De meeste onboarding is gebouwd voor de gemiddelde gebruiker — wat betekent dat het voor bijna iedereen verkeerd is. De gebruiker die zich heeft aangemeld om één specifiek probleem op te lossen, wordt door een generieke stroom geleid die is ontworpen voor iemand die alles wil ontdekken. Ze vinden niet snel genoeg waarvoor ze kwamen, zien in de eerste sessie geen waarde en stoppen er geruisloos mee. Gezamenlijk ziet dit eruit als een activatiepercentage van 30%. In werkelijkheid zijn het vier verschillende activatiefouten voor vier verschillende soorten gebruikers, en de stroom die u heeft gebouwd lost er geen enkele van op.
De beste AI-workflow voor activatie en onboarding begint met het vinden van waar elk type gebruiker daadwerkelijk afhaakt — niet waar u denkt dat ze dat doen — en ontwerpt vervolgens het kortst mogelijke pad van registratie naar het eerste echte resultaat voor elk van hen. Metingen worden vanaf dag één ingebouwd, zodat u weet of het heeft gewerkt.
Waarom geaggregeerde activatiepercentages liegen
Een activatiepercentage van 30% is het gemiddelde van verschillende afzonderlijke getallen. Eén persona activeert op 55%; een andere op 18%; een derde vrijwel helemaal niet. Het geaggregeerde getal verbergt dit allemaal. Als u een oplossing bouwt voor het gemiddelde, verschuift u het gemiddelde misschien met een paar punten, terwijl de meest problematische persona precies zo slecht blijft als hij was. De eerste taak van de AI-workflow is om het geaggregeerde getal op te splitsen in segmenten — op basis van de taak (job-to-be-done) waarvoor elke gebruiker zich heeft aangemeld, het pad dat ze hebben genomen en waar ze zijn gestopt — zodat het probleem zichtbaar wordt op het niveau waarop het daadwerkelijk kan worden opgelost.
Vinden waar elke persona afhaakt
Trechteranalyse (funnel-analyse) per persona ziet er anders uit dan standaard trechteranalyse. In plaats van te vragen \"welk percentage van de gebruikers voltooit stap 3\", vraagt het \"welk percentage van de gebruikers die zich hebben geregistreerd om X te doen, voltooit stap 3, en welk percentage van de gebruikers die zich hebben geregistreerd om Y te doen, voltooit dit\". De afhaakpunten zijn bijna altijd verschillend. De persona die zich registreert voor een specifiek resultaat loopt vaak vast op het moment dat het product hen vraagt iets te doen waarvoor ze niet kwamen. Dat is een ontwerpprobleem, geen communicatieprobleem, en de oplossing is om die stap voor hen te verwijderen.
Standaard onboarding (one-size-fits-all) is niet neutraal. Het is actief verkeerd voor iedereen die niet de gemiddelde gebruiker is.
Ontwerpen van persona-gebaseerde stromen
Een stroom op basis van persona's voegt geen stappen toe; het verwijdert ze juist voor gebruikers die ze niet nodig hebben en ordent de stappen die overblijven zo dat de weg naar waarde zo kort mogelijk is. Voor de gebruiker die kwam om probleem A op te lossen, gaat de stroom rechtstreeks naar de functie of actie die dit oplost. Voor de gebruiker die kwam om probleem B op te lossen, begint de stroom op een andere plek. Dit klinkt voor de hand liggend, maar de meeste onboarding is opgebouwd uit één enkel verhaal over wat het product doet in plaats van uit een kaart van wat elke gebruiker komt halen.
Meten zodat de stijging zichtbaar is
Nieuwe onboarding-stromen moeten worden opgeleverd met ingebouwde metingen, niet pas later worden toegevoegd. Activatie op persona-niveau — niet in grote lijnen — moet vanaf dag één zichtbaar zijn: het percentage van elke persona dat hun eerste echte resultaat bereikt, waar de nieuwe stroom hen verliest in vergelijking met de oude, en of de wijziging in de stroom het getal daadwerkelijk heeft bewogen. Zonder deze analytics begint de volgende iteratie met een nieuwe reeks aannames in plaats van met bewijs, en zo blijft de cirkel rondgaan.
Itereren op gedrag, niet op aannames
De beste activatieverbeteringen stapelen zich op omdat elke iteratie is gebaseerd op wat de vorige versie onthulde in plaats van op wat iemand denkt dat gebruikers willen. De workflow produceert een gestructureerd beeld van wat gebruikers deden en waar ze stopten, niet van wat ze in een enquête zeiden. Dat gedragsbewijs is wat elke iteratie strakker maakt: het afhaakpunt verschuift, de volgende verbetering richt zich op het nieuwe afhaakpunt en de activatie beweegt zich naar het plafond dat wordt gedefinieerd door de werkelijke waarde van het product.
Waarom faalt een standaard onboarding (one-size-fits-all)?+
Omdat verschillende gebruikers om verschillende redenen naar het product komen en een andere route nodig hebben om hun eerste resultaat te bereiken. Een enkele stroom die is geoptimaliseerd voor een veronderstelde gemiddelde gebruiker is verkeerd voor iedereen die niet dat gemiddelde is — en dat is het merendeel van de gebruikers. De oplossing is om de specifieke routes te identificeren die verschillende gebruikers nodig hebben en deze afzonderlijk te ontwerpen.
Wat is activatie en hoe meten we dit?+
Activatie is het moment waarop een nieuwe gebruiker zijn eerste echte resultaat bereikt — niet het voltooien van een tutorial of het invullen van een profiel, maar de specifieke taak waarvoor hij zich heeft aangemeld. Het meten hiervan vereist dat dit moment voor elke persona wordt gedefinieerd en dat het product wordt uitgerust met analytics om te registreren wanneer gebruikers dit bereiken.
Hoe vinden we waar gebruikers afhaken zonder kwalitatief onderzoek?+
Gedragsdata — wat gebruikers daadwerkelijk stap voor stap deden voordat ze stopten — is betrouwbaarder dan interviews om afhaakpunten te vinden. Gebruikers kunnen vaak niet verwoorden waar ze vastliepen; het gedrag is een beter signaal dan de verklaring. De workflow analyseert het gedragsspoor in plaats van te vertrouwen op wat gebruikers zeggen wanneer ernaar wordt gevraagd.
Moeten we de onboarding vanaf nul opnieuw opbouwen?+
Nee. De analyse vindt de specifieke punten waar elke persona afwijkt en waar de huidige stroom faalt. Vaak is de oplossing heel gericht: verwijder deze drie stappen voor persona A, verander de volgorde van deze twee voor persona B, voeg deze ene prompt toe voor persona C. Een volledige herbouw is zelden wat de data voorschrijft.
Hoe gaan we aan de slag?+
Het snelste bewijs is om uw bestaande activatiedata te segmenteren op basis van de taak (job-to-be-done) waarvoor elke gebruiker zich heeft geregistreerd en te kijken waar de afhaakpunten per persona verschillen. Boek een kort gesprek en we laten zien hoe dat eruitziet op uw echte data.
Gerelateerde service
Wil je dat we deze workflow voor je implementeren?