A Klarna atrai atenção pelos ganhos de eficiência—reduzimos 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 centralidade no cliente:

Há um ano, cerca de 500 dos 3500 funcionários da Klarna faziam análises—painéis, taxas de conversão, KPIs. Usávamos uma infinidade de ferramentas: Amplitude, ClickSense, Google Dashboards, Datadog, FullStory, etc. Era muito. E ainda assim, muitas vezes, conseguíamos encontrar problemas óbvios no nosso produto...

Inspirados pelas sessões Gemba da Toyota, reunimos cerca de 20 dessas equipas para nos mostrar os seus trabalhos diários—trabalho real, não relatórios polidos. Vimos rapidamente: demasiada repetição, demasiados painéis, poucos insights reais. Acabámos de enviar alguns insights direcionais para outra pessoa.

Ou, ainda pior, acabámos por debater o formato e a forma de medir. Ou simplesmente passámos o problema a alguém para investigar, que depois perguntaria a outra pessoa para olhar para isso e assim por diante... Muitas vezes, as sessões eram marcadas para produzir painéis, mas a marcação estava no lugar errado...

Decidimos simplificar radicalmente. Criámos uma nova "equipa de sucesso" Focada apenas em duas coisas: FullStory para reproduções visuais de sessões (seguro para a privacidade!) Contactar diretamente os clientes—especialmente aqueles com queixas, pedindo feedback e resolvendo os seus problemas.

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

O que torna uma visão "Acionável" na Klarna? Visuais/capturas de tela claras, definição específica do problema, sugestão de solução, estimativa simples do impacto financeiro, esforço necessário e clara responsabilidade.

As informações acionáveis que surgiram disso nos surpreenderam. Muitas eram oportunidades de milhões de dólares que exigiam dias de trabalho. Mas foram negligenciadas devido à falta de clareza sobre a propriedade, "ninguém pensou nelas" e assim por diante. Corrigir coisas no site, corrigir alguns textos, etc.

Alguns eram mais complexos e difíceis de resolver. À medida que expandíamos nosso modelo de dados para obter insights acionáveis, começamos a listar o número de equipes necessárias para resolver os tickets. E isso agora começou a nos guiar na estrutura organizacional e na 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 o problema deste cliente seja raro, e a solução não seja tão importante. Bem, isso é fácil, além da classificação de impacto/esforço.

temos outro amigo que nos ajuda a priorizar. Chama-se "probabilidade" A probabilidade de falarmos com um cliente sobre algo raro, em comparação com pegar algo comum, é simplesmente rara... por definição.

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

Recomendo fortemente @fullstory Tem sido incrível trabalhar com eles e têm ótimas soluções para privacidade!

Recomendo fortemente @fullstory Tem sido incrível trabalhar com eles e têm ótimas soluções para privacidade!