Klarna přitahuje pozornost díky zvýšení efektivity – za dva roky jsme se zmenšili z ~5500 na ~3000 lidí. Vždy jsem však zdůrazňoval, že umělá inteligence je jen částí tohoto příběhu. Zde je návod, jak jsme se dostali pryč od analýzy/paralýzy k posedlosti a centricitě vůči zákazníkům:

Před rokem se ~500 z 3500 zaměstnanců společnosti Klarna věnovalo analytice – dashboardům, konverzním poměrům, KPI. Použili jsme spoustu nástrojů: Amplitude, ClickSense, Google Dashboards, Datadog, FullStory atd. Bylo toho hodně. A přesto jsme příliš často mohli v našem produktu najít zjevné problémy...

Inspirovali jsme se přednáškami Gemba od Toyoty a shromáždili jsme asi 20 takových týmů, aby nám předvedly svou každodenní práci – skutečnou práci, ne vybroušené zprávy. Rychle jsem viděl: příliš mnoho opakování, příliš mnoho řídicích panelů, příliš málo skutečných postřehů. Prostě jsme někomu předali nějaký směrový vhled.

Nebo ještě hůře, skončili jsme u debaty o formátu a způsobu měření. Nebo prostě předal problém někomu, aby to prošetřil, a pak požádal někoho jiného, aby se na to podíval a tak dále... Mnohokrát byly relace označeny tak, aby vytvářely dashboardy, ale tag byl na špatném místě...

Rozhodli jsme se pro radikální zjednodušení. Vytvořili jsme jeden nový "success team" Zaměřeno pouze na dvě věci: FullStory pro vizuální záznamy relací (bezpečné pro soukromí!) Přímé volání zákazníkům – zejména těm, kteří si stěžují, žádání o zpětnou vazbu a řešení jejich problémů.

Ještě důležitější je, že jsme vyvinuli nový standard kvality pro vstupenku. Aby mohla být vstupenka "delegována" v rámci společnosti Klarna, musí splňovat naše standardy kvality, aby byla "použitelným vhledem"

Co dělá vhled ve společnosti Klarna "použitelným"? Jasné vizuály/snímky obrazovky, konkrétní definice problému, navrhovaná oprava, jednoduchý odhad finančního dopadu, potřebné úsilí a jasné vlastnictví.

Praktické poznatky, které z toho vzešly, nás ohromily. Mnohé z nich byly příležitosti za miliony dolarů, které vyžadovaly dny práce. Ale byly pod dohledem kvůli nejasnosti vlastnictví, "nikdo na ně nepomyslel" a tak dále. Opravte věci na webu, opravte nějakou kopii atd.

Některé byly složitější a hůře opravitelné. Když jsme rozšířili náš datový model pro užitečné informace, začali jsme uvádět počet týmů potřebných k vyřešení tiketů. A tím jsme se nyní začali orientovat v organizační struktuře a struktuře systému. Pokud jednoduchá oprava vyžaduje mnoho...

týmy OR vyžaduje odhlášení z mnoha míst, což je samo o sobě špatné znamení. Někteří se ptali; Jak víte, že se honíme za důležitými problémy? Možná je tento problém zákazníka vzácný a oprava není tak důležitá. No, to je snadné, mimo hodnocení dopadu/úsilí

Máme dalšího kamaráda, který nám pomáhá stanovovat priority. Říká se tomu "pravděpodobnost" Pravděpodobnost, že budeme se zákazníkem mluvit o vzácné věci, vs. vyzvednutí běžné věci, je prostě vzácná... z definice.

Chápu to, dalo by se říct: Opravdu po 20 letech a TEĎ si to uvědomujete. Jistě máte pravdu, měli jsme to udělat před 20 lety. Ale teď začínám v Klarně vidět skutečnou posedlost zákazníky, kterou jsem nikdy předtím neviděl. A pokud jsme došli tak daleko s tím, jak jsme to doposud dělali...

Opravdu vřele doporučuji @fullstory Skvěle se s nimi pracuje a má skvělá řešení pro ochranu soukromí!

Opravdu vřele doporučuji @fullstory Skvěle se s nimi pracuje a má skvělá řešení pro ochranu soukromí!