Was ist Lean Hypothesis Testing?
Lean Hypothesis Testing ist ein Ansatz für agile Produktentwicklung, der darauf ausgelegt ist, Risiken zu minimieren, die Entwicklungsgeschwindigkeit zu erhöhen und die Produkt-Markt-Passung durch den Aufbau und die Iteration eines Minimum Viable Product (MVP) zu optimieren.
Das Konzept des Produkt-Experimentierens wurde bekanntermaßen von Eric Ries als Teil der Lean-Startup-Methodik propagiert. Im Kern geht es beim MVP-Konzept darum, einen Lernzyklus zu schaffen. Anstatt lange Entwicklungszeiten dem Bau eines vollständig ausgereiften Endprodukts zu widmen, arbeiten Teams in der schlanken Produktentwicklung in kurzen, iterativen Zyklen. Jeder Zyklus ist dem Ausliefern eines MVP gewidmet – definiert als ein Produkt, das mit dem geringstmöglichen Aufwand erstellt wird, um es mit Nutzern zu testen und zu validieren.
Beim Lean Hypothesis Testing kann das MVP selbst als Hypothese formuliert werden. Eine gut gestaltete Hypothese gliedert ein Thema in Problem, Lösung und Ergebnis.
Beginnen Sie bei der Definition einer guten Hypothese mit einem bedeutsamen Problem: einem Sachverhalt oder Schmerzpunkt, den Sie für Ihre Nutzer lösen möchten. Teams nutzen häufig mehrere qualitative und quantitative Quellen, um dieses Problem einzugrenzen und zu beschreiben.
Beispiel für eine Lean-Hypothese
Stellen Sie sich vor, Sie bemerken ein Problem: Nutzer brechen einen Anmeldevorgang häufiger als erwartet ab. Nach einigen Recherchen stellen Sie fest, dass der Anmeldeprozess länger dauert als der Branchendurchschnitt – und Sie haben Nutzerfeedback zur Langsamkeit Ihrer Anwendung erhalten. Außerdem macht der Anmeldevorgang nicht deutlich, welchen Nutzen Ihr Produkt bietet.
Sie bieten eine Lösung an. Die Lösung könnte eine Funktion, eine Produktidee oder eine Produktausrichtung sein, die das beschriebene Problem adressiert. In unserem Beispiel könnte die Lösung darin bestehen, den Anmeldeprozess zu beschleunigen, indem die Anzahl der Formularfelder reduziert und das Wertversprechen klarer kommuniziert wird. Dies dient als Ihre Hypothese, auf der Sie dann iterieren können.
Möglicherweise möchten Sie eine Begründung oder Theorie anbieten, warum diese Lösung die richtige ist. In unserem Beispiel lautet diese Theorie, dass Nutzer den Anmeldeprozess abbrechen, weil er zu lange dauert und sie den Mehrwert nicht verstehen.
Statistik und Hypothesentests
Beim Testen einer Hypothese ist es wichtig sicherzustellen, dass Sie p-Werte festlegen und eine ausreichend große Stichprobe haben, um statistische Fehler zu vermeiden. Wenn Sie beispielsweise die statistische Signifikanz nicht berücksichtigen, kann ein Typ-1-Fehler auftreten, bei dem Sie glauben, Ihr Test hätte eine Wirkung, obwohl er tatsächlich keinen Einfluss hat (eine Nullhypothese).
Wenn Sie die wissenschaftliche Methode nicht korrekt auf Ihre Testmethodik anwenden, können Sie fälschlicherweise Vorteile erkennen, die lediglich auf Zufall beruhen und tatsächlich nicht signifikant sind. Sie können unseren Sample Size Calculator verwenden, um die richtige Stichprobengröße für ein Experiment zu bestimmen – basierend auf Ihrer Basis-Conversion Rate und dem Konfidenzintervall.
