Klarna chama a atenção por ganhos de eficiência - encolhemos de ~ 5500 para ~ 3000 pessoas em dois anos. Mas sempre destaquei que a IA é apenas parte dessa história. Aqui está como saímos da análise / paralisia e entramos na obsessão e centralização do cliente:

Há um ano, ~ 500 dos 3500 funcionários da Klarna faziam análises - painéis, taxas de conversão, KPIs. Usamos toneladas de ferramentas: Amplitude, ClickSense, Google Dashboards, Datadog, FullStory, etc. Foi muito. E, no entanto, muitas vezes, podemos encontrar problemas óbvios em nosso produto ...

Inspirados pelas sessões Gemba da Toyota, reunimos cerca de 20 dessas equipes para nos mostrar seus trabalhos diários - trabalho real, não relatórios polidos. Vi rapidamente: muita repetição, muitos painéis, poucos insights reais. Acabamos de enviar algumas informações direcionais para outra pessoa.

Ou pior ainda, acabamos debatendo o formato e a forma de medir. Ou apenas passou o problema para alguém investigar que então pediria a outra pessoa para olhar para ele e assim por diante ... Muitas vezes as sessões foram marcadas para produzir painéis, mas a tag estava no lugar errado...

Decidimos simplificar radicalmente. Criamos uma nova "equipe de sucesso" Focado apenas em duas coisas: FullStory para replays visuais de sessões (seguro para privacidade!) Ligar diretamente para os clientes, especialmente aqueles com reclamações, pedir feedback e resolver seus problemas.

Mais importante, desenvolvemos um novo padrão de qualidade para um bilhete. Para que seja "delegado" dentro da Klarna, um ticket deve atender aos nossos padrões de qualidade para ser um "insight acionável"

O que torna um insight "acionável" na Klarna? Visuais/capturas de tela claros, definição de problema específico, correção sugerida, estimativa de impacto financeiro simples, esforço necessário e propriedade clara.

Os insights acionáveis que surgiram disso nos surpreenderam. Muitas eram oportunidades de milhões de dólares que exigiam dias de trabalho. Mas havia sido supervisionado devido à falta de clareza de propriedade, "ninguém pensou neles" e assim por diante. Conserte as coisas no site, conserte alguma cópia etc.

Alguns eram mais complexos e mais difíceis de consertar. À medida que expandimos nosso modelo de dados para obter insights acionáveis, começamos a listar o número de equipes necessárias para resolver tickets. E isso agora começou a nos guiar sobre a estrutura organizacional e a estrutura do sistema. Se uma correção simples requer muitos...

equipes OU requer aprovação de muitos lugares, o que é um mau sinal por si só. Alguns questionaram; Como você sabe que estamos perseguindo as questões importantes? Talvez esse problema do cliente seja raro e a correção não seja tão importante. Bem, isso é fácil, além da classificação de impacto / esforço

Temos outro amigo que nos ajuda a priorizar. É chamado de "probabilidade" A probabilidade de conversarmos com um cliente sobre uma coisa rara, versus pegar uma coisa comum é simplesmente rara... por definição.

Eu entendo, você pode dizer: Realmente 20 anos depois e AGORA você percebe. Claro que você está certo, deveríamos ter feito isso há 20 anos. Mas agora começo a ver a verdadeira obsessão do cliente dentro da Klarna de uma maneira que nunca vi antes. E se chegamos até aqui com a forma como fizemos até agora..

Recomendo fortemente @fullstory Tem sido incrível trabalhar e tem ótimas soluções para privacidade!

Recomendo fortemente @fullstory Tem sido incrível trabalhar e tem ótimas soluções para privacidade!