Lean hypothesis testing

Vad är lean hypothesis testing?

Lean hypothesis testing är ett tillvägagångssätt för agil produktutveckling som är utformat för att minimera risken, öka utvecklingshastigheten och finslipa produktens marknadsanpassning genom att bygga och iterera på en minsta livskraftig produkt (MVP).

Konceptet med produktexperimentering förespråkades av Eric Ries som en del av Lean Startup-metoden. I grund och botten handlar MVP-konceptet om att skapa en cykel av lärande. I stället för att ägna långa utvecklingstider åt att bygga en helt färdig slutprodukt, bygger team som arbetar med lean produktutveckling i korta, iterativa cykler. Varje cykel ägnas åt att leverera en MVP, definierad som en produkt som byggs med så lite arbete som möjligt i syfte att testa och validera produkten med användare.

I lean hypothesis testing kan själva MVP:n utformas som en hypotes. En väl utformad hypotes bryter ner en fråga till problem, lösning och resultat.

När du definierar en bra hypotes ska du börja med ett meningsfullt problem: ett problem eller en smärtpunkt som du vill lösa för dina användare. Team använder ofta flera kvalitativa och kvantitativa källor för att avgränsa och beskriva problemet.

Exempel på Lean-hypotes

Tänk dig att du märker ett problem: användarna överger ett registreringsflöde i högre grad än förväntat. Efter att ha gjort lite efterforskningar märker du att registreringsprocessen tar längre tid än branschgenomsnittet - och du har sett feedback från användare om att din applikation är långsam. Registreringsflödet gör det inte heller tydligt vad fördelen med din produkt är.

Du erbjuder en lösning. Lösningen kan vara en funktion, en produktidé eller en produktriktning som löser det beskrivna problemet. I vårt exempel kan lösningen vara att göra registreringsprocessen snabbare genom att minska antalet formulärfält och göra värdeerbjudandet tydligare. Detta fungerar som din hypotes, som du sedan kan iterera på.

Du kanske vill ge en motivering eller en teori om varför den här lösningen är den rätta. I vårt exempel är teorin att användarna överger registreringsprocessen eftersom den tar för lång tid och de inte förstår värdet.

Statistik och hypotesprövning

När du testar en hypotes är det viktigt att se till att du fastställer p-värden och att du har ett tillräckligt stort urval för att undvika statistiska fel. Om du till exempel inte tar hänsyn till statistisk signifikans kan du råka ut för ett typ 1-fel, där du tror att ditt test har en effekt när det i själva verket inte har någon effekt (en nollhypotes).

Om du inte tillämpar den vetenskapliga metoden korrekt på din testmetodik kan du felaktigt se fördelar som bara beror på slumpen och som faktiskt inte är signifikanta. Du kan använda vår kalkylator för urvalsstorlek för att välja rätt urvalsstorlek som behövs för ett experiment, med tanke på din baslinje konverteringsgrad och konfidensintervall.