Hoe Robust User-persona’s in minder dan een maand te bouwen

17 min


116

Er zijn zeker bedrijven die ze goed behandelen, maar er is niet veel detail in de instructie, en de blogberichten die er zijn over het bouwen van persona’s zijn over het algemeen vrij slecht.

Ik heb onlangs robuuste gebruikerspersonages gemaakt voor CXL Institute (op basis van een cursus in ons CRO-certificeringsprogramma  van Stefania Mereu en Eric Taylor ) en het ging goed.

In deze post wordt het hele proces beschreven, met codevoorbeelden, voorbeelden van gegevensanalyses, enquêtevragen – het geheel. U zou dit proces na het lezen moeten kunnen repliceren (of in elk geval de bronnen in het artikel moeten volgen om meer over specifieke onderdelen te weten te komen).

Een Quick Primer op gebruikersfeiten

Wat is een gebruikerspersoon? Een op onderzoek gebaseerde archetypische vertegenwoordiger van uw klant op basis van verschillende attributen, attitudes en kenmerken.

Een van de beste definities die ik heb gevonden, die een beetje meer uitlegt , komt van Tony Zambito circa 2002 :

tonyTony Zambito:

Persona’s van kopers zijn op onderzoek gebaseerde archetypische (gemodelleerde) weergaven van wiekopers zijn, wat ze proberen te bereiken, welke doelen hun gedrag sturen, hoe ze denken, hoe ze kopen en waarom ze aankoopbeslissingen nemen. (Vandaag neem ik nu op waar ze kopen en wanneer kopers besluiten om te kopen.)

De eerste vermelding van persona’s was in het boek van Alan Cooper uit 1991: ‘The Inmates are the Asylum.’ Cooper voorzag persona’s als een manier om ontwerpen voor een ‘elastische’ gebruiker te voorkomen, en zo een soort gemeenschappelijke eigenschappen in verschillende segmenten te cementeren om cohesie te bevorderen ontwerpstrategie. Het alternatief, een ‘elastische gebruiker’, zou een ontwerpdoelwit zijn dat zich uitstrekt tot de grillen van het ontwerpteam.

Ze staan ​​ook bekend als buyer-persona’s, klantpersonages, klantprofielen of gewoon persona’s, afhankelijk van wie het idee aan jou verkoopt. Ze bedoelen echter allemaal hetzelfde.

Persona’s zijn in wezen fictieve representaties van segmenten van kopers op basis van echte gegevens die hun gedrag weerspiegelen. Je gebruikt ze om betere marketing-, product- en zakelijke beslissingen te nemen en om je klant op de eerste plaats te houden.

Ze kunnen worden gebruikt in teams – UX, CRO, Social Media, SEM, SEO, enz., Kunnen allemaal profiteren van een beter idee van de klant.

Waar marketeers het mis hebben met gebruikerspersona’s

Niet iedereen gelooft dat gebruikerspersonages waardevol zijn.

Ze lanceerden te veel applaus, maar een paar trends droegen hun aantrekkingskracht met de tijd. De eerste, volgens Dr. David Travis bij UserFocus , was agile ontwikkeling :

davidDr. David Travis:

“Ontwikkelingsteams veranderden in ‘design’-teams. Betrokkenheid bij gebruikers werd meer een norm en minder een uitzondering. Dit is goed voor de gebruikerservaring, maar het is slecht nieuws voor ‘traditionele’ persona’s.

Traditionele persona’s zagen er te voltooid, te definitief uit. Teams waren goed genoeg om te weten dat volledig geformuleerde, voltooide beschrijvingen van gebruikers onmogelijk zijn in een vroeg stadium van het ontwerp. In plaats daarvan wilden ze conversatiestarters.

Om de agile terminologie te gebruiken, wilden ontwerpteams een ‘gedeeld begrip’ krijgen van hun gebruikers en ze waren wantrouwend tegenover elke poging om eisen in concrete vorm te stellen. “

Een andere reden is een algemene reden: marketeers hebben het voor iedereen geruïneerd . In wezen waren persona’s grotendeels een parodie op zichzelf, met verzonnen gegevens (of irrelevante gegevens zoals de oogkleur van een persona). Ze namen goedkope foto’s en namen als Big Spender Billy op de kop.

Artistiek en aspirant Alex …?

Bovendien leidde de adoptie van persona’s door marketeers tot wantrouwen in de validiteit van de methodologie door ontwerpers en ontwikkelaars. Zoals Dr. David Travis het stelde :

davidDr. David Travis:

“Marketingteams hebben versies van persona’s gemaakt om marktsegmenten te vertegenwoordigen. Omdat ze de magische term ‘persona’s’ gebruikten, werden ontwikkelingsteams ontmoedigd om hun eigen personages te ontwikkelen, zich niet realiserend dat een marktsegment meerdere persona’s zou kunnen bevatten.

Meer cynisch gezien, is het doel van het vermarkten van persona’s vooral om meer dingen te verkopen, terwijl ontwerppersonages het gebruikersgedrag moeten onthullen dat relevant is voor een product. Ontwikkelteams konden geen marketingpersonages gebruiken om ontwerpbeslissingen te nemen, dus besloten ze dat persona’s niet zo nuttig waren.

(Het werd niet geholpen door het feit dat marketeers dol waren op het geven van hun personages domme namen, zoals “Social Butterfly Brenda” of “Value Hunter Valerie”, die genuanceerd onderzoek proberen samen te vouwen tot één enkel concept. resulterend in ontwerpers die hun ogen rollen en hun hoofd schudden.) “

De kracht van gebruikerspersonages vervaagt wanneer mensen ze niet vertrouwen of ze zijn niet gebaseerd op de realiteit. Over het algemeen, de grote fout die marketeers maken met persona’s, behandelt ze als een subjectieve projectie van waarden op een of ander nutteloos canvas. Meer specifiek valt dat binnen vijf categorieën van fouten:

  • Gegevens verzinnen
  • Te veel irrelevante gegevens gebruiken
  • Alleen kwalitatieve gegevens gebruiken
  • Alleen kwantitatieve gegevens gebruiken
  • Geloven dat je persona perfect representatief is voor de realiteit, of dat ze nooit veranderen

Je kunt ook te veel persona’s maken (3-4 is de aanbevolen hoeveelheid), maar ik zie dat probleem vaak niet. Wat ik vaker zie, is een persona die is gemaakt zonder te proberen dat model aan de realiteit aan te passen, of geen gebruik van zaken in daadwerkelijke zakelijke beslissingen.

Vergeet niet: uw persona’s zijn alleen zo goed als het onderzoek achter hen.

Een betere manier om gegevensgerichte Personas te maken

Dus hoe gaan we voorbij aan die fouten en creëren we betrouwbare en bruikbare gebruikerspersoonlijkheden?

Er zijn veel methodieken die er zijn. Ik wil nu opmerken dat de manier waarop ik het deed niet de enige geldige manier is. Het is misschien niet eens (en waarschijnlijk niet) de meest geavanceerde manier. Maar het is snel, effectief en met gegevens beveiligd.

Nog beter, iedereen kan het doen en meestal binnen 3-4 weken. Dat stelt ons in staat snel te handelen en een wendbare productontwerpstrategie te handhaven, evenals een flexibele marketingstrategie. We worden niet zelfgenoegzaam gemaakt door te veel onderzoek.

Het is gebaseerd op een combinatie van kwalitatieve en kwantitatieve gegevens, van exploratie en analyse. U loopt weg met persona’s die u kunt gebruiken voor marketingbeslissingen, maar ook met gegevens om deze verder te verkennen voor ideeën over kopieën, ontwerpbegeleiding en campagne-experimenten.

Stap 1: schets uw doelen en plan uw aanpak

Wat wil je weten? Plan je publiek in deze stap. Wie ga je onderzoeken en hoe bereik je ze?

Dit veronderstelt ook dat je een bepaald niveau van gebruikerskennis hebt, dwz dat je helemaal niet helemaal opnieuw begint.

We hebben een lange tijd eerder in Excel geanalyseerd om onze meest waardevolle klantensegmenten te vinden en we gebruiken Intercom om hun gemeenschappelijke gedragingen te traceren. We hebben nooit een volledige gestructureerde analyse van gedragscorrelaties uitgevoerd (bijvoorbeeld regressieanalyses uitvoeren tegen successtatistieken), maar we wisten grotendeels hoe ons ‘ideale klantenprofiel’ eruit zag en we wisten welke klantprofielen ons het meeste geld waard waren over het algemeen.

Stap 2: schrijf uw enquête en verzend deze naar uw publiek

Het schrijven van de enquête was een van de moeilijkste onderdelen voor mij. Het ging om nadenken over wat mijn doelen waren met het project en het koppelen van die vragen die bruikbare antwoorden zouden opleveren. Niet alleen dat, ik wilde vooringenomenheid uit de vragen verwijderen en ook de enquête zo kort houden dat mensen deze daadwerkelijk zouden gebruiken .

Als ik terug zou kunnen gaan, zou ik mijn enquêtevragen zelfs een beetje verbeteren. Dat is waar de gegevens vandaan komen, het is het deel waar je je het meest op moet concentreren. Meet twee keer, knip één keer hier, en zorg dat je team erbij betrokken is als je kunt.

We gebruikten Typeform om de enquête te verzenden. Hier is een gedeelte van de eigenlijke vragen:

Sommige waren categorische vragen zoals “Welke beschrijft je het beste?”

Anderen waren schaalvragen als “Wanneer zijn digitale marketingtrainingen aan de orde , hoe belangrijk zijn de volgende factoren?” Gevolgd door een reeks factoren zoals “kosten”, “reputatie van instructeurs” en “interactiviteit”.

En we hebben ook een paar open vragen gesteld, zoals ‘Wat is de meest uitdagende vaardigheid die in je werk wordt gebruikt?’ En ‘Welke blogs lees je regelmatig?’ Deze waren naar mijn mening het meest waardevol voor bruikbare ideeën voor marketingcampagnes. .

Kleine opmerking over incentivisatie : we wilden mensen ook stimuleren om het te nemen, en deden dat door een gratis geschenk aan te bieden. Ons specifieke spel was uiteindelijk een logistieke hoofdpijn, zo lang verhaal kort, doe wat je kunt om mensen aan te trekken zonder een een-op-een cadeau. De gegevens zijn echter waardevol, dus zoek een manier om kwaliteitsgegevens te krijgen.

Stap 3: Verken de gegevens (deel 1: EDA in R)

Laat de gegevens binnenkomen.

Zodra u ongeveer 300 reacties krijgt, kunt u nadenken over het analyseren van de gegevens. U hebt wel gepland wat uw steekproefomvang betreft, dus dat is willekeurig. Nogmaals, 300-1000 respondenten zorgt voor goede gegevens. Je kunt het waarschijnlijk met 150 doen. Er is hier geen magisch nummer, omdat er veel bewegende stukken zijn (kwaliteit van de enquête, doelgroeptargeting, uw eigen gegevensanalysevaardigheden) die er meer toe doen dan pure steekproefomvang.

Uw gegevens zien er ongeveer zo uit als het allemaal binnenkomt:

Het moet op de juiste manier worden georganiseerd, met kolommen als enquêtevariabelen en rijen als antwoorden (of observaties) om correct te analyseren. U kunt geen lege cellen (NA-waarden) hebben. Er zijn manieren om deze cellen te verwijderen of te vullen in Excel of in R , of wat voor statistische tool je ook gebruikt.

Voor dit deel zullen we ingaan op verkennende data-analyse in R. Als u een andere statistische programmeertool gebruikt, is dat prima. Als u geen van deze gebruikt, mist u dit analyseniveau, maar u kunt de gegevens die u hebt verzameld nog steeds gebruiken om vrij nauwkeurige persona’s te maken (nauwkeuriger dan de meeste bedrijven bouwen).

Opmerking: het volgende komt een beetje in het onkruid. Alles wat ik ga bespreken, gebeurt in R en is bedoeld om de gegevens te analyseren en hopelijk te breken in ‘brokken’ die helpen om verschillende persona’s te vinden. PCA en factoranalyse doen dit door variabelen / kolommen te analyseren, en clustering doet dit door rijen (of antwoorden) te analyseren. Het is niet mogelijk om in één artikel uitgebreid over deze onderwerpen te gaan, maar ik heb links gegeven als je er meer over wilt weten.

Het eerste wat we zullen doen, is verkennende factoranalyse . Het doel is hier om de onderliggende relaties tussen variabelen te identificeren (met name kolommen / enquêtevragen). Kunnen we in principe factoren vinden die voorspellen hoe mensen bepaalde vragen zullen beantwoorden?

Er zijn veel manieren om dit in R te doen, meestal de out-the-box factanal () functie. Een andere populaire manier is het “psych” -pakket, zoals uiteengezet in deze blogpost .

Ik heb niet veel uit de factoranalyse gehaald, maar ik vond wel een aantal patronen in 3 factoren, hoewel ze de variantie van de gegevens niet veel verklaarden. Dus ik onderzocht de hoofdcomponentenanalyse , die vergelijkbaar is en vaak verward met factoranalyse, maar conceptueel anders .

Ik wilde zien of het compileren de dingen zou ophelderen. Hier is de code in R voor (waarbij x uw dataframe is):

pcanalysis <- prcomp (x, scale = TRUE, center = TRUE) 
plot (pcanalysis)

Wat dit betekent, is dat er één component is die een behoorlijke hoeveelheid van de variantie in de gegevens verklaart, maar daarna een soort van morserij.

Er is meer om over te praten met PCA (en factoranalyse), maar ik zal het beknopt houden voor de praktische doeleinden van dit bericht. Hier is een goed uitlegartikel als je meer wilt lezen .

Hierna ging ik in clustering, wat als PCA of factoring is, maar poogt gegevens te groeperen volgens waarnemingen (de antwoorden van het onderzoek, of rijen in uw spreadsheet). Dit is het brood en boter voor ons wanneer we verschillende gebruikerspersonages willen vinden, omdat het onze respondenten in brokken scheidt op basis van hoe ze dingen beantwoorden.

Eerste ding eerst, zorg ervoor dat u uw gegevens schaalt en centreert als u bepaalde variabelen heeft die veel groter zijn dan andere (we hebben antwoorden op een schaal van 1-5, maar ook werknemersaantallen die oplopen tot 50.000+). Hier is in feite hoe ik geschaalde en gecentreerde gegevens heb gemaakt en hiërarchische clustering heeft uitgevoerd :

scaledpersonas <- scale (personas123, scale = TRUE, center = TRUE) 
d <-dist (scaledpersonas) 
c <- hclust (d) 
plot (c)

Dit levert een dendrogram op , een boomdiagram dat wordt gebruikt om de rangschikking van clusters te illustreren die worden geproduceerd door hiërarchische clustering.

Dit was behoorlijk rommelig, hoewel het een aantal hoogstaande clusters liet zien, en een paar niveaus lager die veel gemeenschappelijke waarden hadden.

Ik ben overgegaan op een k-means cluster-techniek, waarmee je het aantal clusters kunt kiezen dat je leuk vindt voordat je de analyse uitvoert. We wilden verkennen hoe onze clusters eruit zagen met 3-5 persona’s. Hier is met 3:

Ziet er best fatsoenlijk uit. Veel overlapping in het midden (als gevolg van veel voorkomende reacties op wat nu lijkt op voor de hand liggende variabelen zoals het belang van de reputatie van instructeurs), maar ook op een aantal unieke aspecten. Veel beter dan met 4 clusters:

Zo heb ik die gegevens trouwens gecreëerd:

kmscaled <- kmeans (scaledpersonas, 4) 
km <- kmeans (personas, 3) 
kmscaled

En de visualisaties:

vereisen (cluster) 
clusplot (personas, 
kmscaled $ cluster, 
color = TRUE, 
schaduw = TRUE, 
lijnen = 3, 
labels = 2)

Clusteren was leuker. Er waren vrij duidelijke clusters, en op zijn minst kon ik sommige van de waarnemingen afzonderlijk onderzoeken om te zien wat hen van elkaar scheidde (in Excel).

Daardoor kon ik een heel nieuw gebied van data-analyse openen omdat ik wist dat de persona’s grotendeels gesegmenteerd waren op basis van een paar variabelen (voornamelijk bedrijfsinkomsten, jaarlijkse trainingsuitgaven en het belang van 2-3 variabelen als het gaat om training ). Ik zou een paar draaitabellen kunnen neerzetten om de rest te onderzoeken en te zien waar clusters verschilden in termen van attitudinale vragen, en of er variabelen waren die ik miste.

Stap 4: verken de gegevens (deel 2: draaitabellen en Excel)

Je weet hoe je een draaitabel werkt toch ?

Draaitabellen zijn een stomme, maar toch ongelooflijk krachtige functie in Excel en absoluut onbetaalbaar voor gegevensverkenning. Ze zijn een beetje moeilijk uit te leggen zonder ze daadwerkelijk in actie te zien, maar ze laten je in feite interactief data verkennen vanuit verschillende invalshoeken door verschillende variabelen in kolommen / rijen te plaatsen en gemiddelden, standaarddeviatie, sommen, etc. te analyseren.

Voor dit project waren ze geweldig, omdat ik in staat was om verschillende werkbladen samen te stellen met respondenten die in elk cluster uit de bovenstaande analyse vielen, en te zien hoe ze verschillende enquêtevragen beantwoordden.

Zoals u kunt zien, kunnen we de gemiddelden van verschillende variabelen vergelijken in functie van zaken als functie, werkervaring, bedrijfsgrootte of zelfs of iemand een toegewezen en gepland opleidingsbudget heeft.

Ik deed dit over persona’s (van clustering) en vergeleek de gemiddelden van verschillende variabelen om belangrijke verschillen te vinden. Ik heb ook andere factoren onderzocht, zoals die in de top 15% van de gerapporteerde jaarlijkse trainingsuitgaven, of die met toegewezen budgetten versus die zonder, om gemeenschappelijke en verschillende gegevens tussen hen te vinden.

Het is moeilijk om hier echt stap voor stap een stapje voor te zetten, omdat het slechts een deel is van het proces van ” genereren van inzichten “. U hebt een idee van de gegevens die u wilt verkennen, een idee van waar u interessante informatie kunt vinden en onderzoekt die factoren. Zoals ik al zei, hadden we al veel om naar te kijken met onze statistische clusters en een vrij goed idee van onze huidige klantmake-up (en welke waren de beste klanten in het algemeen), dus het was geen moeilijk proces om rapporten te maken en draaitabellen.

Het was zelfs leuk!

U kunt ook draaitabellen maken die meer dan één rijvariabele bevatten. Hier is er een die ik zojuist heb gemaakt en die de gemiddelde beoordeling weergeeft van hoe belangrijk de kosten zijn door 1) type bedrijf en 2) anciënniteit van werknemer:

Sommigen van hen blijken niet ongelooflijk waardevol te zijn (het bovenstaande is daarvan een voorbeeld), maar er is niet echt zoiets als verspilde tijd hier, vooral als je alleen maar aan het leren bent. Besteed veel tijd aan het verkennen van de gegevens. Zoek naar verrassingen, dingen die je niet had verwacht. Dit is helaas geen duidelijk proces “doe dit in de volgende volgorde”.

Stap 5: Ontdek de gegevens (deel 3: Kwalitatief)

Als onderdeel van onze enquête hebben we ook een aantal open vragen gesteld :

  • Welke blogs lees je?
  • Wat is de meest uitdagende vaardigheid die je op je werk gebruikt?
  • Welke software gebruikt u dagelijks?
  • Wat is de laatste training die je hebt afgerond voor digitale marketing?

Deze zijn om verschillende redenen het meest waardevol gebleken, niet het minst de bruikbaarheid die inherent is aan de vragen die we hebben gesteld.

Als we bijvoorbeeld kunnen segmenteren op personages en gemeenschappelijke blogs kunnen vinden die elke persoon regelmatig gebruikt, weten we waar te gast te posten, adverteren of partnerschappen op te bouwen.

Als we weten welke software ze gebruiken, weten we met wie we moeten samenwerken voor evenementen, webinars en inhoud, we weten welke toolspecifieke cursussen we moeten geven en we kunnen zelfs een aantal verkoopontwikkelingscampagnes uitvoeren op basis van softwaresegmentatie.

Meer nog, welke blogs ze lezen en wat zij als hun meest uitdagende taak beschouwen, vertelt veel over wie ze zijn.

Om te beginnen zullen de gegevens waarschijnlijk een puinhoop zijn. Mensen zullen “Google Analytics” schrijven waar anderen “GA” zullen schrijven en er zullen veel verschillen zijn zoals deze.

Doe dus wat je kunt om deze kwalitatieve gegevens op te schonen. Als u de informatie wilt kwantificeren, kunt u de antwoorden coderen (Adobe Analytics en Google Analytics vallen beide onder de categorie ‘Analytics’, enzovoort).

Er is een hele reeks literatuur over kwalitatieve data-analyse . Als je nieuwsgierig bent, kijk er dan eens naar (we hebben er een cursus over in ons CRO-certificaatprogramma ). Zo niet, wees dan scrappy en gebruik de gegevens om uw persona’s te informeren.

We gebruikten dezelfde personagesegmenten die we hadden ontdekt via de laatste twee (kwantitatieve stappen), de gegevens opgeruimd (zo goed als we konden) en woordwolken opbouwen om een ​​goed beeld te krijgen van wat mensen zeiden:

Met deze stap kunt u de kwalitatieve verschillen tussen uw persona’s versterken. Het is eigenlijk geen slechte zaak als ze allemaal dezelfde blogs lezen, of ze vallen allemaal onder dezelfde functietitels, of wat je open vragen ook zijn. Maar als ze anders zijn, kun je verschillende informatie over hen afleiden.

Een van onze persona’s was ongelooflijk geïnteresseerd in CRO-blogs zoals de onze , Unbounce en Optimizely . Een andere was gevuld met algemene marketinginhoud zoals Fast Company, HubSpot en INC. Een andere was een hybride van CRO-dingen en analytisch gerichte dingen zoals het scheermes van Occam. Eenvoudig voor ons, deze kwamen licht overeen met de kwantitatieve segmentatie die we ook vonden, en inderdaad, deze informatie zal ons in de toekomst helpen met marketing en reclame.

Stap 6: Organiseer de gegevens in ruwe maar duidelijke persona’s

Op dit moment weet u uw gegevens zoals uw eigen hand. Je gaat naar bed om na te denken over welke draaitabellen je kunt maken om nieuwe inzichten op te doen, en je hebt een idee van hoe je persona’s in realiteit uit elkaar vallen, niet alleen hoe je zou willen dat ze eruit zouden zien.

Het is op dit punt dat je ze begint te kristalliseren tot afzonderlijke persona’s. Vind hun kernwaarden. Misschien heb je één personaglusters gevonden rond enquêtecomponenten die de nadruk leggen op waarde (boven kwaliteit en wat dan ook), ze lezen X-blogs en ze verdienen meer dan de gemiddelde respondent, maar geven veel minder uit. Deze details beginnen een afzonderlijke persona te vormen.

Wat je hier hebt is bijna klaar. Als je echt lui bent en geen één-op-één-interviews wilt doen, ben je in feite klaar (je moet wel een-op-een interviews doen). Op dit punt kunt u uw gebruikers volledig segmenteren op basis van alle informatie die u heeft gevraagd in uw enquête (zie waarom ik vroeg zei dat het maken van enquêtes het belangrijkste onderdeel van het proces is?).

We hadden op dit moment 3 vrij duidelijke persona’s. Ik zal niet te gedetailleerd ingaan, maar de losse persona’s waren degenen die hun bedrijf wilden laten groeien en een voorsprong op de concurrentie hadden, degenen die ambitieuze zelfstudenten waren en vastbesloten waren om top 1%  T-vormige marketeers te zijn , en degenen die teams hebben geleid en die gestructureerd onderwijs wilden (en duidelijke ROI en voortgangsregistratie).

Van daaruit vonden we een aantal prototypische klanten die heel veel leken op de fictieve persona’s die we hadden gemaakt en vroegen hen om 15-20 minuten te sparen voor een één-op-één telefonisch interview.

Stap 7: Voer een-op-een interviews uit

Ik ben een marketeer, dus ik ben vooral geïnteresseerd in inzichten die ik kan gebruiken voor groei en adverteren. Ik had echter ook een gedragsanalyse (in-app) van onze klanten gedaan voorafgaand aan het opzetten van het onderzoek naar gebruikerspersoonlijkheid en ik werk nauw samen met ons productteam. Ze voeren ook interviews met klanten, dus ik heb ze hierop aangesloten om twee vogels in één klap te doden en gegevens te delen tussen teams.

We hebben een reeks vragen gepland die zowel product als marketing kunnen ondersteunen. Ze zijn opzettelijk open en ontworpen om emotie en diepte aan te sporen:

  • Wat is jouw rol in jouw bedrijf? Leg uit op hoog niveau en van dag tot dag.
  • Loopbaan achtergrond?
  • Hoe groot is uw marketingteam? Hoe worden ze georganiseerd en verdeeld? Met wie werk je dagelijks samen?
  • Hoe organiseert uw bedrijf opleiding en permanente educatie?
  • Wordt training individueel gemotiveerd of aan jou toegewezen?
  • Wie heeft in uw bedrijf CXL Institute gevonden? Hoe heb je het gevonden?
  • Waarom voel je je succesvol bij het gebruik van het instituut?
  • Waarom heb je je aangemeld?
  • Wat is de grootste uitdaging op je werk?
  • Waar word je door gemotiveerd? Wat houdt je ‘s nachts wakker?
  • Stel dat je een geest hebt en dat je de komende jaren op magische wijze een vaardigheid kunt ontwikkelen, wat zou je dan wensen?
  • Gebruikt u een trainingsinstrument zoals het instituut of hebt u dit ooit gebruikt? Zo ja, welke?
  • ALS je soortgelijke tools hebt gebruikt, hoe hebben ze dan in kwaliteit en stijl vergeleken met het instituut?
  • Wiens advies vertrouw je? Wie volg je of vraag je wanneer je een uitdaging hebt?

Deze vragen vertegenwoordigen een sjabloon. Met andere woorden, dit is geen checklist, het is een gesprek . Neem de houding van een journalist en ga het gesprek aan met een gevoel van nieuwsgierigheid en verkenning. Het punt is om het gevoel in tegenstelling tot een interview te laten voelen en meer als een gesprek met een goede vriend.

U wilt geen antwoorden op oppervlakte-niveau, shit die u kunt opzoeken in uw productanalyses.

Je wilt antwoorden op de ziel die uitblinkt in hun angsten om minderwaardig te zijn tegenover hun collega’s, hun motivatie om hun bedrijf te laten groeien tot $ 100 miljoen per jaar aan inkomsten, of hun beweringen van de thought leaders die ze vertrouwen en waarom ze denken dat het grootste deel van de industrie is vol met venters, maar jij niet.

Als je dit goed doet – en er is een hele kunst aan verbonden – zou dit een van de meest inzichtelijke delen van het proces moeten zijn. Het is echt de versiering op de fundering; je hebt de basispersoonlijkheden al gesegmenteerd op attitudinale en gedragsgegevens en nu wil je emotionele triggers vinden om je te helpen met berichtenstrategie, emotionele doelgerichtheid en ontwerp.

Deze fase zou een paar dagen tot een week in beslag moeten nemen, afhankelijk van hoe snel je deze interviews kunt organiseren en uitvoeren (we deden die van ons in een week). Probeer 2-5 interviews te krijgen voor elke afzonderlijke persoon.

Stap 8: zet alles samen en deel met uw team

Dat is het. U bent klaar. Snelle en vuile gebruikerspersonages, in slechts 3-4 weken. En je kunt ze ook echt gebruiken.

Ontwerp ze en communiceer ze zodat ze daadwerkelijk worden gedeeld met het team en gebruikt voor de besluitvorming. Hier kun je creatief worden (er is geen enkele manier om dit te doen en zeker geen prototypische sjabloon). Hier is een voorbeeldsjabloon dat ik heel goed vind van buyerpersona.com:

Afbeeldingsbron

Ik denk dat dit voorbeeld de meest granulariteit en bruikbare informatie biedt, terwijl de informatie ook wordt gesegmenteerd met tabbladen.

Dit is er een van Smart Insights:

Afbeeldingsbron

Ik denk niet dat er noodzakelijkerwijs een goede of verkeerde manier is om het te doen, zolang je kernachtige en bruikbare informatie opneemt en effectief communiceert. Deze dingen zouden op zichzelf moeten leven en geen verdere vragen nodig hebben van teamgenoten die niet alle onbewerkte personagegevens hebben gezien

Je kunt ze ook in kaart brengen op GE / McKinsey’s Matrix . Dit toont u hoe ideaal de klantpersonalisatie is versus hoe sterk uw businesscase voor hen is, zodat u kunt visualiseren waar de beste kansen liggen voor toekomstige marketinginspanningen:

De linkerbovenhoek (persona 3) betekent dat ze onze meest ideale klant zijn, maar we voeren het minst effectief uit om aan hen te verkopen, en rechtsonder (persona 1) betekent dat we deze mensen het beste verkopen, maar dat zijn ze niet het meest ideaal voor ons bedrijf. De gelegenheid is dan in Persona 2 en Persona 3.

Hierna is het leuke gedeelte: uitvoering. Alleen omdat je een mooie poster aan de muur hebt met je hard bevochten en onderzochte gebruikerspersoon, betekent dat nog niet dat je echt iets hebt gedaan. Al dat onderzoek is verspild als je het niet gebruikt. Als het ontwerp en productbeslissingen niet helpt, doe je het verkeerd. Als je niets aan je marketing verandert, doe je het verkeerd.

 

Belangrijke kanttekeningen

Een paar opmerkingen:

  • Dit is niet de enige manier om gebruikerspersonages te maken. Er zijn veel manieren. Er is ook niet veel onderzoek naar welke methode effectiever is, maar ik ben geneigd om partij te kiezen voor degene met meer objectiviteit, minder vermoedens en meer striktheid / structuur. Dat is waarom ik deze aanpak leuk vind.
  • Deze benadering laat nog steeds enkele factoren over aan subjectiviteit. Bij ons wisten we dat terwijl persona 3 een kleiner deel van ons huidige publiek vertegenwoordigde, zij het klantensegment met de hoogste waarde vertegenwoordigen. We wilden ze dus als persona houden, ongeacht hun lagere weergave in deze reeks gegevens.
  • Alleen omdat u ze maakt, betekent nog niet dat ze effectief zijn.  Je moet eerst je doelen bepalen om ze te maken. Wat zal deze informatie je anders laten doen?
  • Dit is een soepel proces. Naarmate u meer leert over uw klanten, kunt u uw persona aanpassen of wijzigen. Je zou moeten. Een statische persoon is niet alleen lui, het is vrijwel zeker niet representatief voor uw klant, omdat 1) u nooit alle gegevens hebt die u nodig hebt en 2) uw klantprofiel met de tijd verandert.

Ik heb gehoord dat het aanbevolen werd om je persona’s eens per 6-8 maanden of zo te updaten. We doen het een keer per jaar. Je doet wat het beste werkt voor je organisatie, maar laat het evolueren en verbeteren.

Conclusie

Dit is veel informatie, maar als u het stap voor stap doet, is het bouwen van nauwkeurige gegevensgestuurde persona’s niet moeilijk (en het kan binnen een maand worden voltooid).

Realistisch gezien hoeft u niet alles te doen wat ik heb geschetst. Vooral als je net begint en nog niet echt product / markt geschikt hebt gevonden, zou je niet zoveel in personages moeten investeren omdat ze niets zullen betekenen.

We hebben een tractiepunt bereikt en klantprofielen gedefinieerd. Door gebruikerspersonalisaties toe te voegen die worden ondersteund door kwantitatieve en kwalitatieve gegevens, kunnen we bestemmingspagina’s, ontwerp en berichten produceren, maar ook roadmaps voor productontwikkeling en targeting- en samenwerkingsideeën. Het voegt werkelijk diepte toe aan onze marketing en voegt waarde toe.

Zelfs als je op het niveau staat waar het bouwen van persona’s je marketing zal helpen, kun je waarschijnlijk clustering en PCA overslaan als je niet bereid bent om een ​​analist te hebben die dat wil. Bovendien zijn die methoden vaak minder schoon dan ze op papier lijken te zijn, dus je kunt waarschijnlijk gemakkelijker insights krijgen met Pivot Tables en een paar interviews met klanten.

Ik besef dat dit artikel relatief snel een groot aantal verschillende onderwerpen heeft doorlopen, dus als je nog steeds vragen hebt of hulp wilt bij het doen van je eigen klantpersonages, reageer hieronder dan zal ik zo goed mogelijk antwoorden.


Erwin@delaatbusiness.com
Dag, Hulp nodig met internet marketing of websites maken? neem dan contact op

0 Comments

Het e-mailadres wordt niet gepubliceerd. Vereiste velden zijn gemarkeerd met *

Choose A Format
Personality quiz
Series of questions that intends to reveal something about the personality
Trivia quiz
Series of questions with right and wrong answers that intends to check knowledge
Poll
Voting to make decisions or determine opinions
Story
Formatted Text with Embeds and Visuals
List
The Classic Internet Listicles
Countdown
The Classic Internet Countdowns
Open List
Submit your own item and vote up for the best submission
Ranked List
Upvote or downvote to decide the best list item
Meme
Upload your own images to make custom memes
Video
Youtube, Vimeo or Vine Embeds
Audio
Soundcloud or Mixcloud Embeds
Image
Photo or GIF
Gif
GIF format