AI skickade rapporten. Vem tänker göra något åt den?

Jacob beskriver en veckorapport som kommer automatiskt till Slack på måndagsmorgonen. Jag vill fortfarande att en growth manager svarar i tråden med en egen tolkning och vad teamet ska göra. I avsnitt 101 pratar vi om var AI kan hjälpa oss med forecast och analys, och var någon behöver stanna upp, kontrollera underlaget och fatta ett beslut.

Om förutsättningarna ändras behöver planen få göra det också.

Jag kan vara optimistisk när jag tänker på nästa år. Hittar vi rätt annonser, lanserar vi rätt produkt och får vi ihop genomförandet finns mycket att göra. Det säger jag också i avsnittet. Men optimismen behöver möta verkligheten oftare än vid nästa års budgetarbete.

Vi diskuterar att återvända till forecasten regelbundet. Har det vi trodde skulle hända faktiskt hänt? Finns samma förutsättningar kvar? Vad behöver ändras? Poängen med den genomgången är att få ett användbart underlag för nästa beslut, inte att försvara siffran vi en gång skrev in.

Lagret är en del av det arbetet. Om en viktig produkt ska sälja behöver den också finnas att köpa. Det låter banalt. Ändå blir det snabbt ganska absurt att prata annonsbudget isolerat från tillgången på produkterna som annonserna ska sälja.

Lyssna här i samtalet · 14:33

Kräv en användbar modell. Förstå var den är svag.

Jacob beskriver arbetet med att koppla ihop data och använda AI som stöd för forecasting. I samtalet är den lösning han diskuterar fortfarande under utveckling. Det intressanta är problemet han försöker lösa: hur ska ett system kunna säga om det går bra om det inte förstår vad bolaget försöker uppnå?

Vi pratar också om gränserna. Mer data och längre historik kan ge ett annat underlag än ett litet bolag har. En ny produkt gör jämförelsen svårare. Antaganden behövs, och de behöver gå att se och diskutera. En välformulerad slutsats från ett system gör inte underlaget starkare än det är.

Jacob resonerar om att en modell kan vara användbar även om den aldrig träffar exakt. Jag tycker att det är en viktig utgångspunkt för arbetet. Vad hjälper den oss att bedöma bättre? Var blir osäkerheten för stor? De frågorna behöver följa med när vi använder resultatet.

Lyssna här i samtalet · 17:10

En försäljningsdipp berättar inte varför den uppstod.

Vi tar ett enkelt exempel: en produkt tog slut i oktober. Försäljningen föll. Om nästa års plan bara bygger vidare på den kurvan riskerar vi att behandla brist på lager som brist på efterfrågan. Det är två ganska olika problem att försöka lösa.

Samma sak gäller kampanjer. Vad gjorde bolaget under perioden vi jämför med? Vilka erbjudanden och utskick fanns? Jacob beskriver hur historiska utskick och rabattdata kan hjälpa till att återskapa en del av sammanhanget. Sedan måste någon som kan verksamheten granska bilden.

Om en vara tog slut måste det synas när vi bygger nästa prognos. Annars kan modellen planera för låg efterfrågan när det vi egentligen behöver är ett större inköp. Samma kontroll behövs för kampanjer och produktlanseringar.

Lyssna här i samtalet · 23:00

Måndagsrapporten behöver ett svar från någon som tänker.

Jacob berättar om en automatiserad veckorapport till Slack. Den kommer tidigt på måndagen och ger teamet ett gemensamt underlag. Det är ett konkret exempel på arbete som går att förenkla. Färre manuella moment kan frigöra tid till analysen.

Risken är att alla läser, tycker att rapporten verkar rimlig och går vidare. Sammanställningen är klar. Tolkningen har ingen gjort. Det behöver finnas tid och en ansvarig person för den delen.

I avsnittet säger jag att en growth manager fortfarande borde skriva en egen summering i tråden med action points utifrån veckan. Vad betyder det vi ser? Vad prioriterar vi nu? Det gör rapporten till början på ett arbete. Någon behöver fortfarande stå för tolkningen och driva den vidare.

Lyssna här i samtalet · 34:29

Testa vägen från annonsen hela vägen till köpet.

Jag berättar om en checkoutbugg hos Såpa som var svår att återskapa. Det räckte inte att gå in på sajten och prova ett köp. Problemet var kopplat till en särskild kombination av vägen från en Facebookannons, iOS och ett betalningsval.

Det är en bra påminnelse om hur lätt vi förenklar vår egen testning. Vi vet hur sajten fungerar, hittar rätt direkt och använder vår vanliga enhet. Kunden kommer från ett annat sammanhang och kan få en annan upplevelse. Ett lyckat test av vår väg bevisar inte att kundens väg fungerar.

Övergripande siffror kan dessutom vara svårtolkade när kampanjer, säsong och andra förbättringar förändras samtidigt. I samtalet beskriver vi hur det gjorde felsökningen besvärligare. Den praktiska lärdomen är att ta kundens signaler på allvar och återskapa omständigheterna, i stället för att nöja sig med att det fungerade för oss.

Lyssna här i samtalet · 44:16

Kundservice vet vad nästa annons och produktsida behöver förklara.

Mot slutet av den här delen diskuterar vi AI i kundservice. Jacob beskriver ett verktyg han håller på att utvärdera. En idé i samtalet är särskilt intressant: att samla de vanligaste frågorna om varje produkt och använda dem till att förbättra produktsidor och annonser.

Frågar många om samma sak finns det något att undersöka. Är informationen svår att hitta? Behöver vi visa hur produkten fungerar? Har annonsen lämnat en fråga obesvarad? Svaret på en supportfråga kan hjälpa en kund. Ett bättre innehåll kan hjälpa fler att komma vidare själva.

Be kundservice plocka fram återkommande frågor per produkt. Välj sedan vad som ska besvaras på sidan, i instruktionen eller i nästa annons. Där finns en konkret uppgift att börja med när ett nytt system ska göra nytta.

Lyssna här i samtalet · 53:00

Artikeln bygger på samtalet och är skriven för läsning.