רוב תהליכי קליטת המשתמשים (Onboarding) בנויים עבור המשתמש הממוצע — מה שאומר שהם שגויים עבור כמעט כולם. המשתמש שנרשם כדי לפתור בעיה ספציפית מובל דרך תזרים גנרי שנועד למישהו שרוצה לחקור הכל. המשתמשים אינם מוצאים את מה שהם באו לחפש מספיק מהר, אינם רואים ערך במפגש הראשון, ומפסיקים בשקט להשתמש במוצר. במבט כולל זה נראה כמו שיעור הפעלה של 30%. בפועל, מדובר בארבעה כשלי הפעלה שונים עבור ארבעה סוגים שונים של משתמשים, והתזרים היחיד שבניתם אינו מתקן אף אחד מהם.
תהליך העבודה המיטבי של AI להפעלה וקליטת משתמשים מתחיל במציאת הנקודה שבה כל סוג של משתמש נוטש בפועל — לא איפה שאתם חושבים שהוא נוטש — ואז מעצב את המסלול הקצר ביותר האפשרי מההרשמה ועד לתוצאה האמיתית הראשונה עבור כל אחד מהם. כלי המדידה מוטמעים מהיום הראשון כדי שתדעו אם השינוי עבד.
מדוע שיעורי הפעלה מצטברים משקרים
שיעור הפעלה של 30% הוא הממוצע של מספר נתונים נפרדים. פרסונה אחת מגיעה להפעלה ב-55%; אחרת ב-18%; ושלישית כמעט ולא מפעילה את המוצר כלל. הנתון המצטבר מסתיר את כל זה. אם תבנו תיקון עבור הממוצע, אתם עשויים להזיז את הממוצע בכמה אחוזים בודדים, תוך השארת הפרסונה השבורה ביותר שבורה בדיוק כפי שהייתה. המשימה הראשונה של תהליך העבודה מבוסס ה-AI היא להפריד את המדד המצטבר למקטעים — לפי המשימה (Job-to-be-done) שכל משתמש נרשם לבצע, לפי המסלול שבו בחר, ולפי המקום שבו עצר — כך שהבעיה הופכת לגלויה ברמה שבה ניתן לתקן אותה בפועל.
מציאת הנקודה שבה כל פרסונה נוטשת
ניתוח משפך (Funnel analysis) לפי פרסונות נראה שונה מניתוח משפך סטנדרטי. במקום לשאול \"איזה אחוז מהמשתמשים משלימים את שלב 3\", הוא שואל \"איזה אחוז מהמשתמשים שנרשמו כדי לעשות X השלימו את שלב 3, ואיזה אחוז מהמשתמשים שנרשמו כדי לעשות Y השלימו אותו\". נקודות הנטישה כמעט תמיד שונות. הפרסונה שנרשמת עבור תוצאה ספציפית נתקעת לעיתים קרובות ברגע שהמוצר מבקש ממנה לעשות משהו שהיא לא באה לעשות. זוהי בעיית עיצוב וחוויית משתמש, לא בעיית מסרים, והתיקון הוא פשוט להסיר את השלב הזה עבורה.
תהליך קליטה אחיד לכולם אינו ניטרלי. הוא שגוי באופן אקטיבי עבור כל מי שאינו המשתמש הממוצע.
עיצוב תזרימי קליטה מבוססי פרסונות
תזרים קליטה מבוסס פרסונות אינו מוסיף שלבים; הוא מסיר אותם עבור משתמשים שאינם זקוקים להם, ומסדר מחדש את אלו שנותרו כך שהדרך לקבלת ערך תהיה קצרה ככל האפשר. עבור המשתמש שבא לפתור את בעיה א', התזרים מנווט ישירות לתכונה או לפעולה שפתרה אותה. עבור המשתמש שבא לפתור את בעיה ב', התזרים מתחיל במקום אחר. זה נשמע מובן מאליו, אך רוב תהליכי הקליטה בנויים מסיפור יחיד של מה שהמוצר עושה, במקום ממיפוי של מה שכל משתמש בא להשיג.
הטמעת כלי מדידה כדי שהשיפור יהיה גלוי
תזרימי קליטה חדשים צריכים להישלח לעולם עם כלי מדידה מובנים מראש, ולא כאלו שמתווספים מאוחר יותר. ההפעלה ברמת הפרסונה — ולא באופן כללי — צריכה להיות גלויה מהיום הראשון: אחוז המשתמשים מכל פרסונה שמגיע לתוצאה האמיתית הראשונה שלו, המקום שבו התזרים החדש מאבד אותם לעומת התזרים הישן, והאם השינוי בתזרים אכן הזיז את המחט. ללא כלי מדידה אלו, הסבב הבא של השיפורים יתחיל שוב מתוך קבוצה נוספת של הנחות יסוד ולא מתוך ראיות, והמעגל יימשך.
חזרה על התהליך על בסיס התנהגות, לא הנחות
שיפורי ההפעלה הטובים ביותר מצטברים מכיוון שכל סבב מבוסס על מה שהגרסה הקודמת חשפה, ולא על מה שמישהו חושב שהמשתמשים רוצים. תהליך העבודה מייצר תמונה מובנית של מה שהמשתמשים עשו והיכן הם עצרו, ולא של מה שהם אמרו בסקר. הראיות ההתנהגותיות הללו הן שהופכות כל סבב למהודק יותר: נקודת הנטישה זזה, השיפור הבא מתמקד בנקודת הנטישה החדשה, וההפעלה מתקדמת לעבר התקרה המוגדרת על ידי הערך האמיתי של המוצר.
מדוע תהליך קליטה אחיד לכולם נכשל?+
מכיוון שמשתמשים שונים מגיעים למוצר מסיבות שונות וזקוקים למסלול שונה כדי להגיע לתוצאה הראשונה שלהם. תזרים יחיד המותאם למשתמש ממוצע משוער שגוי עבור כל מי שאינו הממוצע הזה — שזה רוב המשתמשים. הפתרון הוא לזהות את המסלולים המובחנים שמשתמשים שונים צריכים ולעצב כל אחד מהם בנפרד.
מהי הפעלה (Activation), וכיצד אנו מודדים אותה?+
הפעלה היא הרגע שבו משתמש חדש מגיע לתוצאה האמיתית הראשונה שלו — לא סיום הדרכה או מילוי פרופיל, אלא הדבר שבגללו הוא נרשם למוצר. מדידתה דורשת הגדרת הרגע הזה עבור כל פרסונה והגדרת המוצר כך שיתעד מתי המשתמשים מגיעים אליו.
כיצד אנו מוצאים היכן משתמשים נוטשים ללא מחקר איכותני?+
נתוני התנהגות — מה המשתמשים באמת עשו, שלב אחר שלב, לפני שהם הפסיקו — אמינים יותר מראיונות למציאת נקודות נטישה. משתמשים לעיתים קרובות אינם יכולה להסביר היכן הם נתקעו; ההתנהגות היא סימן טוב יותר מההסבר. תהליך העבודה מנתח את עקבות ההתנהגות במקום להסתמך על מה שהמשתמשים אומרים כששואלים אותם.
האם אנו צריכים לבנות מחדש את תהליך הקליטה מאפס?+
לא. הניתוח מוצא את הנקודות הספציפיות שבהן כל פרסונה מתפצלת והיכן התזרים הנוכחי נכשל עבורה. לעיתים קרובות התיקון הוא ממוקד: הסרת שלושת השלבים הללו עבור פרסונה א', שינוי סדר שני השלבים האלה עבור פרסונה ב', הוספת הנחיה אחת זו עבור פרסונה ג'. בנייה מחדש מלאה היא לעיתים נדירות מה שהנתונים דורשים.
איך מתחילים?+
ההוכחה המהירה ביותר היא לפלח את נתוני ההפעלה הקיימים שלכם לפי המשימה (Job-to-be-done) שכל משתמש נרשם לבצע, ולראות היכן נקודות הנטישה שונות לפי פרסונה. הזמינו שיחה קצרה ונעבור יחד על איך זה נראה על הנתונים האמיתיים שלכם.
שירות רלוונטי
רוצים שנפרוס עבורכם את התהליך הזה?