KONCEPTCASE 01 / B2B SAAS, FIKTIVT BOLAG
Från snyggare knappar till en hel kundresa
Ett påhittat case om ett SaaS-bolag som har slutat växa. Ledningen tror att det beror på att produkten inte är snygg nog. Jag tror att man behöver börja någon annanstans.
SJÄLVINITIERAT KONCEPTCASE / BOLAGET, PRODUKTEN OCH DATAN ÄR PÅHITTADE. METODERNA OCH RESONEMANGET ÄR MINA.
UPPDRAGET
Hjälpa Kvarta att växa utanför sina befintliga kunder. Ledningens beställning: en modernare och snyggare produkt.
MIN ROLL
Nyanställd UX-designer med ansvar för research, analys och prioriteringsunderlag till ledningen.
UNDERLAG
Supportärenden, Google Analytics och intervjuer med säljteamet. Inga resurser för att prata med användare.
METODER
Lean UX, assumption mapping, trattanalys, atomic research med AI-stöd och kundresekartläggning.
01 / UTGÅNGSLÄGET
Ett bolag som slutat växa
Kvarta är ett svenskt SaaS-bolag med runt 60 anställda. Produkten hjälper installations- och servicebolag att planera sina tekniker: arbetsorder, schema och rapporter från fältet. De första kunderna var små, tekniktunga bolag som gärna ställde in allt själva, och de är fortfarande nöjda.
En del kunder når Kvarta via återförsäljare, som säljer produkten vidare tillsammans med sina egna tjänster. Budgeten är begränsad, så varje insats behöver vara sparsam och effektiv.
Nu står tillväxten still. De större och mer traditionella servicebolagen provar produkten men blir sällan kunder. Supporten har samtidigt ökat, och Google Analytics visar att få besökare går vidare från webbplatsen till en provperiod.
Ledningens diagnos var tydlig: produkten är inte tillräckligt modern och snygg. Beställningen till mig var en ny design.
02 / BÖRJA I AFFÄRSPROBLEMET
Först: vad vill bolaget uppnå?
Ledningar som söker hjälp vet oftast vad som gör ont, men inte alltid vad de behöver hjälp med. Mitt första jobb var att översätta deras beskrivning till ett problem vi kunde arbeta med, och sedan effektivt komma fram till vad som skulle lösas först.
I Lean UX börjar arbetet inte med lösningar utan med affärsproblemet och de affärsresultat vi vill uppnå. Det är det viktigaste steget, eftersom allt annat prioriteras mot det. Jag formulerade problemet tillsammans med ledningen:
”Kvarta har vuxit genom små, tekniktunga bolag. Vi ser att större servicebolag inte blir kunder och att supporten ökar. Hur kan vi bli värdefulla för dem, så att försäljningen växer utan att supporten gör det?”
Affärsresultat att styra mot: fler provperioder som blir betalande kunder, kortare tid tills en ny kund får nytta av produkten, färre supportärenden per ny kund och fler affärer med större bolag.
Först därefter tittade vi på vad vi trodde var orsaken.
03 / WORKSHOP
Vad tror vi, och vad vet vi?
Jag samlade ledning, sälj, support och utveckling i en workshop med assumption mapping. Alla skrev ner vad de trodde var problemet, och sedan placerade vi antagandena efter två frågor: hur viktigt är det för affären, och hur mycket belägg har vi?
Det gav två saker. Deltagarna såg att de inte var överens om vad problemet var, och vi kunde enas om vilka antaganden som var riskablast och därför skulle undersökas först. Resultatet blev omfattningen och kravspecifikationen för mitt uppdrag.
”Produkten ser för omodern ut” hamnade i rutan viktigt men obelagt. Ingen hade data som visade att utseendet var skälet till att kunderna valde bort produkten.
ASSUMPTION MAPPING / ANTAGANDEN EFTER VIKT OCH BELÄGG
04 / UNDERLAGET
Börja med det som finns
Det fanns inga resurser att prata med användare. I stället använde jag den data som redan fanns, och lät varje källa svara på en egen fråga.
Supportärenden
Vad frågar nya kunder om under de första veckorna? Ärendena taggades efter tema och tid sedan start.
Google Analytics
Var i trattern försvinner besökarna, från startsida och prissida till provperiod och aktiverat konto?
Säljintervjuer
Varför förlorades affärer, och vad frågar större kunder om i en demo som produkten själv inte svarar på?
Atomic research med AI som assistent. Allt underlag delades upp i fakta, en observation i taget, kopplad till sin källa. Flera fakta som pekar åt samma håll blir en insikt, och insikter blir rekommendationer kopplade till affärsmålen. Strukturen gör att varje slutsats går att spåra tillbaka till sitt underlag.
Parallellt med mitt eget arbete går AI igenom nya fakta varje vecka: från supportärenden och analysdata, men också från observationer i kundmöten och återkoppling från personal och återförsäljare. Den taggar och klustrar dem och föreslår mönster jag inte själv skrivit ner i databasen. Förslagen granskar jag innan något blir en insikt.
Ett system som lever vidare. Varje vecka presenteras vad som förändrats i datan för ledningen, och personas och kundresor hålls uppdaterade så att möjliga förändringar syns över tid. AI:n är också kopplad till Git och känner till releaser och patchnotes. Då går det att se om en åtgärd faktiskt gav effekt, till exempel om ärendena om import minskar efter att den nya importen släppts.
Data och integritet. Kunddata anonymiseras innan något analyseras med AI: namn, organisationer och kontaktuppgifter tas bort, och verktyget väljs så att datan inte används för att träna modeller. AI:n föreslår, men alla slutsatser granskas av en människa innan de når ledningen.
En medveten begränsning. Support, analysdata och säljare berättar om användarna, inte med dem. Jag markerade därför vilka insikter som behöver valideras med riktiga användare så snart det finns resurser.
INSIKTSSYSTEMET / ATOMIC RESEARCH MED AI OCH KOPPLING TILL GIT
05 / PROTOPERSONAS
Vilka vi designar för
Utifrån underlaget tog jag fram protopersonas: Lean UX-begreppet för personas som bygger på det teamet redan vet, inte på intervjuer. De gör antagandena om användarna konkreta och går att diskutera, och de valideras när det finns resurser att prata med riktiga användare.
Tre roller i samma kundresa. Den som köper och planerar, den som utför jobbet i fält och den som säljer produkten vidare.
När insiktssystemet är igång hålls personorna uppdaterade av AI:n i takt med att nya fakta kommer in. Jag ser till att teamet faktiskt använder dem.
MD
Maria
Driftchef
Servicebolag med 120 tekniker. Planerar i dag i Excel och ett äldre affärssystem.
”Jag behöver se att det fungerar med våra egna jobb innan jag kan ta det till ledningen.”
MÅL
· Mindre tid på planering och färre dubbelbokningar
· Att teknikerna kommer igång utan lång utbildning
FRUSTRATIONER
· Har inte tid att ställa in ett nytt system från grunden
· Vet inte om hennes data går att flytta över
BYGGER PÅ
Säljintervjuer och frågor i demos
AS
Niklas
Servicetekniker
Arbetar i fält och använder mobilen mellan jobben.
”Jag vill bara veta vart jag ska och vad som behöver göras.”
MÅL
· Se dagens jobb och adresser direkt
· Rapportera klart på plats
FRUSTRATIONER
· Får samma information i flera kanaler
· Rapporter som måste skrivas om på kontoret
BYGGER PÅ
Supportärenden från teknikerappen
JL
Jonas
Återförsäljare
Säljer Kvarta tillsammans med sina egna installationstjänster.
”Jag tappar affären om kunden måste vänta på en demo.”
MÅL
· Kunna visa produkten själv, när kunden är intresserad
· En tydlig överlämning till Kvarta efter affären
FRUSTRATIONER
· Saknar demomiljö och säljmaterial
· Vet inte vad som händer med kunden efter köpet
BYGGER PÅ
Återkoppling från återförsäljare
PROTOPERSONAS / HYPOTESER OM ANVÄNDARNA SOM VALIDERAS SENARE
06 / DIAGNOSEN
Det handlade inte om knapparna
Underlaget pekade åt ett annat håll än beställningen. Ingen källa visade att utseendet var skälet till att större kunder valde bort produkten. Det som syntes var att det tog för lång tid innan de fick någon nytta av den.
01
Provperioden börjar i en tom produkt.
Nya användare möter ett tomt schema och måste lägga in tekniker, kunder och artiklar innan de ser något värde.
02
Värdet syns först i säljdemon.
Säljarna övertygar större kunder med en demo på kundens egen data. Den som provar själv kommer aldrig dit.
03
Supporten fyller luckan.
Ärendena de första veckorna handlar om uppstart och import, inte om hur produkten ser ut.
04
Innovationen säljs, effektiviteten köps.
Webbplatsen lyfter funktioner som AI-optimerade rutter. De pragmatiska köparna frågar hur de flyttar över sitt gamla schema och hur snabbt teknikerna kommer igång.
Många små problem, på tre nivåer. Bakom insikterna fanns en lång rad mindre problem. Jag sorterade dem efter var i helheten de uppstod: i gränssnittet, i kundresan eller hos återförsäljarna. Sedan prioriterades de efter effekt på affärsmålen, insats och hur säkert underlaget var.
Provperioden börjar i ett tomt schema
Användbarhet
Hög
Import av befintlig data kräver manuellt arbete
Användbarhet
Hög
Värdet syns först i säljdemon, inte när man provar själv
Kundresa
Hög
Oklart pris och oklar väg in för större bolag
Kundresa
Medel
Återförsäljare saknar underlag för att visa produkten
Återförsäljare
Medel
Kunder via återförsäljare vet inte vem de ska vända sig till
Återförsäljare
Medel
Rapportvyn upplevs rörig
Användbarhet
Låg
Gränssnittet upplevs omodernt
Visuellt
Senare
Upplevelsen är hela kundresan. Bolaget tänkte fortfarande att innovationen skapar värdet. För pragmatiska köpare skapas upplevelsen i hela resan: hur de hittar produkten, hur de utvärderar den, hur de kommer igång och hur de följs upp. AI är en del av den resan, men bara där den gör vägen kortare.
KUNDRESAN / DE STÖRSTA LUCKORNA LIGGER I PROVPERIODEN OCH UPPSTARTEN
07 / STRATEGIN
Vad vi gör först
Rekommendationerna prioriterades efter de riskablaste antagandena och kopplades till affärsresultaten från början. Varje initiativ har en mätpunkt.
Guidad uppstart med exempeldata, så att ett ifyllt schema syns direkt
Kortare tid till första nytta
Tid till första schemalagda jobb
AI-stödd import: ladda upp befintligt schema eller kundregister och få förslag på hur det ska mappas
Lägre tröskel för större bolag
Andel provkonton som importerar egen data
En webbplats som visar effektivitet i stället för funktioner, med tydlig väg och pris för större bolag
Fler besökare som provar
Konvertering från prissida till provperiod
Uppstartsplan för större kunder där sälj, support och produkt samarbetar
Färre ärenden de första veckorna
Supportärenden per ny kund de första 60 dagarna
Visuell modernisering
Förtroende, men först när grunden fungerar
Följs upp efter de andra initiativen
Så kan det se ut. Två lo-fi-skisser av de högst prioriterade initiativen, tänkta som underlag för snabba prototyper att testa, inte som färdig design.
WIREFRAME / GUIDAD UPPSTART MED EXEMPELDATA
WIREFRAME / AI-STÖDD IMPORT MED FÖRSLAG ATT KONTROLLERA
Designen moderniseras fortfarande, men i rätt ordning. Ett snyggare gränssnitt i en produkt som är svår att komma igång med hade bara gjort problemet snyggare.
08 / MÄTNING OCH NÄSTA STEG
Hur vet vi att det funkar?
Varje initiativ formulerades som en hypotes, så att vi kan lära oss av det och inte bara leverera det:
”Vi tror att en guidad uppstart med exempeldata gör att fler provkonton kommer igång. Vi vet att det stämmer när fler schemalägger sitt första jobb under provperioden.”
Testa snabbt och billigt. Med begränsad budget ska varje experiment vara det minsta som kan bekräfta eller avfärda ett antagande. I stället för att bygga färdiga funktioner tar jag fram prototyper med AI: fungerande prototyper i en testmiljö med påhittad exempeldata, där testpersoner kan mata in sin egen typ av data och använda flödet på riktigt.
Figma för att kommunicera. Mellan iterationerna använder jag Figma för att visa idéer och beslut för ledning och utvecklare, så att alla ser samma sak innan något byggs på riktigt.
Testa där användarna redan finns. Utan resurser för intervjuer kan prototyperna testas med säljteamet i demos, med en återförsäljare eller med ett litet antal nya provkonton. Mätpunkterna visar sedan om antagandet höll. Den visuella moderniseringen planeras in när grunden håller.
09 / PRINCIPER
Det jag tar med mig
01
Börja i affärsproblemet.
Ett tydligt problem och mätbara affärsresultat gör att allt annat går att prioritera.
02
Gör antaganden synliga.
En gemensam karta över vad vi tror och vad vi vet skapar samsyn och visar vad som är riskabelt.
03
Upplevelsen är hela kundresan.
Värdet skapas i hela resan, inte bara i funktionerna eller gränssnittet.
04
Mät det som visar värde.
Hypoteser och mätpunkter gör designbeslut till något vi kan lära oss av.
Min roll när AI gör grovjobbet. När AI håller personas, kundresor och insikter uppdaterade flyttas UX-designerns jobb från att samla in till att hålla ihop helheten: att föra insikterna vidare till människorna i teamet så att alla drar åt samma håll, och att hjälpa ledningen prioritera det som ger störst affärsnytta.