Odkrywanie, kim naprawdę byli nasi klienci z sektora małych firm

TL;DR

• Kontekst: Jedyny UX owner segmentu małych firm w banku detalicznym (~160K klientów).
• Problem: Baza ~160K klientów nie miała realnej mapy segmentów — praca UX nie miała czego celować.
• Co zrobiłem: Zbudowałem persony na realnym przepływie pieniędzy, nie na wywiadach — 4 segmenty branżowe × 2 warstwy przychodowe = 8 person.
• Wynik: 6 grup = 75% klientów i 80% wpływów; ta sama metoda później prognozowała sprzedaż overdraft.

Diagnoza

Persony powstają zazwyczaj w sali konferencyjnej: kilka wywiadów, karteczki, jakieś chwytliwe imię. Problem w tym, że łatwo je zignorować — brzmią jak opinie. Mieliśmy ~160K klientów małych firm i żadnej realnej mapy, kim oni są, co oznaczało, że żadna praca UX nie mogła być ukierunkowana. Zbudowałem więc persony na jednej rzeczy, która nie kłamie: jakie pieniądze realnie wpływały i wypływały, z podziałem na branżę.

flowchart TD
    A["~160K klientów małych firm"] --> B["6 grup<br/>75% klientów / 80% wpływów"]
    B --> C["2 grupy zostają odrębne"]
    B --> D["4 z 6 grup łączą się w 2"]
    C --> E["4 segmenty branżowe<br/>2 odrębne + 2 ze scalenia"]
    D --> E
    E --> F["x 2 warstwy przychodowe<br/>niższa ~5-6 decyl / wyższa 7+"]
    F --> G["8 person"]

    classDef neutral fill:#f0f0f1,stroke:none,color:#3f3f46,rx:14,ry:14
    classDef info    fill:#e9eff8,stroke:none,color:#1e3a5f,rx:14,ry:14
    classDef accent  fill:#27272a,stroke:#3f3f46,stroke-width:1px,color:#fafafa,rx:14,ry:14
    class C,D neutral
    class A,B,E,F info
    class G accent
    linkStyle default stroke:#a8a8b3,stroke-width:1.5px

Co zrobiłem

• Prowadziłem kwantytatywną segmentację ~160K klientów małych firm wg kodów PKD (branż) — dwie osie na grupę: udział w liczbie klientów i udział w miesięcznych wpływach.
• Sprowadziłem wynik do 8 person — 4 segmenty branżowe × 2 warstwy przychodowe — wychodząc od cięcia na 6 grup.
• Zastosowałem segmentację do targetowania rekrutacji do badań i profilowania produktów pod segmenty high-cash-flow.
• Tę samą metodę wykorzystałem też do prognozy sprzedaży overdraft — i prognoza sprawdziła się wobec realnej sprzedaży.

Wyniki

• 6 grup = 75% klientów i 80% wpływów — pod jednym rozmytym pojęciem kryła się realna, skoncentrowana struktura.
• Cięcie do 4 segmentów branżowych × 2 warstwy przychodowe = 8 person (4 z 6 grup zmergowałem w 2), żeby product i badania mogły realnie z tym działać.
• Znalazłem bogaty ogon: wpływy rosły w miarę proporcjonalnie do wielkości firmy aż do 7–8 decyla, a potem wystrzeliły wykładniczo — podział na 2 warstwy przychodowe (niższa ~5–6 decyl, wyższa 7 i więcej), żeby klientów high-value obsługiwać inaczej.
• Bonus: metodę segmentacji przełożono na prognozowanie sprzedaży overdraft na podstawie wzorca konsumpcji kredytu w każdej grupie — i prognoza pokryła się z realną sprzedażą.

Problem

Co właściwie wiedzieliśmy o naszych klientach małych firm?

Prawie nic ustrukturyzowanego. Bank obsługiwał ~160K takich klientów — jednoosobowe działalności i maleńkie firmy — ale „mała firma” traktowana była jak jedna, niezróżnicowana masa. Brak segmentacji, brak mapy, które branże mają znaczenie, brak poczucia, gdzie realnie siedzą pieniądze. To problem, gdy odpowiadasz za UX: nie da się celować w badania, nie da się profilować produktów, a na każde pytanie „dla kogo to jest?” pada wzruszenie ramion.

Dlaczego po prostu nie zrobić pięciu wywiadów i nie nazwać tego personami?

Bo decki z personami zbudowane na garstce rozmów są pierwszą rzeczą, w którą ludzie przestają wierzyć. Czytają się jak designowe opinie. Potrzebowałem czegoś, czego product managerzy, analitycy i biznes nie mogliby zbyć ręką — a to znaczy uziemić to w danych, którym już ufali: w transakcjach.

Moja rola / zakres

• Prowadziłem analizę i cały proces myślowy — jakie dane pobrać, jak ciąć, co dane grupy znaczą. Pełna własność intelektualna metody.
• Nie miałem bezpośredniego dostępu do bazy; analityk puszczał SQL na moje zlecenia. Odpowiadałem za pytania, nie za zapytania.
• Byłem jedynym UX ownerem segmentu małych firm, we współpracy z PM-ami, zespołami deweloperskimi i osobnym zespołem UX researcherów.

Proces

• Segmentacja po kodzie branży. Pokroiłem ~160K klientów po zarejestrowanym kodzie PKD — publicznej klasyfikacji mówiącej, w jakiej branży firma działa. Dwie osie na grupę: jaki udział w liczbie klientów i jaki udział w miesięcznych wpływach.
• Szukanie struktury. Sześć grup dawało 75% klientów i 80% wpływów. Cztery z tych sześciu okazały się na tyle bliskie, żeby zmergować je w dwie — zostały cztery realne, wyraźne segmenty.
• Szukanie bogatego ogona. Gdy wyplotowałem dane, wpływy rosły mniej więcej proporcjonalnie do wielkości firmy aż do 7–8 decyla — potem wystrzeliwały wykładniczo. To sygnatura bogatego ogona, który chowa się wewnątrz „małej firmy”. Skrzyżowałem więc każdy z czterech segmentów z dwiema warstwami przychodowymi — niższą (~5–6 decyl) i wyższą (7 decyl i więcej). Ta sama branża, fundamentalnie inne pieniądze: osiem person, każda branża w wariancie niższej i wyższej warstwy.
• Czytanie zachowań. W każdej grupie patrzyłem, co ludzie realnie robią ze swoimi kontami. Kilka wzorców rzucało się w oczy (celowo ogólnie): w jednej grupie płatności blikiem dominowały niezależnie od wielkości firmy; w innej mniej więcej co trzecia większa firma miała linię kredytową, spłacała ją i znów brała; jedna konkretna grupa zakładała lokaty znacznie częściej niż reszta.

Finalna struktura — 4 segmenty branżowe × 2 warstwy przychodowe:

Kluczowe decyzje i trade-offy

• Budować persony z danych, nie z wywiadów. Nieoczywista decyzja. Trade-off: tracisz część tego ciepłego, jakościowego detalu, który dają wywiady etnograficzne. Payoff: persony defensible, odtwarzalne i niemożliwe do zbycia jako „tylko designowa opinia”. Wywiady oczywiście były — ale teraz wiedzieliśmy, z kim je robić.
• Cztery segmenty, nie sześć — a potem podwojenie warstwą przychodową. Mógłbym zostawić wszystkie sześć grup osobno. Zmergowałem cztery w dwie, bo segmentacja, której nikt nie zmieści w głowie, nie jest actionable. Cztery segmenty to sufit; warstwa przychodowa podwoiła to do ośmiu person — porządne osiem (cztery branże × dwie warstwy), nie rozrzut.
• Dwie warstwy przychodowe — bo tak powiedziała krzywa. Wykładniczy ogon to nie założenie; to było w danych. Podział klientów na 7–8 decylu na warstwę wyższą (7 i więcej) i niższą (~5–6 decyl) pozwolił profilowaniu produktów traktować bogaty ogon inaczej, zamiast go uśrednić.
• Szczerze: odpowiadałem za pytania, nie za zapytania. Brak bezpośredniego dostępu do bazy — analityk wyciągał każdą liczbę na moim specu. To ukształtowało pracę: rygor siedzi w metodzie i interpretacji, nie w tym, że ja piszę SQL.

Jak to się skończyło

Persony stały się kręgosłupem tego, jak pracowało się z segmentem. Trzy konkretne zastosowania: rekrutacja do badań mogła wreszcie celować w odpowiednie branże zamiast w tego, kto odebrał; profilowanie produktów kierowało oferty high-cash-flow do pasujących segmentów — budownictwo i produkcja, transport, hurt i detal, biurowe B2B — każdy w wariancie niższej i wyższej warstwy przychodowej. I ten dodatkowy krok: tę samą metodę segmentacji przełożono na prognozę sprzedaży overdraft ze wzorca konsumpcji kredytu w każdej grupie — i prognoza sprawdziła się wobec tego, co klienci realnie wzięli. Metoda UX, która prognozuje przychód, jest w moim doświadczeniu skrajną rzadkością.

Co z tego wyniosłem

• Persona jest warta tylko tyle, ile ma pod sobą podstaw. Karteczki się ignoruje; danych transakcyjnych nie. Uziemienie person w realnym przepływie pieniędzy zmieniło to, jak poważnie reszta biznesu je traktowała.
• Kształt danych podpowiada, jak ciąć. Wykładniczy ogon to nie to, czego szukałem — pokazał się, gdy wyplotowałem krzywą, i domagał się własnej warstwy. Przeczytaj dane, zanim zdecydujesz o grupach.
• Segmentacja jest bezwartościowa, jeśli nie jest actionable. Sześć grup redukuje się do czterech segmentów, bo mapa, której nikt nie zapamięta, to dekoracja. Użyteczność dotyczy też analizy.