Klarna får oppmerksomhet for effektivitetsgevinster – vi krympet fra ~5500 til ~3000 mennesker på to år. Men jeg har alltid fremhevet at AI bare er en del av den historien. Slik kom vi bort fra analyse/lammelse og inn i kundebesettelse og sentrisitet:

For et år siden gjorde ~500 av 3500 Klarna-ansatte analyser – dashboards, konverteringsfrekvenser, KPI-er. Vi brukte tonnevis av verktøy: Amplitude, ClickSense, Google Dashboards, Datadog, FullStory, etc. Det var mye. Og likevel, for ofte, kunne vi finne åpenbare problemer i produktet vårt ...

Inspirert av Toyotas Gemba-økter samlet vi rundt 20 slike team for å vise oss deres daglige jobber – ekte faktisk arbeid, ikke polerte rapporter. Raskt sett: for mye repetisjon, for mange dashbord, for lite reell innsikt. Vi sendte bare litt retningsinnsikt til noen andre.

Eller enda verre, vi endte opp med å diskutere formatet og måten å måle på. Eller bare sendte problemet til noen for å undersøke det som deretter ville be noen andre om å se på det og så videre ... Mange ganger ble økter merket for å produsere dashbord, men taggen var på feil sted ...

Vi bestemte oss for å forenkle radikalt. Vi skapte et nytt "suksessteam" Fokusert kun på to ting: FullStory for visuelle sesjonsopptak (personvernsikker!) Ringe kunder direkte – spesielt de med klager, be om tilbakemelding og løse problemene deres.

Enda viktigere var det at vi utviklet en ny kvalitetsstandard for en billett. For at den skal bli "delegert" innen Klarna, må en billett oppfylle våre kvalitetsstandarder for å være en "handlingsbar innsikt"

Hva gjør en innsikt "handlingsdyktig" hos Klarna? Tydelige bilder/skjermbilder, spesifikk problemdefinisjon, foreslått løsning, enkel estimering av økonomisk innvirkning, nødvendig innsats og tydelig eierskap.

Den handlingsrettede innsikten som kom ut av dette blåste oss bort. Mange var millioner dollar muligheter som krevde arbeidsdager. Men hadde blitt overvåket på grunn av mangel på klarhet i eierskapet, "ingen tenkte på dem" og så videre. Fiks ting på nettstedet, fiks noen kopi osv

Noen var mer komplekse og vanskeligere å fikse. Etter hvert som vi utvidet datamodellen vår for praktisk innsikt, begynte vi å liste opp antall lag som var nødvendige for å løse billetter. Og dette har nå begynt å veilede oss om organisasjonsstruktur og systemstruktur. Hvis en enkel løsning krever for mange...

lag ELLER krever avmelding fra mange steder som er et dårlig tegn i seg selv. Noen spurte; Hvordan vet du at vi jakter på de viktige sakene? Kanskje dette kundeproblemet er sjeldent, og løsningen er ikke så viktig. Vel, det er enkelt, utover rangeringen av innvirkning/innsats

Vi har en annen venn som hjelper oss å prioritere. Det kalles "sannsynlighet" Sannsynligheten for at vi snakker med en kunde om en sjelden ting, kontra å plukke opp en vanlig ting, er rett og slett sjelden ... per definisjon.

Jeg skjønner det, du kan si: Virkelig 20 år inn og NÅ skjønner du. Klart din rett, vi burde ha gjort dette for 20 år siden. Men nå begynner jeg å se ekte kundebesettelse i Klarna på vei jeg aldri har sett før. Og hvis vi har kommet så langt med hvordan vi har gjort det så langt.

Anbefaler virkelig på det sterkeste @fullstory Har vært fantastisk å jobbe med og har gode løsninger for personvern!

Anbefaler virkelig på det sterkeste @fullstory Har vært fantastisk å jobbe med og har gode løsninger for personvern!