Lean hypotesetesting

Hva er lean hypotesetesting?

Lean hypothesis testing er en tilnærming til smidig produktutvikling som er designet for å minimere risiko, øke utviklingshastigheten og finpusse produktets markedstilpasning ved å bygge og iterere på et minimum levedyktig produkt (MVP).

Konseptet med produkteksperimentering ble lansert av Eric Ries som en del av lean startup-metodikken. Kjernen i MVP-konseptet handler om å skape en læringssyklus. I stedet for å bruke lang tid på å utvikle et ferdig polert sluttprodukt, bygger team som jobber med lean produktutvikling, i korte, iterative sykluser. Hver syklus går ut på å levere en MVP, definert som et produkt som er bygget med minst mulig arbeid, med det formål å teste og validere produktet med brukerne.

I lean hypotesetesting kan selve MVP-en utformes som en hypotese. En godt utformet hypotese bryter ned et problem i problem, løsning og resultat.

Når du skal definere en god hypotese, må du starte med et meningsfylt problem: et problem eller et smertepunkt som du ønsker å løse for brukerne dine. Teamene bruker ofte flere kvalitative og kvantitative kilder for å kartlegge og beskrive dette problemet.

Eksempel på en Lean-hypotese

Tenk deg at du oppdager et problem: Brukerne forlater en påmeldingsflyt i større grad enn forventet. Etter å ha gjort noen undersøkelser ser du at registreringsprosessen tar lengre tid enn bransjegjennomsnittet - og du har fått tilbakemeldinger fra brukerne om at applikasjonen din er treg. Registreringsflyten gjør det heller ikke klart hva fordelen med produktet ditt er.

Du tilbyr en løsning. Løsningen kan være en funksjon, en produktidee eller en produktretning som løser det beskrevne problemet. I vårt eksempel kan løsningen være å gjøre påmeldingsprosessen raskere ved å redusere antall skjemafelt og gjøre verdiforslaget tydeligere. Dette fungerer som en hypotese, som du deretter kan iterere på.

Det kan være lurt å komme med en begrunnelse eller teori om hvorfor denne løsningen er den rette. I vårt eksempel er denne teorien at brukerne forlater registreringsprosessen fordi den tar for lang tid og fordi de ikke forstår verdien.

Statistikk og hypotesetesting

Når du tester en hypotese, er det viktig at du fastsetter p-verdier og sørger for at du har et stort nok utvalg til å unngå statistiske feil. Hvis du for eksempel ikke tar hensyn til statistisk signifikans, kan du støte på en type 1-feil, der du tror at testen din har en effekt, når den faktisk ikke har noen effekt (en nullhypotese).

Hvis du ikke bruker den vitenskapelige metoden på riktig måte når du tester, kan du feilaktig se fordeler som bare skyldes tilfeldigheter, og som faktisk ikke er signifikante. Du kan bruke vår kalkulator for utvalgsstørrelse til å velge riktig utvalgsstørrelse for et eksperiment, gitt baseline-konverteringsfrekvensen og konfidensintervallet.