V rámci CRM aplikaci od Pipedrive jsme se starali o funkci Sales Assistant. Jejím cílem bylo pomáhat obchodníkům zaměřit se primárně na ty nejdůležitější věci. Tedy zvyšovat jejich efektivitu v podobě více vyhraných příležitostí za kratší dobu.

Společnost v této funkci viděla velký potenciál. Naším cílem bylo optimalizovat její využití a zlepšit klíčové metriky jako je adopce nebo retence. Což se nám díky neustálému kontaktu s uživateli nakonec povedlo a důležitá čísla jsme více než zdvojnásobili.

Poznámka – Tato ukázka (case study) popisuje konceptuální redesign zmíněné funkcionality. Naším cílem bylo požadovaná čísla více než zdvojnásobit a připravit vše pro další rozšiřování AI technologie.

Cíle projektu

• Zvýšit adopci funkcionality o 15%.
• Zvýšit retenci funkcionality o 25%.

Výsledek

• Adopce funkcionality se zdvojnásobila.
• Retence funkcionality se zdvojnásobila.

Má role

• Navrhovat designová zlepšení pro podporu byznysových cílů.
• Navrhovat, nastavovat a spouštět experimenty, například AB testy, Wizard of Oz, testování použitelnosti, atd.
• Vedl jsem Continuous Discovery pro pochopení potřeb zákazníků.

Postup

Projekt byl založen na kontinuální Product Discovery. Pravidelně jsme tedy:

• Analyzovali data o používání a data o fungování a obsahu.
• Každý týden jsme se bavili se zákazníky, analyzovali zpětnou vazbu díky in-app surveys, atp.
• Využívali různých experimentů, například řízené AB testy, Fakedoor, atd.

Paralelně s rozvojem jsme zkoušeli i nové koncepty, jak by mohla aplikace vypadat a fungovat. Výsledky jsme zpětně implementovali do existující aplikace.

V rámci rozvoje funkcionality jsme ale iniciovali i větší projekt. Šlo o revizi stávající funkcionality. Byl zde problém s tím, že doporučení:

• Automaticky mizela v nepředvídatelnou dobu.
• Byla řazena nepředvídatelným, a pro uživatele matoucím způsobem.
• Nebyla nijak organizována v rámci UI.

Abych produktový tým přesvědčil o potřebě změny (hlavně produktového manažera), realizoval jsme sérii Discovery experimentů se zákazníky. Na základě nich jsem poté navrhl koncept, jak Sales Assistant vylepšit – o čemž je následující postup.

Poznámka – Níže popisuji postup, jak jsme funkcionalitu zlepšovali. Z povahy citlivosti projektu jsou však ale jednotlivá čísla a ukazatele nahrazeny ilustrativními hodnotami. Nejde tedy o reálné hodnoty.

Zmapování fungování Sales Assistant

Pomocí tohoto mapování jsme identifikovaly:

• Různé stavy, se kterými bude uživatel interagovat.
• Propojení jednotlivých částí.
• Možné příležitosti pro zlepšení.

Vedle toho jsme klíčové flow doplnili o konkrétní behaviorální data s využitím nástroje Amplitude. Například jsme zjišťovali:

• Kolik lidí využívá daná doporučení.
• Z jakých míst Sales Assistant otevírají nejvíce.
• Kolik času stráví v seznamu doporučení.

Byla zde také otázka, co lidé v rámci Sales Assistant typicky vidí a jak s tím pracují. Což byla další důležitá otázka, kterou jsme se neustále zaobírali.

Poznámka – V rámci Continous Discovery jsme se pravidelně potkávali s různými typy zákazníků. Bavili jsme se o jejich zkušenost s touto funkcionalitou v rámci jejich obchodního procesu a v kontextu celého CRM. Zároveň jsme vyhodnocovali data v traktovacím software Amplitude.

Analýza fungování doporučení pro obchodníky

Seznam doporučení byl klíčovou částí funkce Sales Assistant. Lidem se na základě jejich chování a používání CRM vytvářela konkrétní byznys doporučení pro zvýšení jejich efektivity. Každý uživatel viděl různá data, různá doporučení.

Věděli jsme, jak Sales Assistant využívají a jak využívají jednotlivá doporučení. Pro rozšíření našeho povědomí jsme se také podívali na to:

• Kolik doporučení v aplikaci mají a jaká to typicky jsou.
• V jakých případech s doporučeními lidé nejvíce interagují.

S tímto základním přehledem jsme pak sestavili přehled 5 nejčastějších kombinací doporučení v rámci Sales Assistent napříč celou uživatelskou bází. Například níže na obrázku kombinace pro 1-3 doporučení (seřazeno podle typické četnosti, viz výše).

Na základě různých zjištění, zpětné vazby od uživatelů a identifikovaných příležitostí jsem začal přemýšlet o tom, jak bychom mohli dané UI a funkcionalitu zlepšit. Cílem bylo zvýšit použitelnost a hodnotu pro naše uživatele.

Nápady na zlepšení

Identifikace příležitostí ke zlepšení

Na základě dat a zjištění z kvalitativního výzkumu jsem začal přemýšlet o tom, jak bychom Sales Assistant mohli zlepšit. Do rozmýšlení jsem zapojil i ostatní kolegy a designéry napříč firmou.

Společně jsme:

• Kriticky rozebírali fungování.
• Brainstormovali různé nápady na zlepšení.

Na základě společného úsilí jsme přišli k několika poměrně slibným nápadům, které by nebylo případně složité vyrobit. Ale i k takovým, které by koncepčně změnili fungování Sales Assistant.

Jedna z největších identifikovaných příležitostí bylo zlepšit práci s obsahem a způsobem, jakým lidem různá doporučení zobrazujeme a doručujeme.

Card sorting pro zlepšení kvality obsahu

Protože jsme přemýšleli o zefektivnění seznamu doporučení, zaměřili jsme se na jeho správnou organizaci jednotlivých položek. Proto jsme na toto téma udělali několik výzkumných studií.

Využili jsme k tomu například metodu Card Sorting, kterou jsme rozdělili na dvě kola:

1. S interními uživateli, šlo o otevřený card sorting s cílem identifikovat možné skupiny.
2. S externími uživateli/zákazníky – šlo o hybridní card sorting, ve kterém lidé dávali položky do předpřipravených kategorií (na základě prvního interního kola) s možností vytvořit vlastní kategorii.

Využili jsme k tomu sadu nejtypičtějších 50 doporučení. Níže uvádím příklady z prvního kola (interní uživatelé) a rozdělení některých doporučení a rozbor těchto skupin tak, jak jsme postupovali.

Příklad č. 1

Karty spojené v rámci této skupiny byly různé statistiky, zjištění, grafy. Cílem těchto doporučení je pomoci lidem chápat jejich efektivnost, výkon, situaci a napovědět, co dělat lépe.

Sdílené charakteristiky:

• Charts, Visualization, Graphics
• Performance/Status data

Zároveň s tím lidé danou skupinu mohli pojmenovat. Zde jsou možné názvy skupiny:

Příklad č. 2

Doporučení v této skupině jsou primárně o obchodních příležitostech, které dané uživatel vlastní a spravuje. Cílem těchto doporučení je pomoci se zaměřit na ty nejdůležitější příležitosti.

Sdílené charakteristiky:

• Informace o nabídkách

Zároveň s tím lidé danou skupinu mohli pojmenovat. Zde jsou možné názvy skupiny:

Na základě takto připravených skupin jsme požádali zákazníky, aby dané kartičky roztřídili do předpřipravených skupin. Využili jsme k tomu nástroj od Optimal Workshops.

Co se týče pojmenování kategorií, nevznikly žádné standardní skupiny. Nicméně jsme ve skupinách objevili určité podobnosti a vzory, jak lidé nad skupinami přemýšleli. Vznikly nám ale 3 skupiny sdružující podobné karty. Zde je příklad:

Výsledkem této studie bylo, že s jednotlivými doporučeními by bylo vhodné lépe pracovat podle priority. Vznikla tak myšlenka doporučení v rámci UI organizovat do 3 skupin:

• Skupina č. 1 – doporučení s nejvyšší prioritou. Jde o doporučení, která nesmí uniknout pozornosti žádnému z uživatelů.
• Skupina č. 2 – stále poměrně důležitá upozornění ohledně témat týkajících se především výkonu a efektivity daného obchodníka.
• Skupina č. 3 – v podstatě to zbývající, nejméně důležité. Například doporučení nových funkcí, nápověda, atd.

Začali jsme tedy přemýšlet nad tím, jak těchto kategorií v rámci UI vhodně využít.

Testování možné struktury obsahu

Hlavním cílem testování bylo vymyslet, jak seznam doporučení lépe zorganizovat a usnadnit tak lidem navigaci obsahem. Právě na základě mnoha vstupů jsme přemýšleli nad možností v UI rozdělit obsah do záložek místo jednoho uceleného seznamu.

Dali jsme tedy dohromady možnou organizaci doporučení v rámci UI a zkusil je ověřit pomocí následujícího postupu:

• Využili jsme reverzní card sorting, tedy tzv. tree testing.
• Šlo o automatizovaný nemoderovaný výzkum.
• Testovali jsme 6 kritických úkolů, každý účastník měl náhodné pořadí těchto úkolů.

Příklad č. 1

Úkol:
„You would like to see your tasks for today. Where would you go to find it?„

Správná kategorie:
Notifikace; Notifikace > Agenda

Příklad č. 2

Úkol:
„You are interested in a deal you should focus on next. Where would you go to find this information?„

Správná kategorie:
Insights; Insights > Deals

Díky Card sortingu a Tree testingu jsme zjistili, že uživatelé o jednotlivých doporučeních přemýšlí primárně v kategoriích priorit, tedy v intencích:

• Co potřebuji vědět.
• Co může počkat.

Podle toho jsme upravili poslední variantu možné struktury a přemýšleli o vhodném pojmenování jednotlivých kategorií a jaká doporučení bychom v nich zobrazovali.

Srovnávací testování možných variant

Také jsme se rozhodli možná řešení ještě finálně porovnat. Přeci jen různé možnosti by vyžadovali různé prostředky. Proto jsme udělali srovnávací testování pro kvalitativní zpětné vazby od:

• Uživatelů, kteří Sales Assistant používají.
• Potenciálních uživatelů, kteří by Sales Assistant používat měli (ale z různých důvodů nepoužívají).

Přemýšleli jsme nad následujícím:

• Aktuální členění notifikací v jednom seznamu je matoucí, když se v rámci seznamu mění priority.
• Lidé očekávají řazení primárně podle času, aby mohli snadno najít nová doporučení.
• Aby lidem nic důležitého neuteklo a nezapomněli na nic, mohli by si některá doporučení „přišpendlit“ na vrch seznamu a vyřešit je, až bude více času.
• Nejdůležitější věci musí být vždy nad vším ostatním.
• Záložky mohou lidem pomoci se v obsahu lépe zorientovat.

V rámci finálního testování jsme ověřovali 4 možné podoby (včetně stávající).

Koncept č. 1

Stávající verze Sales Assistant. Obsahuje „plochá“ seznam bez jakékoliv kategorizace. Na základě zpětné vazby nejméně preferovaný.

Zhodnocení:

• Je méně přehledný, hlavně pokud obsahuje více doporučení.
• Lze snadno scrollovat
• Vyžaduje více času na zorientování v rámci doporučení.
• Lidé mají různě velké obrazovky, mnohdy se jim důležitý obsah nevejde na obrazovku.

Koncept č. 2

Řazení obsahu do záložek pomůže s prioritizací a rozčlenění obsahu do menších celků. Preferovaná spíš než jeden seznam.

Zhodnocení:

• Lidé popsali záložky jako možnost rozdělit hodně obsahu do menších bloků.
• Bylo by záložky třeba správně pojmenovat.

Koncept č. 3

Byla by zde možnost řazení obsahu podle času, případně podle doporučení AI doporučovacího mechanismu. Lidé přemýšleli hodně nad tím, jak bychom jim určovali priority.

Zhodnocení:

• Lidé hodnotili řazení podle AI doporučování jako méně vhodné, protože nemůže systém vědět, co je pro NĚ důležité.
• Volba přepínání byla matoucí, řazení času bylo logické a očekávané.

Koncept č. 4

Lidem přišel tento koncept jako nejzajímavější. Pozitivně hodnotili přehled s klíčovými ukazateli a rozdělení obsahu do více částí. Tato varianta byla nejvíce preferována a nejlépe hodnocena.

Zhodnocení:

• Přehledová stránka umožní se zaměřit na to nejdůležitější.
• Lidé očekávali možnost definovat, co chtějí vidět. Například výběrem vlastních KPIs.
• Obrázky a barvy hodnotili velice pozitivně, že nejde o strohý seznam.

Spojením zjištění ze všech experimentů jsme se nakonec rozhodli pro variantu s přehledovou záložkou a dalším členěním obsahu (poslední varianta v tabulce výše).

Návrh nové podoby Sales Assistant

Výsledkem experimentů a designového procesu byla nová podoba Sales Assistant. Ta byla postavena na několika důležitých pilířích:

• Veďme člověka tam, kam potřebuje a usnadněme mu rozhodování.
• Nejdůležitější obsah musí být neustále na očích.
• Uživatel sám musí mít nad doporučeními kontrolu a sám se rozhodnout, zda dané doporučení ve výsledku potřebuje nebo ne.

Proto jsme navrhli rozšířit možnosti této funkce o strukturovanější řazení obsahu, kde středobodem byla přehledová obrazovka. Z té by se lidé mohli dostat na další obsah.

Zároveň s tím jsme se zaměřili na zlepšení mechaniky in-app upozornění. Což byla důležitá část této funkcionality, nicméně do té doby z technických omezených méně spolehlivá.

Definovali jsme fungování in-app notifikací v souvislosti s napojením na Sales Assistant. Včetně toho, že bude potřeba odlišit důležitá upozornění od těch méně důležitých – například vizuálně.

Definovali jsme UI prvky pro zobrazení nepřečtených a přečtených doporučení.

Výsledné rozhraní funkce Sales Assistant jsme poté definovali do konkrétních detailů pro lepší pochopení fungování a efektivnější výrobu. Níže je uvedená ukázka například:

• Struktury přehledové záložky a priority informací.
• Zobrazení doporučení v konkrétní záložce v rámci Sales Assistant.

Kam se obrátit

Pokud vás během pročítání této ukázky cokoliv napadlo, neváhejte se na mě obrátit na adrese email@manakmichal.cz, případně mi napište pomocí tohoto formuláře: