Салют, Хабр!
Есть продуктовые идеи, а есть потребности людей, которые полностью не закрывает ни одно решение на рынке. И их очень важно различать. Особенно когда создаёшь умные устройства… или что угодно другое.
Мы в SberDevices создали на основе старого знакомого фреймворка Jobs to be done (JTBD) рабочую систему для продуктовых решений. Она позволяет нам видеть реальные пользовательские работы, делать их измеримыми, сравнивать между собой и на этой основе математически расставлять приоритеты для новых устройств, функций и сценариев.
В статье расскажем, как вырастили из качественных интервью единую карту пользовательских работ, адаптировали количественную валидацию под новый экосистемный продукт и получили полноценный инструмент для продуктового планирования. Ещё — что такое кач и кто такие спидстеры.
«Зачем потребовался фреймворк и что это вообще такое?»
Имплементация Jobs to be done в повседневную работу началась с запроса Умного дома Сбер. Им нужна была единая карта потребностей пользователя, причём подтверждённая статистикой.
Мы понимали, что метод здесь определяет результат: именно методология, которую мы выберем, задаст, как с этими данными можно будет работать дальше. Поэтому примерились к фреймворку Jobs to be done. Он давно зарекомендовал себя в бизнес-среде, так как позволяет говорить с продуктом и бизнесом на одном языке.
Короткое напоминание, в чём суть Jobs to be done: пользователь ищет не устройство, а решение проблемы, а значит, нанимает продукт на определённую работу, которую нужно выполнить (job to be done). Всё это раскладывается на простую формулу: ситуация — что должно произойти — выгода. Вместе они составляют Job story.
Создание карты начинается с цикла качественных исследований. Это глубинные интервью, для которых мы составляем выборку респондентов — пользователей с разными наборами профилей. Что может входить в профиль:
социально-демографические характеристики (возраст, пол) и гео;
контекст жизни (одиночка, семья без детей…);
опыт применения умных устройств, если он есть — типы и количество устройств, как долго их используют;
жилище (квартира, дом).
Чтобы получить репрезентативные данные, в исследовании должно быть 4-5 респондентов, который консистентно подходят под один профиль. Описание профиля меняется в зависимости от задачи.
Вместе с продактами предварительно формулируем ключевой фокус исследования и превращаем его в гайд-интервью. Это не жёстко детерминированный список вопросов — скорее опорный документ, по которому нужно вести пользователя. Например, для семей с детьми, если те активно используют умную колонку, в гайд-интервью могут войти такие темы, как «Образование», «Безопасность», «Эмоции и эмпатия», «Развлечения». Каждая тема — блок вопросов об опыте использования устройства.
Из глубинных интервью можно извлечь:
паттерны использования — сценарии жизни с устройствами;
инсайты — мотивы использования на разных уровнях, от утилитарного до эмоционального.
Эти данные можно перевести на язык методологии: когда я… , я хочу… и получаю от этого… Можно также сформулировать большие продуктовые инсайты.
Тут инсайт — это фрагмент информации, который кардинально меняет взгляд на какой-то вопрос
Так, исследуя умный свет, мы осознали реальную логику входа человека в эту тему: для многих умный дом начинается с одной комнаты. Умная лампа — это первая понятная точка входа. Пользователь не выбирает между экосистемами, он не мыслит этими категориями, а ищет практичный компромисс. При этом глубинные интервью показали, что для юзеров с реальным опытом использования умного света он становится стандартом комфорта. Работы (джобы), которые тот выполняет, позволяют упростить повседневную жизнь — а человек хочет именно этого.
Наши качественные исследования позволили обрисовать список работ, которые есть у пользователя. Цикл интервью, систематизация данных и их валидация в рамках методологии заняли год.
«Почему вы уверены, что эти джобы релевантны для всех?»
Качественный этап, он же «кач», обеспечивает список реальных пользовательских джобов и понимание контекстов, в которых они возникают. Но для продакта этого недостаточно. Во-первых, качественное исследование не отвечает на вопрос масштаба — насколько этот джоб действительно распространён среди целевой аудитории? Во-вторых, джобы нужно перевести в измеримый и воспроизводимый формат, чтобы сравнивать между собой, а не обсуждать как набор одинаково интересных гипотез. Именно поэтому следующим шагом стала количественная валидация (среди исследователей — «колич»).
За основу количественного подтверждения мы взяли подход Тони Ульвика Outcome-Driven Innovation («инновации, ориентированные на результат»), но адаптировали его под специфику сложного экосистемного продукта. Ведь нам нужно было не просто подтвердить выводы, а сделать работы сопоставимыми между собой. Для этого каждая Job story переводилась в набор измеримых параметров и оценивалась по трём метрикам:
Частотность — насколько часто возникает ситуация?
Важность — насколько пользователю критично решить проблему?
Удовлетворённость — насколько его устраивает текущее решение?
Такой подход позволяет перейти от описания пользовательских сценариев к их сравнению. Для опросника по сути применяется реверсивная инженерия: каждая Job story вновь разбивается на ситуацию, мотив и результат, а значит, превращается в три вопроса. Настолько простые, чтобы респондент мог на них ответить, ничего не придумав, не исказив и не приукрасив. Правда, количественный этап выходит очень объёмным — джобов даже у одного продукта много, и все нуждаются в валидации.
Оцифровка
Так как умные девайсы — сложный и специфичный продукт, мы скорректировали подход Outcome-Driven Innovation под свой опыт и свои потребности. Шкалу для ответов взяли семибалльную: по сравнению с пяти- и десятибалльными она даёт самый подходящий результат для нашей цели — дифференциации джобов.
Для измерения частотности более расплывчатые варианты ответа — «иногда», «часто» — заменили на более конкретные: «каждый день», «раз в неделю», «раз в месяц». Иначе данные размываются. Так, терять пульт от ТВ раз в год — это очень редко, но по ощущениям респондентов — часто, слишком часто, потому что каждый раз раздражает.
Ульвик берёт для исследования топ-2: долю респондентов, которые дали самые высокие оценки. Его подход нацелен на самый сильный сигнал. Мы взяли топ-3 — он позволяет улавливать не только самые острые, но и системные проблемы, которые, возможно, меньше беспокоят, но встречаются регулярно.
Дизайн исследования предполагает множество вопросов, а значит, высокую когнитивную нагрузку на респондентов. Поэтому после опроса особое внимание уделяем чистке: удаляем из данных недобросовестные ответы спидстеров, зигзагеров и стритлайнеров. Первые — это те, кто заполнил опросник максимально быстро; вторые не глядя отмечают соседние варианты ответа, а третьи выбирают один вариант во всём опроснике.
Классификация
На график выносятся шкалы в процентах: ось x показывает долю респондентов, высоко оценивших важность проблемы, ось y – долю тех, кто доволен своим текущим решением. График делится на зоны двумя диагональными линиями. Деление определяется соотношением важности и удовлетворённости по каждой работе. Чем больше разрыв между важностью и удовлетворённостью, тем ближе работа к зоне недообслуженных (это логика opportunity algorithm из методологии Ульвика). Распределение джобов по удовлетворённости и важности наглядно показывает:
для каких из них на рынке уже слишком много решений;
где ситуация оптимальна;
где проблема есть, а решений — нет.
Мы ориентируемся не только на недообслуженные работы, но и на оптимальные: там, где спрос равен предложению, можно попробовать предложить уникальный вариант решения.
Приоритизация
Кажется, что под второй линией — «недообслуженные» — прячется всё, что нужно пользователям. Но на практике сразу брать в работу эти джобы не имеет смысла. Иначе есть риск начать решать самые болезненные проблемы, не заметив при этом, что они актуальны для небольшой доли целевой аудитории.
Здесь появляются два показателя: Opportunity Score (OS) и Adjusted Opportunity Score, АОС.
Opportunity Score показывает глубину «боли пользователя» — насколько ему важно решить конкретную проблему. С опорой на эту метрику вычисляется вторая, которая, по сути, подсвечивает самые приоритетные задачи. Чем выше AOS, тем проблема важнее для человека и при этом чаще встречается.
Качественный этап методологии выявляет работы. Количественный — валидирует и позволяет определить самые перспективные, самые важные направления.
«И как теперь использовать все эти данные?»
Собрать информацию недостаточно — её нужно представить так, чтобы с нею было удобно работать. Быстро видеть суть исследования и инсайты, сравнивать работы между собой, словом, структурировать, чтобы продакты могли легко использовать материал.
Так у нас появились два связанных артефакта. Первый — JTBD-альбом. В нём более 400 работ рассортированы по контекстам и жизненным ситуациям: как пользователь живёт с устройствами дома, в каких помещениях возникают сценарии. Как они связаны со временем суток, семьёй, бытом, безопасностью, отдыхом. Альбом помогает увидеть работы не по устройствам, а по человеческой логике жизни. Тем не менее, в нём мы показываем связь с конкретными продуктами — например, интеллектуальными телевизорами и колонками Сбер — либо объединяем более широкие жизненные ситуации, например, «родители и дети».
Второй артефакт — реестр Jobs to be done. Это рабочий продуктовый инструмент: единая система работ с количественными метриками, классификациями и приоритизацией. Реестр позволяет сравнивать направления между собой, видеть недообслуженные зоны и определять самые перспективные направления развития.
Именно здесь раскрывается практическая ценность методологии Jobs to be done. Продакт видит не просто «идеи фич», а пользовательские джобы. Они влияют на бэклог и приоритизацию в бэклоге для команды, при этом закрыть их можно разными способами.
Набор (бандл) из уже существующих продуктов, кросс-девайсный опыт
Мы опробовали набор из интеллектуальной колонки Сбер и умной кнопки в А/Б тесте на маркетплейсе. Половине пользователей предлагали просто умную кнопку, другой — умный звонок, который решит проблему отсутствующего у двери звонка либо слишком тихого звонка: набор из кнопки и колонки. Второй вариант конвертируется в продажи гораздо лучше.
Софтверная доработка или новая опция в приложении
Кластер детско-родительских работ реализуется в интеллектуальных колонках и телевизорах Сбер именно через софтверные фичи. Так, после анализа работ в колонки были интегрированы навыки, с которыми устройство может помочь учить стихи или таблицу умножения.
Одной из важных работ для умного света оказалось желание пользователя выключать весь свет одной кнопкой. Так появился виджет «Выключи весь свет» в приложении Салют.
Интеграция нового типа устройств, подключаемых к Умному дому Сбер
Например, роботы-пылесосы и увлажнители популярного бренда для кластера работ, связанных с чистотой воздуха в доме.
Смена маркетингового позиционирования или нарратива
Порой у компании уже есть нужный продукт… но пока она не знает о потребностях пользователей, она не может показать правильно его ценность. Один из таких примеров — карточки на маркетплейсах, которые мы переработали в соответствии с джобами, которые определили для продукта. Понимание джобы позволяет продавать не фичу, а ценность.
Разумеется, Jobs to be done — не главная и единственная задача UX-исследователей. Мы создаём исследования для операционных задач, исследуем здоровье бренда. Можем, если нужно, собрать из трёх ламп и одного проектора прототип устройства, чтобы проверить гипотезу. Но наша долгосрочная цель и задача — это фокус на Discovery: поиск того, что хочет пользователь, и его трансляция в продукт. Фреймворк Jobs to be done служит именно этой цели.
Статью готовили: Марина Старцева, Екатерина Вылегжанина, Валерий Черевков, Антон Шаров
