyfeled megismerése
  • Ügyfélkapcsolat megalapozása
  • Az ügyfél elkötelezetté tétele céged irányába
  • Későbbi keresztértékesítési lehetőségek előkészítése
  • Személyre szabott ajánlatokkal magasabb válaszadási arány
  • Lojalitás növelése
  • Ügyfél élettartam növelése
  • Ajánláson keresztül új potenciális ügyfelek szerzése
  • Visszajelzések felhasználásával lehetőség ügyféligényekkel összhangban történő folyamat/termékfejlesztésre

Szóval, belevágsz? :-)
Lindwurm Tamás

Adatsztori 1. rész: Minden biznisz mérhető

Minden üzlet mérhető. És legalább egy-két számmal minden üzletet mérni is kell. Ha ezt nem teszed meg, úgymond vakon fogsz repülni, fogalmad sem lesz arról, hogy mi miért történik – ha szerencséd van fent maradsz, ha nincs hipp-hopp eltűnsz. És hát ki akar hipp-hopp eltűnni?
A másik oldalról: ha igenis méred a teljesítményedet, akkor tudni fogod, hogy minek mi az oka, min, miért és mikor kell változtatni – hovatovább: akár meg tudod jósolni a jövőt is! És ez nem kuruzslás – ez tudomány, aminek a neve: adatelemzés.

Hogy tényleg minden üzlet mérhető, arra itt egy sztori/esettanulmány egyenesen San Diego-ból:

A Solare Ristorante egy olasz étterem San Diego-ban, amit Randy Smerik vezet. Randy technológiai területről érkezett, a Teradata-nál is dolgozott és egyébként 5 technológiai céggel hozott már össze sikeres exit-et. Úgyhogy érthető, ha az adatvezérelt gondolkodás közel áll hozzá. :-)

Solare Ristorante - San Diego
Solare Ristorante – San Diego

Egyik este az étteremben Tommy, Randy fia egyszer csak elkiáltotta magát: 24!
És hogy mit is jelent az, hogy “24”? Tommy elmagyarázta:

“Minden este a személyzet mond nekem egy százalékos arányt a személyzeti költségek és a profit hányadosáról. Ez hasznos, hiszen egy értékkel kontrollálhatok két nagyon fontos dolgot: az egy vacsorára jutó bevételt és kiadást.”

Randy elmagyarázta, hogy ha a személyzet költségei elérik a 30%-át az egész este bevételének, az rossz, mivel vagy azt jelenti, hogy túl sokat költ a személyzetre, vagy azt, hogy túl kevés bevételt termel az étkeztetéssel. Ez egy általános mérőszám minden étteremnél. Egy Michelin-csillagos étteremnél magasabbak a fizetések, de cserébe magasabbak a bevételek is (drága borok, drága ételek, etc.). Ugyanígy egy low-budget étterem nem termel annyi profitot, de emiatt a fizetések is lentebb vannak.

Ez az arány azért működik, mert:

  1. Egyszerű: hiszen egy darab számról beszélünk.
  2. Azonnali: minden este kiszámítható.
  3. Cselekvésre késztet: ha valami nem stimmel, próbálkozhatsz, a személyzeti költségek változtatásával, vagy upsell taktikákkal, áremeléssel/csökentéssel, stb, stb…
  4. Összahasonlítható: minden étterem mérheti és így tudsz viszonyítani.
  5. Alapvető: hiszen a legalapvetőbb mérőszámokból áll össze.

A megfigyelések szerint a 24% kb. a jó arány. 20% alatt sem tökéletes az élet: itt már elképzelhető, hogy minőségen aluli a kiszolgálás, ami hosszútávon nem vezet jóhoz.

Randy elárulta azt is, hogy nem ez az egyetlen mérőszámuk. Pl. megfigyelték, hogy az este 5-ig beérkező foglalások számának kb. 5-szörösére számíthatnak tényleges vendégekből. Így könnyedén meg tudja jósolni, hogy ha 50 foglalás érkezett be, akkor a staff-ot 250 vendégre készítse fel.

Nyilvánvalóan ezek olyan mérések, amelyeket nem mindenhol lehet univerzálisan felhasználni, de az üzenet így is ugyanaz:
Mindenki megcsinálhatja a saját méréseit és tudja építeni tudatosan, adatvezérelten az üzletét! Akár off-line, akár online dolgokról beszélgetünk!

És Te? Már elkezdted? :)

Tomi
A cikk forrása: Croll & Yoskovitz Lean Analytics (Use Data to Build a Better Startup Faster) c. könyve

Top-Adatelemző/BI eszközök (, amelyekről nem gondolnád, hogy ingyenesek)

Micsoda!? Ingyenes A/B tesztelő szoftver? Ingyenes hírlevél motor? Ingyenes funnel-metrika/KPI-metrika építő eszköz?
Nos, igen. Létezik. Minden cégnek és minden projektnek más-más adatelemző/big data/BI eszközcsomag az optimális. Azonban vannak tool-ok, amelyek mindenkinek alapvetés kellene, hogy legyenek. A vicc pedig az, hogy ezek ingyenesek. Legalábbis egy bizonyos cégméretig. Pl. ott az Optimizely – mindenki csak annyit tud róla, hogy kb 30.000$-nál kezdődik az éves előfizetésük, de azt már kevesen tudják, hogy 50.000 egyedi látogató/hó méretig (ami lássuk be, nem kevés) teljesen ingyenes. Nézzük szépen sorban a legmenőbb eszközöket, amelyeknek hasonlóan barátságos az árazási modelljük.

Mixpanel
mixpanel logoVan Google Analytics-ed? Szuper. Mi hiányzik belőle? Pl. az egyedi mérések és definíciók. Vagy az, hogy minden egyes felhasználót/felhasználói szegmenst vagy csoportot e-mail cím szerint láss. Vagy az, hogy ha egy user-ed eljutott valameddig a vásárlásban, de utána abbahagyta folyamatot, autamatikusan kapjon egy visszacsábító e-mail-t (, aminek a tartalmát akár A/B tesztelheted is)?
Ezt mind-mind tudja a Mixpanel. Sőt ennél még sokkal többet. Gyakorlatilag mindent, amit egy saját big data adatbázissal meg tudsz csinálni.
Az ára pedig 25.000 egyedi felhasználóig ingyenes.
Implementálás – megfelelő szakértelemmel – pár óra.mixpanel
Optimize.ly
Optimizely logoA/B tesztelő motor. A legjobb. Komolyan, az Adatlaborral sok ügyfélnél, sok fajta A/B tesztelő eszközt használtunk és végül az Optimizely mellett tettük le a voksunkat. (A VWO a második a sorban, de ott gyakran váratlan bug-okba, kis hibákba futottunk, ami bizony elég idegesítő tud lenni.) Ami csábító benne, hogy WYSIWYG, azaz “What you see is what you get” (azt kapod, amit látsz), tehát ha egy egyszerűbb tesztet össze akarunk dobni, akkor nem kell programoznunk, hanem elég egy grafikus felületen dobozokat tologatnunk.
Emellett kb. minden integrálható bele, pl. a fent említett Mixpanel, de a Google Analytics, a CrazyEgg, a Mouseflow és minden egyéb tool is.
Persze egy-két trükkel és best practice-szel még jobban ki tudjuk aknázni a tudását (pl. honlapátirányításos A/B teszt), de ha az árazáshoz jutunk megint meglepő fordulatot látunk (ahogy fent is írtam):
50.000 egyedi user/hó méretig ingyenes. (Ha pedig ezt túlléped, egyszerűen csak leáll a teszt.) Ebben az a szép, hogy 50.000 user-ből 100-ból 99 projektben már simán jönnek ki szignifikáns eredmények, úgyhogy ennél nagyobb motorra – legalábbis magyar viszonylatban – nincs is szükség.

Mouseflow
A Mouseflow-val 3 dolgot tehetsz meg:
1. Felveszed a látogatóid egérmozgását és visszanézed.
2. Ezekből kattintási/egérmozgatási hőtérképet készítesz.
3. Görgőzési hőtérképet készítesz.
Mind a három iszonyatosan fontos ahhoz, hogy megértsd, hogy mi miért és hogyan történik a honlapodon. Meglepődnél, hogy mennyire máshogy rajzolódik ki egy-egy kattintáshőtérkép egy-egy CTA gomb körül, ahhoz képest ahogy az a dizájnered vagy a Te fejedben megjelenik. Itt egy rövid videó a Mouseflow-ról:

A Mouseflow-nak is van ingyenes verziója, amiért 100 képernyőfelvételt nézhetsz végig havonta. Ez amúgy önmagában érdekes és hasznos is, azért egy hőtérképre inkább jobb a small csomagjuk (1000 felvétel/hó 15$-ért) vagy esetleg a medium (10000 felvétel/hó 60$-ért).
Implementálás – kb. 10 perc. :-)

Összefoglalás
Ez a 3 eszköz általában minden igényesebb adatelemzési/online termékkutatási projektnél jelen van. Azt hozzá kell tenni, hogy alternatíváik vannak. Egyrészről, amit tudni kell, hogy egy bizonyos méret után a házon belül fejleszett big data eszközök már jobban megérik anyagilag. Másrészt pedig más ár-érték arányban az alábbi tool-ok szolgálhatnak még jó példaként:
1. Mixpanel helyett: KISSmetrics
2. Optimizely helyett: VWO
3. Mouseflow helyett: ClickTale vagy CrazyEgg

Ha arra vagy kíváncsi, hogy hogyan lehet ezeket az eszközöket stratégiailag is alkalmazni, ne hagyd ki a ma esti (hétfő 04.13. 19:00) Big Data Adatstratégia webináriumunkat!

Mester Tomi

Még 3 weboldal használhatósági sztenderd

Az előző cikk folytatásaként most megosztok még 3 weboldal használhatósági ötletet, amit érdemes kipróbálni. Előzőleg is azt írtam, hogy nem szeretem az általánosításokat, mert minden online üzlet egyedi, saját célközönséggel, speciális igényekkel és speciális megoldásokkal. Pl. amit nemrég megfigyeltünk, az az, hogy egy egytermékes cégnél (pl. Evernote) tök jól működik a nagy nyitókép stratégia:
evernote landingMíg egy többtermékes cégeknél (pl. e-digital) érdemes egy helyett több képet, több lehetőséget megvillantani.
Ez csak egy példa, de a lényeg, amiket itt leírok, azok nem általános megoldások, hanem ötletek arra, hogy miket érdemes AB-tesztelni.

1. A lead-magnet-et emeld ki, ne a gombot
Az előző cikkben  arról is írtam, hogy a piros gomb majdnem mindig legalább 20%-kal megtolja a konverziót. És ez így is van. Azonban az egyik ügyfelünknél érdekes módon a hírlevél-feliratkozásnál, amikor az AB-tesztben pirosra cseréltük a gombot, nem történt változás. Kb. ugyanannyi klikk jött a pirosról, mint a szürkéről vagy a feketéről.
A “FELIRATKOZÁS” gomb színét hiába cserélgettük, ettől nem lett vonzóbb maga a feliratkozás lehetősége. Ekkor jöttünk rá, hogy amivel kísérleteznünk kell az az ajándék, a “lead-magnet”, amit adunk a feliratkozásért, jelen esetben egy 1000 Ft-os kupon. Ha kiemeljük jobban, hogy itt bizony egy 1000 Ft-os kedvezményről van szó (tehát ezt írtjuk nagyobb betűvel, esetleg pirossal) – a gombot pedig cserélhetjük “FELIRATKOZÁS” helyett “KÉREM A KUPONOM”-ra: máris emelkedik a konverzió. A lead-magnet a fontos, nem a gomb maga.

2. Embereket szeretünk nézni
Pszichológia 101: emberekként embereket szeretünk nézni. Tegnap beültem egy VWO.com-os webináriumra, ahol több esettanulmányban is bemutatták, hogy egy fotó egy emberről a honlapon növeli a hitelességet és ezen keresztül a konverziót. Az egyik legegyszerűbb példa, egy call-to-action (avagy call-Jason) gomb tesztelése volt:
contact JasonEz ugyebár 1,5-szer annyi megkeresést jelent Jason-nek.

A VWO-s tudást én még annyival egészíteném ki, hogy a megfigyelések szerint SOSE használj stock-photo-kat, mindig csak egyedi képeket.

UPDATE: Szigeti Attila barátom pont tegnap küldött egy érdekes TechCrunch cikket, ahol azzal kísérleteztek, hogy vajon a férfi vagy  a női fotó hoz magasabb elköteleződést:

clicktale heatmapAz eredmény pedig egyértelmű szignifikánsabb magasabb az elköteleződés, ha férfi van a képen. (Megjegyzés: ez persze már tényleg eléggé célcsoport és termékspecifikus kérdés – de azért egy jó ötlet a tesztelésre).

3. Bal felső sarok –» Jobb alsó sarokheatmap

Akármelyik honlapodnak is nézed meg a hőtérképes elemzését (pl. Mouseflow-val), mindig ugyanezt fogod tapasztalni:
– a kattintások számának a hőtérképe
– az egérmozgatás intenzitásának a hőtérképe
– sőt! szemmozgás-vizsgálattal bizonyítva egyáltalán a szemmozgás hőtérképe is:

a bal felső saroktól a jobb alsóig szépen egyenletesen kihűl. Persze, ha beteszel egy nagy CTA gombot a jobb alsó részre, még érhetsz el vele magasabb konverziót, de az tény, hogy akármilyen üzenetet jelenítesz meg: a bal felső sarokban van a legnagyobb túlélési esélye!

Remélem érdekesnek és hasznosnak találtad ezt a cikket!
Ne feledd, jövő hét hétfőn (04.13.) Big Data Webinár, ahol ehhez hasonló weboldal használhatósági kérdésekkel is fogunk foglalkozni.

LINK: http://adatstrategia.eventbrite.co.uk

Mester Tomi

Ha Arany és Petőfi miatt vagy itt…

… akkor jó helyen jársz. Az Adatlabor csinálta a kutatást. (inspirácóért köszönet Kajtár Róbertnek) Itt megmutatok néhány technikaibb háttér-infot az elemzésről. Röviden újra összefoglalom az eredményeket. (Ha a kódolás részét túl bonyolultnak érzed, ugord át nyugodtan.) A kutatás célja az volt, hogy kiderítsük, melyik költőnknek a legnagyobb a szókincse, azaz melyik költőnk használ legtöbb »egyedi« szót verseiben. Az eredmények röviden:

egyedi szavak egyedi szótövek leírt szavak egyedi szótő arány
1 Arany János 59697 ~16.000 287425 20.77%
2 Vörösmarty Mihály 43938 ~12.000 214104 20.52%
3 Petőfi Sándor 32855 ~9.600 154721 21.23%
4 Ady Endre 30243 ~10.400 124574 24.28%
5 Babits Mihály 27116 ~11.000 398003 6.81%
6 József Attila 19635 ~8.200 62811 31.26%

Tehát, ahogy azt magyar órán is megtanulhattuk: Arany János a nyertesünk.

Több részletet: az origo-s cikkben olvashatsz.

Nézzük a technikai hátteret az egész mögött.
1. Milyen technológiát válasszunk?
Ez nem volt nehéz döntés. Csak egy gondolat: a Big Data nagyjából 1 milliárd sornyi adatnál kezdődik és mivel ennyit együtt sem írtak költőink, bár használhatnánk Big Data script-eket, ez amolyan ágyúval verébre megoldás lenne.
Egyébként Apache Pig-ben egy szószámláló script kb így néz ki hozzá:

A = load './input.txt';
B = foreach A generate flatten(TOKENIZE((chararray)$0)) as word;
C = group B by word;
D = foreach C generate COUNT(B), group;
store D into './wordcount';

(Forrás: itt)

A másik nyelv a Python lehetne, de az igazság az, hogy ilyen “kicsi” (pár százezer sor) adatmennyiséggel még egy egyszerű Bash script is megbirkózik és ott lényegesen rövidebb a kód:

cat text.txt \
|tr -d '[:punct:]' \
|sed 's/[[:upper:]]*/\L&/' \
|tr ' ' '\n' \
|wc -l

Az első sor beolvassa az adott szöveget, a második kiveszi a központozást, a harmadik gondoskodik arról, hogy a kisbetű-nagybetű ne számítson külön szónak (pl. mondat eleji “Kalap” és mondatközepi “kalap”) – a negyedik sor, minden szót egy új sorba tesz, az utolsó pedig megszámolja, hogy hány sorunk van.

Ha az egyedi szavakra vagyunk kíváncsiak, ki kell szednünk a szóismétléseket és minden egyedi szót csak egyszer számolni. Ehhez beteszünk az utolsó előtti sorba még egy kódot.

cat text.txt \
|tr -d '[:punct:]' \
|sed 's/[[:upper:]]*/\L&/' \
|tr ' ' '\n' \
|sort -u \
|wc -l

A szótövezés (azaz a “kalaptól” és “kalapban” szavak hasonlóságának felismertetése) egy kicsit bonyolultabb folyamat, úgyhogy abba nem is nagyon mennék bele.

Még a top 100 kifejezés listának a kódja lehet érdekes. Ez írja ki, hogy pl. mi volt az Ady Endre által legtöbbször leírt száz szó.

cat text.txt \
|tr -d '[:punct:]' \
|sed 's/[[:upper:]]*/\L&/' \
|tr ' ' '\n' \
|sort |uniq -c |sort -nr| head -100

Ha csak a Toldit elemezzük, akkor a legtöbbször használt kifejezések (az ún. stop-word-öket, mint pl. “a”, “az”, “hogy”, “is”, stb… eltávolítva):

65 Toldi
54 Miklós
29 jó
28 király
27 György
21 Isten
19 szépen

Egyébként a kutatás relatív egyszerű volt, az egész elemző script tokkal vonóval 40 sor — de jellemzően maga az adat megszerzése (versek lekérése) és letisztítása volt ebből 35 sor, a számláló megírása pedig 5.

Ígérem, ez volt a legtechnikaibb cikkünk! :-)

Tomi

Interjú – Termékfejlesztés a Skyscanner-nél

Skyscanner logoTavaly októberben robbant a hír, miszerint a Skyscanner felvásárolta a Distinction-t. Azóta az átállás végbement és az egykori Distinction most már 100%-ban a Skyscanner mobilapplikációinak a fejlesztéséért felel. Ennek a zászlóshajója a Flights alkalmazás.  Az egyik cél, hogy a “Travel is mobile” koncepcióhoz híven az egész utazási élményt lefedjék és egy egységes megoldást kínáljanak rá. Kardos Lacival, a Skyscanner Apps Tribe-jának egyik product managerével beszélgettem a célokról, a kihívásokról, stratégiákról és arról, hogy milyen módszerekkel és hogyan fejlesztenek.

Kardos Laci - Skyscanner
Kardos Laci —— Product Manager @Skyscanner

Tomi: Hogy néz ki a cég felépítése jelenleg?
Kardos Laci: Per pillanat a Skyscanner szervezeti modellje a Spotify-jéhoz hasonló. Vannak tribe-ok, azon belül squadok, a squadokat átívelően vannak chapter-ek és guild-ek. Mi, a budapesti csapat, és számos kolléga a cégből, akik korábban szintén mobilapplikációkkal foglalkoztak alkotjuk az Apps Tribe-ot. Az Apps Tribe termékvezetője Orosz Bálint, Kapui Ákos pedig a technológiai vezetője. Magának az Apps Tribe-naka zászlóshajója a Flights, ez az elsődleges termék. A cég hosszútávú stratégiájának egyik eleme, hogy a teljes Travel világot felölelje, tehát ne szeparáltan foglalkozzon a “Hotels”, a “Flights” vagy a “Car Hire” alkalmazásokkal, hanem hogy egy globális utazási megoldást kínálhassunk. Gondolj bele, mennyi macerával jár az utazás: nem csak a foglalás, hanem a repülőtéri dolgok, majd maga a repülés, utána az ottlét… mi ezt az egészet ilyen egyszerűvé szeretnénk tenni (csettint).

Most hogy látod, hol lesztek 1 év múlva? 3 év múlva? 5 év múlva?
A cél az, hogy pár éven belül egy szignifikánsan, mérőszámokkal is alátámaszthatóan erős travel brand legyünk. A cég gyorsan növekszik, mi pedig iszonyúan élvezzük ezt. A Distinction-korszakból hoztuk magunkkal az erős delivery hangulatot. Szeretünk “szállítani”, tolni és vinni előre, és így jó dolgok tudnak születni. Mindemellett nagyon fontos, hogy a jó terméket szállítsuk a megfelelő módon. Itt jön a képbe az, hogy product discovery-ben is erősek vagyunk.

Hogyan méritek a sikerességét egy terméknek?
Ez egy olyan kérdés, amire válaszként egyértelmű, bevált módszert még nem tudok adni, tekintettel arra, hogy még nem adtunk ki alkalmazást a felvásárlás óra. Egyébként eddig a legfontosabb metrikáink közé a “conversion” jellegűek tartoztak.. A Flights-nál például az, hogy az emberek hány százaléka megy át tőlünk végül a külső szolgáltatók oldalára (pl. a légitársaságok foglalási oldalára) és az, hogy akik átmennek, ténylegesen vesznek-e jegyet. Alapvetően a legtöbb fejlesztett kiadás vagy akár az A/B-tesztek ezeket az arányokat próbálják javítani. Életképesség szempontjából persze esszenciális, hogy magas legyen a konverziód, de ami egyre fontosabb, az az, hogy hogyan tudjuk a “frequency of use”-t, azaz a folyamatos visszatérést növelni. Ugyanis az utazás az nem csak arról szól, hogy az ember egyszerre lefoglal mindent, és onnantól kezdve nem is foglalkozik vele, nem is gondol arra, hogy hova fog utazni. Inkább úgy működik, hogy először csak eljátszik a gondolattal, megnézi a blogokat. Azután lefoglalja a repjegyet, majd a szállodát. Utána megnéz valamilyen térképes szolgáltatást. Megtervezi a helyi közlekedést, hogy hogyan fog eljutni a reptértől a hotelig. Aztán azon gondolkozik, miket érdemes megnézni az adott városban. Ezek a mélységek nálunk még nincsenek benne a termékben. Éppen emiatt a jövőben ezekre jobban figyelünk majd. Így rákényszerítjük magunkat arra, hogy olyan termékekkel jöjjünk elő, amelyeket az emberek gyakran fognak használni.

A cél tehát, hogy az utazás előtt minél többször elővegyék az app-ot?
Így van. Vagy az utazás alatt. Ha belegondolsz, maga a bepakolás a bőröndbe is egy “pain-in-the-neck”. Utána elrepülsz és előveszed a mobilod, hogy keress rajta helyeket, látnivalókat. Az utazás élményéhez alapvetően hozzákapcsolódik a mobil. Ez az, ami nagyon fontos. És ez az, ami egy hatalmas lehetőség a Skyscanner-nek. Az egyik erősségünk, hogy nagyon jó technológiai háttérrel rendelkezünk és teljesen transzparens módon jelenítjük meg az utazási ajánlatokat. Mi minden árat mutatunk, legyen az egy ügynökségé vagy magáé a szolgáltatóé. A jegyfoglalás egyre inkább a mobil platformok irányába tolódik el. És az utazás is esszenciálisan mobil. Mobillal utazol, mobillal fényképezgetsz, majd mindezt mobilon osztod meg és azt mások is mobilon nézik meg.

És ez a stratégiai váltás igényelte azt, hogy bejöjjön a Distinction a képbe?
Igen. A stratégiában mi ezt úgy fogalmazzuk meg, hogy a mobile-first vagy “Travel is mobile.” A másik jelmondatunk pedig, hogy “Travel is social”. Utazol valakivel, utazol valakihez vagy elutazol valakitől, vagy inspirálódsz valakinek az ötlete alapján.

Az hogy eddig nem volt release, azt jeleneti, hogy teszteket nem is nagyon csináltatok?
Nyilván a jelenlegi app-okban számos analitikai könyvtár található, amiken mérjük ezeket a dolgokat. De mi, mint csapat, nem csináltunk még óriási teszteket, mert még nem tart ott a termék. Azok a termékek/feature-ök, amiket mi építünk, egyébként eleve A/B teszt formájában fognak kimenni, tehát először a felhasználók X százaléka fogja megkapni. Összehasonlítjuk a régit és az újat.
Ezenkívül ott van a Hotels app. Annak is hasonlóképpen megy a fejlesztése. Egyébként a Hotelst mi készítettük eredetileg, még a Distinction korszakban.

Hogy néz ki a csapat?
Alapvetően “cross-functional product squad”-ok és “technológiai squad”-ok vannak. Az előbbiben van egy product manager/owner, egy researcher, egy designer – az én csapatomban például pont kettő –, egy tech lead, fejlesztők és tesztelők. Ezek közepes méretű csapatok, tehát körülbelül 8 fősek, amik nagy valószínűséggel szét fognak bomlani kisebb egységekre, ahogy növekszünk. És ott vannak a technológiai squad-ok is. Azok főleg fejlesztőkből állnak Természetesen ott is van egy squad-lead.

Mit csinál a researcher a csapatban?
A researcher-nek a feladata nálunk gyakorlatilag az, hogy a világból insights-okat szedjen össze és azokat a megfelelő formában átadja a termékcsapatnak. Ebbe természetesen beletartozik a kvantitatív és a kvalitatív kutatás is. A researcher pozíciót tehát nagyon flexibilisen értelmezzük. Vannak benne UX research (usability tesztek, interjúk, stb.) és adatelemzési feladatok is.

Hogy néz ki egy ilyen folyamat nálatok?
A termékfejlesztési folyamat erősen támaszkodik a kutatásra. Ez azt jelenti, hogy egészen a kezdeti szakasztól, amikor még nincs semmiféle fejlesztés vagy design, már olyan dolgokkal kezdünk el foglalkozni, amik insight-okból származnak. Pl. korábbi interjúkból derül ki, hogy van igény valamire. Mi ezek alapján kezdünk el dolgozni megoldásokon, designokon, prototípusokon. Azután ezeket validáljuk. Tipikusan teszteltetjük őket különböző felhasználókkal az irodánkban. Sok esetben ezek kód nélküli prototípusok. Ezeket sok szempontból vizsgáljuk. A legfontosabb kérdés, hogy értékes lenne-e a termék vagy funkció a felhasználóknak? Számtalanszor kiderül, hogy nem és akkor ezeket a funkciókat eltávolítjuk a prototípusból vagy megpróbáljuk őket átdolgozni. Közben folyamatosan vizsgáljuk a dizájnok használhatóságát is. Végül amikor eljutunk egy olyan fázisba, amikor azt lehet mondani, hogy ez a termék/feature értékes, használható és megvalósítható, akkor megszületik a döntés, hogy mit is fejlesszünk le. Csak ezután zajlik le a fejlesztés és ezután jöhet a release. Minden terméknek van egy célja. A release során kvantitatív mérésekkel vizsgáljuk, hogy ezt a célt elérjük-e. Ezt a felhasználók tényleges termékhasználata alapján tesszük. A mérésekből levont következtetések alapján aztán iterálunk a terméken.

A kód nélküli teszteket egyébként hogyan kell elképzelni?
Egy egyszerű drótváz jellegű prototípust képzelj el. Csinálunk képernyőket és ezeket összelinkeljük egymással. Nagyon fontos, hogy a tesztek ritmusa adjon egy alapritmust az egész termékfejlesztésnek. Ha jön egy felhasználó, akkor mutatni akarunk neki valamit. Elérakunk egy prototípust, a researcher feladata pedig, hogy végigcsinálja a tesztet. A csapat elemi érdeke pedig, hogy megpróbáljon minél több teszten bent lenni egy héten. Hiszen nem csak a designer-nek, a product manager-nek vagy a researcher-nek, hanem a fejlesztőnek is fontos, hogy lássa, hogy amit megcsinált, az vajon működik, értékes, használható-e. Ezek nagyjából félórás tesztek. Van amikor szcenáriókra épülnek. Tehát pl. “képzeld el, hogy utazni szeretnél és elkezded használni az app-ot, amit letöltöttél” – iOS-en, Androidon, akár tableten vagy telefonon. A felhasználói teszt alatt látjuk, hogy hol hal el a folyamat – közben pedig beszélgetünk a tesztelővel, hogy megértsük a miérteket is. Utána a csapattal átbeszéljük, hogy mi az, amit tanultunk, amit hallottunk. Hiszen előtte voltak feltételezéseink és a teszt végén pedig ezek vagy igazolódnak vagy nem. Ilyenkor látjuk, hogy mi az, ami nem működik, mi az, ami nagyon jól működik és néha látunk olyan dolgokat, amikre esetleg nem is gondoltunk. A tapasztalatom az, hogy az értékesség és a használhatóság kérdéskört 3-4 tesztből meg lehet ítélni.

Van még valami, amin dolgoztok mostanában?
Azon dolgozunk, hogyan építsünk fel egy hosszú távon használható Analytics rendszert, ahol minden egyes felhasználói interakciót naplózunk egy big data store-ba, amit azután lehet elemezni,akár mélyebb statisztikai módszerekkel (korrelációkat megállapítani, stb…). Vagy a klasszikus termékdöntésekhez szükséges módszerekhez is használhatjuk majd ezt: egy funnel-t meg lehet vizsgálni, egy cohort-ot ki lehet elemezni, stb. Mindezt szeretnénk kiegészíteni egy A/B-teszt (feature-switching) megoldással, amivel gyorsan lehet variánsok teljesítményét mérni. Ráadásul szeretnénk, ha ez az első nagyobb release-re megépülne és tudnánk használni. Szerencsére a cégen belül ez nem csak a mi feladatunk, más squad-ok is dolgoznak rajta velünk együtt Edinburgh-ban, Barcelona-ban és más helyeken is, úgyhogy rájuk tudunk építeni.

Milyen érzés egyébként egy ekkora cég részévé válni egyik pillanatról a másikra?
Egy integrációnak számos aspektusa van: kulturális és szervezeti is. Ez a folyamat zajlik most. Iszonyatosan jó az anyacég, rengeteget tanulunk tőlük és ők is sokat szeretnének tanulni tőlünk. Például, hogy milyen is az a Distinction-kultúra, milyen és hogyan lehet átvenni elemeket, amelyek nagyon jól működnek nálunk. Nekünk meg az segít, hogy nagyságrenddel nagyobbak, infrastruktúrát és folyamatokat tekintve.

Köszönöm szépen!