Odkrywanie, kim naprawdę byli nasi klienci z sektora małych firm

TL;DR

• Kontekst: Jedyny UX-owiec odpowiedzialny za segment małych firm w banku detalicznym (~160K klientów).
• Problem: Nikt nie wiedział, jakie grupy kryją się w ~160K klientów, więc praca UX nie miała konkretnego adresata.
• Co zrobiłem: Zbudowałem persony na podstawie tego, jakie pieniądze naprawdę przepływają przez konta. Wyszło 8 person: 4 segmenty branżowe w 2 poziomach przychodów.
• Wynik: 6 grup to 75% klientów i 80% wpływów. Tą samą metodą przewidziałem potem sprzedaż limitu w koncie.

Diagnoza

Persony zwykle powstają w sali konferencyjnej. Kilka wywiadów, karteczki na ścianie i chwytliwe imię. Kłopot w tym, że łatwo je zignorować, bo brzmią jak opinia projektanta. Mieliśmy ~160K klientów małych firm i nikt nie wiedział, kim właściwie są. Nie dało się więc skierować żadnej pracy UX do konkretnej grupy. Oparłem persony na danych, którym ufał cały bank: ile pieniędzy wpływało i wypływało z kont, z podziałem na branże.

flowchart TD
    A["~160K klientów małych firm"] --> B["6 grup<br/>75% klientów / 80% wpływów"]
    B --> C["2 grupy zostają osobno"]
    B --> D["4 z 6 grup łączą się w 2"]
    C --> E["4 segmenty branżowe<br/>2 osobne + 2 z połączenia"]
    D --> E
    E --> F["x 2 poziomy przychodów<br/>niższy ~5-6 decyl / wyższy 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

• Podzieliłem ~160K klientów małych firm według branży, w której działają (kod PKD, czyli publiczna klasyfikacja działalności). Dla każdej grupy sprawdzałem dwie rzeczy: jaką część klientów stanowi i jaką część miesięcznych wpływów.
• Z 6 grup wyprowadziłem 8 person: 4 segmenty branżowe, każdy w 2 poziomach przychodów.
• Wykorzystałem segmentację do doboru uczestników badań i do dopasowania produktów do firm z dużymi przepływami pieniędzy.
• Tę samą metodę wykorzystałem do prognozy sprzedaży limitu w koncie. Prognoza zgodziła się z prawdziwą sprzedażą.

Wyniki

• 6 grup to 75% klientów i 80% wpływów. Pod ogólnym hasłem „małe firmy” kryła się dość skupiona struktura.
• 8 person: 4 segmenty branżowe w 2 poziomach przychodów. Cztery z sześciu grup połączyłem w dwie, żeby zespoły produktowe i badacze mogli z tym realnie pracować.
• Najbogatsza część klientów zachowuje się inaczej. Wpływy rosły mniej więcej proporcjonalnie do wielkości firmy aż do 7–8 decyla, a potem gwałtownie skakały w górę. Dlatego podzieliłem klientów na dwa poziomy przychodów (niższy ~5–6 decyl, wyższy od 7 w górę), żeby tych największych obsługiwać inaczej.
• Prognoza sprzedaży. Wykorzystałem tę metodę, żeby przewidzieć sprzedaż limitu w koncie na podstawie tego, jak każda grupa korzysta z kredytu. Prognoza pokryła się z prawdziwą sprzedażą.

Problem

Co właściwie wiedzieliśmy o klientach z małych firm?

Prawie nic uporządkowanego. Bank obsługiwał ~160K takich klientów, od jednoosobowych działalności po niewielkie firmy, ale traktował ich jak jedną masę. Nie było segmentacji ani mapy branż i nikt nie wiedział, gdzie naprawdę są pieniądze. Kiedy odpowiadasz za UX, to spory problem. Nie wiesz, kogo zaprosić do badań, nie umiesz dopasować produktów, a na pytanie „dla kogo to robimy?” nikt nie ma odpowiedzi.

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

Bo w persony zbudowane na kilku rozmowach ludzie przestają wierzyć najszybciej. Wyglądają jak opinia projektanta. Potrzebowałem czegoś, czego product managerowie, analitycy i biznes nie mogliby zbyć machnięciem ręki. Oparłem więc persony na danych, którym już ufali, czyli na transakcjach.

Moja rola / zakres

• Prowadziłem analizę i całe myślenie stojące za metodą: jakie dane pobrać, jak je podzielić i co oznaczają poszczególne grupy. Metoda jest moja.
• Nie miałem bezpośredniego dostępu do bazy danych. Analityk pisał zapytania SQL według moich wytycznych. Ja wymyślałem pytania, a on wyciągał liczby.
• Byłem jedynym UX-owcem segmentu małych firm. Pracowałem z product managerami, zespołami developerskimi i osobnym zespołem badaczy UX.

Proces

• Podział według branży. Podzieliłem ~160K klientów według kodu PKD. Dla każdej grupy sprawdzałem, jaką część klientów i jaką część miesięcznych wpływów stanowi.
• Szukanie struktury. Sześć grup dawało 75% klientów i 80% wpływów. Cztery z nich były do siebie na tyle podobne, że połączyłem je w dwie. Zostały cztery wyraźne segmenty.
• Najbogatsi klienci. Kiedy narysowałem wykres, zobaczyłem, że wpływy rosną mniej więcej proporcjonalnie do wielkości firmy aż do 7–8 decyla, a potem gwałtownie skaczą w górę. Wśród „małych firm” kryła się więc grupa z dużo większymi pieniędzmi. Każdy z czterech segmentów podzieliłem na dwa poziomy przychodów: niższy (~5–6 decyl) i wyższy (od 7 decyla w górę). Ta sama branża, zupełnie inne kwoty. Tak powstało osiem person.
• Co klienci robią z kontami. W każdej grupie sprawdzałem, jak klienci naprawdę korzystają z konta. Kilka rzeczy wyraźnie się wyróżniało (piszę celowo ogólnie). W jednej grupie płatności mobilne dominowały niezależnie od wielkości firmy. W innej mniej więcej co trzecia większa firma brała kredyt, spłacała go i brała znowu. Jeszcze inna zakładała lokaty dużo częściej niż reszta.

Ostateczna struktura: 4 segmenty branżowe w 2 poziomach przychodów.

Gwałtowny skok na końcu wykresu to powód, dla którego każdy segment ma dwa poziomy przychodów (kształt poglądowy).

Kluczowe decyzje i trade-offy

• Persony z danych, a nie z wywiadów. Muszę przyznać, że coś na tym straciliśmy. Wywiady dają ciepłe, ludzkie szczegóły, których w danych nie ma. W zamian persony dało się obronić i odtworzyć, a nikt nie mógł ich zbyć jako „opinii designera”. Wywiady oczywiście robiliśmy dalej, tyle że wiedzieliśmy już, z kim je robić.
• Cztery segmenty zamiast sześciu, a potem dwa poziomy przychodów. Mogłem zostawić wszystkie sześć grup. Połączyłem cztery w dwie, bo według mnie segmentacja, której nikt nie jest w stanie zapamiętać, nikomu nie pomoże. Cztery segmenty to było maksimum. Dwa poziomy przychodów dały osiem person w prostym układzie: cztery branże razy dwa poziomy.
• Dwa poziomy przychodów, bo tak pokazał wykres. Gwałtowny skok nie był moim założeniem, tylko wyszedł z danych. Podział na poziom niższy (~5–6 decyl) i wyższy (od 7 decyla) pozwolił traktować najbogatszych klientów osobno, zamiast wrzucać ich do średniej.
• Pytania moje, zapytania analityka. Nie miałem dostępu do bazy, więc każdą liczbę wyciągał analityk według moich wytycznych. Moja praca polegała na metodzie i interpretacji wyników, a nie na pisaniu SQL.

Jak to się skończyło

Persony stały się podstawą pracy z całym segmentem. Najważniejsze były trzy zastosowania. Po pierwsze, do badań zapraszaliśmy wreszcie ludzi z odpowiednich branż, a nie tych, którzy akurat odebrali telefon. Po drugie, oferty dla firm z dużymi przepływami trafiały do czterech pasujących segmentów, w wersji dla niższego i wyższego poziomu przychodów. Po trzecie, wykorzystałem tę samą metodę do prognozy sprzedaży limitu w koncie na podstawie tego, jak każda grupa korzysta z kredytu. Prognoza zgodziła się z tym, co klienci naprawdę wzięli. Z mojego doświadczenia metoda UX, która przewiduje przychód, zdarza się bardzo rzadko.

Prognoza z metody segmentacji UX prawie pokryła się z prawdziwą sprzedażą (wartości poglądowe, segmenty zanonimizowane).

Co z tego wyniosłem

• Persona jest tyle warta, ile dane, na których stoi. Karteczki na ścianie łatwo zignorować, dane o transakcjach już nie. Kiedy oparłem persony na prawdziwych pieniądzach, reszta banku zaczęła traktować je poważnie.
• Dane podpowiadają, jak dzielić klientów. Nie szukałem grupy najbogatszych klientów. Pokazała się sama, kiedy narysowałem wykres. Warto najpierw spojrzeć na dane, a dopiero potem decydować o grupach.
• Segmentacja musi dać się użyć. Sześć grup połączyłem w cztery segmenty, bo mapa, której nikt nie pamięta, jest tylko dekoracją.