وقتی مردم در مورد استارتاپ ها صحبت میکنند معمولاً عادت دارند به خلاقیت و انگیزه ی درونی فکر کنند. چنین طرز فکری سبب می‌شود بنیانگذاران تصور کنند می توانند برای هر مشکلی راهکاری را متصور شوند. اما اجرای یک استارتاپ در واقع توازنی بین خلاقیت/بصیرت/انگیزه‌ی درونی و روش علمی است: «فرضیه › تست a/b › نتیجه‌گیری › تکرار».

انگیزه‌ی درونی به شما کمک خواهد کرد تا مشکلی را برای حل کردن بیابید. خلاقیت کمک می‌کند برای این مشکل به دنبال راه کارهای بالقوه باشید. و نهایتاً روش علمی شما را به سمت راهکاری که واقعاً مشکل مشتریانتان را حل خواهد کرد هدایت می‌کند.

اجرای یک روش علمی نیازمند سنجش مناسب است. نیازمند این است که سنجه‌هایی تحلیلی برای سنجش کارهای روزانه‌ی کاربران مورد استفاده قرار گیرند. و نیازمند این است که وقتی ویژگی‌های جدیدی به کارتان اضافه می‌کنید سریعاً آن‌‌ها را به سیستم تحلیلی خود بیافزایید. برای استفاده از این روش شما باید دیدگاه «این موضوع واضح است و نیازی به سنجش ندارد» را کنار بگذارید.

بسیاری از شرکت‌ها مرتکب اشتباه می‌شوند و فقط از تحلیل‌های داخلی استفاده می‌کنند. آن ها فکر می‌کنند اگر سوالی دارند می‌توانند فقط با نوشتن یک کوئری در پایگاه داده به پاسخ آن برسند. متاسفانه هر چقدر سوال کردن برایتان سخت باشد به سوالات کمتری نیز پاسخ خواهید داد. با استفاده از یک ابزار تحلیل استاندارد می‌توانید این توانایی را به همه‌ی کارکنان شرکتتان بدهید تا سوالات بی‌شماری بپرسند و سریعاً به پاسخ‌هایشان برسند. این اهمیت بسیاری دارد. من فکر می کنم این می‌تواند ایده‌ی خوبی برای شرکت‌ها باشد تا میزان استفاده‌ی کارکنانشان از ابزارهای تحلیل را بسنجند. سنجش و صحبت با کاربران توانایی شما در الهام گرفتن، خلاقیت و شکستن قوانین را قوت می‌بخشد.

مثال: «تیم رابینسون» یکی از کارمندان ما در «Justin.tv» برای یکی از محصولاتی که در حال انتشار بود، یک فانل پرداخت طراحی می‌کرد. وقتی تلاش می کرد تا بفهمد که در هدر و فوتر صفحات پرداخت چه چیزی قرار دهد حالت بدیهی این بود که از هدر و فوتر استاندارد وبسایتمان استفاده کند. اما به جای اینکه فکر کند « این موضوع واضح است و نیازی به سنجش ندارد » تمام کارهایی که کاربران در جریان پرداخت انجام می‌دادند را مورد بررسی قرار داد. او دریافت که برخی از کاربران به جای اینکه در صفحات پرداخت دکمه‌ی next را بزنند، در عوض لوگوی بالای صفحه و لینک‌های پایین صفحه را کلیک می کنند! بنابراین او شروع به حذف این قسمت‌ها کرد. یک طراح ممکن است بگوید که این کار به زیبایی سایت لطمه می‌زند؛ اما او به عنوان یک مهندس از طریق تحلیل‌ها پی برد که هر بار که لینک‌ها را حذف می‌کند پرداخت‌ها افزایش می یابد. با به کار بردن روش علمی «فرضیه › تست a/b › نتیجه گیری › تکرار» او محصولی را ارائه داد که یک‌سوم از درآمد ما در JTV را ایجاد کرد. چیزی که کار او را شگفت‌آورتر هم کرد این بود که در آن زمان Justin.tv اصلاً مبتنی بر داده نبود. شاید پیش‌زمینه‌ی علمی او سبب شد او به سمت این روش هدایت شود و شاید هم عقل سلیم چنین حکمی کرده است. به هر حال بدون این کار Justin.tv شکست می‌خورد.

بهترین شرکت‌ها (و کارکنان) تمایل به استفاده از داده‌ها برای پشتیبانی از تصمیم گیری‌هایشان دارند. آن‌ها اعتقاد ندارند که استانداردها یا اصول زیبایی، قوانینی غیرقابل تغییرند. آن ها معتقد نیستند که فقط تولیدکنندگان محصول یا بنیانگذاران هستند که راهکارهای مشکلات را می‌دانند. آن‌ها معتقدند‌ اگر از تحلیل‌ها بهره ببرند، گوش شنوا داشته باشند و تست انجام دهند، می‌توانند از کاربرانشان کمک بگیرند تا بفهمند که چه چیزی را و چگونه باید بسازند.


منبع: Y Combinator

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *